Egy statisztika vizsgára történő készülésnél a tanulók saját tapasztalatain alapuló felmérés szerint a tanulással töltött órák száma és az elért pontszám között az alábbi összefüggéseket lehet kimutatni.
Tanulással töltött órák \( x \) |
Pontszám \( y \) |
3 | 5 |
4 | 6 |
5 | 8 |
6 | 9 |
9 | 16 |
10 | 20 |
12 | 24 |
16 | 56 |
20 | 81 |
24 | 96 |
Adjuk meg a lineáris, a hatványkitevős, és az exponenciális regresszió egyenletét,és döntsük el, hogy melyik regresszió illeszkedik-e jobban.
Egy statisztika vizsgára történő készülésnél a tanulók saját tapasztalatain alapuló felmérés szerint a tanulással töltött órák száma és az elért pontszám között az alábbi összefüggéseket lehet kimutatni.
Tanulással töltött órák \( x \) |
Pontszám \( y \) |
3 | 5 |
4 | 6 |
5 | 8 |
6 | 9 |
9 | 16 |
10 | 20 |
12 | 24 |
16 | 56 |
20 | 81 |
24 | 96 |
Adjuk meg a lineáris, a hatványkitevős, és az exponenciális regresszió egyenletét,és döntsük el, hogy melyik regresszió illeszkedik-e jobban.
Az alábbi táblázat néhány ország egy főre jutó GDP-jét és a nők életkorát tartalmazza első házasságkötésük idején. Készítsünk lineáris regressziót, ahol a magyarázó változó az egy főre jutó GDP. Értelmezzük a modell paramétereit, készítsünk variancianalízis táblázatot, adjuk meg a modell magyarázó erejét!
ország | X | Y | |
GPD/fő |
Nők életkora házasságkötéskor |
||
Ausztria | AT | 28 978 | 26,6 |
Belgium | BE | 30 349 | 29,8 |
Csehország | CZ | 15 216 | 28,9 |
Franciaország | FR | 26 656 | 31,6 |
Görögország | GR | 17 941 | 26,9 |
Hollandia | NL | 28 669 | 26,9 |
Lengyelország | PL | 10 135 | 25,3 |
Magyarország | HU | 13 767 | 29,7 |
Németország | DE | 28 232 | 31 |
Svájc | CH | 31 987 | 29,4 |
Az alábbi táblázat néhány ország egy főre jutó GDP-jét és a nők életkorát tartalmazza első házasságkötésük idején. Készítsünk lineáris regressziót, ahol a magyarázó változó az egy főre jutó GDP. Értelmezzük a modell paramétereit, készítsünk variancianalízis táblázatot, adjuk meg a modell magyarázó erejét!
ország | X | Y | |
GPD/fő |
Nők életkora házasságkötéskor |
||
Ausztria | AT | 28 978 | 26,6 |
Belgium | BE | 30 349 | 29,8 |
Csehország | CZ | 15 216 | 28,9 |
Franciaország | FR | 26 656 | 31,6 |
Görögország | GR | 17 941 | 26,9 |
Hollandia | NL | 28 669 | 26,9 |
Lengyelország | PL | 10 135 | 25,3 |
Magyarország | HU | 13 767 | 29,7 |
Németország | DE | 28 232 | 31 |
Svájc | CH | 31 987 | 29,4 |
Az egy főre jutó GDP és az egymilló lakosra jutó orvosok számának kapcsolatát vizsgáljuk.
ország | X | Y |
GDP/fő (USD) |
Egymillió lakosra jutó orvosok száma |
|
Ausztria | 50 380 | 5183 |
Belgium | 46 237 | 3083 |
Dánia | 59 770 | 3998 |
Franciaország | 41 897 | 3158 |
Norvégia | 75 294 | 4659 |
Hollandia | 52 646 | 3583 |
Svédország | 51 404 | 4117 |
Olaszország | 33 159 | 3990 |
Németország | 46 473 | 4249 |
Svájc | 82 484 | 4298 |
Számoljuk ki az elaszticitást 50 ezer dolláros és 60 ezer dolláros egy főre jutó GDP-nél.
Az egy főre jutó GDP és az egymilló lakosra jutó orvosok számának kapcsolatát vizsgáljuk.
ország | X | Y |
GDP/fő (USD) |
Egymillió lakosra jutó orvosok száma |
|
Ausztria | 50 380 | 5183 |
Belgium | 46 237 | 3083 |
Dánia | 59 770 | 3998 |
Franciaország | 41 897 | 3158 |
Norvégia | 75 294 | 4659 |
Hollandia | 52 646 | 3583 |
Svédország | 51 404 | 4117 |
Olaszország | 33 159 | 3990 |
Németország | 46 473 | 4249 |
Svájc | 82 484 | 4298 |
Számoljuk ki az elaszticitást 50 ezer dolláros és 60 ezer dolláros egy főre jutó GDP-nél.
Egy strand forgalmának alakulása a napi középhőmérséklettől függően 12 megfigyelt nap alapján az alábbi volt:
nap | napi középhőmérséklet (C°) |
forgalom (fő) |
1. | 22 | 765 |
2. | 23 | 1572 |
3. | 18 | 510 |
4. | 25 | 1967 |
5. | 22 | 1142 |
6. | 16 | 576 |
7. | 24 | 986 |
8. | 20 | 1216 |
9. | 24 | 1267 |
10. | 26 | 1686 |
11. | 19 | 981 |
12. | 20 | 1412 |
Adjuk meg a lineáris regresszió egyenletét, adjuk meg a korrelációs és a determinációs együtthatót és döntsük el, hogy a lineáris vagy a hatványkitevős regresszió illeszkedik-e jobban, ha ismeretes, hogy
$$ \sum d^2x = 100,91 \quad \sum d^2y=2 155 847 \quad \sum dx \cdot dy = 10 894,67 \quad \hat{y}=1,43 \cdot x^{2,17} $$
Egy strand forgalmának alakulása a napi középhőmérséklettől függően 12 megfigyelt nap alapján az alábbi volt:
nap | napi középhőmérséklet (C°) |
forgalom (fő) |
1. | 22 | 765 |
2. | 23 | 1572 |
3. | 18 | 510 |
4. | 25 | 1967 |
5. | 22 | 1142 |
6. | 16 | 576 |
7. | 24 | 986 |
8. | 20 | 1216 |
9. | 24 | 1267 |
10. | 26 | 1686 |
11. | 19 | 981 |
12. | 20 | 1412 |
Adjuk meg a lineáris regresszió egyenletét, adjuk meg a korrelációs és a determinációs együtthatót és döntsük el, hogy a lineáris vagy a hatványkitevős regresszió illeszkedik-e jobban, ha ismeretes, hogy
$$ \sum d^2x = 100,91 \quad \sum d^2y=2 155 847 \quad \sum dx \cdot dy = 10 894,67 \quad \hat{y}=1,43 \cdot x^{2,17} $$
Az alábbi táblázat néhány ország egy főre jutó GDP-jét és a nők életkorát tartalmazza első házasságkötésük idején. Készítsünk lineáris regressziót, ahol a magyarázó változó az egy főre jutó GDP. Értelmezzük a modell paramétereit, készítsünk variancianalízis táblázatot, adjuk meg a modell magyarázó erejét!
ország | X | Y | |
GPD/fő |
Nők életkora házasságkötéskor |
||
Ausztria | AT | 28 978 | 26,6 |
Belgium | BE | 30 349 | 29,8 |
Csehország | CZ | 15 216 | 28,9 |
Franciaország | FR | 26 656 | 31,6 |
Görögország | GR | 17 941 | 26,9 |
Hollandia | NL | 28 669 | 26,9 |
Lengyelország | PL | 10 135 | 25,3 |
Magyarország | HU | 13 767 | 29,7 |
Németország | DE | 28 232 | 31 |
Svájc | CH | 31 987 | 29,4 |
Az alábbi táblázat néhány ország egy főre jutó GDP-jét és a nők életkorát tartalmazza első házasságkötésük idején. Készítsünk lineáris regressziót, ahol a magyarázó változó az egy főre jutó GDP. Értelmezzük a modell paramétereit, készítsünk variancianalízis táblázatot, adjuk meg a modell magyarázó erejét!
ország | X | Y | |
GPD/fő |
Nők életkora házasságkötéskor |
||
Ausztria | AT | 28 978 | 26,6 |
Belgium | BE | 30 349 | 29,8 |
Csehország | CZ | 15 216 | 28,9 |
Franciaország | FR | 26 656 | 31,6 |
Görögország | GR | 17 941 | 26,9 |
Hollandia | NL | 28 669 | 26,9 |
Lengyelország | PL | 10 135 | 25,3 |
Magyarország | HU | 13 767 | 29,7 |
Németország | DE | 28 232 | 31 |
Svájc | CH | 31 987 | 29,4 |
Néhány ország adatai alapján vizsgáljuk meg az átlagos iskolázottsági szint és a születéskor várható élettertam közti kapcsolatot. Adjuk meg a lineáris és az exponenciális regressziós modellt, amiben magyarázó változó az átlagos iskolázottsági szint. Melyik modell illeszkedik jobban?
Átlagos iskolázottsági szint (év) |
Születéskor várható élettartam (év) |
|
1. | 12,6 | 81,1 |
2. | 12,4 | 78,5 |
3. | 11,6 | 75,4 |
4. | 10,4 | 74 |
5. | 4,4 | 65,4 |
átlag | 10,3 | 74,9 |
Néhány ország adatai alapján vizsgáljuk meg az átlagos iskolázottsági szint és a születéskor várható élettertam közti kapcsolatot. Adjuk meg a lineáris és az exponenciális regressziós modellt, amiben magyarázó változó az átlagos iskolázottsági szint. Melyik modell illeszkedik jobban?
Átlagos iskolázottsági szint (év) |
Születéskor várható élettartam (év) |
|
1. | 12,6 | 81,1 |
2. | 12,4 | 78,5 |
3. | 11,6 | 75,4 |
4. | 10,4 | 74 |
5. | 4,4 | 65,4 |
átlag | 10,3 | 74,9 |
Néhány ország középfokú iskolai képzésének egy diákra jutó oktatási ráfordítása illetve az éves egy főre jutó GDP adatai láthatóak az alábbi táblázatban. Adjuk meg a lineáris regresszió modellt, a reziduális szórást, határozzuk meg a modell magyarázó erejét.
ország | X | Y | |
GDP/fő (EUR) |
Oktatási ráfordítás (középfokú képzés; diák/EUR) |
||
Ausztria | AT | 28 978 | 76 900 |
Belgium | BE | 30 349 | 61 000 |
Csehország | CZ | 15 216 | 33 800 |
Franciaország | FR | 26 656 | 57 600 |
Görögország | GR | 17 941 | 59 200 |
Hollandia | NL | 28 669 | 61 500 |
Lengyelország | PL | 10 135 | 30 700 |
Magyarország | HU | 13 767 | 33 000 |
Németország | DE | 28 232 | 65 300 |
Svájc | CH | 31 987 | 60 400 |
Néhány ország középfokú iskolai képzésének egy diákra jutó oktatási ráfordítása illetve az éves egy főre jutó GDP adatai láthatóak az alábbi táblázatban. Adjuk meg a lineáris regresszió modellt, a reziduális szórást, határozzuk meg a modell magyarázó erejét.
ország | X | Y | |
GDP/fő (EUR) |
Oktatási ráfordítás (középfokú képzés; diák/EUR) |
||
Ausztria | AT | 28 978 | 76 900 |
Belgium | BE | 30 349 | 61 000 |
Csehország | CZ | 15 216 | 33 800 |
Franciaország | FR | 26 656 | 57 600 |
Görögország | GR | 17 941 | 59 200 |
Hollandia | NL | 28 669 | 61 500 |
Lengyelország | PL | 10 135 | 30 700 |
Magyarország | HU | 13 767 | 33 000 |
Németország | DE | 28 232 | 65 300 |
Svájc | CH | 31 987 | 60 400 |
Nézzük meg, hogy Európa néhány országában az egy főre jutó GDP hogyan befolyásolja a gépjárművek számát, adjuk meg a lineáris regresszió egyenletét.
ország | X | Y | |
GDP/fő (EUR) |
Gépjárművek (db / 10 000 fő) |
||
Ausztria | AT | 50 380 | 5500 |
Belgium | BE | 46 237 | 5030 |
Csehország | CZ | 23 539 | 5020 |
Franciaország | FR | 41 897 | 4790 |
Görögország | GR | 19 570 | 4790 |
Hollandia | NL | 52 646 | 4810 |
Lengyelország | PL | 15 601 | 5710 |
Magyarország | HU | 16 470 | 3380 |
Németország | DE | 46 473 | 5550 |
Svájc | CH | 82 484 | 5390 |
Nézzük meg, hogy Európa néhány országában az egy főre jutó GDP hogyan befolyásolja a gépjárművek számát, adjuk meg a lineáris regresszió egyenletét.
ország | X | Y | |
GDP/fő (EUR) |
Gépjárművek (db / 10 000 fő) |
||
Ausztria | AT | 50 380 | 5500 |
Belgium | BE | 46 237 | 5030 |
Csehország | CZ | 23 539 | 5020 |
Franciaország | FR | 41 897 | 4790 |
Görögország | GR | 19 570 | 4790 |
Hollandia | NL | 52 646 | 4810 |
Lengyelország | PL | 15 601 | 5710 |
Magyarország | HU | 16 470 | 3380 |
Németország | DE | 46 473 | 5550 |
Svájc | CH | 82 484 | 5390 |
Napi középhőmérséklet (°C) |
Víz hőmérséklete (°C) |
Strand napi forgalma |
22 | 21 | 765 |
23 | 21 | 1572 |
18 | 18 | 510 |
25 | 20 | 1967 |
22 | 21 | 1142 |
16 | 19 | 576 |
24 | 22 | 986 |
20 | 21 | 1216 |
24 | 22 | 1267 |
26 | 24 | 1686 |
19 | 19 | 981 |
20 | 21 | 1412 |
Készítsünk lineáris regressziót, majd értelmezzük a modell paramétereit. Vizsgáljuk a multkollinearitást és autokorrelációt.
Napi középhőmérséklet (°C) |
Víz hőmérséklete (°C) |
Strand napi forgalma |
22 | 21 | 765 |
23 | 21 | 1572 |
18 | 18 | 510 |
25 | 20 | 1967 |
22 | 21 | 1142 |
16 | 19 | 576 |
24 | 22 | 986 |
20 | 21 | 1216 |
24 | 22 | 1267 |
26 | 24 | 1686 |
19 | 19 | 981 |
20 | 21 | 1412 |
Készítsünk lineáris regressziót, majd értelmezzük a modell paramétereit. Vizsgáljuk a multkollinearitást és autokorrelációt.
Hőmérséklet (°C) |
Kőolaj hordonkénti ára (USD) |
Hétvége van? |
Eladott gombócok száma |
25 | 100 | Igen | 760 |
28. | 96 | Nem | 746 |
32 | 98 | Nem | 796 |
12 | 100 | Igen | 658 |
7 | 102 | Igen | 466 |
16 | 96 | Igen | 642 |
24 | 92 | Nem | 724 |
5 | 94 | Igen | 412 |
31 | 98 | Nem | 756 |
27 | 104 | Nem | 710 |
25 | 108 | Igen | 678 |
18 | 110 | Nem | 655 |
Készítsünk lineáris regressziót, majd értelmezzük a modell paramétereit. Számítsuk ki a korreláció-mátrixát.
Hőmérséklet (°C) |
Kőolaj hordonkénti ára (USD) |
Hétvége van? |
Eladott gombócok száma |
25 | 100 | Igen | 760 |
28. | 96 | Nem | 746 |
32 | 98 | Nem | 796 |
12 | 100 | Igen | 658 |
7 | 102 | Igen | 466 |
16 | 96 | Igen | 642 |
24 | 92 | Nem | 724 |
5 | 94 | Igen | 412 |
31 | 98 | Nem | 756 |
27 | 104 | Nem | 710 |
25 | 108 | Igen | 678 |
18 | 110 | Nem | 655 |
Készítsünk lineáris regressziót, majd értelmezzük a modell paramétereit. Számítsuk ki a korreláció-mátrixát.
Egy cégnél 30 alkalmazottat vizsgáltak meg, hogy miként magyarázza az életkor, illetve az, hogy az illető férfi-e vagy nő (férfi=0, nő=1) a fizetés nagyságát. A kapott regressziós modell a havi fizetés nagyságát ezer forintban adja meg, ahol \( x_1 \) jelenti az életkort és \( x_2 \) jelenti azt, hogy az illető férfi-e vagy nő.
$$ \hat{y}=64+7,6x_1 - 16,7x_2 \quad s_{ \hat{\beta}_1}=4,2 \quad s_{ \hat{\beta}_2}=10,83 \quad SSE=81,2 \quad SST=105,7 $$
Adjuk meg a modell paramétereinek jelentését. Szignifikánsnak tekinthető-e a modell alapján az életkor, illetve a nem, az alkalmazott fizetése szempontjából 10%-os szignifikanciaszinten? Teszteljük teljes modellt 10%-os szignifikanciaszint mellett.
Egy cégnél 30 alkalmazottat vizsgáltak meg, hogy miként magyarázza az életkor, illetve az, hogy az illető férfi-e vagy nő (férfi=0, nő=1) a fizetés nagyságát. A kapott regressziós modell a havi fizetés nagyságát ezer forintban adja meg, ahol \( x_1 \) jelenti az életkort és \( x_2 \) jelenti azt, hogy az illető férfi-e vagy nő.
$$ \hat{y}=64+7,6x_1 - 16,7x_2 \quad s_{ \hat{\beta}_1}=4,2 \quad s_{ \hat{\beta}_2}=10,83 \quad SSE=81,2 \quad SST=105,7 $$
Adjuk meg a modell paramétereinek jelentését. Szignifikánsnak tekinthető-e a modell alapján az életkor, illetve a nem, az alkalmazott fizetése szempontjából 10%-os szignifikanciaszinten? Teszteljük teljes modellt 10%-os szignifikanciaszint mellett.
Hőmérséklet (°C) |
Átlagos levegőminőség (%) |
Front van? |
Halálozások száma |
8 | 100 | Nem | 50 |
12. | 64 | Nem | 43 |
16 | 56 | Nem | 38 |
25 | 38 | Nem | 36 |
28 | 85 | Igen | 42 |
30 | 96 | Igen | 50 |
5 | 120 | Nem | 56 |
16 | 68 | Nem | 40 |
26 | 93 | Nem | 46 |
27 | 104 | Nem | 52 |
30 | 24 | Igen | 48 |
8 | 35 | Igen | 41 |
Készítsünk lineáris regressziót, majd értelmezzük a modell paramétereit. Végezzük el a regresszió becsléseit.
Hőmérséklet (°C) |
Átlagos levegőminőség (%) |
Front van? |
Halálozások száma |
8 | 100 | Nem | 50 |
12. | 64 | Nem | 43 |
16 | 56 | Nem | 38 |
25 | 38 | Nem | 36 |
28 | 85 | Igen | 42 |
30 | 96 | Igen | 50 |
5 | 120 | Nem | 56 |
16 | 68 | Nem | 40 |
26 | 93 | Nem | 46 |
27 | 104 | Nem | 52 |
30 | 24 | Igen | 48 |
8 | 35 | Igen | 41 |
Készítsünk lineáris regressziót, majd értelmezzük a modell paramétereit. Végezzük el a regresszió becsléseit.
Egy városban a naponta elhalálozottak száma és különböző meteorológiai hatások közötti összefüggést szeretnénk felderíteni, ezért 12 napon vizsgáljuk a hőmérsékletet, a levegőminőséget, valamint, hogy érkezik-e front.
Hőmérséklet (°C) |
Átlagos levegőminőség (%) |
Front van? |
Halálozások száma |
8 | 100 | Nem | 50 |
12. | 64 | Nem | 43 |
16 | 56 | Nem | 38 |
25 | 38 | Nem | 36 |
28 | 85 | Igen | 42 |
30 | 96 | Igen | 50 |
5 | 120 | Nem | 56 |
16 | 68 | Nem | 40 |
26 | 93 | Nem | 46 |
27 | 104 | Nem | 52 |
30 | 24 | Igen | 48 |
8 | 35 | Igen | 41 |
Készítsünk lineáris regressziót, majd értelmezzük a modell paramétereit. Elemezzük a regressziós modellt hipotézisvizsgálatokkal, készítsünk varianciaanalízis táblázatot.
Egy városban a naponta elhalálozottak száma és különböző meteorológiai hatások közötti összefüggést szeretnénk felderíteni, ezért 12 napon vizsgáljuk a hőmérsékletet, a levegőminőséget, valamint, hogy érkezik-e front.
Hőmérséklet (°C) |
Átlagos levegőminőség (%) |
Front van? |
Halálozások száma |
8 | 100 | Nem | 50 |
12. | 64 | Nem | 43 |
16 | 56 | Nem | 38 |
25 | 38 | Nem | 36 |
28 | 85 | Igen | 42 |
30 | 96 | Igen | 50 |
5 | 120 | Nem | 56 |
16 | 68 | Nem | 40 |
26 | 93 | Nem | 46 |
27 | 104 | Nem | 52 |
30 | 24 | Igen | 48 |
8 | 35 | Igen | 41 |
Készítsünk lineáris regressziót, majd értelmezzük a modell paramétereit. Elemezzük a regressziós modellt hipotézisvizsgálatokkal, készítsünk varianciaanalízis táblázatot.
Egy strand forgalmának modellezésére két magyarázó változót használunk, a napi középhőmérsékletet ( \( x_1 \) ) illetve azt, hogy hétvége van vagy sem ( \( x_2=0 \) ha nincs hétvége és \( x_2 = 1 \) ha igen).
Egy 12 megfigyelés alapján készített modellről az alábbiakat tudjuk:
$$ \hat{y}=396+12,6x_1 +18 x_2 \qquad s_{ \hat{\beta}_1}=2,19 \qquad s_{ \hat{\beta}_2}=38,15 $$
$$ R=\begin{pmatrix} 1 & & \\ 0,92 & 1 & \\ -0,57 & -0,67 & 1 \end{pmatrix} $$
Adjuk meg a lineáris regressziós modell paramétereinek jelentését. Szignifikánsnak tekinthető-e a modell alapján a napi középhőmérséklet a strand forgalmának szempontjából 10%-os szignifikanciaszinten? Adjuk meg a fogalom és a hőmérséklet kapcsolatát leíró parciális korrelációs együttható értékét. Adjuk meg a többszörös determinációs hányados értékét.
Egy strand forgalmának modellezésére két magyarázó változót használunk, a napi középhőmérsékletet ( \( x_1 \) ) illetve azt, hogy hétvége van vagy sem ( \( x_2=0 \) ha nincs hétvége és \( x_2 = 1 \) ha igen).
Egy 12 megfigyelés alapján készített modellről az alábbiakat tudjuk:
$$ \hat{y}=396+12,6x_1 +18 x_2 \qquad s_{ \hat{\beta}_1}=2,19 \qquad s_{ \hat{\beta}_2}=38,15 $$
$$ R=\begin{pmatrix} 1 & & \\ 0,92 & 1 & \\ -0,57 & -0,67 & 1 \end{pmatrix} $$
Adjuk meg a lineáris regressziós modell paramétereinek jelentését. Szignifikánsnak tekinthető-e a modell alapján a napi középhőmérséklet a strand forgalmának szempontjából 10%-os szignifikanciaszinten? Adjuk meg a fogalom és a hőmérséklet kapcsolatát leíró parciális korrelációs együttható értékét. Adjuk meg a többszörös determinációs hányados értékét.