STATISZTIKA 1.

KÉPLETGYŰJTEMÉNY

alapfogalmak
egy ismérv szerinti elemzés
két ismérv szerinti elemzés
standardizálás
indexszámítás
 1. ALAPFOGALMAK

1.1.Ismérvek típusai

TERÜLETI, IDŐBELI, MINŐSÉGI, MENNYISÉGI.

MINŐSÉGI
Nominális (névleges)
A sokaság elemeit valamilyen tulajdonságok szerinti
csoportokba soroljuk, de a csoportok közt nincs semmiféle rangsor
példák:
az áldozatok halálának oka
a terroristák nemzetisége

Ordinális (sorrendi)
A csoportok között már felállítható sorrendiség
példák:
a hotelek besorolása (** *** **** *****)
a vizsgázók jegyei (1, 2, 3, 4, 5 )

MENNYISÉGI
Intervallum
A sokaság elemeit itt már valamilyen mértékegység szerint
osztályozzuk, de csak a „mennyivel több?” kérdésre
tudunk válaszolni, a „hányszoros?”-ra nem
példák:
hőmérséklet (tegnap -5 fok volt, ma 0 fok, hányszor melegebb van?)

Arány
Itt is mértékegység szerinti az osztályozás, de a „hányszoros?”
kérdésre is tudunk válaszolni (mindig 0-tól kezdünk mérni)
példák:
életkor
testmagasság

1.2.Viszonyszámok
A
V 
B

SÚLYOZOTT SZÁMTANI ÁTLAG:

A súlyok B1 B2 stb.

V 
V1  B1  V2  B2
több tagra V 
V  B
i i MÉRTANI ÁTLAG:
B1  B2 B i
n

SÚLYOZOTT HARMONIKUS ÁTLAG:

V  V1 V2 több tagra V n V
1
i

A súlyok A1 A2 stb.

V 
A1  A2
több tagra V 
A i
A1 A2 A

V1 V2
V i

© www.mateking.hu STATISZTIKA 1. KÉPLETGYŰJTEMÉNY 2

info@mateking.hu
 2. EGY ISMÉRV SZERINTI ELEMZÉS

2.1. Adatok

20 Szórás a teljes
23 alsó kvartilis=23,5 populációra
24
X  X  2

26  202  26  232  26  242  26  242  ...
24
24 medián=24,5
  N
i
10

25
27
A teljes populációból
30 felső kvartilis=31,5 vett n elemű
31 minta szórása
32
X  X  2 26  202  26  232  26  242  26  242  ...
módusz=24 s  n 1
i S
9

átlag: X  26

2.2. Adatsorok
GYAKORISÁG KUMULÁLT RELATÍV KUMULÁLT RELATÍV ÉRTÉKÖSSZEG RELATÍV
OSZTÁLYKÖZÖK GYAKORISÁG GYAKORISÁG GYAKORISÁG ÉRT.ÖSSZ.
Osztályközép: xi fi f i gi g i Si Zi
0-9 x1  5 200 200 200/2000 200/2000 5∙200 5∙200/S
10-19 x2  15 400 600 400/2000 600/2000 15∙400 15∙400/S
20-29 x3  25 500 Me 1100 500/2000 1100/2000 25∙500 25∙500/S

30-39 x4  35 600 Mo 1700 600/2000 1700/2000 35∙600 35∙600/S

40-49 x5  45 300 2000 300/2000 2000/2000 45∙300 45∙300/S

f i  N  2000 S i S

Becsült átlag
X i fi 5  200  15  400  ...
X    X i gi X   27
N 2000

Becsült medián
N 2000
 1
 f me me  a mediánt tartalmazó osztályköz alsó határa,  600
Me  me  2 hme Me  20  2 20
f me hme  a mediánt tartalmazó osztályköz hossza 500

Becsült módusz
k1 mo  a móduszt tartalmazó osztályköz alsó határa 100
Mo  mo  hmo Mo  30  20
k1  k 2 k1  f mo  f mo1 k 2  f mo  f mo1 100  300

Becsült szórás a teljes populációra Relatív szórás

X  x  2
 27  52  200  27  152  400  ...
 X  x  g
fi
  V
2
i
 i i 
N X 2000
© www.mateking.hu STATISZTIKA 1. KÉPLETGYŰJTEMÉNY 3
info@mateking.hu
 2.3. A Lorenz-görbe

Azt fejezi ki, hogy a gyakoriság egy adott százalékához az összérték hány százaléka
tartozik. Az x tengelyen tehát a kumulált relatív gyakoriságot, míg az y tengelyen a
kumulált relatív értékösszeget mérjük.


Zi

g i

V 2 1
HI   Z  i
2

2.4. Alakmutatók

Pearson-féle mérőszámok

Y  Me X  Mo
P3 A
 
F-mutatók

F0,1 
D9  Me  Me  D1  F0, 25 
Q3  Me  Me  Q1 
D9  Me  Me  D1  Q3  Me  Me  Q1 

© www.mateking.hu STATISZTIKA 1. KÉPLETGYŰJTEMÉNY 4

info@mateking.hu
 3. KÉT ISMÉRV SZERINTI ELEMZÉS

3.1. Mindkét ismérv minőségi: ASSZOCIÁCIÓS KAPCSOLAT

C1 C2 … Cj … Total
R1 f11 f12 … f1 j … f1
R2 f 21 f 22 … f2 j … f 2
… … … … … …
Ri f i1 fi 2 … f ij … f i
… … … … … …
Total f 1 f 2 f j N

f i  f  j
f ij 
N

 
2 f ij  f ij 
2

f ij

Cramer-féle asszociációs együttható

2 C1 C2 … Cj … Total
C
N  min  (r  1); (c  1) R1 f11 f12 … f1 j … f1
R2 f 21 f 22 … f2 j … f 2
… … … … … …
Csuprov-féle asszociációs együttható
Ri f i1 fi 2 … f ij … f i
2 … … … … … …
 Total f 1 f 2 f j N
N  r 1  c 1

Yule-féle asszociációs együttható

C1 C2 Total
f  f  f12  f 21
Y  11 22 R1 f11 f12 f1
f11  f 22  f12  f 21
R2 f 21 f 22 f 2
Total f 1 f 2 N

© www.mateking.hu STATISZTIKA 1. KÉPLETGYŰJTEMÉNY 5

info@mateking.hu
 3.2. Az egyik ismérv minőségi, a másik mennyiségi:
VEGYES KAPCSOLAT

Részátlag MENNYI- MINŐSÉGI

Nj Nj SÉGI ÖSSZ.
X ij f ij X i
Yj    C1 C2 …
i 1 Nj i 1 Nj R1 X1 f11 f12 …
R2 X2 f 21 f 22 …
Rész-szórás
… … … … …
  X ij  X j     f ij X i  X j 
N N
1 j
1 j
Ri Xi f i1 fi 2 …
j 
2 2

N j i 1 N j i 1 ÖSSZ. N1 N2 Nj N

OSZTÁLYKÖZEPEK

MENNYI- MINŐSÉGI
Főátlag
N N
SÉGI ÖSSZ.
1 M j 1 j M …
Y   X ij   f ij X i C1 C2 C1
N j 1 i 1 N i 1 j 1 R1 X1 f11 f12 … f11
R2 X2 f 21 f 22 … f 21
… … … … … …
Ri Xi f i1 fi 2 … f i1
ÖSSZ. N1 N2 ÖSSZ. N1

MENNYI- MINŐSÉGI
Belső szórás azt adja meg, hogy az egyes elemek át- SÉGI ÖSSZ.
lagosan mennyivel térnek el a saját részátlaguktól:
C1 C2 … C1
  X ij  X j  
M Nj M
1 1
B   N j   2j …
2
R1 X1 f11 f12 f11
N j 1 i 1 N j 1 R2 X2 f 21 f 22 … f 21
… … … … … …
Belső eltérés-négyzetösszeg SSB (sum of squares belső) Ri Xi f i1 fi 2 … f i1

SSB   X ij  X j 
M Nj
2 ÖSSZ. N1 N2 ÖSSZ. N1
j 1 i 1

© www.mateking.hu STATISZTIKA 1. KÉPLETGYŰJTEMÉNY 6

info@mateking.hu
Külső szórás azt adja meg, hogy a részátlagok MENNYI- MINŐSÉGI
átlagosan mennyivel térnek el a főátlagtól: SÉGI ÖSSZ.
C1 C2
N j  X j  X 
1 M C1
K  
2
R1 X1 f11 f12 … f11
N j 1
R2 X2 f 21 f 22 … f 21
Külső eltérés-négyzetösszeg SSK (sum of squares külső) … … … … … …
…
SSK   N j  X j  X 
M
2
Ri Xi f i1 fi 2 f i1
ÖSSZ. N1 N2 ÖSSZ. N1
j 1

MENNYI- MINŐSÉGI
Teljes szórás azt adja meg, hogy az egyes elemek átlago- SÉGI ÖSSZ.
san mennyivel térnek el a főátlagtól:
C1 C2 C1
  X ij  X 
M Nj
1 …

2 R1 X1 f11 f12 f11
N j 1 i 1 R2 X2 f 21 f 22 … f 21
… … … … … …
Teljes eltérés-négyzetösszeg SST (sum of squares teljes) Ri Xi f i1 fi 2 … f i1

SST   X ij  X 
Nj
M
2 ÖSSZ. N1 N2 ÖSSZ. N1
j 1 i 1

 2   B2   K2 SST  SSB  SSK

A relatív hibacsökkenés, vagyis a PRE kiszámolására

a következő képlet van forgalomban:

SST  SSB SSK  2   B2  B2  K2

PRE     1    H2
SST SST 2 2 2

Ha PRE=0 akkor a két ismérv független

Ha PRE=1 akkor a két ismérv közt függvényszerű kapcsolat van.

Ha pedig PRE értéke valahol nulla és egy között van, akkor a kapcsolat nem független és
nem is függvényszerű, tehát sztochasztikus.

Amikor a két ismérv független

PRE  0 SSK  0  K2  0  2   B2
Amikor a két ismérv kapcsolata függvényszerű
PRE  1 SSB  0  B2  0  K2   2

© www.mateking.hu STATISZTIKA 1. KÉPLETGYŰJTEMÉNY 7

info@mateking.hu
 3.3. Mindkét ismérv mennyiségi: KORRELÁCIÓS KAPCSOLAT

 d X   X  X 
2 2

 d Y   Y  Y 
2 2

 dX  dY   X  X Y  Y 
Lineáris korrelációs együttható

r
 dX  dY
d X d Y
2 2

Kovariancia

C ( X , Y ) 
 dX  dY
N

A regressziós egyenes egyenlete:

̂1  
dX  dY
Yˆ  ˆ0  ˆ1  X ahol és ˆ0  Y  ˆ1  X
d2X
X-nek az Y-ra vonatkozó determinációs hányadosa

 K2 ( X )
 2
 2
XY
 (X )

Y-nak az X-re vonatkozó determinációs hányadosa

 K2 (Y )
Y2 X 
 2 (Y )

© www.mateking.hu STATISZTIKA 1. KÉPLETGYŰJTEMÉNY 8

info@mateking.hu
 4. STANDARDIZÁLÁS
4.1.A különbségfelbontás
EGYIK IZÉ MÁSIK IZÉ

A0 A1 k  V1  V0
A0 B0 V0  A1 B1 V1 
B0 B1

V0 
A 0
V1 
A 1
ÖSSZ:  A0  B0 B 0
 A1  B1 B 1
K  V1  V0

FŐÁTLAGOK KÜLÖNBSÉGE
K  V1  V0
RÉSZHATÁS KÜLÖNBSÉG
(részhatás=V ilyenkor az összetételhatás=B a standard)

K   V1 V0 
B STD  V1

B STD  V0

B STD  (V1  V0 )

B STD k
B STD B STD B STD B STD

ÖSSZETÉTELHATÁS KÜLÖNBSÉG
(összetételhatás=B ilyenkor a részhatás=V a standard, de mindig a másik, ha az előbb
B1 volt akkor most V0 ha pedig B0 volt, most V1 )

K   V1 V0
 B1  VSTD

 B V
0 STD

B 1 B 0

4.2. A hányadosfelbontás
EGYIK IZÉ MÁSIK IZÉ

A0 A1
A0 B0 V0  A1 B1 V1  i
V1
B0 B1 V0
ÖSSZ:
V0 
A 0
V1 
A 1
 A0  B0 B 0
 A1  B1 B 1 I
V1
V0

FŐÁTLAG INDEX
V
I 1
V0
RÉSZHATÁS INDEX
(részhatás=V ilyenkor az összetételhatás=B a standard és általában B1 )
V1  B1  V1  B1  V0  B1  V1 A
I   :   1

V0  B1  B1  B1  V0 A
i 1

ÖSSZETÉTELHATÁS INDEX
(összetételhatás=B ilyenkor a részhatás=V a standard, de mindig a másik, ezért V0 )
V1  B1  V0  B0  V0
I    :
V0  B1  B0
© www.mateking.hu STATISZTIKA 1. KÉPLETGYŰJTEMÉNY 9
info@mateking.hu
 5. INDEXEK
5.1. Egyedi ár- volumen- és értékindexek
p q pq
i p  1 i q  1 iv  1 1  i p  i q
p0 q0 p0 q0

5.2. Ár- és volumenindexek

Ár Volumen
P q
Bázis Árindex Laspeyres Volumenindex Laspeyres
időszaki /bázisidőszak szerinti/ /bázisidőszak szerinti/

0 I p0 
p q 1 0
I q0 
p q 0 1

p q 0 0 p q 0 0

Tárgy Árindex Paasche Volumenindex Paasche

időszaki /tárgyidőszak szerinti/ /tárgyidőszak szerinti/

1 I 1p 
p q 1 1
I q1 
pq 1 1

p q 0 1 pq 1 0

5.3. A Fischer-féle árindex és volumenindex:

I pF  I p0  I 1p I qF  I q0  I q1

5.4. Az értékindex:

Iv 
 p1q1  I 1  I 0  I 1  I 0  I F  I F amiből
I 1p

I q1
 p0 q0
p q q p p q
I p0 I q0

5.5. Az indexek átlagformái

I p0 
 p q i
0 0 p

pq 1 0

v i0 p
I q0 
 p q i 0 0 q

p q
0 1

v i0 q

p q0 0
pq
 i 1 0 v 0 p q 0 0
pq
 i
0 1 v 0

p q

I 1p 
 p q i
0 1 p

pq 1 1

v 1
I q1 
 p q i 1 0 q

pq
1 1

v1

p q0 1
pq
 i 1 1 v
i 1 pq 1 0
pq
 i
1 1 v
i1

p p q q

5.6. Vásárlóerő-paritás

PPP A ( A / B) 
p A qA
PPP B ( A / B) 
p A qB
p B qA p B qB

PPP F ( A / B)  PPP A ( A / B)  PPP B ( A / B)

© www.mateking.hu STATISZTIKA 1. KÉPLETGYŰJTEMÉNY 10
info@mateking.hu
 6. IDŐSOROK

6.1.Állapotidősor és tartamidősor

ÁLLAPOTIDŐSOR TARTAMIDŐSOR

Változás
mértéke d d t

yn  y1
d d t

yn  y1
n 1 n 1 n 1 n 1
Változás n n
yn yn
üteme l  n1  lt  n1 l  n1  lt  n1
t 2 y1 t 2 y1
Átlag y1 y y1  y2  ...  yn
 y2  ...  n y
yk  2 2 n
n 1

6.2. Mozgóátlagok

Ha a tagok száma páratlan:

yt k  ...  yt 1  yt  yt 1  ...  yt k
yˆ t 
2k  1
Ha pedig a tagok száma páros
yt k y
 ...  yt 1  yt  yt 1  ...  t k
yˆ t  2 2
2k

6.3. Lineáris és exponenciális trend

Lineáris trend

yˆ   0  1  t
Lineáris trend normálegyenletei
n n n n n

 yt  n  0  1  t
t 1 t 1
 t  yt  0   t  1  t 2
t 1 t 1 t 1

Exponenciális trend

yˆ   0  1
t

ln yˆ  ln 0  t  ln 1

© www.mateking.hu STATISZTIKA 1. KÉPLETGYŰJTEMÉNY 11

info@mateking.hu
 6.4. Szezonális eltérés lineáris
trend esetén SZEZONOK=j
ÉVEK=i (szezonfajták száma p)

 y  yˆ ij 
n/ p
j=1 j=2 j=3 …
ij i=1 y1 1 y1 2 y1 3 y1 4
sj  i 1
i=2 y2 1 y2 2 y2 3 y2 4
n/ p
i=3 y3 1 y3 2 y3 3 y3 4
… y4 1 y4 2 y4 3 y4 4
6.5. Korrigált szezonális eltérés
lineáris trend esetén

sj  sj  s

6.6. Szezonindex exponenciális trend esetén

 yij
n/ p 
 
ˆ
i 1  y



sj 
ij 
n/ p
6.7. Korrigált szezonindex exponenciális trend esetén


 s j
sj 
s

© www.mateking.hu STATISZTIKA 1. KÉPLETGYŰJTEMÉNY 12

info@mateking.hu