1

Statisztika 2.
- elmleti sszefoglal
I. Becsls: ismeretlen paramter kzelt rtknek meghatrozsa mintbl
1. intervallumbecsls: egyetlen minta alapjn olyan intervallumot hatrozunk meg, amely elre
megadott nagy valsznsggel tartalmazza az ismeretlen sokasg jellemzit (FAE s EV esetn)
a) a sokasg vrhat rtknek becslse
1. lps: mintatlag
2. lps: szrs 8/2. kplet
= korriglt tapasztalati szrs: a mintaelemek tlagos eltrse a mintatlagtl
standard hiba 8/5. kplet (korrekcis tnyez kell, ha n/N > 5% 8/7. kplet)
= tlagos hibanagysg: a mintatlagok tlagos eltrse a sokasgi vrhat rtktl
3. lps: tblzat
- normlis eloszls sokasg, a sokasgi szrs () ismert -> z(1-/2)
- normlis eloszls sokasg, a sokasgi szrs ismert, nagy a minta -> z(1-/2)
- normlis eloszls a sokasg, a sokasgi szrs nem ismert, kicsi a minta -> t(szf)(1-/2)
(szabadsgfok (szf) = n-1)
(1- = megbzhatsgi szint)
4. lps: hibahatr: = tblzat * standard hiba
= maximlisan ennyit tvedhetnk a becsls sorn
5. lps: konfidencia intervallum: [mintatlag hibahatr] 8/8-9. kplet
= a vrhat rtk ezen intervallumba esik x% megbzhatsgi szinten
+ 1. lps: vlasz
b) sokasgi rtksszeg becslse: a sokasgi vrhat rtk N-szeresnek becslse
a 4. s 5. lpsben beszorzunk N-nel
c) sokasgi arny becslse
1. lps: pontbecsls: p = k/n
2. lps: standard hiba 8/16. kplet
3. lps: tblzat: arnybecsls miatt csak z lehet
4. lps: hibahatr
5. lps: konf. intervallum
d) sokasgi szrs becslse
az 5. lpsben a konfidencia intervallum vltozik: 8/18. kplet
2. becsls rtegzett mintbl
a) arnyos rtegezs
0. lps: nj/n = Nj/N
1. lps: kzs tlag (nj/n s Nj/N-bl is szmolhatunk egyarnt)
2. lps: standard hiba 9/26-27. kplet (korrekcis tnyez kell, ha n/N > 5%)
3. lps: tblzat: nagy minta miatt csak z lehet
4. lps: hibahatr
5. lps: konf. int.
b) nem arnyos rtegezs
0. lps: nj/n Nj/N
1. lps: kzs tlag (csak Nj/N-bl szmolhatunk)
2. lps: standard hiba 9/25. kplet (korrekcis tnyez kell, ha n/N > 5%)
3. lps: tblzat: z
4. lps: hibahatr
5. lps: konf. int.

2
II. Hipotzisvizsglat: egy llts cfolsa vagy altmasztsa a minta vizsglatval
1. egymints prbk
1. lps: hipotzisrendszer fellltsa 9/lap alja
- H
0
: =m
0
H
1
: m
0
-> ktoldali prba
- H
0
: =m
0
H
1
: >m
0
-> jobboldali prba
= a vrhat rtk meghaladja az elrt rtket/az elrt rtk legfeljebb akkora, mint a vrhat
- H
0
: =m
0
H
1
: <m
0
-> baloldali prba
= a vrhat rtk nem ri el az elrt rtket/az elrt rtk legalbb akkora, mint a vrhat
2. lps: prbafggvny
- normlis eloszls, ismert sokasgi szrs -> z
0

- normlis eloszls, ismeretlen sokasgi szrs, nagy minta -> z
0

- normlis eloszls, ismeretlen sokasgi szrs, kicsi minta -> t
0

- szrsra vonatkoz hipotzis ellenrzse ->
2

- arnyra vonatkoz hipotzis ellenrzse -> z
0(p0)

3. lps:tblzat (prbafggvnyben hasznlt bet szerint)
- ktoldali prba esetn: Cf = z(1-/2) vagy t(szf)(1-/2) vagy
2
(szf)(1-/2)
Ca = 1-Cf z s t esetn vagy
2
(szf)(/2)
- jobboldali prba esetn: Cf = z(1-) vagy t(szf)(1-) vagy
2
(szf)(1-)
- baloldali prba esetn: Ca = 1-Cf z s t esetn vagy
2
(szf)()
(szf = n-1)
4. lps: tartomnyok kijellse
- ktoldali prbnl: kritikus/Ca/elfogadsi/Cf/kritikus
- jobboldali prbnl: 0/elfogadsi/Cf/kritikus
- baloldali prbnl: kritikus/Ca/elfogadsi
5. lps: dnts: H
0
-t elfogadjuk-e, vagyis a prbafggvny az elfogadsi vagy a kritikus
tartomnyba esik-e
2. ktmints prbk
1. lps: hipotzisrendszer fellltsa 10/lap teteje
2. lps: prbafggvny
- vrhat rtkek azonossgnak ellenrzse, sokasgi szrsok ismertek -> z
0

- vrhat rtkek azonossgnak ellenrzse, sokasgi szrsok nem ismertek, nagy minta -> z
0

- vrhat rtkek azonossgnak ellenrzse, sokasgi szrsok nem ismertek, kis minta -> t
0

(alkalmazsnak felttele, hogy az F
0
prbnl a H
0
-t elfogadjuk)
- arnyok sszehasonltsa -> z
0(P)

- kt variancia azonossgnak tesztelse -> F
0

3. lps: tblzat (prbafggvnyben hasznlt bet szerint)
- ktoldali prba esetn: Cf = z(1-/2) vagy t(szf)(1-/2) vagy F(szf1)(szf2)(1-/2)
Ca = 1-Cf z s t esetn vagy 1/Cf F esetn
- jobboldali prba esetn: Cf = z(1-) vagy t(szf)(1-) vagy F(szf1)(szf2)(1-)
- baloldali prba esetn: Ca = 1-Cf z s t esetn vagy 1/Cf F esetn
(szf = n1+n2-2, szf1 = n1-1, szf2 = n2-1)
4. lps: tartomnyok
5. lps: dnts
3. nem paramteres prbk: jobboldali alternatv hipotzis -> csak Cf!
a) illeszkedsvizsglat
1. lps: hipotzisrendszer fellltsa 10/lap kzepe
- H
0
: P(Xi) = 1/k -> egyenletes eloszls H
1
: ltezik olyan i, ahol P(Xi) 1/k -> nem egyenletes
- H
0
: P(Xi) = Pi -> normlis eloszls H
1
: ltezik olyan i, ahol P(Xi) Pi -> nem
normlis
2. lps: prbafggvny -> tblzat ksztse (alkalmazsi felttel: nagy minta s n*Pi = * 5)
3
- egyenletes eloszls vizsglatnl
nj *
2

(mivel az eloszls egyenletes, a Pi nem vltozik, gy * sem)
- normlis eloszls vizsglatnl
xia - xif nj zif = (xif xtlag)/szrs Pi () Pi * = n*Pi
2

(ha * < 5, akkor az nj s a * adatokat ssze kell adni, amg el nem rik az 5-t s abbl kell

2
-et szmolni, gy kevesebb lesz a kapott eredmnyek szma, mint az n-ek szma)
3. lps: tblzat: prbafggvny miatt csak
2
lehet
Cf =
2
(szf)(1-)
- egyenletes eloszls esetn: szf = k-1, ahol k a kapott eredmnyek szma)
- normlis eloszls esetn szf = k-1-b, ahol k a kapott eredmnyek szma s b a megadott
paramterek szma (tlag, szrs))
4. lps: tartomnyok
5. lps: dnts
b) fggetlensgvizsglat
1. lps: hipotzisrendszer fellltsa 10/lap alja
H
0
: Pij = Pi*Pj -> fggetlensg ll fenn, azaz nincs kapcsolat
H
1
: ltezik olyan i,j, ahol Pij Pi*Pj -> van kapcsolat
2. lps: prbafggvny -> tblzat ksztse (alkalmazsi felttel: nagy minta s nij* 5)
nij nij*
2

3. lps: tblzat: prbafggvny miatt csak
2
lehet
Cf =
2
(szf)(1-)
(szf = (s-1)(t-1), ahol s az oszlopok szma, t a sorok szma)
4. lps: tartomnyok
5. lps: dnts
c) variancia-analzis
1. lps: hipotzisrendszer fellltsa 11/lap teteje
H
0
: 1 = 2 = = -> nincs eltrs
H
1
: 1 2 -> van eltrs
2. lps: prbafggvny: F
0

3. lps: tblzat: prbafggvny miatt csak F lehet
Cf = F(szf1)(szf2)(1-)
(szf1 = M-1, szf2 = n-M, ahol M a csoportok szma, n az sszes darabszm)
4. lps: tartomnyok
5. lps: dnts
III. Ktvltozs korrelciszmts: clja a kapcsolat intenzitsnak s irnynak mrse
Mrszmok:
- kovariancia: C
xy
11/2. kplet
- lineris korrelcis egytthat: r
xy
11/3. kplet
= milyen szoros s milyen irny a kapcsolat x s y kztt: -1 s 1 kz esik: -1 fel negatv szoros, 0
fel negatv vagy pozitv gyenge, 1 fel pozitv szoros kapcsolat
- rangkorrelcis egytthat: r
s
11/7. kplet
0 s 1 kz esik: 0 fel gyenge kapcsolat, 1 fel szoros
- determincis egytthat: r
2
(%)
0 s 1 kz esik: x hny %-ban magyarzza y szrdst
Adattbla:
x = magyarz vltoz
y = eredmnyvltoz
dx = x xtlag (dx = 0)
dy = y ytlag (dy = 0)
dxdy, dx
2
, dy
2
4
IV. Ktvltozs regresszi szmts
Lineris regresszifggvny: 12/8. kplet
Paramterek:
- b
0
= nincs kzgazdasgi rtelme, csak nagyon ritka esetben
- b
1
= ha x 1 egysggel n, akkor y mennyivel vltozik
Kiszmts:
- norml egyenletrendszerrel 12/9. kplet
- transzformlt normlegyenletekkel 12/13-14. kplet
Hibamutatk:
- regresszis becsls abszolt hibja: Se 13/20. kplet, ahol e
2
= (y-)
2

= a megfigyelt s becslt adatok tlagos eltrse egymstl
- regresszis becsls relatv hibja: Ve (%) 13/22. kplet
= a megfigyelt s becslt adatok szzalkos eltrse egymstl
- paramterek standard hibi: S
b0
13/23. kplet, S
b1
13/24. kplet
= a mintabeli b
0
s b
1
paramterek tlagos eltrse a sokasgi b
0
, b
1
-tl
Rugalmassgi/elaszticitsi egytthat: (x|y) 12/19. kplet
(az eredmny egy szzalk, nem kell beszorozni 100-zal!)
= ha x 1%-kal n, akkor y arnya tlagosan hny %-kal vltozik
Vltozk felcserlhetsge:
- y-nak x szerinti lineris regresszifggvnye: b
1
(y|x), b
0
(y|x) 12/13-14. kplet
- x-nek y szerinti lineris regresszifggvnye: b
1
(x|y), b
0
(x|y) 12/15-16. kplet
- kapcsolat r
2
12/17. kplet
Becsls a regresszis paramterekre
1. lps: b
0
, b
1

2. lps: S
b0
, S
b1

3. lps: tblzat: t(szf)(1-/2)
(szf = n-2)
4. lps: hibahatr
5. lps: konf. int. 13/25-26. kplet
Becsls konkrt x rtkhez
5 lps ugyanaz, csak a standard hiba ms: S
(0)
13/27. kplet
Egyedi becsls a regresszis paramterekre
5 lps ugyanaz, csak a standard hiba ms: S
y0
13/28. kplet
Regresszis egytthat tesztelse -> t prba
1. lps: H
0
: = 0 -> nincs kapcsolat
H
1
: 0 -> van kapcsolat
2. lps: prbafggvny: t
0
13/29. kplet
3. lps: tblzat: prbafggvny miatt csak t lehet
Cf = t(szf)(1-/2)
Ca = 1- Cf
(szf = n-2)
4. lps: tartomnyok
5. lps: dnts

5
Regresszifggvny tesztelse -> F prba -> jobboldali alternatv hipotzis (csak Cf!)
1. lps: H
0
: = 0 -> nincs kapcsolat
H
1
: 0 -> van kapcsolat
2. lps: prbafggvny -> tblzat ksztse
megnevezs eltrs-ngyzetsszeg szabadsgfok tlagos ngyzetsszeg
regresszi SSR 13/30. kplet 1 SSR/1
hibatnyez SSE 13/30. kplet n-2 SSE/(n-2)
teljes SST 13/30. kplet n-1 -
F
0
13/31. kplet
3. lps: tblzat: prbafggvny miatt csak F lehet
Cf = F(szf1)(szf2)(1-)
(szf1 = 1, szf2 = n-2)
4. lps: tartomnyok
5. lps: dnts
V. Nemlineris regresszi szmts
Hatvnykitevs regresszifggvny:
hatvny
14/35. kplet
Paramterek:
- b
0
= nincs rtelme
- b
1
= ha x 1%-kal n, akkor y hny %-kal vltozik
Kiszmts: 14/38-39. kplet
Exponencilis regresszifggvny: exp 14/41. kplet
Paramterek:
- b
0
= nincs kzgazdasgi rtelme
- b
1
= ha x 1 egysggel n, akkor y hny %-kal vltozik
Kiszmts: 14/44-45. kplet
Melyik fggvny illeszkedik jobban?
Ahol e
2
kisebb. Vagyis elszr behelyettestjk az x-et a hatvnykitevs s az exponencilis
regresszifggvnybe, amibl megkapjuk az rtkeket. Ezutn kiszmoljuk az e
2
hatvny
s e
2
exponencilis

eltrseket, amelyek sszegt mr csak ssze kell hasonltanunk. (emlkeztet: e
2
= (y-)
2
)
VI. Tbbszrs korrelciszmts
Mrszmok:
- pronknti korrelcis egytthatk: r
y1
, r
y2
, r
12
15/10-12. kplet
-1 s 1 kz esik, a kapcsolat irnyt s szorossgt mutatja kt-kt vltoz kztt, mikzben a
harmadik vltozatlan
- parcilis korrelcis egytthatk: r
y12
, r
y21
, r
12y
15/13-15. kplet
-1 s 1 kz esik, a kapcsolat irnyt s szorossgt mutatja kt-kt vltoz kztt a harmadik
kiszrsvel
- tbbszrs determincis egytthat: R
2
(%) 15/16. kplet gykjel nlkl
0 s 1 kz esik: az x-ek hny szzalkban magyarzzk y szrdst
- tbbszrs korrelcis egytthat: R 15/16. kplet
0 s 1 kz esik, a kapcsolat szorossgt mutatja a hrom vltoz kztt (irnyt nem mutat!)
- korrelcis mtrix: R 15/9. kplet
Adattbla:
y = eredmnyvltoz
x
1
, x
2
= magyarz vltozk
d
1
= x
1
x
1
tlag (d1 = 0)
d
2
= x
2
x
2
tlag (d2 = 0)
d
y
= y ytlag (dy = 0)
d
1
d
y
, d
2
d
y
, d
1
d
2
, d
1
2
, d
2
2
, d
y
2

6
VII. Tbbszrs regresszi szmts
Tbbszrs lineris regresszifggvny: 14/1. kplet
Paramterek:
- b
0
= nincs kzgazdasgi rtelme, csak nagyon ritka esetben
- b
1
= ha x
1
1 egysggel n, akkor y mennyivel vltozik
- b
2
= ha x
2
1 egysggel n, akkor y mennyivel vltozik
Kiszmts: 14/3-4. kplet
Rugalmassgi egytthat: (|xj) 15/5. kplet
(az eredmny egy szzalk, nem kell beszorozni 100-zal!)
Becsls a regresszis paramterekre
1. lps: b
0
, b
1
, b
2

2. lps: S
b0
, S
b1
, S
b2

3. lps: tblzat: t(szf)(1-/2)
(szf = n-m-1, ahol m a magyarzvltozk szma)
4. lps: hibahatr
5. lps: konf. int. 15/6. kplet
Regresszis egytthatk tesztelse -> t prba
1. lps: H
0
:
1
=
2
= 0 -> nincs kapcsolat
H
1
:
1
0 s
2
0-> van kapcsolat
2. lps: prbafggvny: t
0
15/7. kplet
3. lps: tblzat: prbafggvny miatt csak t lehet
Cf = t(szf)(1-/2)
Ca = 1- Cf
(szf = n-m-1, ahol m a magyarzvltozk szma)
4. lps: tartomnyok
5. lps: dnts
Tbbszrs regresszifggvny tesztelse -> F prba -> jobboldali alternatv hipotzis (csak Cf!)
1. lps: H
0
:
1
=
2
= 0 -> nincs kapcsolat
H
1
:
1
0 s
2
0 -> van kapcsolat
2. lps: prbafggvny -> tblzat ksztse
megnevezs eltrs-ngyzetsszeg szabadsgfok tlagos ngyzetsszeg
regresszi SSR 13/30. kplet m SSR/1
hibatnyez SSE 13/30. kplet n-m-1 SSE/(n-2)
teljes SST 13/30. kplet n-1 -
F
0
15/8. kplet
3. lps: tblzat: prbafggvny miatt csak F lehet
Cf = F(szf1)(szf2)(1-)
(szf1 = m, szf2 = n-m-1)
4. lps: tartomnyok
5. lps: dnts
VIII. Idsorok vizsglata
Hossz tv tendencia meghatrozsa:
- mozgtlagolssal: tlagoljuk az idsor elemnek bizonyos krnyezetben lvket
(ves adatoknl 3 tagonknt, negyedves adatoknl 4 tagonknt)
- analitikus trendszmtssal -> regresszifggvny
a) mozgtlagols
1. mozgsszegeket szmolunk (k = 3, 4 n), vagyis sszeadjuk 3-sval, avagy 4-esvel az y-okat
(ha k pratlan, akkor (k-1)-gyel rvidl az idsor, ha k pros, akkor k-val rvidl az idsor)
2. mozgtlagokat szmolunk, vagyis a mozgsszegeket elosztjuk 3-mal, vagy 4-gyel
7
(Ha negyedves adataink vannak, az sszegek s tlagok elcssznak, ezrt centrrozni kell! Vagyis
a mozgtlag tagjait kettesvel tlagoljuk.)
3. szezonalitst vizsglunk additv kapcsolat esetn:
1. az y-okat kivonjuk a mozgtlagokbl, vagy a centrrozott adatokbl s j tblba rendezzk a
kapott eredmnyeket (y-)
2. oszloponknt sszeadjuk a szmokat
3. nyers szezonlis eltrseket szmolunk: s
j
16/10. kplet, ahol p = tagszm
4. tiszttott/korriglt szezonlis eltrseket szmolunk: s
j
16/11. kplet, ahol m = k
4. szezonalitst vizsglunk multiplikatv kapcsolat esetn:
1. az y-okat kivonjuk a mozgtlagokbl, vagy a centrrozott adatokbl s j tblba rendezzk a
kapott eredmnyeket (y-)
2. oszloponknt sszeszorozzuk a szmokat
3. nyers szezonlis eltrseket szmolunk: s
j
* 16/13. kplet, ahol p = tagszm
4. tiszttott/korriglt szezonlis eltrseket szmolunk: s
j
* 16/14. kplet, ahol m = k
b) analitikus trendszmts
1. munkatbla: y, t, t
2
, t*y (t = 1,2 n mdszerrel s t = 0 mdszerrel is)
(ha n pratlan, akkor a t = 0 mdszernl a kt kzps t -1 s 1 rtket vesz fel)
2.
a) lineris trendfggvny 16/1. kplet
- norml egyenletrendszerrel 16/2. kplet
- transzformlt egyenletrendszerrel 16/3. kplet
b) exponencilis trendfggvny 16/6. kplet
- norml egyenletrendszerrel 16/7. kplet
- transzformlt egyenletrendszerrel 16/8. kplet
3. paramterek rtelmezse:
a) lineris trendfggvny
- ha t = 1, 2 n, akkor b
0
= az els vet megelzen mennyi volt az y a trend szerint
b
1
= vente tlagosan mennyivel vltozott az y
- ha t = 0, akkor b
0
= vente tlagosan mennyi volt az y
b
1
= vente tlagosan mennyivel vltozott az y
(ha n pratlan, akkor ezt a szmot meg kell szorozni 2-vel!)
b) exponencilis trendfggvny
- ha t = 1, 2 n, akkor b
0
= az els vet megelzen mennyi volt az y a trend szerint
b
1
= vente tlagosan hny %-kal vltozott az y
- ha t = 0, akkor b
0
= vente tlagosan mennyi volt az y
b
1
= vente tlagosan hny %-kal vltozott az y
(ha n pratlan, akkor ezt a szmot ngyzetre kell emelni!)
4. szezonalits vizsglat additv kapcsolat esetn:
1. behelyettestjk (t= 1,2 n mdszer szerint) a t rtkeit a lineris trendfggvnybe
2. az y-okat kivonjuk a lineris trendfggvny rtkeibl s j tblba rendezzk a kapott
eredmnyeket (y-)
3. oszloponknt sszeadjuk a szmokat
4. nyers szezonlis eltrseket szmolunk: s
j
16/10. kplet, ahol p = tagszm
(nem kell korriglni, mert ha jl szmoltunk, akkor s
j
= 0, vagyis a korrekcis tnyez is 0)
5. szezonalits vizsglat multiplikatv kapcsolat esetn:
1. az y-okat kivonjuk a lineris trendfggvny rtkeibl s j tblba rendezzk a kapott
eredmnyeket (y-)
2. oszloponknt sszeszorozzuk a szmokat
3. nyers szezonlis eltrseket szmolunk: s
j
* 16/13. kplet, ahol p = tagszm
4. tiszttott/korriglt szezonlis eltrseket szmolunk: s
j
* 16/14. kplet, ahol m = k
c) becsls: kiszmoljuk, hogy melyik t-re krdez r a feladat s azt behelyettestjk a trendfggvnybe
(ha volt korrigls, akkor a behelyettests utn hozzadjuk az adott vre/negyedvre
vonatkoz korriglt szezonlis eltrst vagy beszorzunk az adott vre/negyedvre vonatkoz
szezonindexszel, gy megkapjuk a korriglt trendfggvnyt (y))
d) vletlen hats szmtsa 16/9, 12. kplet (ha volt korrigls, akkor az s
j
s s
j
* kell)
8
e) fejlds tlagos mrtke 4/34. kplet: vente tlagosan ennyivel vltozott az y
Becsls: az utols vhez hozzadjuk a kiszmolt rtk valahnyszorost
(1 vvel ksbbi adatnl 1-szerest, 2 vvel ksbb adatnl 2-szerest, stb.)
f) fejlds tlagos teme 4/35. kplet: vente tlagosan ennyi %-kal vltozott az y
Becsls: az utols vet megszorozzuk a kiszmolt rtkkel, amit valahnyra emelnk
(1 vvel ksbbi adatnl 1-re emelnk, 2 vvel ksbbi adatnl 2-re emelnk, stb.)