Upload
others
View
14
Download
0
Embed Size (px)
Citation preview
A matematikai statisztika alapjai
Csercsik David
ITK PPKE
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 1 / 37
1 Statisztikai alapfogalmak
2 A becsleselmelet alapfogalmai
3 Maximum likelihood
4 Konfidencia intervallum
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 2 / 37
Statisztikai alapfogalmak
Alapfogalmak
Statisztikai fuggveny (vagy statisztika)
ξ1, ξ2, ... , ξn mintaveteli valtozok tetszoleges fuggvenye
Pl.
A minta kozeperteke (mintaatlag)
ξ =ξ1 + ξ2 + ...+ ξn
n
A minta szorasa (empirikus szoras)
σn =
√
(ξ1 − ξ)2 + (ξ2 − ξ)2 + ...+ (ξn − ξ)2
n
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 3 / 37
Statisztikai alapfogalmak
Alapfogalmak 2
Ha ξ∗i a minta nagysag szerint novekvo sorrendbe rendezett elemei kozulaz i-ik (ξ∗i ≤ ξ∗i+1), akkor
A minta kozeppontja
ξ =ξ∗1 + ξ∗n
2
A minta medianja (empirikus median):
ξ∗m ha n = 2m − 1 (paratlan mintaelemszamra)
ξ∗m+ξ∗m+1
2 ha n = 2m (paros mintaelemszamra)
A minta terjedelme: ξ∗n − ξ∗1
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 4 / 37
Statisztikai alapfogalmak
A minta eloszlasfuggvenye (empirikus eloszlas fv.)
Fn(x) =
0, ha x ≤ ξ∗1 ,kn, ha ξ∗k < x ≤ ξ∗k+1 k=1...n-1
1, ha ξ∗n < x
Lepcsos fv ξ∗i helyeken 1nnagysagu ugrasokkal.
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 5 / 37
Statisztikai alapfogalmak
Gilvenko tetel
Ha ugyanazon eloszlasbol veszunk mintakat
Gilvenko tetel
P
(
limn→∞
(
sup−∞<x<∞
|Fn(x)− F (x)|)
= 0
)
= 1
Fn(x) 1 valoszınuseggel konvergal F (x)-hez.
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 6 / 37
Statisztikai alapfogalmak
Hisztogramm (empirikus suruseg fv.)
Legyen az alapsokasagbol (veletlen tomegjelenseg) vett n-elemu minta egyrealizacioja x1, x2, ..., xn
k(x): Azon mintaelemek szama melyek erteke kisebb mint x
k(a+ h)− k(a)
n: Az (a ≤ ξ ≤ a+ h) esemeny mintabeli gyakorisaga
k(a+ h)− k(a)
nh: A vizsgalt eloszlas sgfv-enek kozelıto helyettesıtesi erteke a-ban
(ha h eleg kicsi → = 0)
Lepcsos fv-el kozelıtem a surusegfv-t
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 7 / 37
A becsleselmelet alapfogalmai
Becsles: Mirol is van szo?
Ami van:
Egy minta
A sokasag eloszlasanak
tıpusa (esetleg)egyes parameterei (esetleg)
Ami nincs:
A sokasag pontos eloszlasa, parameterekkel egyutt.
Cel: A hianyzo parameterek meghatarozasa. Ha rendelkezesre all a teljes sokasag:
kiszamoljuk. Ha csak egy minta: becsuljuk.
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 8 / 37
A becsleselmelet alapfogalmai
Becslofuggveny es becsles tulajdonsagai
ξ: megfigyelt valvaltozo (leırja a sokasagot)
θ: ξ eloszlasanak ismeretlen parametere.
ξ1, ξ2, ..., ξn: ξ-bol vett n elemu minta.
→ keszıtsunk statisztikat, amibol kovetkeztetni lehet θ-ra (=Becsles)
θ = f (ξ1, ξ2, ..., ξn)
Mikor jo?
Torzıtatlansag
A becsles torzıtatlan, ha E (θ) = θ
A becslo fv. varhato erteke megegyezik a sokasag jellemzo ertekevel
(parameterevel)
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 9 / 37
A becsleselmelet alapfogalmai
A becsles tulajdonsagai 2
Hatasossag
θ1 hatasosabb mint θ2 ha σ(θ1) < σ(θ2)
Becsles ami minden mas becslesnel hatasosabb: Hatasos becsles (ha ∃)
Aszimptotikus torzıtatlansag
A minta elemszamanak novekedesevel a becslofuggveny varhato ertekemegegyezik a sokasag jellemzo ertekevel:θ1, θ2, ...θn becslessorozat aszimptotikusan torzıtatlan ha
limn→∞
E (θn) = θ
Minden torzıtatlan becsles aszimptotikusan torzıtatlan.
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 10 / 37
A becsleselmelet alapfogalmai
A becsles tulajdonsagai 3
Elegsegesseg
Az θ = f (ξ1, ξ2, ..., ξn) statisztika elegseges becslese a θ parameternek, ha amintaveteli valtozok egyuttes felteteles eloszlasa, barmely modon megvalosuloθ = y feltetel eseten nem tartalmazza a becsult θ parametert.
Konzisztencia
1 A becsles torzıtatlan es
2 A mintaelemszam novelesevel a parameter es becslese kozti elteres ε alacsokken
E (θ) = θ es limn→∞
P(∣∣∣θ − θ
∣∣∣ < ε
)
= 1
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 11 / 37
A becsleselmelet alapfogalmai
A mintaatlag mint becslofuggveny tulajdonsagai
Tetel
A mintaatlag torzıtatlan becslese E (ξ)− nek
Tetel
A mintaatlag szorasa → 0 ha n → ∞
σ2(ξ) = σ2
(ξ1 + ξ2 + ...+ ξn
n
)
=1
n2
n∑
i=1
σ2(ξ1) =1
n2nσ2(ξ1) σ(ξ) =
σ(ξ1)√n
Tetel
A mintaatlag az elmeleti varhato ertek (E (ξ)) linearis becslesei kozul aleghatasosabb.
megj: Ha az elmeleti eloszlas normalis, akkor minden becsles kozul aleghatasosabb.
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 12 / 37
A becsleselmelet alapfogalmai
Az empirikus szorasnegyzet mint becslofuggvenytulajdonsagai
Tetel
Az empirikus szorasnegyzet (σ2n) nem torzıtatlan becslese σ2(ξ)-nek.
Megjegyzes: aszimptotikusan torzıtatlan.
Definıcio
Korrigalt empirikus szorasnegyzet:
s2n =n
n − 1σ2n
A korrigalt empirikus szorasnegyzet torzıtatlan becslese σ2(ξ)-nek.
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 13 / 37
A becsleselmelet alapfogalmai
Pelda
Feladat
Mutassuk meg hogy a Poisson eloszlasu alapsokasag λ parameterenek amintakozep elegseges becslese!
→ Elo kell allıtani a ξ1, ξ2, ..., ξn mintaveteli valtozok
ξ =ξ1 + ξ2 + ...+ ξn
n
feltetelhez tartozo egyuttes valoszınusegeloszlasat, vagyis a
P
(
ξ1 = k1, ξ2 = k2, ..., ξn = kn|ξ =N
n
)
ertekeket, ahol
n∑
i=1
ki = N
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 14 / 37
A becsleselmelet alapfogalmai
Pelda/2
→ Felteteles valoszınuseg + a mintavaltozok fuggetlensege:
P
(
ξ1 = k1, ξ2 = k2, ..., ξn = kn∣∣ξ =
N
n
)
=P(ξ1 = k1)P(ξ2 = k2)...P(ξn = kn)
P(nξ = N)
Minden ξi az alapsokasaggal megeggyezo λ parameteru Poisson-eloszlasu valvalt
P(ξi = ki) =λki
ki !e−λ
Belathato tovabba hogy nξ eloszlasa (nλ) parameteru Poisson eo:
P(nξ = N) =(nλ)N
N!e−nλ
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 15 / 37
A becsleselmelet alapfogalmai
Pelda/3
P
(
ξ1 = k1, ξ2 = k2, ..., ξn = kn|ξ =N
n
)
=
=λk1
k1!e−λ λk2
k2!e−λ ...λ
kn
kn!e−λ
(nλ)N
N! e−nλ=
=λk1+k2+...+knN!
nNλNk1!k2!...kn!=
=N!
nNk1!k2!...kn!
fuggetlen λ-tol, tehat a becsles elegseges!
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 16 / 37
Maximum likelihood
Maximum likelihood
Egy gep altal eloallıtott sorozatgyartott termek (=sokasag) p selejtaranyatszeretnenk mintavetel utjan megbecsulni. Kivalasztunk n elemet egymasutan,visszatevessel (ıgy a selejtarany valtozatlan marad), k szamu selejtest talalunk.
Tudjuk hogy ha p a selejtarany akkor annak a valsege hogy n-bol pontosan k
selejt: f (p) = pk(1 − p)n−k (fuggetlen kıserleteket feltetelezve)
Keressuk azon p-t, melyre a megvalosult minta letrejottenek eselye (f (p))maximalis
→ df (p)dp
= kpk−1(1− p)n−k + pk(n − k)(1− p)n−k−1(−1)
df (p)dp
= 0 ⇔ pk−1(1− p)n−k−1(k(1− p)− p(n − k)) = 0
p 6= 0, p 6= 1 k-kp-np+kp=0 p = kn p = k
na becsles.
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 17 / 37
Maximum likelihood
Maximum likelihood 2
Altalanossagban: Az MLE (maximum likelihood estimation) soran az L(θ)likelihood fuggvenyt kell maximalizalnunk a θ ismeretlen parameter tekinteteben.n fuggetlen minta eseten
L(θ) = f (x1, x2, ..., xn∣∣θ) = f (x1
∣∣θ)f (x2
∣∣θ)...f (xn
∣∣θ)
szorzatot nehez maximalizalni log likelihood:
l(θ) = log L(θ) = log
n∏
i=1
f (xi |θ) =n∑
i=1
log f (xi |θ)
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 18 / 37
Maximum likelihood
Maximum likelihood 1. pelda
Tegyuk fel hogy ξ egy diszkret valvaltozo, a kovetkezo eloszlassal:
ξ 0 1 2 3
P(ξ = k) 2θ3
θ3
2(1−θ)3
(1−θ)3
Egy 10 elemu mintavetel a kovetkezo eredmenyt adja: (3,0,2,1,3,2,1,0,2,1). Milesz θ ML becslese?
L(θ) = P(ξ = 3)P(ξ = 0)P(ξ = 2)P(ξ = 1) ... P(ξ = 1)
L(θ) =
(2θ
3
)2(θ
3
)3(2(1− θ)
3
)3((1− θ)
3
)2
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 19 / 37
Maximum likelihood
Maximum likelihood 1. pelda/2
l(θ) = logL(θ) =
n∑
i=1
logP(xi |θ)
= 2
(
log2
3+ logθ
)
+ 3
(
log1
3+ logθ
)
+ 3
(
log2
3+ log(1− θ)
)
+2
(
log1
3+ log(1− θ)
)
= C + 5log θ + 5log (1− θ)
ahol C nem fugg θ-tol.
dl(θ)
dθ=
5
θ− 5
1− θ θ = 0.5
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 20 / 37
Maximum likelihood
Maximum likelihood 2. pelda
Folytonos esetben a surusegfuggvennyel dolgozunk. Pl:
f (x , θ) =1
2θe−
|x|θ
es legyen n fuggetlen mintank: x1,...,xn
l(θ) =
n∑
i=1
[
−log 2− log θ − |xi |θ
]
dl
dθ=
n∑
i=1
[
−1
θ+
|xi |θ2
]
= −n
θ+
∑n
i=1 |xi |θ2
= 0
θ =
∑n
i=1 |xi |n
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 21 / 37
Maximum likelihood
Maximum likelihood HF
Hazi feladat
Mutassuk meg hogy normalis eloszlas es n minta eseten
f (x ,m, σ) =1
σ√2π
e− (x−m)2
2σ2
a likelihood fv. m szerinti derivaltjanak =0 feltetelebol az
m =
∑n
i=1 xi
n
◦
= x
a σ szerinti derivalt =0 feltetelebol pedig a
σ2 =1
n
∑
(xi −m)2 =1
n
∑
(xi − x)2
ML becsles adodik!
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 22 / 37
Konfidencia intervallum
Hozzam csak az johet vizsgazni, aki tudja hogy a hisztogram nem
lazcsillapıto, a momentum nem muemlek es a konfidencia intervallum
nem bermalasi idoszak!
Ismeretlen oktato
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 23 / 37
Konfidencia intervallum
Intervallumbecslesek I
A pontbecsles tokeletesen (szinte) sohasem pontos.
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 24 / 37
Konfidencia intervallum
Intervallumbecslesek I
A pontbecsles tokeletesen (szinte) sohasem pontos.
Mennyire pontatlan?
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 24 / 37
Konfidencia intervallum
Intervallumbecslesek I
A pontbecsles tokeletesen (szinte) sohasem pontos.
Mennyire pontatlan?
Milyen hatarok kozott lehet a pontos ertek?
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 24 / 37
Konfidencia intervallum
Intervallumbecslesek I
A pontbecsles tokeletesen (szinte) sohasem pontos.
Mennyire pontatlan?
Milyen hatarok kozott lehet a pontos ertek?
Nem jo kerdes! Milyen hatarok kozott lehet a pontos ertek nagyvaloszınuseggel?
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 24 / 37
Konfidencia intervallum
Normalis eloszlas, szoras ismert
Pl: Becsuljuk E (ξ) = m-et a mintaatlaggal (ξ)! Kell: m− ξ eloszlasa
Normalis eloszlas → a mintaatlag (ξ) es a minta elemei is normaliseloszlasuak, a sokasag szorasa (σ) ismert
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 25 / 37
Konfidencia intervallum
Normalis eloszlas, szoras ismert
Pl: Becsuljuk E (ξ) = m-et a mintaatlaggal (ξ)! Kell: m− ξ eloszlasa
Normalis eloszlas → a mintaatlag (ξ) es a minta elemei is normaliseloszlasuak, a sokasag szorasa (σ) ismert
Uj valoszınusegi valtozot definialunk:
µ =ξ −m
σ√n
miert?
ξ ∼ N(m, σ)
ξ ∼ N(m,σ√n) lasd a mintaatlag mint becslo fv tul.
ξ −m ∼ N(0,σ√n)
ξ −mσ√n
= µ ∼ N(0, 1)
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 25 / 37
Konfidencia intervallum
Normalis eloszlas, szoras ismert /2
Legyen a hiba = α. Ekkor kell: P(−z < µ < z) = 1− α z =?
Mivel µ ∼ N(0, 1)
1− α = P(−z < µ < z) = Φ(z)− Φ(−z) = 2Φ(z)− 1
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 26 / 37
Konfidencia intervallum
Normalis eloszlas, szoras ismert /3
1− α = (−z < µ < z) = Φ(z)− Φ(−z) = 2Φ(z)− 1 Φ(z) = 1− α
2
z meghatarozhato (Φ tablazatbol).Tehat:
−z < ξ−mσ√n
< z
ξ − zσ√n< m < ξ + z
σ√n
A konfidencia intervallum:]
ξ − zσ√n
, ξ + zσ√n
[
konkret mintara:
]
x − zσ√n
, x + zσ√n
[
∆ = z σ√n: A hibahatar.
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 27 / 37
Konfidencia intervallum
Konfidencia intervallum
Altalanossagban:
Definıcio
A θ becsleshez tartozo ]θ − z , θ + z[ konfidencia intervallumrol azt mondjuk hogy100(1− α)%-os megbızhatosagi szinthez tartozik, ha az esetek 100(1− α)%-ban(illetve 100(1− α)% valoszınuseggel) a tenylegesen meghatarozott intervallumlefedi a becsult parameter (θ) valodi erteket.
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 28 / 37
Konfidencia intervallum
Ha az eloszlas nem normalis, szoras ismert
Ismet E (ξ) = m-et becsuljuk a mintaatlaggal (ξ). σ = σ(ξ1) ismert.
A CHT miatt ξ eleg nagy n-re megkozelıtoleg N(
m, σ√n
)
eloszlasu.
A CHT-bol tudjuk hogy
P
(∑n
j=1 ξj − nE (ξ1)√nσ(ξ1)
< z
)
∼= P(η < z) ahol η N(0, 1)
P
ξ︷ ︸︸ ︷∑n
j=1 ξj
n−
m︷ ︸︸ ︷
E (ξ1)
σ(ξ1)√n
︸ ︷︷ ︸
α
< z
∼= P(η < z) = Φ(z)
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 29 / 37
Konfidencia intervallum
Ha az eloszlas nem normalis, szoras ismert/2
P(α < z) = Φ(z)
P(α < −z) = Φ(−z) = 1− Φ(z)
P(|α| < z) = P(α < z)− P(α < −z) = 2Φ(z)− 1
tehat
P
(
|ξ −m|σ√n
< z
)
∼= 2Φ(z)− 1
Adott α eseten Φ tablazatabol meghatarozhato azon z melyre2Φ(z)− 1 = 1− α vagyis amelyre |ξ −m| < z σ√
n
A 100(1− α)%-os megbızhatosagi szinthez tartozo konfidencia intervallum tehat:
]
ξ − zσ√n, ξ + z
σ√n
[
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 30 / 37
Konfidencia intervallum
Konfidencia intervallum - 1. pelda
Egy hitelesıto hosszmertek a gyar altal megadott szorasa 0.003 mm. Hany meresszukseges ahhoz, hogy a meresek atlaganak hibaja 90%-os valseggel 0.001mm-nel kevesebb legyen?
MO:
Tudjuk hogy
P
(
|ξ −m|σ√n
< z
)
∼= 2Φ(z)− 1
kell:
P
(
|ξ −m| < zσ√n
)
∼= 0.9
Milyen z-re igaz hogy 2Φ(z)− 1 = 0.9 Φ(z) = 1.92 z = 1.65
Kell:
1.650.003√
n< 0.001 n meghatarozhato
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 31 / 37
Konfidencia intervallum
Normalis eloszlas, ismeretlen szoras
W.S. Gossett angol statisztikus volt, aki egy sorgyarban dolgozott, ahol kiselemszamu mintakat vizsgalt. 1908-ban ırt egy cikket ”A. Student” alneven,amelyben a kis mintak tulajdonsagait vizsgalta.
Mivel σ ismeretlen, becsuljuk: µ = ξ−mσ√n
helyett τ = ξ−msn√n
(ahol sn a korrigalt
tapasztalati szoras)
τ Student-fele t eloszlasu dof=n-1 szabadsagfokkal (mert a mintaatlag egylinearis osszegugges) - z helyet most t veszi at.
Szimmetrikus
Asszimptotikusan normalis eloszlasu: Minel nagyobb a szabadsagfok, annaljobban hasonlıt a t-eloszlas gorbeje a normalis eloszlas gorbejere.
A t-eloszlasokat a kulonbozo szabadsagfokok szerinti tablazatokbanmegtalalhatjuk. t erteke z-hez hasonloan meghatarozhato. Akonfidenciaintervallum:
]
ξ − tdofsn√n, ξ + tdof
sn√n
[
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 32 / 37
Konfidencia intervallum
Student eloszlas
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 33 / 37
Konfidencia intervallum
Konfidencia intervallum - 2. pelda
Egy ceg 16 ml-es uvegekben arul egy gyogyszert. Az uvegeket egy automata tolti.Ha nem tolt pontosan, akkor a gepet ujra be kell allıtani. A ceg csak akkor allıtjale a folyamatot, ha nagyon biztosak abban hogy az automata rosszul tolt. Tegyukfel hogy a kovetkezo mintat kapjuk:
[15.68, 16.00, 15.61, 15.93, 15.86, 15.72]
ξ =15.68 + 16.00 + 15.61 + 15.93 + 15.86 + 15.72
6= 15.8
σ2(ξ) =
(15.68 − ξ)2 + (16 − ξ)2 + (15.61 − ξ)2 + (15.93 − ξ)2 + (15.86 − ξ)2 + (15.72 − ξ)2
6= 0.0196
s2n =n
n − 1σ2 =
6
5σ2 = 0.0235
ξ = 15.8, sn = 0.153
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 34 / 37
Konfidencia intervallum
Konfidencia intervallum - 2. pelda/2
A 95 %-os konfidencia intervallum szamıtasahoz a 0.05 valoszınuseghez esn=6-1=5 szabadsagfokhoz tartozo tablazatbeli t-ertekre van szuksegunk. Ez=2.57.A 95 %-os konfidencia intervallum:
]15.8− 2.570.153√
6, 15.8 + 2.57
0.153√6
[ = ]15.63, 15.96[
Ha nagyobb biztonsaggal szeretnenk megallapıtani a parameter valodi erteket,az intervallum hossza nagyobb lesz.
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 35 / 37
Konfidencia intervallum
Konfidencia intervallum - 2. pelda/3
A 99 %-os konfidencia intervallum szamıtasahoz a 0.01 valoszınuseghez esn=6-1=5 szabadsagfokhoz tartozo tablazatbeli t-ertekre van szuksegunk. Ez=4.032.A 99 %-os konfidencia intervallum:
]15.8− 4.0320.153√
6, 15.8 + 4.032
0.153√6
[ = ]15.55, 16.05[
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 36 / 37
Konfidencia intervallum
Mintaelemszam meghatarozasa
Hany minta kell ha a mintaatlag (1-a)100% biztonsaggal d egyseggel terhet almaximalisan a valodi ertektol.
zσ√n= d n =
(zσ
d
)2
Tartalmazza a szorasnegyzetet. Ha egy elozo np elemu mintabol aztmegbecsultuk, es np legalabb 30 volt, akkor a fenti keplet hasznalhato. Ha nemakkor
n =
(tdof sn
d
)2
Csercsik David (ITK PPKE) A matematikai statisztika alapjai 2018. december 11. 37 / 37