Huzsvai László. STATISZTIKA Gazdaságelemzők részére Excel és R alkalmazások


1 Huzsvai László STATISZTIKA Gazdaságelemzők részére Excel és R alkalmazások SENECA BOOKS 20122 Szerk...
Author:  Antal Papp

0 downloads 0 Views 2MB Size

Recommend Documents


Valószínűségszámítás statisztika
1 Valószínűségszámítás statisztika és 9 0. évfolyam Szerkesztette: Hraskó András...

Microsoft Excel Trainingsprogramma s
1 Microsoft Excel Trainingsprogramma s2 Microsoft Excel basis Microsoft Excel gevorderd 1 Microsoft Excel gevorderd 2 Microsoft Excel expert Microsoft...

Statisztika, alapvetés
1 A cégeljárás során felmerülő ügyvédi műhibák - Szakmai anyag Utolsó frissíté...

Microsoft Excel Trainingsprogramma s
1 Microsoft Excel Trainingsprogramma s2 Microsoft Excel basis Microsoft Excel gevorderd 1 Microsoft Excel gevorderd 2 Microsoft Excel expert Microsoft...

GAZDASÁG ÉS STATISZTIKA (GÉS)
1 GAZDASÁG ÉS STATISZTIKA (GÉS) A KÖZPONTI STATISZTIKAI HIVATAL FOLYÓIRATA SZERKESZTŐBIZOTTSÁG: DR. BAGÓ...

Az agrárgazdaság fejlődését támogató statisztika
1 Földi sokaságok, égi tünemények A statisztika a tudományok világában Az agrárgazdas&aacut...

Excel Controller. Jaarrekening in Excel. Handleiding Excel Controller. Jaarrekening. Auteur(s) G. Buurmans. Date of creation
1 Handleiding in Excel Auteur(s) G. Buurmans Date of creation BTW NL B.01 12 Inhoudsopgave Inleiding Excel Beveiligingen afzetten in Excel Beveiliging...

EXCEL EXCEL EXCEL. Gebruikershandleiding. Excel Yoga XCEL
1 CEL EXCEL XCELEXC EXCEL EX XCEL XCEL Gebruikershandleiding Excel Yoga EXCEL2 Voordat u gebruik gaat maken van uw nieuwe Excel Excel Yoga scootmobiel...

Leíró és matematikai statisztika
1 Leíró és matematikai statisztika Matematika alapszak, matematikai elemző szakirány Varga László Való...

Matematikai statisztika 1
1 Matematikai statisztika 1 segédanyag Daróczi Gergely Szociológia Intézet 20102 Matematikai statisztika 1 01 Mátri...



Huzsvai László

STATISZTIKA Gazdaságelemzők részére Excel és R alkalmazások

SENECA BOOKS 2012

Szerkesztő: Huzsvai László © – Minden jog fenntartva. Jelen könyvet vagy annak részleteit a Kiadó engedélye nélkül bármilyen formában vagy eszközzel reprodukálni és közölni tilos.

A kiadvány létrejöttét senki sem támogatta.

Írták: Balogh Péter Csipkés Margit Huzsvai László Nagy Lajos Pocsai Krisztina

Lektorálták: Szőke Szilvia Tarnóczi Tibor

ISBN 978-963-08-5016-2 Ez a könyv a magyar felsőoktatásban tanulási és kutatási céllal szabadon felhasználható

Tartalomjegyzék Előszó......................................................................................... 1 Bevezetés................................................................................... 2 A statisztika részterületei...................................................... 4 Mintavételezés.......................................................................... 5 Statisztikai adatgyűjtés.........................................................................................................................6

Adatbázis................................................................................ 11 A változók mérési szintjei....................................................13 Adatábrázolás........................................................................ 17 Kimutatás és kimutatás-diagram.......................................26 Csoportosított adatok megjelenítése.................................................................................................29 Kimutatás-diagram átalakítása statikus diagrammá........................................................................30

Viszonyszámok....................................................................... 32 Idősorok viszonyítása, bázis- és láncviszonyszámok.......................................................................32 A bázis és láncviszonyszámok problémái..........................................................................................36 Megoszlási viszonyszámok (Vm).........................................................................................................37 Koordinációs viszonyszámok (Vk)......................................................................................................38 Tervfeladat viszonyszám (Vtf).............................................................................................................39 Tervteljesítési viszonyszám (Vtt)........................................................................................................41 Dinamikus viszonyszám (Vd)..............................................................................................................42 Kérdések............................................................................................................................................... 43 Intenzitási viszonyszámok..................................................................................................................43

Középértékek.......................................................................... 45 Számtani átlag......................................................................................................................................45 Súlyozott számtani átlag.....................................................................................................................46 Kronologikus átlag..............................................................................................................................50 Harmonikus átlag................................................................................................................................51 Súlyozott harmonikus átlag................................................................................................................53 Geometriai átlag..................................................................................................................................54 Súlyozott geometriai átlag..................................................................................................................55 Négyzetes átlag....................................................................................................................................56

Szóródási mutatók................................................................. 58

Terjedelem............................................................................................................................................58 Kvantilisek............................................................................................................................................58 Százalékrang.........................................................................................................................................61 Középeltérés......................................................................................................................................... 62 Átlagos abszolút eltérés......................................................................................................................63 Szórás.................................................................................................................................................... 64 Variancia............................................................................................................................................... 67 Variációs koefficiens............................................................................................................................69 Relatív variációs koefficiens...............................................................................................................70 Az átlag standard hibája......................................................................................................................71 Szórások átlagolása..............................................................................................................................73 Standard hiba átlagolása.....................................................................................................................74 Kiugró értékek......................................................................................................................................74

Koncentráció.......................................................................... 76 Herfindahl-Hirschman-index.............................................................................................................76

Indexek.................................................................................... 84 Értékindex............................................................................................................................................ 84 Árindex.................................................................................................................................................86 Volumenindex......................................................................................................................................87 Fisher-féle indexek..............................................................................................................................90

A normális eloszlás mint modell.........................................91 Konfidenciaintervallum..................................................... 108 A relatív gyakoriság konfidenciaintervalluma...............................................................................108 A medián konfidenciaintervalluma.................................................................................................112 A számtani átlag konfidenciaintervalluma.....................................................................................113 A szórás konfidenciaintervalluma...................................................................................................117

A standard hiba nagysága véges sokaság esetén...........119 Hipotéziselmélet.................................................................. 120 A döntésnél elkövethető hibák.........................................................................................................125

Középérték-összehasonlító próbák...................................127 Egy-mintás z-próba vagy u-próba....................................................................................................127 Független kétmintás z-próba vagy u-próba....................................................................................128 Egymintás t-próba.............................................................................................................................129 Független kétmintás t-próba.............................................................................................................130 Kétmintás F-próba a szórásnégyzetre..............................................................................................132

Párosított t-próba...............................................................................................................................132 A t-próba ereje...................................................................................................................................136

Variancia-analízis............................................................... 140 Alapfogalmak.....................................................................................................................................140 A lineáris modell................................................................................................................................141 A variancia-analízis alkalmazásának feltételei...............................................................................141 A variancia-analízis alkalmazásának lépései..................................................................................142 A variancia-analízis ereje..................................................................................................................157

Mellékletek........................................................................... 162 A középértékek hibájának (standard hiba) öröklődési szabálya...................................................162 Legfontosabb függvények a képletek előállításához......................................................................165

Ajánlott irodalom................................................................ 168

ELŐSZÓ

Előszó Sok magyar nyelvű matematikai statisztika könyv jelent meg hazánkban az utóbbi évtizedekben. Sajnos ezek a korábbi, főként a hetvenes években írt művek „újított” kiadásai, amelyek az azóta eltelt hatalmas számítástechnikai fejlődésről megfeledkeztek. A bennük található példák, a nyomtatott sajtó korlátai miatt, nagyon kevés elemszámmal rendelkeznek, valódi adatbázisról nem beszélhetünk. Ez még azokról a könyvekről is elmondható, amelyek CD-mellékleteket tartalmaznak, mert a példák pusztán a könyvek feladatainak táblázatos formáit tartalmazzák. Az ilyen táblázatos adatokból nem lehet hatékony adatelemzést, statisztikai értékelést készíteni. Ezek valójában kimutatások, jelentések, és nem valódi adatbázisok. Pedig egy jól megtervezett adatbázisból olyan információk nyerhetők ki, amelyeket egy kimutatásból vagy jelentésből már utólag nem tudunk elkészíteni. Az „adatbányászat”, vagy helyesebb inkább „információbányászatról” beszélni, csak nagy adatbázis esetén nyer értelmet, amelynek a sajátos technikáját meg kell tanulni, ezért a könyv egyik célkitűzése ezen technika megismertetése az olvasóval. A könyv a magyar felsőoktatás közgazdasági BSc képzéséhez igazodva, a statisztika alapjait, a leíró statisztikát valamint a matematikai statisztika legegyszerűbb, legalapvetőbb módszereit tárgyalja. Minden ismertetett eljárást példákon keresztül mutatunk be. A számítások során feltételezzük a számítógépes alapismereteket, ezért csak a statisztikához közvetlenül szükséges anyagot tárgyaljuk. Melyik statisztikai programcsomagot használjuk? Nagyon sok van. Ingyenes, fizetős. Kívánatos lenne a mai gazdasági helyzetben a felsőoktatásban ingyenes, nyílt forráskódú programokat használni. Ráadásul ezek között sok európai van. Az ingyenesség jegyében ez a könyv a LibreOffice Writerrel készült. A Microsoft hatalmas térhódítása miatt azonban kénytelenek vagyunk a legegyszerűbb, és leggyakrabban használt programon bemutatni az elemzéseket, amely nem más, mint az Excel. Ez az alkalmazás nem statisztikai program, és nem is adatbáziskezelő, hanem számolótábla, ezért tudományos igényű elemzésekre csak korlátozottan alkalmas. Szerencsére azonban, mindkét funkciót alapszinten el tudja látni, és ez a képessége elegendő az alapszintű oktatásban. A könyvben bemutatott példák egy az egyben megoldhatók ingyenes LibreOffice Calc-kal is. A tudományos elemzésekhez az R programot ajánljuk, ezért a példák megoldását ezzel is bemutatjuk, természetesen a teljesség igénye nélkül. Ebben az esetben feltételezzük az R alapszintű ismeretét. A könyv írása során törekedtünk a tömörségre, a közérthetőségre, és mindenkit arra buzdítunk, hogy a könyvből elsajátított tudást minél szélesebb körben alkalmazza, mert a statisztika szakszerű használata mindenki számára gazdasági előnnyel jár. Debrecen, 2012. szeptember

Huzsvai László

-1-

BEVEZETÉS

Bevezetés Mennyire megbízhatóak a kísérletekből és megfigyelésekből (empíria) levont következtetések? Milyen nagy a véletlen szerepe? A választ a statisztika segítségével adhatjuk meg, valószínűségi állítás formájában. A statisztika „nyelvezete” sajátos, mivel kijelentéseit, egy adott intervallumra vonatkoztatva, valószínűségi állítás formájában fogalmazza meg. Pl. „hetvenöt százalék az esélye, valószínűsége annak, hogy 20 és 30 mm közötti csapadék fog esni holnap.” A statisztika a valóság minőségi és mennyiségi információinak megfigyelésére, öszszegzésére, elemzésére és modellezésére irányuló gyakorlati tevékenység és tudomány. Gyakran hívják statisztikának a statisztikai tevékenység eredményeként keletkező adatokat is. A statisztikában, mint minden tudományban, sajátos fogalmakat használnak, ezért néhány alapvető fogalommal meg kell ismerkedni. Alapfogalmak: Statisztika: tudományos módszertan és gyakorlati tevékenység, mely a valóságot tömören, számszerűen jellemzi. A számszerű jellemzés sokszor csak becslés, becslés a minta tulajdonságai alapján. Leíró statisztika: az adatok összegyűjtését, tárolását, egyszerű számtani műveletekkel történő elemzését, aggregálását és az eredmények közérthető megjelenítését végzi. Matematikai statisztika: akkor alkalmazzuk, ha nem teljes körű az adatfelvételezés, amikor csak a sokaság egy részének megfigyelésre kerül sor, és a mintából számított eredmények alapján következtetünk a sokaság jellemző tulajdonságaira. Sokaság: A megfigyelési egységek, egyedek összessége, amire a statisztikai megfigyelés irányul. Adat: a statisztikai sokaság elemeinek száma, vagy a sokaság valamelyik jellemzőjének számszerű mérési eredménye. Ezek a mérési eredmények mindig tartalmaznak egyéb azonosító jellemzőket is, pl. térbeli, időbeli, stb. A statisztikai adatok csak ezek ismeretében értelmezhetők reálisan. A statisztikai adatok hibával terheltek. Ezek a hibák az adatfelvétel, mérés, adatfeldolgozás és adatközlés során keletkezhetnek. Ismérv: A sokaság egyedeinek tulajdonsága. Mit mérek: Milyen? Mennyi? (mértékegység) Hol? Mikor? Egyéb metaadatok gyűjtése nagyban fokozza a minta értékét. A metaadat adat az adatról. Valójában sokkal több metaadat szerepel egy adatbázisban, mint mért adat. Paraméter: Az alapsokaság jellemző értékeit paraméternek nevezzük, és görög betűvel jelöljük, pl. μ és σ. A görög betűk tehát az elméleti értékeket jelölik, melyeket csak a minták alapján becsülhetjük, de pontos értéküket sohasem tudjuk meghatározni. Mindig lesz egy kis bizonytalanság, határozatlanság.

-2-

BEVEZETÉS Minta: Az empirikus megfigyelések mérések összessége. A minta adataiból az alapsokaság tulajdonságaira következtetünk. A minta jósága dönti el, hogy milyen pontosan tudjuk megbecsülni az alapsokaság jellemző paraméterét. pl. a minta középértékből becsüljük meg az alapsokaság középértékét. x -ból a μ-re következtethetünk. A minta szórásából a sokaság szórására. s-ből a σ-ra következtethetünk. A könyvben zömében egyetlen adatbázison mutatjuk be a statisztikai módszereket, ez az „élelmiszer adatbázis”. Ez egy kitalált, fiktív adatbázis tanulási célokra készült és nem szakmai következtetések levonására. Nyolc változót és 847 rekordot tartalmaz. A változók: • AZ: rekordok sorszáma, csak azonosításra szolgál, nominális típusú változó. • Év: 2000-2010 közötti időszakot jelöl. Összesen 11 év adatai. • Régió: Magyarország hét régiójának változója. Ez a változó is nominális típusú. • Árucikk: különböző élelmiszerek megnevezését tároljuk ebben a változóban, öszszesen 11-féle árucikket. • Forgalom: az adott árucikkből ténylegesen eladott mennyiség kg mértékegységben. Ez a változó arányskála típusú. • Ár: egységár Ft/kg mértékegységben. • Önköltség: egy kilogramm élelmiszer eladásakor felmerülő költéség, Ft/kg mértékegységben. • Terv: az adott árucikkből tervezett eladás mennyisége kg mértékegységben. Az Év és Régió változót csoportok képzésére a többi változót különféle statisztikák számítására fogjuk felhasználni.

-3-

A STATISZTIKA RÉSZTERÜLETEI

A statisztika részterületei A statisztika tudomány több részterületet ölel fel. Többféleképpen is csoportosítható. Legegyszerűbb módon két részterületet oszthatjuk: leíró és matematika statisztika. Leíró statisztika vagy exploratív adatelemzés célja egy már rendelkezésre álló, valóságra vonatkozó empirikus adathalmaz összefoglalása, elemzése, információtömörítése, illetve olyan információ kinyerése, amit a nagyszámú megfigyelésből csak az adatokat szemlélve nem tudnánk megtenni. A sokaság legfontosabb jellemzőinek megismerése folyamán statisztikai módszerek alkalmazunk, amik valamilyen elméleti modell algoritmizált formái. A legfontosabb leíró statisztikai módszerek közé tartozik: a gyakoriságok, kvantilis értékek, centrális mutatók (középértékek): medián, módusz, számított átlagok: számtani, harmonikus, mértani, négyzetes, stb. átlagok, szóródási mutatók: terjedelem, szórás, relatív szórás, stb., a viszonyszámok és indexek meghatározása. Matematikai statisztika feladata reprezentatív mintavétel alapján a sokaság jellemző paramétereinek becslése. Minta alapján az alapsokaságra vonatkozó feltételezések, hipotézisek igazolása, valamint összefüggés-vizsgálatok sztochasztikus modellekkel. A statisztikai munka fázisai 1. Tapasztalatok gyűjtése, empirikus megfigyelések, korábbi tudományos eredmények tanulmányozása (szakirodalmazás). 2. A probléma verbális megfogalmazása, munkahipotézis felállítása. 3. Modellválasztás vagy alkotás, legtöbbször valamilyen eloszlás vagy függvény. 4. Az adatgyűjtés megtervezése. Minimális minta ill. elemszám meghatározása. Mintavételi technikák. Vagy kísérlettervezés. 5. Adatgyűjtés, mintavétel vagy a kísérlet beállítása, mérés. 6. Adatbázis-készítés, ezek napjainkban relációs adatbázisok. 7. Elemzés a 3. pontban választott modell alapján. Ezt nevezik szűkebb értelemben statisztikai elemzésnek. Az adatokból a modell paramétereinek meghatározása. 8. A modell validálása (érvényessége), az alkalmazhatósági feltételek megvizsgálása 9. Becslés a modell segítségével. Jelentések, riportok, kimutatások készítése (statisztikai táblázatok). 10. Döntés Már többször esett szó a modellről. Ennek a szónak több jelentése van. Mi a tudományos értelemben fogjuk használni. Milyen definíciót lehet adni rá? Talán az egyik legjobb meghatározás: „A modell összetett, bonyolult természeti képződmények, objektumok működésének megismerésére létrehozott „egyszerűsített helyettesítő”. Természetesen a tudományban is sokféle modell létezik. A leggyakoribb modell formák a mechanikus analógok, elektromos analógok, fizikai, kémiai, matematikai modellek. A statisztikában a matematikai modelleknek van jelentősége.

-4-

MINTAVÉTELEZÉS

Mintavételezés A mintavételt meg kell tervezni. A sokaság elemeit nagybetűvel jelöljük: X1, X2…XN…, lehet véges és végtelen. Mintaelemek, jelölése kisbetűvel: x1, x2…xn, mindig véges. A véletlen minta azt jelenti, hogy a minta elemek véletlen kiválasztással kerülnek a mintába. A véletlen kiválasztás során minden elem egyenlő valószínűséggel kerülhet a mintába. Nincs protekció. Minél nagyobb a véletlen minta, annál pontosabb a becslés, ezért a kiválasztási arány befolyásolja az elemzések megbízhatóságát. Kiválasztási arány : n N

ahol: n: a mintaelemek száma N: a sokaság nagysága Amennyiben 100-zal szorozzuk, százalékban kapjuk meg a kiválasztási arányt. Természetesen a kiválasztási arányt csak véges sokaságban lehet meghatározni, végtelen sokaságban ennek nincs értelme. A mintavétel mindig hibával terhelt. Ez abból adódik, hogy nem a teljes sokaságot figyeljük meg. Ráadásul a sokaság heterogén. A heterogenitás azt jelenti, hogy a sokaság elemi különböznek egymástól.

1. ábra: A heterogén "alma sokaság"

-5-

MINTAVÉTELEZÉS

2. ábra: A minta

3. ábra: A valóság

Statisztikai adatgyűjtés Hány elemű legyen a minta? Ez nagyon fontos kérdés, mert a mintavétel pénzbe kerül, sok munkát és időt igényel. Ebből a szempontból a lehető legkevesebbet szeretnénk erre költeni. A másik oldal viszont a pontosság és megbízhatóság, ami a lehető legnagyobb mintát igényli. A két ellentétesen ható tényező miatt kompromisszumot kell kötni. Ezt a kompromisszum keresést nevezzük a mintavételezés tervezésének, illetve kísérlettervezésnek. A statisztikának itt aktív szerepe van, iterációkon keresztül határozzuk meg a céljainknak és pénztárcáknak megfelelő minimális mintanagyságot. Ez optimum keresés tehát egy minimalizálási feladat, amikor egy előre kiválasztott pontosság és megbízhatósághoz keressük az előbb említett minimális mintát. A gyakorlatban vannak „bevett szokások”, ilyen a közvélemény kutatások területén használt n = 1 500 és 3 000 közötti minta. Ezt használják piackutatás során is. A tapasztalatok azt mutatják, hogy ennél nagyobb minta esetén sokszor szisztematikus torzítás lép fel. -6-

MINTAVÉTELEZÉS A statisztikai adatgyűjtés egyszerű csoportosítása látható a következő ábrán.

S ta tis z tik a i a d a tg y ű jté s R é s z le g e s a d a tf e lv é te l

T e lje s k ö r ű (c e n z u s )

K ís é r le te k

R e p r e z e n ta tív m e g fig y e lé s

(e lle n ő r z ö tt)

V é le tle n m in ta v é te l

N e m v é le tle n m in ta v é te l

4. ábra: Adatgyűjtés Munkánk során az első lépésben, el kell dönteni, hogy részleges vagy teljes körű adatfelvételezést fogunk-e készíteni. Teljeskörű: Természetesen csak véges sokaság esetén lehetséges. Ritkán vagy kis elemszámú sokaság esetén. A KSH 10 évenként népszámlálást végez. A mezőgazdaság területén, ÁMÖ általános mezőgazdasági összeírás. Ezzel valószínűleg ritkán fogunk találkozni. Végtelen sokaságban csak részleges adatfelvételezést készíthetünk. Ez lehet adatgyűjtés, kérdőívezés és ellenőrzött kísérlet. Ez utóbbi a tudományos kutatómunkában a legfontosabb informálódási eszköz. Korábban említettük, hogy a jó minta, a véletlen minta. Milyen legyen tehát a véletlen minta? Ehhez ismerni kell az alapsokaság jellemzőit. Sokan homogén és heterogén sokaságokat különböztetnek meg. Ez elég bizonytalan, mivel a sokaság elemei sohasem egyformák. Hol van az a határ, ami elválasztja egymástól a homogén és heterogén sokaságot? Kézzelfoghatóbb, ha úgy különböztetjük meg a homogén és heterogén sokaságot, hogy tudjuk-e homogénebb csoportokba sorolni a sokaság elemeit, ahol a csoporton belüli ingadozás kisebb, mint a sokaság eredeti ingadozása. Amennyiben tudjuk, heterogén sokaságról beszélünk, ha nem homogén, még akkor is, ha nagy a szórása. Véletlen mintavétel csoportosítása: 1. Homogén sokaság esetén • FAE: független azonos eloszlású minta • EV: egyszerű véletlen minta 2. Heterogén sokaság esetén • R: rétegzett mintavétel • Cs: csoportos (egylépcsős) mintavétel • TL: többlépcsős mintavétel Hogy mikor milyen mintát kell venni, azt az dönti el, hogy milyen ismeretekkel rendelkezünk az alapsokaságról, illetve, hogy milyen legyen a következtetésünk megbízhatósága és pontossága. -7-

MINTAVÉTELEZÉS FAE: végtelen vagy nagyon nagy sokaságból visszatevéssel vagy visszatevés nélkül veszünk mintát. Ebben az esetben gyakorlatilag nincs különbség a visszatevéses és visszatevés nélküli minta között. Visszatevéssel minden elem azonos valószínűséggel kerül a mintába. EV: véges elemszámú sokaság esetén, visszatevés nélkül. Ebben az esetben az elemek nem azonos valószínűséggel kerülnek a mintába. Hasonló a FAE-mintához, de véges és kicsi sokaság esetén inkább ezt használjuk. R: valamilyen ismérv szerint, átfedés mentesen, homogén, illetve homogénebb rétegekre osztjuk a sokaságot, és a rétegeken belül EV-mintát veszünk. A sokaságban a rétegek elemszámát N-vel , a mintában n-vel jelöljük. A rétegek száma M. Természetesen a rétegek elemszámainak összege megegyezik a sokaság illetve minta elemszámával. A rétegzett minta lehet: • egyenletes • arányos • Neyman-féle optimális • költség optimális Egyenletes: minden rétegből ugyanannyi elemet választunk ki, függetlenül az egyes részek részarányától. n j=

n =n M

Arányos: a minta rétegeinek aránya megegyezik a sokaság rétegeinek arányával. Matematikailag megfogalmazva: nj N j = n N

Neyman-féle optimális: a nagyobb szórású rétegekből nagyobb, a kisebbekből kisebbet veszünk. Ez homogenizálja a becslés pontosságát. A rétegek mintaelemszáma: n j=

Njσj

∑ N jσ j

∗n

Költség optimális: ismerni kell az egyes rétegek mintavételezésének költségeit is. A rendelkezésre álló pénzt felhasználva minimalizálni kell a becslési hibát. Ehhez ismerni kell az egyes rétegek szórásait is. Csoportos (egylépcsős) mintavétel: véges homogén sokaság esetén célravezető, ha nem áll rendelkezésre a sokaság elemeinek teljes listája, de nagyobb csoportokra rendelkezünk listával. Többlépcsős mintavétel: hasonló, mint a csoportos mintavétel, azonban több lépcsőben jutunk el a végső mintához. Leggyakrabban kétlépcsős mintavételt végzünk, ahol egyszerű EV mintákat veszünk.

-8-

MINTAVÉTELEZÉS Nem véletlenen alapuló kiválasztás: • Szisztematikus • Kvótás • Hólabda • Koncentrált • Önkényes • Egyéb Szisztematikus mintavétel: amennyiben n elemű mintát akarunk venni egy N elemű sokaságból, akkor a lépésköz a kiválasztási arány reciproka, N/n. Véletlenszerűen kiválasztva a kezdőpontot, minden k-adik elem kerül a mintába. A mintavétel így automatizálható. Ennek nagy jelentősége van a minőség ellenőrzésben. A szisztematikus mintavétel eredménye megegyezhet az EV minta eredményével, abban az esetben, ha a sorrend független megfigyeléstől. Kvótás kiválasztás: előre megkapjuk, hogy a mintának milyen összetételűnek kell lennie. Megbízást kapunk egy külső cégtől, hogy végezzük el neki az adatfelvételezést. Természetes a cég részéről ezt alapos előtanulmány előzi meg, ez alapján tudja megadni a sokaság jellemző összetételét. Hólabda mintavétel: kevés elemszámú és nehezen mintázható sokaságnál alkalmazhatjuk. Hasonlít a piramis játékhoz. Néhány személyből kiindulva, azok ismeretségi körén folytatjuk az adatfelvételezést. Ők tovább adják a kérdőíveket az ismerősüknek, és így tovább. Koncentrált adatfelvételezés: erősen koncentrált sokaságban használjuk, amikor néhány egyed, megfigyelési egység nagy hatással bír a sokaság jellemzőire. Ebben az esetben ezeknek nagyobb esélyt adunk a mintába kerülésre. Fogyasztói árindex, infláció számításakor nagyobb esélyt adunk azoknak az árucikkeknek, amiknek nagyobb a forgalma. Ez már egy tudatos kiválasztás, ez jobban reprezentálja a „valós” helyzetet, mint a véletlen mintavétel. Itt kap szerepet a koncentráció elemzés is, amiről a későbbi fejezetben lesz szó. Önkényes (szubjektív) kiválasztás: szakmai ismeretek és tapasztalatok birtokában választjuk ki a mintaelemeket. Az előbb ismertetett kiválasztási módszerek keveréke, azok előnyeinek ötvözése. Amint látható, minden kiválasztási módszer azt szolgája, hogy a minta reprezentatív legyen. A reprezentatív minta tulajdonsága, hogy tükrözi az alapsokaság jellemzőit (lehet belőle általánosítani), és csak a mintavételi hibát tartalmazza. Ráadásul meghatározható a mintavételi hiba nagysága. A nem reprezentatív mintából ezzel szemben nem lehet általánosítani, a mintavételi hiba mellett szisztematikus hibát is tartalmaz. Az ilyen mintából levont következtetések kizárólag a megfigyelt egyedekre vonatkoznak. Véletlen mintát véletlen szám-generátor segítségével állíthatunk elő. A számítógépek generátorai azonban pszeudovéletlen szám generátorok, ami azt jeleni, hogy valamilyen -9-

MINTAVÉTELEZÉS algoritmus alapján állítják elő a véletlen számot, és minden bekapcsoláskor ugyanazokat a „véletlen számokat” adják. Ezért gondoskodni kell a generátor mag véletlenszerű beállításáról. A gyakorlatban ezt a számítógép bekapcsolása óta eltelt másodpercekkel szoktuk megadni. Nagyon kicsi a valószínűsége, hogy két véletlen számot ugyanabban a másodpercben akarunk előállítani. Ilyen függvény az Rnd() függvény. Az Excel Vél() függvénye. Az a-tól b-ig terjedő véletlen számot így tudjuk előállítani: VÉL()*(b-a)+a A legújabb Excel-ben „véletlen” néven találjuk meg a függvényt. Azért veszünk mintát, hogy statisztikai becslést készítsünk a sokaság jellemző értékeire. A becslés valamely paraméter ismeretlen (feltételezett) tényleges értékének közelítő megadása egy statisztikai függvénnyel. Elvileg bármelyik statisztikai függvény tekinthető becslésnek, valójában csak azokat használjuk, amelyeknek megvannak a jó becslés legfontosabb tulajdonságai. A jó becslés kritériumai • Torzítatlanság (várható érték) • Hatásosság (szórás) • Konzisztencia Torzítatlan az olyan becslés, amelynek várható értéke az igazi paraméter. Ez azt jelenti, ha sokszor veszünk mintát, a mintaátlagok átlaga nagyon közel lesz a sokaság valódi átlagához. Hatásos az a becslés, aminek a szórása a lehető legkisebb, határértékben nulla. Vegyünk egy véges sokaságot, becsüljük meg a számtani átlagát. Amennyiben teljes körű az adatfelvételezés, a becslés szórása nulla lesz. Konzisztens az olyan becslés, amely a minta n elemszámának növekedésével a paraméter igazi értékéhez konvergál sztochasztikusan (erős konzisztencia esetén 1 valószínűséggel). A torzítatlanság és hatásosság a kis minták, a konzisztencia a nagy mintáktól elvárt jó tulajdonság. A kísérlet, mint a tudományos kutatás egyik legfontosabb módszere, csak akkor célravezető, ha rendelkezik a jó kísérlet tulajdonságaival. A jó kísérlet a kezeléshatások mellett csak a véletlen hibát, ingadozást tartalmazza. Erről a két hatásról számszerű becslést készíthetünk. A rossz kísérlet a kezeléshatások és véletlen hiba mellett még szisztematikus hibát is tartalmaz. A szisztematikus hiba nagyságát nem tudjuk becsülni, nincs róla számszerű értékünk. Ez a hiba összekeveredik a kezeléshatással, és hamis hatásokat fogunk kimutatni.

- 10 -

ADATBÁZIS

Adatbázis A minta adatait adatbázisba kell rendezni. Napjainkban ez számítógépes adatbázist jelent, ami egy témakör vagy cél köré csoportosuló információ. Az adatbázist is meg kell tervezni, aminek eredményeként az adattárolás és kinyerés hatékony lesz, az adatbázis egyértelműen fog viselkedni. A rosszul megtervezett adatbázis időzített bomba!

5. ábra: A rossz adatbázis időzített bomba Adatbázis tervezés során tisztázni kell ,hogy milyen információt akarunk kinyerni? Milyen elkülönülő tématerületeken szeretnénk az adatokat tárolni? Hogyan kapcsolódnak ezek egymáshoz? Az egyes területeken belül milyen adatokat kell tárolni? Mi az adat? Minden információ, amit tárolni kell. • szám • szöveg • dátum • hang • kép, stb. A mértékegységgel rendelkező adatokat a helyes mértékegységgel kell tárolni. Nagyon sok félreértéstől megkíméljük magunkat. Lent látható, ismétlésként, a mértékegységek többszörösei. A mértékegységek többszörösei SI (Systém International d’Unités) • kilo- k 103 • mega- M 106 • giga- G 109 • tera- T 1012 • peta- P 1015 • exa- E 1018

- 11 -

ADATBÁZIS Adatbázisban az adatokat táblákban tároljuk. A tábla felépítése, az Excelt rendszeresen használóknak már ismerős. Oszlopokból és sorokból áll. Az oszlopok tartalmazzák a megfigyelések ismérveit, tulajdonságait. Ezeket változónak vagy mezőnek (field) nevezzük. A sorok a megfigyelési egységeket, szubjektumot tartalmazzák. A sorokat rekordnak (record) nevezzük. A jó adatbázis kritériumai: 1. minden mezőnek egyedi neve van 2. a mezők elemi információt tartalmaznak 3. nem lehet két egyforma sora 4. a sorok és oszlopok sorrendje tetszőleges 5. ne tartalmazzon származtatott, kiszámított adatot (redundancia) 6. egy mező megváltoztatása nem hathat ki más mezőkre 7. minden szükséges adatot tartalmaz 8. van elsődleges kulcsa Az egyedi név azt jelenti, hogy nem lehet két egyforma mezőnév. Az elemi információ egyetlen tulajdonságot takar, pl. „tömeg”. Nem lehet „2000. évben mért tömeg” a mező neve, mert ez már két elemi információt tartalmaz. Az ilyet két külön mezőben kell tárolni. Amennyiben két egyforma sorra lenne szükségünk, akkor is csak egyet szabad az adatbázisban tárolni, és egy gyakorisági mezőben jelölni kell, hogy hány van belőle. A sorok a sorokkal, az oszlopok az oszlopokkal cserélhetők fel. Itt nem transzponálásról van szó. Olyan kiszámított adatot, amit a többi mezőből egyértelműen meg tudunk határozni tilos tárolni. Egy adatbázis nem számítódik újra automatikusan, ez nem egy számolótábla, mint az Excel. Ezért egy mező megváltoztatása nem befolyásolhatja a többit. Az elsődleges kulcs a rekordok egyértelmű azonosítására szolgál. Ez legtöbbször egy automatikus sorszámozást jelent. Ez az egész szám azonban csak azonosításra szolgál, nem szabad vele matematikai műveleteket végezni.

- 12 -

A VÁLTOZÓK MÉRÉSI SZINTJEI

A változók mérési szintjei Ez a fejezet a változók mérési szintjeit, illetve a mérési szintekbe sorolás jelentőségét és gyakorlati hasznát tárgyalja. A változók mérési szintje is egy modell, ami megkönnyíti a helyes statisztika mutatók meghatározását. Napjainkban egyesek megkérdőjelezik ennek a modellnek a létjogosultságát, de sok számítógépes statisztikai programcsomag is használja. Véleményünk szerint is jól használható, és megvéd olyan alapvető hibák elkövetésétől, amikor szakmailag és statisztikailag értelmezhetetlen mutatókat határoznak meg. A mérési modell alapján a változók az alábbi típusba tartozhatnak: • Nominális (kategorikus és diszkrét) • Ordinális • Intervallum skála • Arányskála A fenti négy típust két kategóriába lehet összevonni: magas és alacsony mérési szintű adatok. A magasba az intervallum és arányskála, az alacsonyba a nominális és ordinális adatok tartoznak. Milyen az átjárhatóság ezen adatok között? Lehet-e egyiket a másikba konvertálni? Igen. Azonban be kell tartani egy szabályt. Magas mérési szintű változóból lehet alacsonyt csinálni, de fordítva nem. Annak ellenére sem, hogy a gyakorlatban sokszor elkövetik ezt a hibát. Amennyiben alacsony mérési szintű változóból magasat szeretnénk csinálni, bonyolult statisztikai eljárást kell alkalmazni, ami elvégzi a skálázást. Azonban ez a skálázás nem egzakt, csak becslés, becslési hibával terhelt. Az így előállított skála nem egyenrangú a valódi skálával.

6. ábra: Nominális típusú változók

- 13 -

A VÁLTOZÓK MÉRÉSI SZINTJEI Nominális változó: a nominális skálán mért változók csak minőségi információt hordoznak, arra alkalmasak, hogy egymástól jól elkülönülő kategóriákat hozzanak létre. Tipikus nominális változó a nem, a rassz, a város, a kezelés helyszíne. Legjellemzőbb értéke a módusz vagy sűrűsödési középpont, aminek a jele: Mo. ez a mintavétel során leggyakrabban előforduló érték. Az adatbázisban a nominális változót két oszlopban tároljuk: az első a kategória nevet, a második a gyakoriságot tárolja. Nominális változó jellemzői: • Megszámlálható • Távolság és arány nem értelmezett a kategóriák között • Számítások a gyakorisági értékekkel Az ilyen típusú változók elemzésekor tisztába kell lenni, hogy mit lehet kiszámítani belőlük. Milyen kérdéseket lehet megfogalmazni? Példa : hajszín X=y. ugyanannyi barna, mint szőke. X nem egyenlő y. Egyik színből több vagy kevesebb van. Hányszor több a barna hajszín, mint a szőke? A később ismertetett viszonyszámok meghatározása: megoszlási viszonyszám, koordinációs viszonyszám. A nominális típusú változókat oszlop vagy kördiagramon ábrázolhatjuk. 120 100 80 60 40 20 0 szőke

b arn a

f e k e te

vö rö s

egyéb

7. ábra: A hajszín ábrázolásai Ordinális változó: • Sorrenden alapuló változó • Az egyes kategóriák kvantitatív alapon sorba rendezhetők • Az objektumok közötti eltérés mértéke nem ismert • Jellemző értéke: medián, Me

- 14 -

A VÁLTOZÓK MÉRÉSI SZINTJEI A 8. ábra egy ordinális változót szemléltet, pl. egy édesség kóstolás eredményét. A világoskék cukor ízlett a legkevésbé, a piros kicsit jobban, és így tovább.

8. ábra: Ordinális változó Intervallumskála: • Az egyes kategóriák kvantitatív alapon sorba rendezhetők • Az objektumok közötti eltérés mértéke ismert • Nincs abszolút nulla pont • Legjellemzőbb értéke: számított középérték Intervallumskála típusú változó például a hőmérsékletmérés (Celsius- vagy Fahrenheit skála). Vannak olyan fizikai mennyiségek, amelyeket eleve csak intervallumskálán érdemes mérni, arányskálán nem. Például ilyenek a színek. A pszichológiai mennyiségek közül például az intelligencia tartozik ezek közé. Az intelligenciának jóformán lehetetlen egy abszolút nullapontját értelmezni, de az reális célkitűzés lehet, hogy intervallumskálán mérjük. Az intervallumskála nullapontjának és egységpontjának a meghatározása is megállapodás kérdése. Itt már számolhatunk átlagot, mivel a nullapont eltolása nem változtatja meg az átlag relatív helyét az átlagolt számok között. Azonkívül az intervallumskála értékei közötti különbségképzésnek is van értelme. Egyedül az arányszámítást nem végezhetjük el, nem mondhatjuk, hogy 40 Celsius fok kétszer melegebb, mint 20 Celsius fok. A termodinamika törvénye szerint ez nem igaz. Ezért is használjuk a Kelvin-skálát tudományos vizsgálatokban. Arányskála: • Az intervallumskála jellemzőivel rendelkezik • Abszolút nullaponttal rendelkezik • Jellemző értéke: számított középérték Az arányskála az intervallumskála jellemzőivel rendelkezik, emellett tartalmaz egy abszolút nullapontot is. A darabszámmal vagy intenzitással rendelkező mennyiségek tipikus arányskálát képviselnek. Az arányskálára a számokra vonatkozó összes művelet - 15 -

A VÁLTOZÓK MÉRÉSI SZINTJEI alkalmazható. Az arányskálán a nullapont természetesen rögzítve van. Ugyanakkor a skála egysége itt is szabadon megválasztható: például mérhetjük méterben vagy yardban, ez a két távolság arányát nem befolyásolja. Egy fizikai mennyiség a történelem során, a tudomány fejlődésének köszönthetően többféle mérési szintbe is tartozhat. Elindul az alacsony szintről és később akár skála típusú adat is lehet belőle. „Amikor az emberek még csak érzékelés révén ismerték a hőmérsékletet, amikor az egyik dolog csak ’melegebb’ vagy ’hidegebb’ volt, mint a másik, a hőmérséklet az ordinális skálák osztályához tartozott. Úgy lett belőle intervallumskála típusú adat, hogy kifejlődött a hőméréstan, majd amikor a termodinamika felhasználta a gázok kiterjedési arányát a zérushoz való extrapolációhoz, arányskálává vált.” (Az utolsó mondat az abszolút, kelvin-fokokra mért hőmérsékletre vonatkozik. Mérő 1992. 15. o.)

- 16 -

ADATÁBRÁZOLÁS

Adatábrázolás Az adatok illetve az azokból számított jellemző értékek szakszerű ábrázolása hozzáértést igényel. Az adatábrázolás nem lehet önkényes, nem az ízléstől és divattól függ, hogy milyen grafikont készíthetünk. A különböző mérési szintű változókat más és más diagramon ábrázolhatjuk. Oszlopdiagram Kvalitatív változók gyakorisági eloszlásának ábrázolását végezhetjük el az oszlopdiagrammal. A diagram vízszintes tengelyén az osztályok, függőleges tengelyén az abszolút vagy relatív gyakoriságokat ábrázoljuk. Skála típusú adatokat is ábrázolhatunk így, ha valamilyen csoportképző ismérv alapján kategóriákba tudjuk rendezni az adatainkat. Ilyenkor vízszintes tengelyen a kategóriák, a függőleges tengelyen a jellemző értékek helyezkednek el. 5000 4500 4000

Gyakoriság (db)

3500 3000 2500 2000 1500 1000 500 0 Hétfő

Kedd

Szerda

Csütörtök

Péntek

9. ábra: Oszlopdiagram (LibreOffice Calc) Halmozott oszlopdiagram Az ábrázolandó adatok köre megegyezik az oszlopdiagramnál ismertetettekkel. Egy oszlopon belül különbözőféle, de logikailag összetartozó mennyiség halmozódását ábrázolhatjuk. A 10. ábra a naponta eladott különböző élelmiszer mennyiségét mutatja. Egy oszlopon belül az eladott áruk belső összetételéről kapunk információt.

- 17 -

ADATÁBRÁZOLÁS

180 160 140 Eladott áru (kg)

120 100 80 60 40 20 0 Kedd

Szerda

Csütörtök

Péntek

10. ábra: Halmozott oszlopdiagram (LibreOffice Calc) A következő diagramon évenként ábrázoltuk az eladott élelmiszerek mennyiségét. Egyegy oszlopon belül a régiók részesedése látszik. Az x-tengely mértékegysége kg.

11. ábra: Területi adatok halmozott oszlopdiagramja (MS Excel)

- 18 -

ADATÁBRÁZOLÁS Halmozott százalék oszlopdiagram Keddtől péntekig eladott árucikkek megoszlásának (megoszlási viszonyszámok) ábrázolása. Természetesen a vizsgálatba vont élelmiszerek halmozott megoszlása 100%. 100% 90% 80%

Eladott áru (kg)

70% 60% 50% 40% 30% 20% 10% 0% Kedd

Szerda

Csütörtök

Péntek

12. ábra. Halmozott százalék oszlopdiagram (LibreOffice Calc) Sávdiagram Az oszlopdiagram tengelyeinek felcserélésével lehet előállítani. Szakmailag indokolt esetben jobban szemléltetheti a mondanivalónkat. Sávdiagramként állítható elő a normál, halmozott és halmozott százalék oszlopdiagram.

Péntek

Csütörtök

Szerda

Kedd 0

5

10

15

20

25

30

35

Eladott áru (kg)

13. ábra. Sávdiagram (LibreOffice Calc)

- 19 -

40

45

50

ADATÁBRÁZOLÁS Kördiagram Egy sokaság eloszlását, megoszlási viszonyszámait mutatja Egy kördiagramban mindig csak egy adatsor ábrázolható. Illik a körcikkek összegének 100%-t adni.

Hétfő Kedd Szerda Csütörtök Péntek

14. ábra: Kördiagram (LibreOffice Calc)

Hétfő Kedd Szerda Csütörtök Péntek

15. ábra: Kördiagram a leggyakoribb kategória jelölve(LibreOffice Calc) A kördiagramok közé soroljuk a fánk és robbantott fánk diagramokat.

- 20 -

ADATÁBRÁZOLÁS Területdiagram Két árucikk eladott mennyiségének ábrázolása külön-külön. Az x tengely mértékegysége kg. 50 45 40

Eladott áru (kg)

35 30 25 20 15 10 5 0 Kedd

Szerda

Csütörtök

Péntek

16. ábra. Területdiagram (LibreOffice Calc) Halmozott területdiagram A naponta eladott élelmiszerek mennyiségének halmozott értékeit ábrázolhatjuk a halmozott területdiagrammal. 180 160 140 Eladott áru (kg)

120 100 80 60 40 20 0 Kedd

Szerda

Csütörtök

17. ábra. Halmozott területdiagram (LibreOffice Calc)

- 21 -

Péntek

ADATÁBRÁZOLÁS Halmozott százalék területdiagram Megoszlási értékek vagy viszonyszámok időbeli alakulását mutatja. Az időbeli változásról feltételezzük, hogy folyamatosan megy végbe.

100% 90% 80%

Eladott áru (kg)

70% 60% 50% 40% 30% 20% 10% 0% Kedd

Szerda

Csütörtök

Péntek

18. ábra. Halmozott százalék területdiagram (LibreOffice Calc) Vonaldiagram Akkor alkalmazhatjuk ,ha az adatok közötti átmenet értelmezhető, pl. folytonos jelenségek esetén. A vizsgált jelenség menetét, időbeli alakulását mutatja. 45 40

Hőmérséklet (Celsius)

35 30 25 20 15 10 5 0 Hétfő

Kedd

Szerda

Csütörtök

19. ábra: Vonaldiagram (LibreOffice Calc)

- 22 -

Péntek

ADATÁBRÁZOLÁS Pontdiagram Összetartozó érték-párok ábrázolása. Sokszor XY-grafikonnak is nevezik. 40 35

Sörfogyasztás (l)

30 25 20 15 10 5 0 10

15

20

25

30

35

40

45

Hőmérséklet (Celsius)

20. ábra: Pontdiagram (LibreOffice Calc) Regressziós diagram Páronként összetartozó skálatípusú adatok ábrázolására szolgál, amely ki van egészítve a két változó összefüggését leíró regressziós görbével és az összefüggést leíró egyenlettel valamint az R2-tel, azaz a determinációs együtthatóval. A 21. ábra a sörfogyasztást mutatja a hőmérséklet függvényében. 40

f(x) = 1,256684492x - 14,5304812834 R² = 0,9890182706

35

Sörfogyasztás (l)

30 25 20 15 10 5 0 10

15

20

25

30

35

40

45

Hőmérséklet (Celsius)

21. ábra: A sörfogyasztás alakulása a hőmérséklet függvényében (LibreOffice Calc) Ebben az esetben a lineáris regresszió eredménye látható az ábrán. A determinációs együttható egyhez közeli értéke nagyon szoros összefüggést mutat a két változó között. - 23 -

ADATÁBRÁZOLÁS

5000

50

4500

45

4000

40

3500

35

3000

30

2500

25

2000

20

1500

15

1000

10

500

5

0

ezer Ft

millió Ft

Árfolyamdiagram Ezt az ábrát előszeretettel használják a pénzügyi világban, pl. a tőzsdei kereskedések napi jellemzésére. A 22. ábrán egyszerre öt jellemzőt ábrázolhatunk. A kék oszlopok a naponta eladott részvények összes forgalmi értékét mutatják millió Ft-ban, az érték a baloldali y-tengelyről olvasható le.

0 Hétfő

Kedd

Szerda

Csütörtök

Péntek

22. ábra: Árfolyamdiagram (LibreOffice Calc) Az ábra többi része a jobboldali y-tengelyhez tartozik. A fekete ill. fehér négyzet mutatja a napi nyitó és záró árakat. Fekete, ha a záró ár alacsonyabb, mint a nyitó. A fekete négyzet alja tehát a záró árat, a teteje a nyitó árat jelenti („fekete csütörtök”). Fehér, ha a záró ár magasabb, mint a nyitó, ilyenkor a négyzet teteje a záró árat, az alja a nyitó árat mutatja. A piros vonalak a napi legmagasabb és legalacsonyabb árakat mutatják. Amennyiben a napi nyitó és/vagy záró ár egyben a legmagasabb illetve a legalacsonyabb, akkor a megfelelő piros vonal hiányzik. Ilyen esetet mutat a szerdai nap, ahol a nyitó és záró ár egyben a legkisebb és legmagasabb ár is. Itt mindkét piros vonal hiányzik. Hisztogram A kvantitatív változók gyakorisági eloszlását mutatja. A hisztogram vízszintes tengelyén a nagyság szerint sorba rendezett értékosztályok helyezkednek el. Függőleges tengelyen az egyes osztályokhoz tartozó gyakoriságok vagy relatív gyakoriságok. Informatív lehet, ha a hisztogramon feltüntetjük a feltételezett elméleti eloszlás görbéjét is. Ez a grafikus illeszkedésvizsgálat egyik módszere. A feltétezett eloszlás leggyakrabban a normális eloszlás.

- 24 -

A z e g y h e k t á r r a ju tó e r ő g é p e k s z á m á n a k

ADATÁBRÁZOLÁS

m e g o s z lá s a a v i z s g á lt g a z d a s á g o k b a n 20

10

S t d . D e v = ,1 7 M e a n = ,46 N = 56 ,00

0

d b /1 0 0 h a

23. ábra: Hisztogram (R) Kvartilis ábra Ezt az ábrát dobozdiagramnak is nevezik, az angol megfelelője box-plot. Az x-tengelyen minőségi kategóriák, csoportok találhatók, az y-tengelyen mennyiségek. A ábra három talajművelési változatban mutatja a kukorica elmúlt húszéves termésátlagainak alakulását. A legalsó vízszintes vonal a minimális értéket, a piros doboz alja az első kvartilist, a dobozban lévő vízszintes vonal a mediánt, a doboz felső széle a harmadik kvartilist és a legfelső vízszintes vonal a maximális értéket mutatja.

24. ábra. Kvartilis ábra (R) A kvartilisek részletes ismertetése a könyv későbbi fejezetében lesz.

- 25 -

KIMUTATÁS ÉS KIMUTATÁS-DIAGRAM

Kimutatás és kimutatás-diagram Ez a lehetőség az Excelben Adatok menü, kimutatás… menüben érthető el. Ezzel a lehetőséggel olyan interaktív kimutatást, jelentést vagy diagramot lehet készíteni, amellyel egyszerre több szempont alapján vizsgálhatjuk meg adatainkat. Az adatbázisunkból háromdimenziós kimutatásokat lehet előállítani. Ezt angolul OLAP CUBE-nak vagy Pivot táblázatnak is nevezik. Magyarul szerencsés lenne a háromdimenziós kombinációs táblázat vagy röviden kombinációs táblázat megnevezést használni. A három dimenzió: • sor • oszlop • réteg A réteg az egymás mögötti lapokat jelenti. A három dimenzió csoportképző változó, ami legtöbbször nominális változót jelent. Tehát egy skála típusú adatból, pl. forgalom (kg/év) egyszerre több ismérv alapján tudunk kimutatást, jelentést készíteni. Az ilyen kimutatásban "drag and drop, húzd és dob" technikával bármelyik dimenzió felcserélhető egymással, vagy egymás mellé tehető. Ezt mindig az határozza meg, hogy mit akarunk kihangsúlyozni, mit tartunk fontosnak. A kombinációs táblázat másik fontos feladata az adatbázis szerkezetének átstrukturálása, megváltoztatása az alkalmazandó statisztikai módszernek megfelelően. Az Excel statisztikai függvényei és eljárásai ilyen átstrukturált adatbázisból futnak szívesen.

1. táblázat: Adatbázis

Az Excel kimutatás-varázsló logikus lépéseken keresztül vezeti végig a felhasználót a kimutatás elkészítésekor. A harmadik lépés után kész van a kimutatás, és két új eszköztárat kapunk. Az egyik a „Kimutatás” a másik „Kimutatás mezőlista”. A kettő közül a hierarchiában a kimutatás eszköztár a magasabb, ennek az egyik eszköze a kimutatás mezőlista. A kimutatás eszköztáron az alábbi eszközök találhatók: kimutatás, kimutatás formázása, diagramvarázsló, részletek elrejtése, részletek mutatása, adatfrissítés, rejtett elemek elrejtése összegekben, elemek megjelenítése, mezőbeállítások, mezőlista megjelenítése. Az utolsóra klikkelve kapjuk az alábbi eszközt.

- 26 -

KIMUTATÁS ÉS KIMUTATÁS-DIAGRAM

25. ábra: Kimutatás mezőlista eszköztár A kimutatás mezőlista tartalmazza az adatbázisunk összes mezőinek elnevezését. A legördülő ablakból választhatunk, hogy az adott változót a kimutatásban hol szeretnénk megjeleníteni. Négy választási lehetőségünk van: sor, oszlop, oldal (réteg) és adatterület. Az első három területre nominális, ill. csoportképző változót érdemes elhelyezni. Az adatterületre kerül az a változó, amit be szeretnénk mutatni. Ezt a változót különbözőképpen aggregálhatjuk, a leggyakrabban az átlag és összeg függvényt használjuk. Az adatterületen használható további függvények: darab, maximum, minimum, szorzat, számdarab, szórás, szórásp, variancia, varianciap. Az adatok megjelenítése ilyenkor „normálisan” történik. Egyéb lehetőségünk is van az adatok megjelenítésére. Sokszor egymáshoz akarjuk viszonyítani őket, eltéréseket, viszonyszámokat, göngyölített összeget vagy indexeket szeretnénk bemutatni. Az Excel ezeket a funkciókat is támogatja. A kimutatás eszköztáron, ha a mezőbeállítások ikont választjuk, beállíthatjuk a mezőstatisztikát.

- 27 -

KIMUTATÁS ÉS KIMUTATÁS-DIAGRAM

26. ábra: Kimutatás eszköztár Készítsük el az első kimutatásunkat a forgalmazott mennyiségekről a régiók és időszakok alapján.

2. táblázat: Részlet a kimutatásból

Ebben a kimutatásban a forgalom összegei szerepelnek, ami azt jelenti, hogy az összes eladott árucikk, áruféleség került összeadásra. A darab függvény megmutatja, hogy adott régióban és évben hányféle árucikket forgalmaztak. Adatbázisunkban ez 11. Kimutatás-diagram - 28 -

KIMUTATÁS ÉS KIMUTATÁS-DIAGRAM

27. ábra: Kimutatás-diagram A leíró statisztikában a legegyszerűbb eljárás a hasonlítás, viszonyítás. A hasonlítás során arra vagyunk kíváncsiak, hogy az egyik adatunk mennyivel több vagy kevesebb, mint a másik. A viszonyításkor a statisztikában a hányszor nagyobb vagy hányad része fogalmakat használjuk. Az előzőek szerint tehát hasonlításkor különbségeket, viszonyításkor hányadosokat képezünk. Ezeket a hányadosokat viszonyszámoknak nevezzük. Viszonyítani legtöbbször idő és területi sorokat szoktunk.

Csoportosított adatok megjelenítése Néha szükségünk lehet arra, hogy hosszabb időszak adatait ne naponta, havonta, évente, hanem hosszabb időre csoportosítva jelenítsük meg. Az alábbi kimutatás évente jeleníti meg az áruházlánc forgalmi értékeit.

3. táblázat: Évenkénti kimutatás a forgalomról

- 29 -

KIMUTATÁS ÉS KIMUTATÁS-DIAGRAM Készítsünk olyan kimutatást, ami háromévente jeleníti meg a forgalmat. Az „Év” mezőt nevezzük át „Hároméves időszak” mezőre. Ehhez ki kell jelölni a mezőt és be kell írni az új nevet. A forgalom háromévenkénti csoportosításához kattintsunk a jobb egérgombbal a „Hároméves időszak” mezőre, válasszuk a „Tagolás és részletek megjelenítése” parancsra és kattintsunk a „Csoportba foglalás…” elemre. A párbeszéd ablakot állítsuk be az alábbiak szerint.

28. ábra: Csoportosítás párbeszédablak Az új, csoportosított kimutatás a lenti táblázatban látható, amit egy kicsit korrigálni érdemes.

4. táblázat: Háromévenkénti kimutatás a forgalomról

Mivel a valóságban csak a 2000. évig van adatunk, az utolsó előtti sort ki kell javítani 2009-2010-re, és a magyarázó szövegben feltüntetni, hogy csak két év adatainak öszszesítését tartalmazza.

Kimutatás-diagram átalakítása statikus diagrammá Kattintsunk a kimutatás diagramhoz tartozó kimutatásra. A „Kimutatás” eszköztáron klikkeljünk a „Kimutatás” gombra, és válasszuk a „Választás, majd a „Teljes táblázat” parancsot. Ezzel kijelöljük az egész kimutatást. Amikor az egész ki van jelölve, nyomjuk meg a „Delete” billentyűt. Ezzel kitöröljük a kimutatás és megszűnik a diagram és jelentés közötti kapcsolat. A statikus diagramról eltűnnek a sor, oszlop és réteg jelölők.

- 30 -

KIMUTATÁS ÉS KIMUTATÁS-DIAGRAM

29. ábra: Statikus diagram Ezt a diagramot a továbbiakban már nem tudjuk módosítani. Új diagramhoz új kimutatást kell készíteni. R statisztika xtabs(Forgalom~Ev+Regio)

Az összes forgalom év és régió szerint. 2. táblázat.

xtabs(~Ev+Regio)vagy ftable(Ev,Regio)

A megfigyelések gyakorisága. A példában az árucikkek száma.

barplot(xtabs(Forgalom~Ev+Regio))

Az összes forgalom év és régió szerinti ábrázolása oszlopdiagramon. 22. ábra.

rowPercents(xtabs(Forgalom~Regio+Ev) )

Forgalom kimutatása a sor százalékában, azaz a régió szerint. Területi megoszlás.

colPercents(xtabs(Forgalom~Regio+Ev) )

Forgalom kimutatása az oszlop százalékában, azaz év szerint. Időbeli megoszlás.

tapply(Forgalom, list(Arucikk, Regio, Ev), mean, na.rm=TRUE)

Az átlagos forgalom kimutatása az árucikkek, a régiók és az évek függvényében. A statisztikai mutatót szabadon változtathatjuk.

- 31 -

VISZONYSZÁMOK

Viszonyszámok Idősorok viszonyítása, bázis- és láncviszonyszámok Válasszuk a kimutatásmező, adatok megjelenítése legördülő listából az eltérés lehetőséget. A viszonyítási mező legyen az év, a viszonyítási tétel 2000. év. Jól látszik, hogy 2000. évben nincs adat, mivel a különbség nulla, ez a bázis év. A lenti ábra az időbeli változás mértékét mutatja kg/év mértékegységben.

30. ábra: A forgalom évenkénti változásának mértéke (kg/év) Ezzel a módszerrel derivált sort is tudunk képezni, ami a változás ütemét mutatja az eredeti mértékegységben. A derivált sorban a különbséget mindig az aktuális és előző adat differenciája adja. Pozitív érték növekedést, negatív érték, csökkenést jelent. A viszonyítási tételben a 2000. év helyett válasszuk az (előző) lehetőséget.

- 32 -

VISZONYSZÁMOK

31. ábra: A forgalom évenkénti változásának üteme (kg/év), derivált sor A bázisviszonyszámok meghatározásához válasszuk az adatok megjelenítése legördülő listából a százalékot, a viszonyítási mező maradjon az év és 2000. év.

32. ábra: Bázisviszonyszámok

- 33 -

VISZONYSZÁMOK A láncviszonyszámok meghatározásához válasszuk az adatok megjelenítése legördülő listából a százalékot, a viszonyítási mező maradjon az év, de 2000. év helyett válasszuk az (előző) lehetőséget.

33. ábra: Láncviszonyszámok Itt az Excelben van egy kis hiba. Az első láncviszonyszám szerinte 100%. A valóságban ez nem értelmezett, hiszen egy ismeretlen adathoz nem lehet viszonyítani. A felhasználók figyelmét fel kell hívni erre. A bázis és láncviszonyszám nem lehet negatív. Bázisviszonyszám képlete: VB = i

Xi i=1, 2,…n Xb

Láncviszonyszám képlete: V L= i

Xi i=1, 2,…n X i−1

Összefüggés a bázis és láncviszonyszám között: V L= i

VB VB

i

i=2, 3,…n

V B =V L V L …V L i

2

3

i

i−1

Az előző két viszonyszámot százalékos eltérésként is meghatározhatjuk, ebben az esetben azt mutatják, hogy hány százalékkal csökkent vagy növekedett a forgalom. Negatív esetben csökkenés, pozitív esetén növekedés áll fenn. A lenti ábrán a császárszalonna

- 34 -

VISZONYSZÁMOK bázisviszonyszámaiból képzett százalékos eltéréseket láthatók. A negatív értékek a 2000. évhez képesti csökkenést jelzik.

34. ábra: Bázisviszonyszámok százalékos eltérései (%)

35. ábra: Láncviszonyszámok százalékos eltérései (%)

- 35 -

VISZONYSZÁMOK R statisztika b=xtabs(Forgalom~Ev) b/b[1]*100

Bázisviszonyszám. Bázis időszak az első év.

b=xtabs(Forgalom~Ev) b[2:11] / b[1:10]

Láncviszonyszám. A két vektor hosszának meg kell egyeznie. Az első vektor a második időszaktól az utolsó ig, a második vektor az első időszaktól az utolsó előtti időszakig tart.

b[2:length(b)] / b[1: (length(b)-1)]

Láncviszonyszám számítása egy kicsit általánosabb formulával. Ebben az esetben nem kell ismerni a vektor hosszát. A length() függvény a vektor hosszát adja meg.

A bázis és láncviszonyszámok problémái A százalékos értékek használat kényelmes, könnyen áttekinthető kimutatást eredményez, azonban ezek az értékek sokszor nem adnak információt a tényleges változás nagyságáról. Nem lehet eldönteni, hogy a 200%-os változás az egyről kettőre, vagy százról kétszázra történő változást jellemzi-e. További probléma, hogy a nulláról induló változást nem lehet velük értelmezni. Pl. az első évben nem sikerült egyetlen darabot sem eladni egy bizonyos termékből. A következő évben viszont már tíz darabot. Ebben az esetben mennyi a bázis és láncviszonyszám értéke? Mivel mindkét esetben nullával kellene osztani, ennek nincs értelme, tehát nem lehet meghatározni ezzel a módszerrel a változást. Ilyenkor a jól bevált különbségképzés a járható út. Ugyanez a probléma áll fenn akkor is, ha valamelyik termék eladása az egyik időpontban nullára esik vissza. Ebben az esetben, ha bázis viszonyszámot számítunk, és bázis időszaknak egy nullától különböző időszakot választunk, elvégezhető az osztás, de az eredmény nulla lesz. A változás mértéke ezek szerint nulla? Nem. Ilyenkor a viszonyszámok tévesen informálnak. Itt is az egyszerű különbségképzés, vagy, ha a változás ütemére vagyunk kíváncsiak, a derivált sor a megoldás. Amennyiben a változás jellegére vagyunk kíváncsiak, pl. egyenletesen, lineárisan nő-e a forgalom, a bázis viszonyszámokból tudunk erre következtetni. A bázisviszonyszámok egyenletes, azonos nagyságú növekedése ezt mutatja. A láncviszonyszámokkal azonban óvatosan kell bánni. Gondolhatjuk azt, ha minden évben ugyanolyan ütemben nő a forgalom, akkor a növekedés egyenletes. Ebben az esetben a láncviszonyszámok minden évben egyformák. A növekedés üteme azonban nem lineáris, mert az előző időszak megnövekedett forgalma fog a következő évben tovább nőni. Olyan ez, mint a kamatos kamat. A következő évben a kamat is kamatozni fog. Mivel egy adott időszak bázisviszonyszámát úgy is meghatározhatjuk, hogy a megelőző időszak láncviszonyszámait összeszorozzuk, ezért azonos láncviszonyszámok esetén a növekedés exponenciális lesz. VLx , ahol az x az időszakok számát jelenti.

- 36 -

VISZONYSZÁMOK Amennyiben pontosan jellemezni akarjuk a változás ütemét, a derivált sor meghatározását kell elvégezni. A derivált adatok ábrázolásával megbízhatóan következtethetünk a változás jellegére.

Megoszlási viszonyszámok (Vm) A megoszlási viszonyszámok a statisztikai sokaság részeinek az egészhez viszonyított arányát fejezik ki. A vizsgált sokaság összetételének, belső szerkezeteinek feltárását segítik elő. Megmutatja, hogy az egyik rész milyen részesedéssel rendelkezik az egészhez viszonyítva, pl. piaci részesedés. Megoszlási viszonyszám képlete: Vm= i

Xi

n

i=1, 2,… n

∑ Xi i=1

A nevezőben a teljes sokaság, a számlálóban a részsokaság áll. A területi megoszlási viszonyszámok meghatározásához készítsünk egy újabb kimutatást. A sorok legyenek a régiók, az árucikk maradjon a császárszalonna. Az adatok megjelenítése legördülő listából válasszuk az oszlop százalék lehetőséget. Az „OK” után az alábbi ábrát kapjuk. A kördiagramhoz az eredeti kimutatás-diagram mintáját állítsuk át kördiagramra. Az egyéb formázást a megszokott módon végezhetjük.

36. ábra: Megoszlási viszonyszámok (%) A fenti diagram a császárszalonna-forgalom területi megoszlását szemlélteti. Megoszlási viszonyszámok ábrázolását célszerű kördiagramon bemutatni. A kör az egészet (100%) reprezentálja, a körcikkek a belső struktúráról, felépítésről nyújtanak tájékoztatást. - 37 -

VISZONYSZÁMOK A megoszlási viszonyszámok átlagát nagyon egyszerűen határozhatjuk meg, egyszerűen csak az egyet kell osztanunk n-nel. Megoszlási viszonyszámok átlaga: V m=

1 n

A fenti képlet pl. az átlagos piaci részesedést jellemzi.

R statisztika prop.table(xtabs(Forga- lom~Ev+Regio),1)

Megoszlási viszonyszám. A forgalom területi, régiók szerinti, megoszlása évenként. Ebben az esetben a sorok összege 100%. Amennyiben a kifejezést megszorozzuk százzal, százalékban kapjuk meg az eredményt.

prop.table(xtabs(Forga- lom~Ev+Regio),2)

Megoszlási viszonyszám. A forgalom időbeli megoszlása régiók szerint. Ebben az esetben az oszlopok összege 100%. Amenynyiben a kifejezést megszorozzuk százzal, százalékban kapjuk meg az eredményt.

ftable(prop.table(xtabs(Forgalom~Ev+ Regio),1))

Tetszetősebb táblázatot kapunk az ftable() függvény használtával. ftable() flat table.

Koordinációs viszonyszámok (Vk) Ezek a viszonyszámok ugyanazon sokasághoz tartozó két részsokaság arányát mutatják. A koordinációs viszonyszám képlete: Vk= i

Xi Xj

A számlálóban a viszonyított részsokaság, a nevezőben a viszonyítás alapjául szolgáló részsokaság áll. Amennyiben arra vagyunk kíváncsiak, hogy egy kiló kenyérre hány kiló sonkaértékesítés jut, akkor koordinációs viszonyszámot határozunk meg. Az alapsokaság az árucikkek. A minta adatbázisban 11 áruféleség szerepel. Készítsünk egy új kimutatást. A sorokba tegyük az „árucikk” változót, az oszlopokba a régiót. Az adatterület maradjon a fogalom (kg/év). Amennyiben az oldalmezőnek megadjuk az „év” változót, lehetőségünk van évenként, vagy az évek különböző kombinációjában kimutatásokat készíteni. Az alapesetben az összes év forgalmi adatai szerepelni fognak a kimutatásban. Az új kimutatás részlete lent látható. - 38 -

VISZONYSZÁMOK

5. táblázat: Kenyér és szendvics kimutatás

Készítsük el a koordinációs viszonyszámokat. A kimutatásmező eszközablakban az adatok megjelenítéséhez válasszuk a százalékot. A viszonyítási mező legyen az árucikk, a viszonyítási tétel a kenyér. Az új kimutatás az alábbiak szerint alakul.

6. táblázat: Koordinációs viszonyszámok

A szendvicssonka sor mutatja, hogy a régiókban minden eladott kenyérre 7% sonka jutott (tömegre vetítve). Hétköznapi megfogalmazásban minden kiló kenyérhez 7dkg szendvics sonkát vettek az emberek. R statisztika b=xtabs(Forgalom~Arucikk+Regio)

Kimutatás készítése. Sorokban az árucikkek, oszlopokban a régiók szerepelnek.

vsz=b[10,]/b[5,]*100

Koordinációs viszonyszámok előállítása. A tizedik sorban a sonka, az ötödik sorban a kenyér található. Az indexben a sorindex után nincs oszlop index (a vessző után üres). Ez azt jelenti, hogy az oszlop mindenegyes elemén hajtsa végre az osztást, esetünkben minden régióban számítsa ki a koordinációs viszonyszámokat.

barplot(vsz,main="Koordinációs viszonyszámok",ylab="%")

Koordinációs viszonyszámok ábrázolása oszlopdiagramon.

Tervfeladat viszonyszám (Vtf) Ez a viszonyszám megmutatja, hogy a bázis időszakhoz képest milyen irányban és mértékben változott a tényidőszak terve. Mennyire vették figyelembe az előző időszak tapasztalatait, az elkövetkező időszakban pesszimista vagy optimista tervet készítenek. Pesszimista, ha a tervfeladat viszonyszám jóval kisebb, mint 100%. Optimistának nevez- 39 -

VISZONYSZÁMOK hetjük a 100%-nál nagyobb értéket, ha ez nem túlzottan rugaszkodik el a valóságtól, és nem vakmerőséget jelent. Tervfeladat viszonyszám képlete: V tf =

X terv X tény

A számlálóban a tényidőszak terve, a nevezőben a bázisidőszak tényadata áll. Készítsünk egy újabb kimutatást. Az oszlopok legyenek az „Év” változó, az adatterületre húzzuk „Terv_forgalom” változót és ugyanide a „Forgalom” változót is. Adatok Összeg/ Terv_Forgalom (kg/év) Összeg/Forgalom (kg/év)

2000

2001

2002

Év 2003

2004

2005

2006

4021849

3987038

4297093

4410067

4524512

4491816

4647720

4021718

4111596

4206437

4306155

4410624

4520787

4636776

7. táblázat: Részlet a kimutatásból

Az évek közül az időszak két utolsó időpontját szűrjük le. Év Adatok Összeg / Terv_Forgalom (kg/év) Összeg / Forgalom (kg/év)

2009 4 941 595 5 019 203

2010 5 160 664 5 159 218

8. táblázat: Az utolsó két időszak terv és tényadatai

Egy egyszerű osztással 5160664/5019203*100=102,8%.

megkapjuk

- 40 -

a

tervfeladat

viszonyszámot:

VISZONYSZÁMOK R statisztika terv=xtabs(Terv~Ev)

Kimutatás készítése évek szerint a tervadatokról.

teny=xtabs(Forgalom~Ev)

Kimutatás készítése évek szerint a tényadatokról.

vsz=terv[2:length(terv)]/teny[1: (length(teny)-1)]*100

Tervfeladat viszonyszámok meghatározása. A tervadatok a második évtől kezdődnek, ezért az indexben kettőtől n-ig kell figyelembe venni az adatokat. A length(terv) függvény megadja a megfigyelések számát. A tényadatok az első évtől kezdődnek, de az utolsó előtti évig tartanak.

Tervteljesítési viszonyszám (Vtt) Ez a viszonyszám tájékoztat bennünket, hogy a tervünk mennyire volt reális, mennyire tudtuk megközelíteni vagy netán túlszárnyalni azt. Tervteljesítési viszonyszám képlete: V tt =

X tény X terv

A számlálóban a tárgyidőszak tényadata, a nevezőben a tárgyidőszak tervadata áll.

37. ábra: Számított mező előállítása

- 41 -

VISZONYSZÁMOK A 7. táblázat kimutatása jó kiindulása a tervteljesítési viszonyszám meghatározásának. Mivel ez a mutatószám a tárgyidőszak tény és tervadatának hányadosa, egyszerűen képezzük a hányadosukat. A „Kimutatás” eszköztáron válasszuk a Kimutatás legördülő listából a Képletek lehetőséget és klikklejünk a Számított mező beszúrására. Adjuk meg az új, számított mező nevét, pl.: Tervteljesítés. Képletnek, pedig adjuk meg a tény és tervadatok hányadosát. Ezt a Mező beszúrása gombbal kényelmesen elvégezhetjük. Utána a „Felvesz” gombbal előállítjuk az új mezőt, ami megjelenik a Mezők ablakban a legutolsó helyen. Az Ok után a kimutatásunk utolsó sorában láthatjuk a tervteljesítési viszonyszámot. Állítsuk át az adatok számformátumát százalékra. Kimutatásmező/Számforma…/Kategória/Százalék. Adatok Összeg / Terv_Forgalom (kg/év) Összeg / Forgalom (kg/év) Összeg / Tervteljesítés

2000

2001

2002

2003

2004

2005

4021849 4021718 100,00%

3987038 4111596 103,12%

4297093 4206437 97,89%

4410067 4306155 97,64%

4524512 4410624 97,48%

4491816 4520787 100,64%

9. táblázat: Tervteljesítési viszonyszámok

R statisztika terv=xtabs(Terv~Ev)

Kimutatás készítése évek szerint a tervadatokról.

teny=xtabs(Forgalom~Ev)

Kimutatás készítése évek szerint a tényadatokról.

vsz=teny/terv*100

Tervteljesítési viszonyszámok meghatározása. A 100-s szorzó a százalékos forma miatt szerepel.

barplot(vsz,main="Tervteljesítési viszonyszámok",ylab="%")

Tervteljesítési viszonyszámok ábrázolása.

Dinamikus viszonyszám (Vd) A dinamikus viszonyszám összefoglaló elnevezése a bázis illetve láncviszonyszámoknak. Meghatározása tökéletesen megegyezik a lánc illetve bázisviszonyszám meghatározásával, amit a 32. oldalon kezdődő fejezetben tárgyaltunk. Ez a mutatószám tájékoztat bennünket, hogy a bázis évi forgalomhoz képest a tárgyidőszak forgalma milyen mértékben változott. A dinamikus viszonyszám képlete: V d=

X tény X bázis

- 42 -

VISZONYSZÁMOK

Kérdések Igazak-e az alábbi állítások (tervteljesítési viszonyszámok)? • Az áruházlánc minden évben túlteljesítette a tervét országos szinten. • Minden régió a 11év átlagában túlteljesítette a tervet. • A régiók minden évben túlteljesítették a tervüket. • A 11 év alatt Észak-Magyarország tervteljesítése volt a legmagasabb.

Intenzitási viszonyszámok Az intenzitási viszonyszámokat különnemű adatok hányadosaként határozzuk meg. Kifejezési formájuk együtthatós. Ezeknek a viszonyszámoknak mértékegységük van, és megmutatják, hogy az egyik jelenség milyen gyakran, ill. sűrűn fordul elő a másikhoz képest. Mindig azzal a mennyiséggel osztunk, amelynek az egységére vonatkoztatjuk a másik mennyiséget. A megnevezésnek is az osztó az alapja. Sűrűségmutatók: (területi vagy térfogati sűrűséget jellemeznek) • népsűrűség, fő/km2 vagy fő/ha • gépsűrűség, db/km2 vagy db/ha illetve db/gazdaság • stb. Arányszámok: - elsősorban a népességstatisztikában használják, születési-, halálozási arányszám, stb. Átlagos értéket kifejező mutatószámok: • termésátlagok, t/ha • átlagkereset Ft/fő, Ft/vállalat, Ft/régió • átlagos tejhozam l/tehén, l/gazdaság • stb. A termésátlagok valójában területi sűrűségmutatók. A gazdálkodás hatékonyságát kifejező mutatószámok: • termelékenység, munkatermelékenység • ráfordítások hatékonysága • önköltség, Ft/db, Ft/szolgáltatás • stb. hozam ráfordítás

Minél nagyobb a gazdálkodás hatékonyságát jellemző egyenes mutatószám értéke, annál hatékonyabb a tevékenység. Pl. egy munkaóra alatt előállított termék száma, egy forint ráfordításra kapott eredmény. Az önköltségnél, csak az önköltséget figyelembe véve nem lehet egyértelműen megítélni a gazdálkodás hatékonyságát. Az ilyen egyenes hatékonysági mutatók átlagolásakor legtöbbször súlyozott számtani átlagot kell számítani. Fordított intenzitási viszonyszámok:

- 43 -

VISZONYSZÁMOK Ezeket igényességi mutatóknak is nevezzük. Megmutatja, hogy egy termék, szolgáltatás mennyi ráfordítást igényel. A ráfordítás lehet naturális mennyiség, pl. munkaóra, vagy pénzbeli. Ilynek a fordított teljesítmény mutatók és a fordított sebesség mutatók, stb. ráfordítás hozam

A fordított hatékonysági mutatóknak minél nagyobb az értékük, annál hatékonytalanabb a tevékenység, mivel az igényességi mutatók egy termékre vagy szolgáltatásra jutó munkaórát, ráfordítást, stb. jellemeznek. Ezek átlagolásakor körültekintően kell eljárni, mert legtöbbször súlyozott harmonikus átlagot kell alkalmazni. Mikor, melyik átlagot kell meghatározni? Ezt a középértéket fejezetben fogjuk részletesen tárgyalni.

- 44 -

KÖZÉPÉRTÉKEK

Középértékek Számtani átlag Határozzuk meg a régiók átlagos éves forgalmát árucikkenként. Mit mutatnak ebben az esetben a sor és oszlop összegek valamint jobb alsó sarokszám? Ellenőrizzük le, hogy a magyarázatunk helyes-e.

10. táblázat: Átlagos forgalmi értékek

Az adatmező egy adata azt mutatja, hogy az adott árucikkből a régióban éves átlagban ennyi kg-t forgalmaztak. Pl. banán Dél-alföldi régió 3 666 kg/év. Ezt az átlagot szorozva a vizsgált évek számával, megkapjuk az összes forgalom értékét: 3 666 kg/év* 11 év =40 326 kg. Mit mutatnak az oszlopok „Végösszeg” adatai? Szintén a Dél-Alföld 55 466 adata. Ezt úgy kell értelmezni, hogy ebben a régióban a tizenegy év és tizenegy árucikk átlagában ennyi volt a forgalom. A régió összes forgalmát úgy kapom meg, hogy az 55 466 kg/ (év*árucikk) * 11 év * 11 árucikk = 6 711 386 kg. A mértékegységeket mindig tüntessük fel, mert ez nagyban segít az értelmezésben, és így nem lehet eltéveszteni. Mit mutatnak a sorok „Végösszeg” adatai? Vegyük a banán 3 908 adatát. Ennek a magyarázata: a banán forgalom átlagos értéke a tizenegy év és hét régió átlagában ennyi volt. A banán összes forgalmát úgy kapom meg, hogy 3 908 kg/(év*régió) * 11 év * 7 régió = 300 916 kg. És végezetül hogyan kell értelmezni a sarokszám 59 075 értékét. Ez azt jelenti, hogy ennyi volt az átlagos forgalom az évek, árucikkek és régiók átlagában. Az országos forgalmat úgy kapom meg ennek az adatnak a birtokában, hogy 59 075 kg/(év*árucikk*régió) * 11 év * 11 árucikk * 7 régió = 50 036 525 kg. A tényleges forgalmi adat az eredeti alapadatok alapján 50 036 924 kg. Az eltérés abból adódik, hogy az átlagértékeket kerekítettük. A számtani átlag képlete:  =∑ X n

xi

A számtani átlag sok jó tulajdonsággal rendelkezik, ezek közül a legfontosabbak:

- 45 -

KÖZÉPÉRTÉKEK  Ha az átlaggal helyettesítjük az alapadatokat, az értékösszeg nem változik. A gyakorlatban ez azt jelenti, ha a számtani átlagot megszorozzuk az adatok számával, az értékösszeget kapjuk. Ez egy nagyon kényelmes és jól használható tulajdonság.  Az alapadatok számtani átlagtól vett eltéréseinek összege nulla.  A számtani átlagtól vett eltérések négyzetösszege a legkisebb. Bármelyik más adattól vett eltérés-négyzetösszeg ennél nagyobb. Excel függvény ÁTLAG(szám1;szám2;...) Szám1, szám2...: Legfeljebb 30 szám, amelyek átlagát keressük. Megjegyzés Az argumentumok számok, számokat tartalmazó tömbök vagy számokra mutató nevek, illetve hivatkozások lehetnek. A függvény a tömbben vagy hivatkozásban szereplő értékek közül csak a számokat használja, az üres cellákat, logikai értékeket, szöveget és hibaüzeneteket figyelmen kívül hagyja, de a nullát tartalmazó cellákat számításba veszi.

R statisztika mean(Forgalom)

A forgalom számtani átlaga.

mean(Forgalom,0.05)

5%-s trimmelt átlag. A megfigyelések 5%-a nem szerepel a számítani átlag kiszámításakor. A szélsőségesen kis és nagy adatok torzító hatásának kiküszöbölése.

mean.data.frame(adat)

Az „adat” nevű adatbázis változóinak számtani átlagai. A nem numerikus változókra természetesen nem számítódik.

mean.data.frame(adat, 0.05)

Adatbázis trimmelt számtani átlagai.

mean.data=aggregate(Forgalom~Arucikk+Regio,adat,mean)

Adatbázis aggregálása. Az aggregáló függvény a számtani átlag. Csoportképző tényezők az árucikk és régió.

ftable(tapply(Forgalom, list(Arucikk, Regio), mean, na.rm=TRUE))

Számtani átlag kimutatásban flat table formátumú megjelenítés.

ftable(tapply(Forgalom, list(Arucikk, Regio, Ev), mean, na.rm=TRUE))

Többdimenziós kimutatás flat table formátumú megjelenés.

Súlyozott számtani átlag Számítsuk ki az áruházlánc eladott élelmiszereinek átlagárait évenként. Itt az egyszerű számtani átlag hamis eredményt ad, mert az átlagár függ az eladott mennyiségtől. Az árakat ebben az esetben súlyozni kell az eladott mennyiségekkel. A súlyozást leg-

- 46 -

KÖZÉPÉRTÉKEK egyszerűbb módon az adatbázis eredeti adatain tudjuk elvégezni. Definiáljunk egy új mezőt (oszlopot), és nevezzük el „Árbevétel”-nek. Szorozzuk össze az „Ár” és „Forgalom” változókat. Az új mező az adott élelmiszer árbevételét fogja mutatni. Az adatbázisunk ebben az esetben elveszíti a normális adatbázis kívánalmait, mivel származtatott mennyiséget is fog tartalmazni. Ez most nem probléma, mivel csak ideiglenesen van rá szükség, a számítások után nyugodtan ki lehet törölni.

11. táblázat: Az árbevétellel bővített „adatbázis” részlete

Amennyiben összegezzük az árbevétel oszlopot, megkapjuk a tizenegy év országos árbevételét. Térjünk vissza az átlagárak kimutatásához. Készítsünk egy új kimutatást évenként és árucikkenként. Az adatmezőben helyezzük el az árbevétel és forgalom változókat.

12. táblázat: Kimutatás részlet - 47 -

KÖZÉPÉRTÉKEK Az „Összeg/Árbevétel (Ft)” sorok tehát a forgalommal súlyozott árakat tartalmazzák. Az alatta lévő forgalom változó pedig az összes forgalmat jelenti, azaz a súlyok összegét. Képezzük a kettő hányadosát, hogy megkapjuk a súlyozott számtani átlagot. (Kimutatás/Képletek/Számított mező…).

38. ábra: Számított mező beszúrása

13. táblázat: Részlet az átlagár kimutatásból

Az átláthatóság érdekében csak az átlagárakat jelenítsük meg, a másik két sor jelölőnégyzeteit töröljük.

- 48 -

KÖZÉPÉRTÉKEK

14. táblázat: Az átlagár kimutatása

A 2000. év banán cellája a hét régió átlagában mutatja a banán átlagárát. Mértékegysége Ft/(kg*régió). Az oszlop végösszeg cellája mutatja a 2000. év átlagárát a régiók és árucikkek átlagában. Mértékegysége Ft/(kg/régió/árucikk). A sarokszám 484 értéke a főátlag, minden tényező átlagában ennyi volt az átlagár. Mértékegysége Ft/ (kg*év*régió*árucikk). A vizsgált időszakban az összes árbevétel úgy kapjuk meg, hogy beszorozzuk az adatok számával, 847-tel, vagyis 11*7*11-vel. A sor és oszlop végösszegekből hasonló módon határozhatjuk meg az árbevételt. Mindig annyival kell szorozni, ahány adatból átlagoltunk. Amennyiben nem vagyunk biztosak abban, hogy hány adatból átlagoltunk, kattintsunk a Kimutatás eszköztáron a Részletek megjelenítése ikonra (zöld kereszt). Ekkor egy új munkalapon megkapjuk azokat a rekordokat, amikből az átlagok lettek meghatározva. Kérdezhetnénk van-e jelentős különbség, ha nem súlyozzuk az átlagokat, és csak egyszerű számtani átlagot határoztunk volna meg. Igen. A helytelen számítás a főátlagra 803 Ft/kg-t eredményez, ez pedig nagyon-nagy különbség. A súlyozott számtani átlag képlete:  =∑ X

f i xi

∑ fi

Nagyon fontos, hogy egy kimutatásból, jelentésből nem lehet további számításokat készíteni! A táblázat alapján a 2000. évben eladott élelmiszerek átlagárait nem lehet egyszerű számtani átlaggal átlagolni, és várni, hogy az eredmény megegyezzen a végösszeg (394 Ft/kg) értékével. A számtani átlagolás helytelenül 661 Ft/kg-t eredményez. Ekkor ugyanazt a hibát követnénk el, mintha nem súlyoztuk volna az eredeti alapadatokat. Minden új kimutatást az eredeti adatokból állítsunk elő. Ritkán előfordulnak olyan kimutatások, amikből lehet további számításokat végezni, ezek főként extenzív menynyiségek részátlagolásakor fordulnak elő.

- 49 -

KÖZÉPÉRTÉKEK Az Excel munkalapján súlyozott számtani átlagot két függvény segítségével tudunk számítani. Az egyik a SZORZATÖSSZEG() a másik a SZUM() függvény. A szorzatösszeg függvény két adatsor szorzatának összegét számolja ki. Súlyozott számtani átlagnál ez a számláló. A szum függvény az adatok összegzésére szolgál. Esetünkben a súlyok összegzésére, és ez fog szerepelni a nevezőben.  súlyozott = SZORZATÖSSZEG  f ; x  X SZUM  f 

A fenti példában az f a forgalmat, az x az árat jelenti. R statisztika ar.bvtl=Ar*Forgalom

Árbevétel meghatározása, „ar.bvtl” oszlopvektorban.

adat=data.frame(adat,Arbevetel=ar.bv tl)

Az „adat” nevű adatbázis bővítése az „Arbevetel” nevű változóval. Itt látható a változók átnevezésének módja.

attach(adat)

A bővített adatbázis változó neveinek öszszekapcsolása. Így egyszerűen hivatkozhatunk a változókra, a változó nevének megadásával.

xtabs(Arbevetel~Arucikk+Ev)/xtabs(Fo rgalom~Arucikk+Ev

Az eladott árucikkek átlagárainak kiszámítása két ismérv, csoportképző tényező függvényében.

sum(as.numeric(Arbevetel))/sum(Forgalom)

Globális átlagár. Az „as.numeric” függvényre nagy számok esetén van szükség. Az összes árbevétel osztva az összes forgalommal.

sum(as.numeric(Ar*Forgalom))/sum(For galom)

A globális átlagár másik meghatározási módja.

weighted.mean(Ar,Forgalom)

A globális átlagár legegyszerűbb meghatározási módja. Súlyozott számtani átlag.

tárolása

az

Kronologikus átlag Az időben folyamatosan változó mennyiségekről, mint a raktárkészlet, egyenlő időközökben szoktak kimutatást, leltárt készíteni. Raktárkészlet esetében ez havonta történik. Havi gyakoriságnál feltételezzük, hogy a nyitóállomány készlete az előző havi zárókészlettel egyezik meg. A február elsejei nyitó készlet megegyezik a január 31-i zárókészlettel. A havi átlagos raktárkészlet egyenlő a nyitó és zárókészlet számtani átlagával. A lenti összefüggés ezt mutatja. Ha jól megnézzük, akkor ez egy súlyozott számtani átlag.

- 50 -

KÖZÉPÉRTÉKEK x 1x 2 x 2x 3 x x  ⋯ n−1 n 2 2 2 Xk = n−1

A fenti képletet átrendezve kapjuk a kronologikus átlag függvényét: n−1 x1 xn  ∑i=2 x i  k= 2 2 X n−1

Az áruházlánc banán raktárkészlete az alábbiak szerint alakult. Mennyi volt a havi átlagos raktárkészlet.

15. táblázat: A raktárkészlet alakulása

Az időszak első és utolsó adata fele súllyal (0,5), a többi adat egy súllyal szerepel az át lagképzésben. A súlyok összege n-1-t ad. A tizenhárom súly összege 12. Ezek szerint az átlagos havi raktárkészlet 2 037,5 kg/hó volt.

Harmonikus átlag Az egyik élelmiszerszállító jármű 1 000 km-ről hozza a banánt. Az út első felét 50 km/hs, a második felét 100 km/h-s átlagsebességgel teszi meg. Milyen nagy az átlagsebessége az 1 000 km-s úton? Mennyi a menet ideje? Az út első fele 500 km, a második is ugyanennyi. Az út első felét tehát 500 km/50 km/h = 10 óra alatt, a második felét 500 km/100 km/h = 5 óra alatt tette meg a kamion. A menet ideje tehát 15 óra. Az átlagsebesség ennek ismeretében már könnyen meghatározható: 1 000 km/15 óra = 66,67 km/h. Ebben az esetben intenzív mennyiségek átlagát kellett meghatározni, sebességekét. Az ilyen típusú változók kiegyenlítődni szeretnek és nem összeadódni, ezért egyszerű számtani átlagolást csak különleges feltételek megléte esetén szabad alkalmazni. A fel-

- 51 -

KÖZÉPÉRTÉKEK adatban az intenzív mennyiségnél a számlálóban lévő úthosszt ismerjük, ezért harmonikus átlagot kell számítani. A harmonikus átlag képlete: Xh =

1

=

n

n

n

∑ 1x ∑ x1 i=1

i

i=1

i

n

A feladatra alkalmazva: v =

2 =66,667 1 1  50 100

A fent említett különleges feltétel az jelenti, hogy csak akkor szabad a sebességeket számtani átlagolni, ha a részsebességek egyenlő időközökre vonatkoznak. Pl. van egy sebességmérő műszer az autóban, ami óránként rögzíti az átlagsebességet. Az egész útra vonatkoztatott átlagsebességet ilyenkor számtani átlaggal kell meghatározni. Ezt vegyük figyelembe a GPS készülékek által szolgáltatott adatok további elemzésénél, mert nem mindegy, hogy a mért adatok egyenlő úthosszra vagy egyenlő időközökre vonatkoznak. Excel függvény HARM.KÖZÉP(szám1;szám2;...) Szám1, szám2...: Azok a számok, amelyek harmonikus középértékét ki szeretnénk számítani (legfeljebb 30 argumentum adható meg). Egymástól pontosvesszővel elválasztott értékek helyett tömböt vagy tömbhivatkozást is használhatunk. Megjegyzés Az argumentumok számok, számokat tartalmazó tömbök vagy számokra mutató nevek, illetve hivatkozások lehetnek. A függvény a tömbben vagy hivatkozásban szereplő értékek közül csak a számokat használja, az üres cellákat, logikai értékeket, szöveget és hibaüzeneteket figyelmen kívül hagyja, de a nullát tartalmazó cellákat számításba veszi. Ha bármelyik argumentum ≤ 0, akkor a HARM.KÖZÉP a #SZÁM! hibaértéket adja eredményül. A harmonikus közép értéke mindig kisebb, mint a mértani közép, ami viszont mindig kisebb, mint a számtani közép.

R statisztika 1/mean(1/Ar)

Az „Ar” változó harmonikus átlaga. A reciprok értékek átlagának reciproka.

- 52 -

KÖZÉPÉRTÉKEK

Súlyozott harmonikus átlag Az árbevétel és az élelmiszer árak ismeretében számoljuk ki az értékesített élelmiszerek átlagárait. Ez egy kicsit hasonlít a súlyozott számtani átlagos példára, azonban van egy lényeges különbség. Az átlagár, még egyszer hangsúlyozzuk, egy viszonyszám, amelyet különnemű adatokból állítunk elő. A nevezőben a tömeg, pontosan az eladott áruk tömege, a számlálóban az ár szerepel. Abban az esetben, ha számlálót tekintjük súlynak a viszonyszámok átlagolásakor, súlyozott harmonikus átlagot kell számolni. A súlyozott harmonikus átlag képlete: n

Xh =

∑ fi

i=1 n

∑ f i x1 i=1

i

A hányados számlálója tehát az összes árbevétel. A nevezője szintén tört, és ez nem más, mint az eladott árucikk árbevételének és árának hányadosa, azaz az eladott menynyiség. Az árbevétel és ár ismeretében meghatároztuk a tényleges forgalmat. Ezek után már egyszerű osztással kapjuk meg az áruházlánc által forgalmazott élelmiszerek átlagárát. Az Excel munkalapján súlyozott harmonikus átlagot szintén két függvény segítségével tudunk számítani. Az egyik a SZORZATÖSSZEG() a másik a SZUM() függvény. A szorzatösszeg függvény két adatsor szorzatának összegét számolja ki. Súlyozott harmonikus átlagnál ez a nevező. A szum függvény az adatok összegzésére szolgál. Esetünkben a súlyok összegzésére, és ez fog szerepelni a számlálóban. X¯ h , súlyozott=

SZUM ( f ) SZORZATÖSSZEG ( f ; 1/ x )

A fenti példában az f az árbevételt, az x az árat jelenti. Az Excel képlete: =SZUM(I2:I848)/SZORZATÖSSZEG(I2:I848;1/F2:F848) A gyakorlati életben a legtöbbször a súlyozott számtani és harmonikus átlaggal találkozunk. A gazdasági elemzésekben gyakran kell intenzív mennyiségek átlagát képezni. Mi dönti el, hogy az ilyen mennyiségek átlagolásakor súlyozott számtani vagy harmonikus átlagot számoljunk. Létezik egy egyszerű szabály. Mivel ezek a mennyiségek hányadosok, két tagja van, a nevező és számláló. Amennyiben a nevezőt tekintjük súlyzó tényezőnek (erről vannak adataink), akkor súlyozott számtani átlagot kell számítani. Amennyiben a számlálót tekintjük súlynak, akkor súlyozott harmonikus átlagot kell számítani. Ilyenkor ez ad helyes eredményt.

- 53 -

KÖZÉPÉRTÉKEK R statisztika sum(as.numeric(Arbevetel))/(sum(Arbevetel/Ar))

Amennyiben az eladott árucikkek árbevétele és az eladási ára ismert, akkor az átlagár meghatározásakor súlyozott harmonikus átlagot kell számítani. Az „Arbevetel/Ar” kifejezés valójában a forgalmi adatok meghatározását jelenti.

Geometriai átlag Határozzuk meg a láncviszonyszámok átlagát. Mit jelent az így kapott mutatószám? Év 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

VL 102,23% 102,31% 102,37% 102,43% 102,50% 102,57% 102,62% 102,68% 102,73% 102,79%

16. táblázat: Láncviszonyszámok

A dinamikus viszonyszám az előző időszakhoz képest mutatja a változást, a növekedést vagy csökkenést. A tárgyidőszak növekedésének nagysága függ az előző időszak nagyságától. Láncviszonyszámból bázisviszonyszámot úgy kapunk, hogy a megelőző időszak láncviszonyszámait összeszorozzuk. Mivel a bázisviszonyszám felfogható matematikai egyszerűsítésnek, valójában az adott időszak mennyiségét kapjuk meg a láncviszonyszámok összeszorzásával. A változás átlagos ütemét tehát úgy kell meghatározni, hogyha helyettesítjük vele az eredeti láncviszonyszámokat, a szorzatuk ne változzon. Az ilyen tulajdonsággal rendelkező átlagot nevezzük geometriai átlagnak. Mivel láncviszonyszámból eggyel kevesebb van, mint az időszakok száma, ezért n-1 tag szerepel a szorzatban, és n-1-dik gyököt kell vonni. Láncviszonyszámok mértani átlagának képlete: VL=

n −1

 V L2⋅V L3⋅⋅V Ln=

∏

n−1

n

i=2

V Li

A láncviszonyszámok átlaga a táblázat adatai alapján

√1,0223*1,0231*1,0237*1,0243*1,0250*1,0257*1,0262*1,0268*1,0273*1,0279=1,02522

10

- 54 -

KÖZÉPÉRTÉKEK Azaz 102,522%. Ez azt jelenti, hogy évente átlagosan 2,5%-kal nő az élelmiszer-fogyasztás. Ez hasonlít a kamatos kamat fogalmához, amikor a második évben a kamattal növelt tőke kamatozik tovább. Mértani átlag képlete: xg= n x 1 x2  x n

A geometria átlag tulajdonsága, ha helyettesítjük vele az alapadatokat a szorzat változatlan marad. A gyakorlatban ez azt jeleni, hogy a geometriai átlag n-edik hatványa megegyezik az alapadatok szorzatával. Excel függvény MÉRTANI.KÖZÉP(szám1;szám2;...) Szám1, szám2...: Azok a számok, amelyek mértani középértékét ki szeretnénk számítani (legfeljebb 30 argumentum adható meg). Egymástól pontosveszszővel elválasztott értékek helyett tömböt vagy tömbhivatkozást is használhatunk. Megjegyzés Az argumentumok számok, számokat tartalmazó tömbök vagy számokra mutató nevek, illetve hivatkozások lehetnek. A függvény a tömbben vagy hivatkozásban szereplő értékek közül csak a számokat használja, az üres cellákat, logikai értékeket, szöveget és hibaüzeneteket figyelmen kívül hagyja, de a nullát tartalmazó cellákat számításba veszi. Ha bármelyik argumentum ≤ 0, akkor a MÉRTANI.KÖZÉP a #SZÁM! hibaértéket adja eredményül.

R statisztika prod(x)^(1/length(x))

A prod() függvény összeszorozza az adatokat, a „^” jel a hatványozás jele. A length() függvény megadja az x-értékek számát.

Súlyozott geometriai átlag Egy áruházlánc forgalma az év első két hónapjában az előző havihoz viszonyítva 5%kal, a rákövetkező öt hónapban 7%-kal nőtt. Az év hátralévő hónapjaiban viszont havonta 8%-kal csökkent. Mennyi volt a változás átlagos üteme? Hogyan kell értelmezni a kiszámított eredményt? Az 5%-os növekedés azt jelenti, hogy az előző havi forgalom 1,05-szorosára nő, a 7% 1,07. A 8%-os csökkenés az előző havi forgalom 0,92-szeres változását jelenti. Ezeknek az átlaga:

√1,052 1,075 0,925=1,001582

12

Átlagban az áruházlánc forgalma havonta 0,1582%-kal nőtt. A változás átlagos üteme (láncviszonyszám) 100,1582% volt.

- 55 -

KÖZÉPÉRTÉKEK A súlyozott geometria átlag képlete: n

X̄g=

√∏

∑ fi i=1

Ahol: n: az x adatok száma fi: az x-hez tartozó időszakok száma

n

i=1

fi

xi

R statisztika x=c(1.05,1.07,0.92)

Láncviszonyszámok megadása és tárolása az „x” oszlopvektorban.

h=c(2,5,5)

Hónapok tárolása a „h” oszlopvektorban.

prod(x^h)^(1/sum(h))

Súlyozott geometriai átlag, a változás átlagos üteme.

Négyzetes átlag Az áruház hűtőpultjának áramellátásával problémák voltak. Az elvégzett milliszekundumos mérések az alábbi feszültségértékeket mutatták. Határozzuk meg az effektív (tényleges) feszültséget. Tényleg az áramellátással van probléma?

39. ábra: Feszültségértékek (V) Mivel az egy másodperces mérés ezer adatot tartalmaz, helyhiány miatt csak az adatok egy részéről készült diagramot mutatom be. A négyzetes átlag képlete: Xq =



n

∑ x2i

- 56 -

i=1

n

KÖZÉPÉRTÉKEK Az adatokat négyzetre kell emelni és összegezni. A négyzetösszeget el kell osztani az adatok számával és gyököt vonni. A váltakozó feszültség értékei pozitív és negatív értéket vesznek fel. A négyzetre emelés után már csak pozitív értékeink lesznek, ezeket kell összegezni. A feszültségértékek négyzetes átlaga 230 V körüli eredményt ad, tehát nem az áramellátással van probléma. Az Excelben nincs külön négyzetes átlag függvény. Azonban egyéb függvények felhasználásával könnyen készíthetünk. Ehhez a gyök() és négyzetösszeg() függvényt kell felhasználni. Excel függvény GYÖK(NÉGYZETÖSSZEG(adatok)/DARAB(adatok))

A négyzetes átlagot is meg lehet határozni súlyozott formában. Abban az esetben, ha egyforma mért értékek is szerepelnek az adatsorban, az előfordulásuk gyakoriságával kell súlyozni. Napjainkban ennek nincs nagy jelentősége, hisz a tárolási kapacitás nem korlátja az adattárolásnak. A súlyozott négyzetes átlag meghatározásának a szóródási mutatók számításánál lesz nagy jelentősége. A súlyozott négyzetes átlag képlete: Xq =



k

∑ f i x 2i i=1 k

∑ fi i=1

Excel függvény GYÖK(SZORZATÖSSZEG(súlyok; adatok^2)/SZUM(súlyok))

R statisztika sqrt(sum(x^2)/length(x))

Egyszerű négyzetes átlag. Az sqrt() függvény a négyzetgyököt jelenti. length(x) függvény az adatok számát adja vissza.

sqrt(sum(f*x^2)/sum(f))

Súlyozott négyzetes átlag. Az „f” változó tartalmazza a súlyokat.

- 57 -

SZÓRÓDÁSI MUTATÓK

Szóródási mutatók A sokaság elemei egymástól mindig különböznek, variabilitást mutatnak. E változékonyság nagyságát különböző mutatószámokkal jellemezhetjük. A mutatók az adatok egymástól, vagy valamilyen középértéktől számított eltérést jellemeznek. A korábban tárgyalt középértékek megbízhatósága függ az adatok szóródásától. Minél nagyobb a szórás, annál bizonytalanabb az átlag sokaságot jellemző tulajdonsága.

Terjedelem A legegyszerűbb szóródási mutató. Az adatsor legnagyobb és legkisebb értéke közötti különbség. Jelölése: R, az angol range kifejezés első betűje alapján. Az adatok legnagyobb ingadozását jellemzi, ennél nagyobb szóródási érték nem határozható meg egyik mutatóval sem. A terjedelem képlete: R=x max −x min

Az Excel max() és min() függvényének segítségével nagy adatbázis esetén is könnyen meghatározhatjuk a terjedelmet.

R statisztika R=max(x)-min(x)

Terjedelem.

range(x)

Terjedelem, a legkisebb és legnagyobb értéket határozza meg.

Kvantilisek A kvantilisek a nagyság szerint sorba rendezett adatokat, gyakoriság szerint, egyenlő részekre osztják, k darab osztályközre. Így az adatok helyzeti eloszlásáról kapunk képet. Sokféle kvantilis létezik, attól függően, hogy hány egyenlő részre osztjuk fel az adatsort. A leggyakrabban kettő, három, négy, öt, tíz és százfelé osztunk. Az osztópontokat mediánnak (Me), tercilisnek (T), kvartilisnek (Q), kvintilisnek (K), decilisnek (D) és percentilisnek (P) nevezzük. Osztópontból mindig k-1 létezik, tehát három kvartilis, kilenc decilis és így tovább.

Kvartilisek A nagyság szerint rendezett adatokat négy egyenlő részre osztja. Így minden negyedbe az adatok 25-25%-a található. A nagyság szerint sorba rendezett adatokban meg kell határozni az adat rangszámát, azaz hogy hányadik a sorban. Az adott sorszámú adat értéke fogja megadni a keresett kvartilist. A kvartilisek jelölése: Q n. Az n értéke egytől háromig terjed.

- 58 -

SZÓRÓDÁSI MUTATÓK A kvartilisek meghatározásnak módja: n+ 1 4 n+ 1 középső kvartilis: n Q = 2 3 (n+ 1) felső kvartilis: nQ = 4 interkvartilis terjedelem: Qi=Q3−Q1 Q −Q 1 kvartilis eltérés: Qe = 3 2 alsó kvartilis: nQ = 1

2

3

A kvartilisek tehát sorrendben az adatok 25, 50 és 75%-t jelölik. A Q 2 kvartilis egyben a medián is, mivel az adatok 50% kisebb, mint a medián. Az interkvartilis terjedelem a medián körül elhelyezkedő adatok 50% jelenti. A kvartilis eltérés ennek a fele. Szimmetrikus eloszlás esetén ez jól mutatja az átlagos ingadozást a medián körül. Az interkvartilis terjedelmet doboznak is nevezik (box). A kvartilis ábra szemléletesen mutatja az adatok elhelyezkedését. A statisztikai programok kiugró értéknek (kör vagy csillag) jelölik a doboztól 1,5 IQRnél nagyobb távolságra elhelyezkedő adatokat (Q3+1,5IQR, illetve Q1-1,5IQR). Excel függvény: KVARTILIS(tömb;kvart) A kvart értéke 0 1 2 3 4

A KVARTILIS eredménye Minimális érték Első kvartilis (25%) Medián (50%) Harmadik kvartilis (75%) Maximális érték

Q1 páros n páratlan n

Eljárás Minitab

n+ 1 4

Tukey (Hoaglin et al., 1983) Moore and McCabe (2002) Mendenhall and Sincich (1955) Freund and Perles (1987)

n 3 4 n 1 4  n  1  4  n 3 4

n 1 4 n 2 4 n 2 4  n  1  4  n 3 4

Q3 páros n páratlan n 3n  3 4 3n  1 4 3n  3 4  3n  3   4  3n  1 4

3n  3 4 3n  2 4 3n  2 4  3n  3   4  3n  1 4

17. táblázat: Az alsó és felső kvartilisek meghatározása

Az alsó (Q1) és felső (Q3) kvartilisek meghatározása nem olyan egyértelmű, ezért több módszer is létezik, amelyek eltérő eredményt szolgáltatnak. A legfontosabb eljárásokat a 17. táblázat foglalja össze. - 59 -

SZÓRÓDÁSI MUTATÓK A szögletes zárójel a legközelebbi egészre kerekítést jelenti a fenti táblázatban. Az ismertetett eljárásokról részletesebb leírások találhatók az alábbi publikációkban: • Freund, J. and Perles, B. "A New Look at Quartiles of Ungrouped Data." American Stat. 41, 200-203, 1987. • Hoaglin, D.; Mosteller, F.; and Tukey, J. (Ed.). Understanding Robust and Exploratory Data Analysis. New York: Wiley, pp. 39, 54, 62, 223, 1983. • Kenney, J. F. and Keeping, E. S. "Quartiles." §3.3 in Mathematics of Statistics, Pt. 1, 3rd ed. Princeton, NJ: Van Nostrand, pp. 35-37, 1962. • Mendenhall, W. and Sincich, T. L. Statistics for Engineering and the Sciences, 4th ed. Prentice-Hall, 1995. • Moore, D. S. and McCabe, G. P. Introduction to the Practice of Statistics, 4th ed. New York: W. H. Freeman, 2002. • Whittaker, E. T. and Robinson, G. The Calculus of Observations: A Treatise on Numerical Mathematics, 4th ed. New York: Dover, pp. 184-186, 1967. Az Excel a Freund-Perles eljárást használja az alsó és felső kvartilis meghatározására. Ebben az eljárásban a páros és páratlan adatszám esetén az algoritmus megegyezik. Amennyiben a kapott szám nem egész, a legközelebbi két adat interpolációjával határozza meg az adott kvartilist. Az SPSS program a Mendenhall-Sincich eljárást használja. Ez is interpolációt alkalmaz, ha nem egész szám jön ki, azonban az interpoláció algoritmusa más, mint az Excelé. A lenti táblázatban bemutatjuk néhány számpéldán keresztül az Excel, SPSS és R program közötti különbséget. 1,2,3,4

1,2,3,4,5

1,2,3,4,5,6

Eljárás

Q1 , Q3

Q1 , Q 3

Q1 , Q3

Excel

1,75 3,25

, 2,4

2,25 , 4,75

SPSS

1,25 3,75

, 1,5 , 4,5

1,75 , 5,25

R

1,75 3,25

, 2,4

2,25 , 4,75

18. táblázat: Alsó és felső kvartilisek az Excelben , SPSS-ben és R-ben

- 60 -

SZÓRÓDÁSI MUTATÓK R statisztika summary(Forgalom)

Min. 1st Qu. Qu. Max.

Median

Mean 3rd

Az összesítő statisztika megadja a minimális, első kvartilis, medián (második kvartilis), számtani átlag, harmadik kvartilis és a maximális értékeket. IQR(Forgalom)

Interkvartilis terjedelem. Q3-Q1.

Percentilisek A percent a latin per centum = százalék fogalomból ered. A nagyság szerint rendezett adatsort száz egyenlő részre osztjuk. Az n%-os (vagy n-edik) percentilis azt jelenti, hogy az adatok n%-a kisebb, mint az adott érték. A medián az 50%-os percentilisnek, az alsó és felső kvartilisek pedig a 25% ill. 75%-os percentilisnek felelnek meg. A percentiliseknek óriási jelentősége van a „mit tekintünk normálisnak?” kérdés eldöntésében. Az alsó és felső néhány percentilis közötti részt (2.5% - 97.5% vagy 5% 95%) szokás normális (referencia) értéknek elfogadni. Excel függvény: PERCENTILIS(tömb;k) tömb: Az egymáshoz viszonyítandó adatokat tartalmazó tömb vagy tartomány. k: A százalékosztály száma a 0-1 intervallumban, a végpontokat is beleértve. Megjegyzés Ha a tömb üres vagy 8191 adatpontnál többet tartalmaz, akkor a PERCENTILIS eredménye a #SZÁM! hibaérték lesz. Ha a k értéke nem szám, akkor a PERCENTILIS az #ÉRTÉK! hibaértéket adja vissza. Ha k < 0 vagy k > 1, akkor a PERCENTILIS eredménye a #SZÁM! hibaérték lesz. Ha a k nem az 1/(n - 1) többszöröse, akkor a PERCENTILIS a k-adik százalékosztályt interpolációval határozza meg.

R statisztika quantile(Forgalom, seq(0,1,0.25))

A seq() függvényben határozhatjuk meg, hogy milyen részletességű legyen a kiíratás. A példában 0-tól 100%-ig, 25%-os lépésközzel kapjuk meg az eredményeket.

Százalékrang A százalékrang egy adott érték adathalmazon belüli százalékos rangját, elhelyezkedését mutatja. Pl. az alábbi teszteredmények születtek egy vizsgán: - 61 -

SZÓRÓDÁSI MUTATÓK 1, 1, 1, 2, 3, 4, 8, 11, 12, 13 2 százalékrangja: 33,3% 8 százalékrangja: 66,6% A 2 százalékrangja azért 33,3%, mert három adat kisebb, mint 2, és a kettőt nem számítva kilenc adatunk van. 3/9 egyenlő 33,3%. A nyolccal ugyanez a helyzet. Hat adat kisebb, és 6/9 egyenlő 66,6%. Excel függvény SZÁZALÉKRANG(tömb;x;pontosság) Tömb: Az egymáshoz viszonyítandó számadatokat tartalmazó tömb vagy tartomány. x: Az az érték, amelynek a rangját meg kell határozni. Pontosság: Az eredményül kapott százalékérték értékes jegyeinek számát határozza meg, nem kötelező megadni. Ha nem adjuk meg, akkor a SZÁZALÉKRANG három tizedes jegyet használ (0,xxx).

R statisztika aa=c(1,1,1,2,3,4,8,11,12,13) # data vector percentrank <- function(x) { var=sort(x)

Az R programban nincs előre definiált százalékrang függvény, azonban egy egyszerű felhasználói függvény segítségével könynyen készíthetünk ilyen eljárást.

p.rank=1:length(var)/length(var)*100 dd=cbind(var,p.rank) } pr <- percentrank(aa); pr

Középeltérés Egy statisztikai sor tagjainak a mediántól mért eltéréseinek abszolút értékét (előjelek figyelmen kívül hagyása mellett) összeadjuk és osztjuk a szabadságfokkal. A szabadságfok sokaság esetén megegyezik a megfigyelések számával, minta esetén a megfigyelések száma mínusz eggyel. Az eltérést a medián mindkét oldalán értelmezzük. Mértékegysége megegyezik az alapadatok mértékegységével. Középeltérés képlete, egyszerű forma: n

d=

∑∣x i −Me∣ i =1

n−1

Középeltérés képlete, súlyozott forma:

- 62 -

SZÓRÓDÁSI MUTATÓK n

∑ f i∣x i− Me∣

d= i=1 n

∑ f i −1 i=1

R statisztika sum(abs(Forgalom-median(Forgalom)))/ (length(Forgalom)-1)

Egyszerű középeltérés.

sum(f*abs(Forgalommedian(Forgalom)))/(sum(f)-1)

Súlyozott középeltérés.

Átlagos abszolút eltérés Egy statisztikai sor tagjainak a számtani átlagtól vett eltéréseinek abszolút értékét (előjelek figyelmen kívül hagyása mellett) összeadjuk és osztjuk a sor tagjainak a számával. A szóródás jellemzésére kevésbé használt mutató. Az eltérést a számtani átlag mindkét oldalán értelmezzük. Mértékegysége megegyezik az alapadatok mértékegységével. Átlagos abszolút eltérés képlete, egyszerű forma: n

∑∣x i −x∣

d= i=1

n

Átlagos abszolút eltérés képlete, súlyozott forma: n

d=

∑ f i∣x i− x∣ i=1

n

∑ fi i=1

Excel függvény ÁTL.ELTÉRÉS(szám1;szám2;...) szám1, szám2...: 1 és 30 közötti számú argumentum, amelyek abszolút eltérésének átlagát keressük. Pontosvesszőkkel elválasztott argumentumok helyett egyetlen tömböt vagy erre mutató hivatkozást is használhatunk. Megjegyzés Az argumentumok számok, számokat tartalmazó tömbök vagy számokra mutató nevek, illetve hivatkozások lehetnek. A függvény a tömbben vagy hivatkozásban szereplő értékek közül csak a számokat használja, az üres cellákat, logikai értékeket, szöveget és hibaüzeneteket figyelmen kívül hagyja, de a nullát tartalmazó cellákat számításba veszi.

- 63 -

SZÓRÓDÁSI MUTATÓK R statisztika sum(abs(Forgalom-mean(Forgalom)))/ (length(Forgalom)-1)

Egyszerű átlagos eltérés.

sum(f*abs(Forgalom-mean(Forgalom)))/ (sum(f)-1)

Súlyozott átlagos eltérés.

Szórás A szórás a leggyakrabban használt szóródási mutató. A sokaság elméleti szórásának jele: σ, amelyet a mintából becsülünk. A minta szórását s-sel jelöljük. A szórás az adatok számtani átlagtól vett eltéréseinek négyzetes átlaga. Ez egy átlagos távolság, amit a számtani átlag két oldalán, szimmetrikusan értelmezünk. A szórás mértékegysége megegyezik az adatok mértékegységével. Ez a mutató nagyon érzékeny a kiugró adatokra, mivel az átlagtól távol eső adatok négyzete nagyon nagy, így ezek nagyobb súllyal alakítják a szórást. A szórás becslése történhet a minta és a sokaság alapján. A minta alapján:

Egyszerű forma: s=



n

∑ (x i −x )2 i=1

n−1

Súlyozott forma:

s=

A sokaság alapján:



n

∑ f i ( x i− x )2 i=1

n

∑ f i −1 i=1

Egyszerű forma: s=



n

∑ (x i −x )2 i=1

n

Súlyozott forma:

s=



n

∑ f i ( x i− x )2 i=1

n

∑ fi i=1

- 64 -

SZÓRÓDÁSI MUTATÓK A szórások egyszerű módon nem adható össze és nem átlagolhatók. Az átlagolásukat később tárgyaljuk. Az alapadatokhoz ugyanazt az értéket hozzáadva vagy levonva a szórás nem változik. s x+ A =s x

Az alapadatokat egy konstanssal szorozva vagy osztva a szórás a konstans abszolút értékével változik. s Bx =∣B∣s x

A szórás a fenti képleteken túl a négyzetes és számtani átlag segítségével is kiszámolható. s=  x2q −x 2

Excel függvények: SZÓRÁS(szám1;szám2;...) szám1, szám2...: A statisztikai mintát reprezentáló argumentumok, számuk 1 és 30 között lehet. Az argumentumokban pontosvesszővel elválasztott értékek helyett egyetlen tömb vagy tömbhivatkozás is használható. Megjegyzés A SZÓRÁS függvény az argumentumokat statisztikai sokaság mintájának tekinti. Ha az adatok a teljes sokaságot jelentik, akkor a szórást a SZÓRÁSP függvénnyel kell kiszámolni. A függvény a szórást a „torzítatlan” vagy „n-1” módszerrel számítja ki. SZÓRÁSP(szám1;szám2;...) szám1, szám2...: A statisztikai sokaságot reprezentáló argumentumok, számuk 1 és 30 között lehet. Az argumentumokban pontosvesszővel elválasztott értékek helyett egyetlen tömb vagy tömbhivatkozás is használható. Megjegyzés A SZÓRÁSP az argumentumokat a teljes statisztikai sokaságnak tekinti. Ha az adatok a teljes sokaság mintáját jelentik, akkor a szórást a SZÓRÁS függvénnyel kell kiszámítani. Nagyméretű mintáknál a SZÓRÁS és a SZÓRÁSP megközelítőleg azonos eredmény ad.

19. táblázat: Az eladott élelmiszerek forgalmának ingadozásai

- 65 -

SZÓRÓDÁSI MUTATÓK Az áruházlánc adatbázis alapján számítsuk ki az eladott élelmiszerek forgalmának ingadozását régióként és évenként. Először készítsünk egy kimutatást. A sorokban az évek, az oszlopokban a régiók legyenek. A kimutatásmező mezőstatisztikáját állítsuk át szórásra. A kimutatás a 19. táblázatban látható. A kimutatás utolsó oszlopai:

20. táblázat: A kimutatás utolsó oszlopai

A szórás függvény a minta szórását becsüli, tehát az n-1 módszerrel számol. Amennyiben a sokaság egészéről rendelkezünk információval, tehát teljes körű adat-felvételezést készítünk, akkor a „szórásp” függvényt kell alkalmazni. Ez a függvény az eltérés-négyzetösszeget a megfigyelések számával osztja. Nagy elemszám esetén a két függvény közötti különbség elenyésző. Az értelmezést kezdjük a sarokszámtól (83 927). Ez az érték az áruházlánc 11 év alatt forgalmazott élelmiszer-mennyiségének ingadozása. Összesen 847 megfigyelt adatból lett meghatározva. A dél-alföldi „végösszeg” csak a régió adataiból számítódik, összesen 121 adatból (11*11=121). A szórás mértékegysége megegyezik az alapadat mértékegységével. Ebben az esetben kg. A középérték körül átlagosan 83 927 kg-mal ingadozik a forgalom. A részletek megjelenítésével leellenőrizhetjük, hogy tényleg 121 adatból lett meghatározva a szórás. Ezt kétféleképpen tudjuk megcsinálni: a kimutatás eszköztáron kattintsunk a zöld kereszt ikonra vagy egyszerűen az adott cellára kétszer klikkeljünk.

21. táblázat: Kimutatás részlet

A kimutatásban az első cella szórás adata (59 295) a fentiek értelmében 11 adat szórása. A részletek megjelenítése látható fent. - 66 -

SZÓRÓDÁSI MUTATÓK A második feladatban számoljuk ki az átlagárak szórását. Korábban már meghatároztuk az átlagárat. Mivel ez egy viszonyszám, súlyozott számtani átlagot kellett számítani. Ennek ismeretében a szórását is súlyozott formában kell meghatározni. A súlyozott szórás számításánál az átlagtól vett eltérés, a súlyozott átlagtól vett eltérést jelenti. A szórást a gyakorlatban az alábbi képlettel sokkal egyszerűbb meghatározni:

s=





∑  x −x 2 = ∑ x n−1

2

2

∑ x  − n

n−1

Súlyozott formába átalakítva:



2

( fx) ∑ fx − ∑ f ∑ s= ∑ f −1 2

Ehhez az Excelben szükségünk lesz a gyök(), szorzatösszeg() és szum() függvényre. Az áruházlánc adatira alkalmazva: ∑ fx 2 = SZORZATÖSSZEG(forgalom; ár^2) 2 ( ∑ fx ) = SZORZATÖSSZEG(forgalom; ár)^2 ∑ f = SZUM(forgalom) A számítások elvégzése után az átlagár szórása: 354,14 Ft/kg, amit a súlyozott számtani átlag mindkét oldalán szimmetrikusan kell értelmezni. A számítást úgy is el lehet végezni, hogy a súlyozottan kiszámított átlagárat kivonjuk az árakból, négyzetre emeljük, megszorozzuk a forgalommal mint súlyzó tényező, és szummázzuk. Így megkapjuk az eltérés-négyzetösszeget. Ezt osztva a súlyok összege mínusz eggyel, megkapjuk a varianciát. Ebből gyököt vonva pedig a súlyozott szórást. A kétféle számítás tökéletesen azonos eredményt ad.

R statisztika sd(Forgalom)

A forgalom szórása minta alapján.

Variancia Variancia vagy szórásnégyzet. A meghatározása az alábbiak szerint történik:

- 67 -

SZÓRÓDÁSI MUTATÓK Egyszerű forma: n

s2=

∑ ( x i− x )2 i=1

n−1

Súlyozott forma: n

∑ f i ( x i−x )2

s 2 = i=1 n

∑ f i−1 i=1

A variancia gyakorlati meghatározása, ami a számításokat és tárolást egyszerűbbé teszi, az alábbi: 2

s2=

∑  x− x 2 = ∑ x n−1

2

∑ x  − n

n−1

Ez a négyzetes és számtani átlag felhasználásával történő szórásbecslésnél már előfordult egyszer. Excel függvények: VAR(szám1;szám2;...) szám1, szám2...: A statisztikai mintát reprezentáló argumentumok, számuk 1 és 30 között lehet. Megjegyzés A VAR függvény az argumentumokat egy statisztikai sokaság mintájának tekinti. Ha az adatok a teljes sokaságot jelentik, akkor a varianciát a VARP függvénnyel kell kiszámítani. A logikai értékeket, például IGAZ vagy HAMIS, valamint a szöveget a függvény figyelmen kívül hagyja. Ha a logikai értékeket és a szöveget is számításba szeretnénk venni, használjuk a VARA munkalapfüggvényt. VARP(szám1;szám2;...) szám1, szám2...: A statisztikai sokaságot reprezentáló argumentumok, számuk 1 és 30 között lehet. Megjegyzés A VARP az argumentumokat a teljes statisztikai sokaságnak tekinti. Ha az adatok a teljes sokaságnak csak mintáját képezik, akkor a varianciát a VAR függvénnyel kell kiszámítani.

Az áruházlánc adatai alapján a variancia meghatározása hasonlóképpen történik, mint a szórásnál, csak a mezőstatisztikában válasszuk a variancia függvényt. Az eredmények értelmezése hasonlóan történik. Az variancia mértékegysége azonban az adatok eredeti mértékegységének a négyzete. Forgalom esetén kg 2. A variancia függvény az n-1 módszerrel, a varp függvény n módszerrel számol. R statisztika var(Forgalom)

A forgalom varianciája. - 68 -

SZÓRÓDÁSI MUTATÓK

Variációs koefficiens A különböző mértékegységű és nagyságú sokaságok változékonyságát százalékban érdemes kifejezni, mert így a mértékegység eltűnik. A szórás ebben az esetben az átlaghoz viszonyítjuk, mivel mindkét mutató ugyanolyan mértékegységgel rendelkezik. Jelölése: Vr vagy CV. Képlete: s V r =CV = 100 x

A százalékos értékeket empirikus úton kategóriákba sorolták, és verbálisan minősítették a szórás nagyságát: 0 – 10% homogén, 10 – 20% közepesen változékony, 20 – 30% erősen változékony, 30% fölött szélsőségesen ingadozó

22. táblázat: Az áruházlánc forgalmának szórása és középértéke

Szélsőségesen ingadozó sokaság esetén az átlag nem alkalmas a sokaság jellemzésére, mivel az átlag körül nagyon kevés adat helyezkedik el. A variációs koefficiens értéke nagyobb is lehet, mint 100%, mivel a sokaság átlaga és szórása két független tulajdonság. Határozzuk meg az áruházlánc forgalmának variációs koefficiensét. Az előbbi kimutatást felhasználva, ahol a szórás számítottuk ki, a variációs koefficienst is meghatározhatjuk. Ehhez még egyszer vegyük fel az adatmezőbe a forgalom változót, de ne az ösz-

- 69 -

SZÓRÓDÁSI MUTATÓK szegét, hanem az átlagát jelenítsük meg. A variációs koefficiens meghatározásához a szórásra és az átlagra lesz szükség. Az új kimutatás részlete a 22. táblázatban látható. A szórást osztva az átlaggal és szorozva százzal, megkapjuk a variációs koefficiens értékét százalékban. A dél-alföldi régió 2000. évi CV-je: 59 295/49 046*100 = 120,9%. A variációs koefficiens ebben az esetben nagyobb, mint 100%. A többi régió adatát ugyanígy kell meghatározni.

R statisztika Variációs koefficiens.

sd(Forgalom)/mean(Forgalom)*100

Relatív variációs koefficiens Mivel a variációs koefficiens 100%-nál nagyobb is lehet, ezért megalkották a relatív CV fogalmát, aminek az értéke maximum 100% lehet. Az

s maximuma x

√ n . Ehhez viszo-

nyítva a CV-t, a relatív variációs koefficiens értéke nem lehet nagyobb, mint 100%. Relatív variációs koefficiens: V r % =

s / x 100 s 100= n x  n

Ennek az értéke tehát 0-100%-ig terjedhet, és az mutatja, hogy a vizsgált sokaság változékonysága hány százaléka az elméletileg lehetségesnek. A fenti képlet csak abban az esetben helyes, ha a szórást az n-1 módszerrel határoztuk meg. Csak ebben az esetben igaz, hogy a variációs koefficiens maximális értéke √ n . Amennyiben a szórás számításánál n-nel osztunk, azaz a teljes sokaság variációs koefficiensét határozzuk meg, akkor a maximális érték √ n−1 . Ez a különbség csak kis elemszámok esetén jelentős. Számoljuk ki az áruházlánc forgalmának relatív variációs koefficiensét. A relatív variációs koefficiens meghatározásához a megfigyelések számát is ismerni kell. Bővítsük ki az előbbi kimutatást a forgalom-változó adatainak számával. Vegyük fel meg egyszer a forgalom-változót (összesen így már háromszor vettük fel a forgalom-változót az adatterületre). A módosított kimutatás lett látható. A mezőstatisztikában válasszuk a darab függvényt.

- 70 -

SZÓRÓDÁSI MUTATÓK

23. táblázat: A módosított kimutatás

Most már minden adat rendelkezésünkre áll a relatív variációs koefficiens meghatározásához. Szintén a dél-alföldi régió 2000. évi forgalmának CV rel: 59 295/49 046/gyök(11)*100 = 36,5%. Ez az érték azt jelenti, hogy a maximális variabilitás közel 37%-án van a jelenlegi változékonyság.

R statisztika Relatív variációs együttható.

sd(Forgalom)/mean(Forgalom) /sqrt(length(Forgalom))*100

Az átlag standard hibája A mintákból számított számtani átlagok a sokaság valódi számtani átlagának a becslései. Ezeknek a becsléseknek szintén van ingadozása, mint az alapadatoknak. A számtani átlagok ingadozása, szórása az alapadatok ingadozásától függ. Minél nagyobb az adatok szórása, annál nagyobb az átlag szórása is. Az átlag szórását a minta elemszámainak növelése csökkenti. Minél nagyobb elemszámú mintával dolgozunk, a középértékek szórása annál kisebb lesz. Az összefüggés azonban nem lineáris, hanem négyzetes. Amenynyiben az átlag szórását felére szeretnénk csökkenteni, négyszer akkora mintára lesz szükségünk. Ha tizedére, akkor százszor nagyobb mintát kell vennünk. A középértékek szórását nevezik az átlag standard hibájának, mivel ilyen pontosan tudjuk megbecsülni a sokaság valódi középértékét. Jelölése: s x . Képlete: s x=

s √n

- 71 -

SZÓRÓDÁSI MUTATÓK

A gyakorlati számításokhoz felhasznált formula:

s x=





2

∑  x −x 2 = ∑ x n  n−1 

2

∑ x  −

n n n−1

A standard hibák ábrázolására szolgál az ún. konfidencia intervallum 40. ábra (error bar). A lenti ábrán a piros rombusz a számtani átlagot, a függőleges fekete vonalak a standard hibát jelölik. A fekete vonallal jelölt intervallumba esik a sokaság valódi számtani átlaga 68%-os valószínűséggel. 14 12

Átlag +-Standard Hiba

10 8 6 4 2 0 0

2

4

6

8

10

12

14

Napok

40. ábra: A standard hiba ábrázolása Az átlag standard hibájának meghatározásához az előbbi táblázatban már minden adat rendelkezésünkre áll. Az észak-alföldi régió 2005. évi forgalmának standard hibája: 81 473/gyök(11) = 24 565. A mértékegysége megegyezik az alapadatok mértékegységével, ebben az esetben kg.

- 72 -

SZÓRÓDÁSI MUTATÓK R statisztika stderr <- function(x) sqrt(var(x)/length(x))

Standard hiba függvényének előállítása.

stderr(Forgalom)

A forgalom standard hibája.

library(pastecs)

A „pastecs” csomag telepítése. Ebben számos leíró statisztikai függvény megtalálható.

stat.desc(Forgalom)

Az előző csomag telepítése után, pl. a leíró statisztikai mutatók számítása.

stat.desc(x, basic=TRUE, desc=TRUE, norm=FALSE, p=0.95)

Leíró statisztika függvénye és paraméterei.

basic

Amennyiben TRUE, megkapjuk a megfigyelések számát, a nullát tartalmazó valamint a hiányzó adatok számát. Minimum, maximum, terjedelem és az adatok összege.

desc

Amennyiben TRUE, medián, átlag, az átlag standard hibája, az átlag konfidenciaintervalluma, variancia, szórás és a variációs koefficiens kerül meghatározásra.

norm

Amennyiben TRUE, a normáliseloszlás jellemzésére használt paramétereket kapjuk meg: ferdeség, csúcsosság, Shapiro-Wilk teszt a normalitás vizsgálatára, és egy másik normalitási teszt eredményét.

p

Konfidenciaintervallum számításához szükséges valószínűség. Alapbeállítás 0.95.

Szórások átlagolása Több csoport vagy réteg esetében szükség lehet a szórások átlagára, a csoportok közös szórására. A szórások ugyanúgy átlagolhatók, ahogyan ki kell őket számolni, négyzetes átlagként. Emlékeztetőül: a szórás az adatok átlagtól vett különbségének négyzetes átlaga. Amennyiben a minták elemszáma nem egyezik meg, súlyozott négyzetes átlagot kell számítani: s p súly =



( n1−1 ) s 21+ ( n2 −1)s 22 + …+ (nk −1) s2k n−k

Ahol n=n1+n2+n3, k a csoportok száma.

- 73 -

SZÓRÓDÁSI MUTATÓK A számítás leegyszerűsödik a súlyozatlan formára, ha feltételezzük, hogy n1=n2=n3.

√ √ √

2

2

2

(n1 −1 )( s 1+ s 2+ s 3 ) s p= 3n 1 −3 s p=

s p=

(n1 −1 )( s 21+ s 22+ s 23 ) 3 (n1 −1) s 21 + s 22 + s 23 3

Standard hiba átlagolása A standard hiba ugyanúgy átlagolódik, mint a szórás, négyzetes átlagként. s p =



s2xs 2y s 2z 3

Kiugró értékek A szélsőségesen kicsi vagy nagy értékek a szóródási mutatókat nagyon torzítják, ezért mindig le kell ellenőrizni, hogy van-e a kiugró érték az adatbázisban. A kiugró értékeket többféleképpen is kiszűrhetjük. Az egyik legegyszerűbb módszer a trimmelt átlag kiszámítása, ami egy adathalmaz középső részének az átlaga. Ezt úgy határozzuk meg, hogy az adathalmaz felső és alsó részének bizonyos százalékát kihagyjuk a számításból. A trimmelés leggyakrabban 5 vagy 10%. Amennyiben a trimmelt átlag jelentősen eltér a normális átlagtól, kiugró értékek vannak az adatbázisban. Excel függvény RÉSZÁTLAG(tömb;százalék) tömb: Az a tömb vagy tartomány, amelynek egy részét átlagolni kell. százalék: A számításban részt nem vevő adatok százalékos aránya. Ha például százalék = 0,2 (20%), akkor a 20 adatpontot tartalmazó halmazból 4 adatpont (20 x 0,2) marad ki a középérték kiszámításánál (2 a halmaz tetején, 2 az alján). Megjegyzés Ha százalék < 0 vagy százalék > 1, akkor a RÉSZÁTLAG eredménye a #SZÁM! hibaérték lesz. A RÉSZÁTLAG az elhagyandó adatpontok számát lefelé kerekíti 2 legközelebbi többszörösére. Ha például százalék = 0,1 (azaz 10%), akkor 30 adatpontnál hármat kellene elhagyni. A szimmetria miatt a RÉSZÁTLAG az adathalmaz tetején és alján egy-egy értéket fog elhagyni.

A kiugró értékek kiszűrésének másik módja: az átlagtól mindkét irányban három szórás távolságnál nagyobb adatok elhagyása. Az interkvartilis terjedelmet is felhasználhatjuk a kiugró értékek felderítéséhez. Amennyiben valamelyik adat nagyobb, mint a Q3+1,5*IQR vagy kisebb, mint Q11,5*IQR, akkor az kiugró értéknek tekinthető.

- 74 -

SZÓRÓDÁSI MUTATÓK

R statisztika mean(Forgalom, 0.05)

5%-s trimmelt átlag. A legnagyobb és legkisebb értékek 2,5-2,5%-a nem vesz rész az átlagszámításban.

IQR(Forgalom)

Interkvartilis terjedelem.

- 75 -

KONCENTRÁCIÓ

Koncentráció Herfindahl-Hirschman-index A Herfindahl-Hirschman-indexet a közgazdaságtanban a piaci koncentráció jellemzésére használjuk. Jelölése: HHI. Egy adott ágazat, gazdasági szektor HHI-e a piacon található vállalatok, egységek részesedésének (Vmi) négyzetösszege. A Herfindahl-Hirschman-index képlete n

HHI =∑ V 2mi i=1

A HHI értéke 1/n és 1 között van. 1/n értéket akkor vesz fel a mutató, ha a gazdasági szereplők egyenlő piaci részesedéssel rendelkeznek. Amennyiben sok, egyenként kicsi piaci részesedéssel rendelkező szereplő van, akkor a HHI értéke nullához közelít. Egyhez közeli érték esetén egy szereplő kezében koncentrálódik a piaci részesedés jelentős része, ekkor beszélünk monopóliumról. Ebben az esetben a szabad piaci verseny veszélybe kerülhet. A HHI indexet ezért használják a különböző állami felügyeleti szervek.

A HHI matematika elmélete A piaci szereplők száma legyen n. A részesedésüket jelöljük Vm1, Vm2, …, Vmn-nel. A piaci részesedések megegyeznek a korábban tárgyalt megoszlási viszonyszámokkal, ezért jelöltük V-vel. Itt is a részsokaságot viszonyítottuk az egészhez. A megoszlási viszonyszámok átlaga pedig 1/n volt. Ezt az összefüggést a HHI meghatározásakor is hasznosítani fogjuk. Természetesen a piaci részesedések egyenkénti összege egyenlő 1-gyel, amit az alábbi módon írhatunk fel: n

∑ V mi =1 i=1

Általánosságban a szóródási mutatók az átlagtól mért eltéréséket jellemzik, amit a távolságok négyzetes átlagával becsülünk. Határozzuk meg ebben az esetben is a piaci részesedések átlagtól vett eltérés-négyzetösszegét. Ezt használjuk a variancia, ill. a szórás meghatározásakor is az első lépésben. n

2

∑ ( V mi−V mi )2 = ∑ (V mi− 1n ) i=1

Ez az összeg akkor egyelő nullával, ha minden szereplő piaci részesedése az átlaggal egyenlő. Amennyiben nem, akkor nullánál nagyobb értéket eredményez. Erős koncentrációnál közelíteni fog egyhez. Végezzük el a négyzetre emelést és vizsgáljuk meg a három tagot.



(

V 2mi+

1 2V mi − n n2

)

Az első tag = HHI, mivel az index a piaci részesedések négyzetösszege.

- 76 -

KONCENTRÁCIÓ n 1 = , mivel n-szer kell összeadni egy konstanst. n2 n 2 2 A harmadik tag: ∑ V mi , mivel ∑ V mi =1 , ezért ez a kifejezés egyenlő − -vel. n n

A második tag:

A koncentráció teljes hiánya esetén a képletünk az alábbi módon alakul: 1 2 HHI + − =0 n n 1 HHI − =0 n 1 HHI = n

A fenti levezetés tehát igazolja, hogy a HHI minimális értéke

Eszközök összesen

Megnevezés

OTP Bank Nyrt.

6 213 397

Kereskedelmi és Hitelbank Zrt.

3 213 379 Volksbank Zrt.

ERSTE BANK HUNGARY Zrt.

2 948 517 Takarékszövetkezeti

MKB Bank Zrt.

2 749 837 Vagyonbefektető

CIB Bank Zrt.

2 482 860 Bank Zrt.

Raiffeisen Bank Zrt.

2 400 580

OTP Jelzálogbank Zrt.

1 675 031 Lakáskassza Lakás-

UniCredit Bank Hungary Zrt.

1 566 193 Import Bank Zrt.

MFB Magyar Fejlesztési Bank Zrt.

1 189 217 Lakástakarékpénztá

Megnevezés

BUDAPEST Hitelés Fejlesztési Bank Nyrt.

Eszközök összesen

Megnevezés

FHB Jelzálogbank Nyrt.

845 205

UniCredit Jelzálogbank Zrt.

Magyarországi

503 582 BURGENLAND

Magyar

Bank Zrt.

Merkantil Váltó és Bank Zrt.

FHB Kereskedelmi

Commerzbank Zrt.

Fundamenta-

takarékpénztár Zrt. Magyar ExportOTP

r Zrt.

KDB Bank

900 025 (Magyarország) Zrt.

SOPRON BANK Zrt.

Magyar Cetelem

1 , maximuma 1 lehet. n

Eszközök összesen

Megnevezés

136 925

DRB DélDunántúli Regionális Bank Zrt.

38 335

97 129 Kinizsi Bank Zrt.

35 545

Mohácsi

379 938 Bank Zrt.

85 895 Takarék Bank

277 388 Allianz Bank Zrt.

77 534 Hitelgarancia

Deutsche Bank

267 742 Zrt. 262 298

Központi Elszámolóház és Értéktár ( Budapest ) Zrt. MagNet Magyar

254 718 Közösségi Bank Zrt.

Banco Popolare

194 696 Hungary Bank Zrt.

Porsche Bank

192 610 Hungaria Zrt.

Bank of China

138 679 (Hungária)

Hitelintézet Zrt.

Zrt.

Garantiqa Zrt.*

32 325 29 395

Credigen Bank

20 862

GRÁNIT Bank

13 081

69 437 Zrt.

56 246 Zrt.

Hanwha Bank

48 975 Magyarország

38 950

33 959

Banif Plus Bank

76 208 Zrt.

48 475

Eszközök összesen

Zrt. Széchenyi Kereskedelmi Bank Zrt. MV-Magyar Vállalkozásfinan szírozási Zrt.*

11 648 4 126 3 031

24. táblázat. Magyarországi bankok összes eszközállománya MFt (Forrás: PSZÁF, 2010. Aranykönyv)

A bankok összes eszközállománya: 29 613 973 millió Ft.

- 77 -

KONCENTRÁCIÓ Példa: Határozzuk meg a magyarországi bankok 2010. évi piaci részesedését, az összes eszközállomány figyelembevételével. Megnevezés

Piaci részesedés

Megnevezés

OTP Bank Nyrt.

FHB 20,98% Jelzálogbank Nyrt.

Kereskedelmi és Hitelbank Zrt.

10,85%

ERSTE BANK HUNGARY Zrt. MKB Bank Zrt.

CIB Bank Zrt.

Magyarországi Volksbank Zrt.

Magyar 9,96% Takarékszövetk ezeti Bank Zrt. Merkantil Váltó és 9,29% Vagyonbefektet ő Bank Zrt. FHB 8,38% Kereskedelmi Bank Zrt.

Piaci részesedés

Megnevezés

Piaci részesedés

Megnevezés

Piaci részesedés

UniCredit 2,85% Jelzálogbank Zrt.

DRB DélDunántúli 0,46% Regionális Bank Zrt.

0,13%

SOPRON BANK 1,70% BURGENLAND Zrt.

0,33% Kinizsi Bank Zrt.

0,12%

Mohácsi 0,29% Takarék Bank Zrt.

0,11%

Garantiqa 0,26% Hitelgarancia Zrt.*

0,11%

1,28%

Magyar Cetelem Bank Zrt.

0,94% Allianz Bank Zrt.

0,90%

Deutsche Bank Zrt.

0,26%

Banif Plus Bank Zrt.

0,10%

Raiffeisen Bank Zrt.

Commerzbank 8,11% Zrt.

Központi Elszámolóház és 0,89% Értéktár ( Budapest ) Zrt.

0,23%

Credigen Bank Zrt.

0,07%

OTP Jelzálogbank Zrt.

FundamentaLakáskassza 5,66% Lakástakarékpénztár Zrt.

MagNet Magyar 0,86% Közösségi Bank Zrt.

0,19%

GRÁNIT Bank Zrt.

0,04%

UniCredit Bank Hungary Zrt.

5,29%

MFB Magyar Fejlesztési Bank Zrt. BUDAPEST Hitel- és Fejlesztési Bank Nyrt.

Magyar ExportImport Bank Zrt.

Banco Popolare 0,66% Hungary Bank Zrt.

OTP 4,02% Lakástakarékpé nztár Zrt.

0,65%

KDB Bank 3,04% (Magyarország) Zrt.

Bank of China 0,47% (Hungária) Hitelintézet Zrt.

Porsche Bank Hungaria Zrt.

Hanwha Bank 0,17% Magyarország Zrt. Széchenyi 0,16% Kereskedelmi Bank Zrt. MV-Magyar 0,13% Vállalkozásfinan szírozási Zrt.*

0,04% 0,01%

0,01%

25. táblázat. A magyarországi bankok piaci részesedése nagyság szerint rendezve

Határozzuk meg a HHI értékét, képezzük a piaci részesedés négyzetösszegét. Ennek az értéke: 0,0982 Most el kell dönteni, hogy ez az érték a koncentráció milyen fokát jellemzi. A HHI minimális értéke 1/n. A példában 40 bank szerepel, ezért a minimális érték 0,0250. Ez akkor lenne, ha minden bank azonos piaci részesedéssel bírna. A számított érték ennél nagyobb, azonban nem éri el a 0,1-es lélektani határt. A gyakorlatban a 0,1-es érték alatt a

- 78 -

KONCENTRÁCIÓ koncentráció hiányáról beszélhetünk. A HHI kritikus értékeit a gyakorlati alkalmazás részben ismertetjük.

A HHI különböző változatai Sokszor a piaci részesedést nem 0 és 1 közötti számmal jellemzik, hanem százalékosan. Ekkor a HHI értéke nem 0 és 1 között, hanem 0 és 10 000 között alakul. A 10 000 mutatja a teljes koncentráció mértékét (100*100). Példa: Határozzuk meg az előbb kiszámított HHI-t a százalékos adatok felhasználásával. Amennyiben jól számoltunk, 982-t kell kapni. Normalizált Herfindahl-Hirschman-index HHI− HHI '= 1−

1 n

1 n

A normalizált HHI értéke 0 és 1 között van, ellentétben a hagyományos HHI-vel szemben, aminek a minimális értéke 1/n.

1 0,9 0,8 0,7

HHI'

0,6 0,5 0,4 0,3 0,2 0,1 0 0

0,2

0,4

0,6

0,8

HHI

41. ábra. A HHI és normalizált HHI közötti összefüggés, n=40 Példa: Határozzuk meg a normalizált HHI-t.

- 79 -

1

KONCENTRÁCIÓ 0,0982− HHI '= 1−

1 40

1 40

Ennek az értéke: 0,0751

Gyakorlati alkalmazás A modern piacgazdaságokban az állam egyik gazdasági feladata az, hogy őrködjön a piaci verseny szabadsága fölött. Ennek egyik eszköze az, hogy az állam felügyeleti jogkörével élve visszaszorítja a túlzott piaci fölény megszerzésére irányuló törekvéseket. A különböző állami felügyeleti szervek gyakran használják a HHI-t annak objektív mérésére, hogy egy adott piaci szektor, vagy egy esetleges cégfúzió után létrejövő piaci helyzet nem túlzottan koncentrált-e. Az Egyesült Államok Igazságügyi Minisztériumának Versenyhivatala (Antitrust Division of the US Department of Justice) például a Herfindahl–Hirschman-index segítségével hoz döntést arról, hogy jóváhagyjon-e cégegyesüléseket. Ha a tervezett cégfúziót követően a kérdéses piaci szektorban a HHI 0,1 alatt marad, akkor a Versenyhivatal nem tekinti aggályosnak az egyesülést. Másrészt ha a fúzió utáni HHI 0,18 fölött van, és a HHI a cégegyesülés hatására több mint 0,01-dal növekszik, akkor az egyesülni kívánó cégeknek igazolniuk kell, hogy egyéb okok miatt nem várható, hogy a fúzió nyomán tisztességtelen előnyhöz jutnának (Horizontal Merger Guidelines: Concentration and Market Shares U.S. Department of Justice and the Federal Trade Commission). A HHI értékének kritikus értéke tehát 0,1. Ez csak akkor következhet be, ha tíznél több piaci szereplő van a szektorban. Magyarországon a PSZÁF és elődszervezetei valamint a Magyar Nemzeti Bank a 90-es évek óta figyelemmel kísérik a bankrendszer Herfindahl–Hirschman-indexét, amely az 1991-es 0,1565-ről 2002-re a 0,0986-os értékig csökkent (É. Várhegyi (2004.). „Bank Competition in Hungary”.Acta Oeconomica Vol. 54 (4), pp. 403–424. o.). Példa: Ábrázoljuk az első 10 legjelentősebb bank piaci részesedését kördiagramon. Képezzünk egy egyéb kategóriát is. Becsüljük meg a HHI értékét a fenti adatok birtokában. Képzeljük el, hogy egy folyóiratból csak ezek az adatok állnak rendelkezésünkre. Az első tíz bank piaci részesedése a 25. táblázatban látható, az egyéb kategória 14,44%-t képvisel. Milyen pontosan lehet megbecsülni a HHI-t? Mivel becslésről van szó, egy alsó és felső értéket kell meghatároznunk, ami közé fog esni a tényleges HHI. Az alsó érték becslése a 10 első bank piaci részesedése alapján számított HHI, ennek az értéke: 0,0964. A felső érték becsléséhez képzeljük el, hogy az egyéb kategória 14,44%-os részesedését n számú bank adja. Ezen bankok piaci részesedésének négyzetösszege maximum 0,14442/n lehet. Mivel az egyéb kategóriába tartozó bankok mindegyikének kisebb a piaci részesedése, mint 3,04%, ezért n legkisebb értéke

14,44 3,04

felfelé kerekítve 5 lehet.

Ezek értelmében az egyéb kategóriába tartozó bankok piaci részesedésének maximális - 80 -

KONCENTRÁCIÓ négyzetösszege 0,14442/5=0,0042 lehet. A felső érték ezek szerint 0,0964+0,0042=0,1006. A valódi HHI 0,0964 és 0,1006 között van. (a tényleges érték 0,0982) OTP Bank Nyrt. ERSTE BANK HUNGARY Zrt. CIB Bank Zrt. OTP Jelzálogbank Zrt. MFB Magyar Fejlesztési Bank Zrt. Egyéb

Kereskedelmi és Hitelbank Zrt. MKB Bank Zrt. Raiffeisen Bank Zrt. UniCredit Bank Hungary Zrt. BUDAPEST Hitel- és Fejlesztési Bank Nyrt.

42. ábra. A tíz legjelentősebb bank piaci részesedése Példa: Vizsgáljuk meg, hogyan változik a HHI az első két bank fúziója után. Képzeljük el, hogy az OTP és a Kereskedelmi Bank egyesül (ez csak fikció). Az így létrejött fúzió után a HHI értéke: 0,1438. Ez már aggályos mértékű, mert meghaladja a 0,1-es értéket, és a növekedés mértéke is nagyobb, mint 0,01. Ezt az egyesülést az USA-ban alaposan indokolni kellene, mert felmerülhet a tisztességtelen piaci előny megszerzése.

A variációs együttható és a HHI közötti összefüggés A variációs koefficiens (CV) és a HHI hasonló tulajdonságot jellemez, a kettő egymásba átszámítható. Amennyiben ismerjük az egyik értékét, a másik meghatározható belőle. Az alapösszefüggés: 2

CV + 1 HHI = n

Matematikai elmélet Már tudjuk, hogy a HHI a piaci részesedések négyzetösszege. n

HHI =∑ V 2mi i =1

A variációs koefficiens a szórás és a számtani átlag hányadosa. CV =

S x

A megoszlási viszonyszámok szórásának képlete: S=



∑(

V mi−

1 n

)

2

n

Mivel a piaci részesedés átlaga: x=

1 n

A fentiek ismeretében írjuk fel a piaci részesedés variációs együtthatóját:

- 81 -

KONCENTRÁCIÓ

CV =



∑(

V mi−

1 n

)

2

n 1 n

Végezzük el az alábbi számításokat. CV =n

CV 2 =



∑(

V mi−

)

2

n

(

n2 ∑ V mi−

CV =n ∑ 2

1 n

(

1 n

)

)

2

n 1 V mi− n

2

A szummás kifejezésről már korábban bebizonyítottuk, hogy egyenlő HHI-1/n-nel, ezért:

(

1 n 2 CV =n⋅HHI −1 CV 2 + 1=n⋅HHI CV 2 =n HHI −

)

Az utolsó lépesben megkapjuk a HHI és CV közötti összefüggés képletét. 2

HHI =

CV + 1 n

Fontos megjegyzés a számításokhoz. Csak abban az esetben kapunk helyes eredményt, ha sokasági szórást használunk a CV meghatározásakor, azaz n-nel osztunk. Ebben az esetben a CV maximális értéke: CV max= √ n−1

Példa: Számítsuk ki a fenti adatok felhasználásával a CV értékét, és ebből határozzuk meg a HHI-t. Először a piaci részesedés átlagát és szórását kell meghatározni. A piaci részesedés átlaga egyszerű, mert 1/40 azaz 0,025. A szórása: 0,0428. Még egyszer hangsúlyozzuk, hogy a sokasági szórást kell meghatározni, tehát n-nel kell osztani. A variációs koefficiens tehát 1,7116, százalékban kifejezve 171%. A további számításokat ne a százalékos értékkel végezzük. HHI =

1,71162+ 1 =0,0982 40

Az eredmény tökéletesen megegyezik a korábban kiszámolt értékkel. A következő ábra a CV és HHI közötti összefüggést mutatja.

- 82 -

KONCENTRÁCIÓ

0,3 0,25

HHI

0,2 0,15 0,1 0,05 0 0

0,5

1

1,5

2

2,5

3

3,5

CV

43. ábra. A variációs koefficiens és a HHI közötti összefüggés, n=40 R statisztika a=eszköz.állomány

Az „a” oszlopvektor tartalmazza a bankok összes eszköz.állományát.

V=a/sum(a)

Megoszlási viszonyszámok, azaz a piaci részesedés.

HHI=sum(V^2)

Herfindahl-hirschman-index.

- 83 -

INDEXEK

Indexek Az indexek a gazdasági elemzésben gyakran használt mutatók. A statisztikai index több eltérő tulajdonságú, gyakran eltérő mértékegységben kifejezett jelenség együttes átlagos változásának jellemzésére alkalmas. Segítségükkel megtudhatjuk, hogy két időszak között milyen változás történt a szolgáltatások és termékek együttes átlagos értékében. Az index jelentése mutató, ebben az esetben az értékbeli változás mutatója. Megjelenési formájuk az egynemű adatokból számított viszonyszámokkal azonos (százalékos). A különböző termékeket és szolgáltatásokat hogyan lehet összehasonlítani? Erre a mezőgazdaság területén a korábbiakban naturális mutatóként a számosállat és az egységhozam fogalmát használták. A számosállat állattenyésztési, statisztikai valamint üzemszervezési mutató il. mértékegység, amely különböző fajú, fajtájú, korú és ivarú állatokat közös egységre hozva, együttesen fejezi ki. Egy számosállat egyenlő 500 kg élőtömegű állat vagy állatcsoport. Az egységhozam a növénytermesztésben, földművelésben használt fogalom. Növényi fajtól és fajtától függetlenül adja meg a termést, mintha őszi búzát termesztettünk volna az adott területen. Ennek érdekében egységhozam szorzókat állapítottak meg. A legkézenfekvőbb összehasonlítás a termékek és szolgáltatások értékének összehasonlítása, melyet az árral mérhetünk, mivel az ár a legáltalánosabb értékmérő eszköz. A termék vagy szolgáltatás ellenértékét leggyakrabban pénzben kell megfizetni. A termelési érték: az árucikk mennyisége (volumene) szorozva az egységárral (Ft/mennyiség). A mennyiség lehet db, kg, liter stb. Az indexek csoportosítása: • Értékindex, Iv (v = value) • Árindex, Ip (p = price) • Volumenindex, Iq (q = quantity) • Fisher-féle indexek Jelölések: • n = termékek száma • q0 = bázis időszak mennyisége • q1 = tárgy időszak mennyisége • p0 = bázis időszak ára • p1 = tárgy időszak ára

Értékindex Az értékindex szakmai szempontból összetartozó jelenségek, legtöbbször termékek vagy termékcsoportok értékben kifejezett összességének (termelési értékének) együttes átlagos változását fejezi ki. Az értékindex mindig az érvényben lévő, folyó-árakon számítva fejezi ki a termelés értékének változását. Ez azt jelenti, hogy a bázis évben bázis árakon, a tárgyidőszakban tárgyévi árakon kell számolni.

- 84 -

INDEXEK Az értékindex képlete: n

∑ q 1 p1

I V = i=1 n

100

∑ q 0 p0 i=1

Példa: Határozzuk meg az Észak-alföldi régió indexeit a 2009-2010 időszakban. Bázis év természetesen a 2009. Készítsünk egy új kimutatást. Az oldalpanelbe helyezzük el a Régiót. A sorok legyenek az árucikkek, az oszlopok az évek. Az adatmezőbe vegyük fel a forgalom és ár változókat. A kimutatás beállításai párbeszédablakban töröljük az „Oszlopok teljes összegei” és a „Sorok teljes összegei” jelölőnégyzeteket. Ezekre most nem lesz szükségünk, ráadásul az ár változó esetén nincs is értelme az összegnek. A dimenziók rendezésével alakítsuk a lenti táblázatnak megfelelően a kimutatást. R é g ió

Á r u c ik k B anán C s á s z á r s z a lo n n a C s ir k e m e ll K a lif o r n ia i p a p r ik a K enyér M a rh a h ú s Ő r ö lt k á v é P a r a d ic s o m S e r té s c o m b S z e n d v ic s s o n k a T r a p is t a s a jt

É s z a k - A lf ö ld A d a to k Ö s s z e g / F o r g a lo m ( k g 2 5 9 22 206 250 10 18 3 1 1

7 7 6 8

É v /é v ) 009 035 232 694 998 919 263 269 778 755 576 714

2 21 26

19 3 1 1

20 5 2 8 7 2 0 3 2 3 4 9 8 2 1 5 6 9 7 0 9 1

Ö s s z e g / Á r ( F t/k g ) 10 2009 85 344 54 673 27 1 174 35 740 68 280 62 1 814 55 1 167 27 366 42 1 213 76 973 08 1 367

20 3 7 1 2 7 3 2 1 1 2 4 1 2 9 1 4

1 8 0 1 9 2 3 1 2 1 5 9

0 4 9 0 9 6 4 4 1 8 5 7

26. táblázat: Az indexekhez szükséges adatbázis

Számítsuk ki a lehetséges négy aggregátumot. Banán C s á s z á r s z a lo n n a C s ir k e m e ll K a lif o r n ia i p a p r ik a K enyér M a rh a h ú s Ő r ö lt k á v é P a r a d ic s o m S e r té s c o m b S z e n d v ic s s o n k a T r a p is ta s a jt Ö sszeg:

1 6 26 153 70 18 68 45 16 25 433

q 732 213 642 178 257 617 313 726 796 128 582 188

0p0 q1p1 040 2 029 440 136 6 206 586 756 26 652 670 520 170 374 765 320 85 890 568 082 21 045 508 923 309 570 748 80 632 867 815 44 995 356 448 16 307 580 038 28 604 676 826 483 049 586

1 6 27 165 81 21 79 45 15 28 474

q 933 545 459 391 799 901 326 054 985 830 014 242

27. táblázat: Az aggregátumok meghatározása

Értékindex: - 85 -

0p1 q1p0 440 1 818 040 488 5 891 442 740 25 859 698 402 157 793 900 594 73 771 040 242 17 889 668 566 297 585 538 70 098 882 590 44 810 646 080 16 614 948 858 26 120 636 538 440 966 485

INDEXEK I v=

483 049 586 ∗100=111,5 % 433 188 826

R statisztika bf.ba=sum(Forgalom[Év==bazis]*Ár[Év= =bazis])

Aggregátumok számítása. bf=bázis időszaki forgalom, ba=bázis időszaki ár.

tf.ta=sum(Forgalom[Év==targy]*Ár[Év= =targy])

tf=tárgyidőszaki forgalom, ta=tárgyidőszaki ár.

bf.ta=sum(Forgalom[Év==bazis]*Ár[Év= =targy])

bf=bázis időszaki forgalom, ta=tárgyidőszaki ár.

tf.ba=sum(Forgalom[Év==targy]*Ár[Év= =bazis])

tf=tárgyidőszaki forgalom, ba=bázis időszaki ár.

round(tf.ta/bf.ba*100,2)

Értékindex, kerekítés kéttizedes pontosságra. (round() függvény kerekítés).

Árindex Az árindex különféle eladott termékek átlagárainak együttes változását mutatja meg. Az aggregátum alakító tényezők közül a mennyiségeket változatlannak tekintjük. Tehát változatlan mennyiséget feltételezve csak az átlagárváltozás hatását mutatja meg. Az értékesített termékek átlagárának a meghatározása súlyozott számtani átlaggal történik. Mivel a két időszakban az értékesített szolgáltatások és termékek mennyiségei eltérnek, ezért kétféle időszaki súlyozású indexet lehet meghatározni. Az egyik a bázisidőszaki, a másik a tárgyidőszaki súlyozású árindex. A bázisidőszaki súlyozású árindex képlete: n

0 p

∑ q0 p1

I = i=1 n

100

∑ q0 p0 i=1

A mennyiségek mind a számlálóban, mind a nevezőben bázisidőszaki mennyiségek. A tárgyidőszaki súlyozású árindex képlete: n

1 p

∑ q1 p1

I = i=1 n

100

∑ q1 p0 i=1

A mennyiségek mind a számlálóban, mind a nevezőben tárgyidőszaki mennyiségek. Példa - 86 -

INDEXEK Árindex, bázisidőszaki: 0

I p=

474 242 538 ∗100=109,5 % 433 188 826

Árindex, tárgyidőszaki: 1

I p=

483 049 586 ∗100=109,5 % 440 966485

R statisztika bf.ba=sum(Forgalom[Év==bazis]*Ár[Év= =bazis])

Aggregátumok számítása. bf=bázis időszaki forgalom, ba=bázis időszaki ár.

tf.ta=sum(Forgalom[Év==targy]*Ár[Év= =targy])

tf=tárgyidőszaki forgalom, ta=tárgyidőszaki ár.

bf.ta=sum(Forgalom[Év==bazis]*Ár[Év= =targy])

bf=bázis időszaki forgalom, ta=tárgyidőszaki ár.

tf.ba=sum(Forgalom[Év==targy]*Ár[Év= =bazis])

tf=tárgyidőszaki forgalom, ba=bázis időszaki ár.

round(bf.ta/bf.ba*100,2)

Bázisidőszaki árindex, kerekítés kéttizedes pontosságra. (round() függvény kerekítés).

round(tf.ta/tf.ba*100,2)

Tárgyidőszaki árindex, kerekítés kéttizedes pontosságra. (round() függvény kerekítés).

Volumenindex A volumenindex a különböző termékek mennyiségi változásának hatására bekövetkező értékbeli változást fejezi ki. A mennyiség hatása az értékbeli változásra olyan feltételezéssel mutatható ki, ha az aggregátumokban az értékalakító tényezők közül az árak változatlanok. A volumenindex tehát nem az átlagos mennyiségi változást mutatja, mivel a mennyiség hatással van az értékesített termékek átlagárára is. Ez az átlagár a súlyozott számtani átlagnál bemutatott módszer szerint alakul. A mennyiség változása tehát az értékbeli változásra „kétszeresen” is hat.

A bázisidőszaki súlyozású volumenindex képlete: n

∑ q1 p0

I 0q= i=1 n

∑ q0 p0 i=1

- 87 -

100

INDEXEK A tárgyidőszaki súlyozású volumenindex képlete: n

1 q

∑ q1 p1

I = i=1 n

100

∑ q0 p1 i=1

Példa: Volumenindex, bázisidőszaki: I 0q=

440 966 485 ∗100=101,8 % 433 188 826

Volumenindex, tárgyidőszaki: 1

I q=

483 049 586 ∗100=101,9 % 474 242 538

R statisztika bf.ba=sum(Forgalom[Év==bazis]*Ár[Év= =bazis])

Aggregátumok számítása. bf=bázis időszaki forgalom, ba=bázis időszaki ár.

tf.ta=sum(Forgalom[Év==targy]*Ár[Év= =targy])

tf=tárgyidőszaki forgalom, ta=tárgyidőszaki ár.

bf.ta=sum(Forgalom[Év==bazis]*Ár[Év= =targy])

bf=bázis időszaki forgalom, ta=tárgyidőszaki ár.

tf.ba=sum(Forgalom[Év==targy]*Ár[Év= =bazis])

tf=tárgyidőszaki forgalom, ba=bázis időszaki ár.

round(tf.ba/bf.ba*100,2)

Bázisidőszaki volumenindex, kerekítés kéttizedes pontosságra. (round() függvény kerekítés).

round(tf.ta/bf.ta*100,2)

Tárgyidőszaki volumenindex, kerekítés kéttizedes pontosságra. (round() függvény kerekítés).

A bázisidőszaki súlyozású indexet Ernst Louis Étienne LASPEYRES (1834-1913) vezette be, ezért a felső indexben a nulla helyett L betűvel is jelölik az ilyen indexeket. I Lp vagy I Lq .

- 88 -

INDEXEK

44. ábra: Ernst Louis Étienne LASPEYRES (1834-1913) A tárgyidőszaki súlyozású indexeket Hermann PAASCHE (1851-1925) vezette be, ezért a felső indexben az egyes helyett P betűvel is jelölik az ilyen indexeket. I Pp vagy I Pq .

45. ábra: Hermann PAASCHE (18511925) Az érték-, ár- és volumenindexek összefüggnek egymással. Az értékindexek meghatározhatók az ár- és volumenindex ismeretében. I v =I 0q⋅I 1p - 89 -

INDEXEK I v =I 1q⋅I 0p

Példa: Az indexek meghatározása után végezzük el az ismert összefüggések alapján az ellenőrzéseket: I v = I 0p∗I 1q =1,095∗1,019=1,1151∗100=111,51 % I v = I 1p∗I 0q =1,095∗1,018=1,1151∗100=111,51 %

Fisher-féle indexek A kétféle időszaki súlyozással számított indexek értéke eltér egymástól, ezért indokolt az átlaguk meghatározása. Mivel az indexek viszonyszámok, ezért az átlagoláskor mértani átlagot kell számítani. Ezt először Fisher ajánlotta, ezért Fisher-féle indexeknek nevezik őket. A Fisher-féle árindex: I Fp =√ I 0p⋅I 1p

A Fisher-féle volumenindex: I Fq =√ I 0q⋅I 1q

Az értékindexet megkapjuk, ha összeszorozzuk az ár- és volumenindexet. I v =I Fq⋅I Fp

A Fisher-féle indexek egyértelműen fejezik ki az ár és mennyiség módosító hatását az értékbeli változásra. Példa: Fisher-féle árindex:

I p =√ 109,5∗109,5=109,5 % F

Fisher-féle volumenindex:

I q =√ 101,8∗101,9=101,83 % F

Értékindex:

I v =√ 109,5∗101,83=111,5 %

- 90 -

A NORMÁLIS ELOSZLÁS MINT MODELL

A normális eloszlás mint modell A matematikai statisztika egyik feladata, hogy, reprezentatív mintavétel alapján, a sokaság jellemző paramétereit megbecsülje. A pontos becsléshez azonban ismerni kell a sokaság tulajdonságát, azt, hogy hogyan viselkedik. Mivel a sokaságot direkt módon nem tudjuk megvizsgálni, csak a minták alapján következtethetünk rá. Ilyenkor elképzeljük, hogyan működhet. Készítünk egy modellt, és ennek a viselkedése alapján előrejelzéseket teszünk, és összehasonlítjuk a kísérletben kapott eredményekkel. Amennyiben a mérési eredmények igazolják a modell becsléseit, a modell jó. Mi tehát a modell? Összetett, bonyolult természeti objektumok működésének megismerésére létrehozott egyszerűsített helyettesítő eszköz. Sokféle modellforma létezik. A statisztikában a matematikai modelleket használjuk, amit a modellek királyának is nevezhetünk. Ezek a modellek a matematika formanyelvén vannak megfogalmazva, gyakran függvény formájában. Vegyünk egy egyszerű példát, a dobókockát. Feltételezzük, hogy egy szabályos hatoldalú kockával dobunk 300-szor. Milyen eredményt kapunk? 1-től 6-ig fordulnak elő a számok, és elméletileg minden szám előfordulási valószínűsége 1/6. Ezzel az egyszerű modellel megjósolhatjuk a dobások eredményét. Háromszáz dobás után tehát 50-50 darab 1, 2, 3, 4, 5 és 6-ost kell kapni. Elméletileg! Végezzük el a gyakorlatban, és az eredményt ábrázoljuk egy oszlopdiagramon. Az alábbi eredményt kaptuk.

46. ábra: Egy dobókocka dobásainak eredménye

Természetesen a kísérlet eredménye nem egyezik meg tökéletesen a modell által becsült értékekkel, de nem is tér el tőle jelentősen. A modell által előre jelzett értékek körül ingadozik. Hogyan? Mindegyik felette vagy alatta van? Nem, az egyik alatta, a másik felette. Van valamilyen szabályosság az ingadozásban? Nincs. Azt is mondhatjuk, hogy az - 91 -

A NORMÁLIS ELOSZLÁS MINT MODELL ingadozás véletlenszerű, nem lehet pontosan előre jelezni a mértékét. Csak azt tudjuk megmondani, hogy milyen valószínűséggel vesz fel egy bizonyos értéket. Lesz egy határozatlansági tartomány, amit nem tudunk nullára csökkenteni. Egyetlen kockával kísérleteztünk, és megállapítottuk, hogy dobások eredménye egyenletes eloszlást követ, mivel a lehetséges események valószínűsége egyforma. Vegyünk hat dobókockát, tegyük bele egy pohárba, és dobjunk velük háromszázszor, és jegyezzük fel a kockák összegét. Vajon most mik a lehetséges események? A hat kocka legkisebb összege hat, a legnagyobb harminchat. E két érték között bármelyik előfordulhat. Most ezek a lehetséges események. Milyen valószínűséggel? Ezek valószínűségei is egyenlők? Végezzük el a kísérletet és szintén készítsünk egy oszlopdiagramot. Az eredmény teljesen másként néz ki, mint az előbb. A közepén gyakrabban fordulnak elő értékek, és a két széle felé haladva egyre ritkábban. Ennek az oka, hogy a kis és nagy értékeket kevés számú variációból lehet előállítani. Pl. hatot csak egyféleképpen tudunk dobni. Minden kockának egyest kell mutatni. Ennek a valószínűsége elég kicsi, 1/6 a hatodikon. A harminchattal ugyanez a helyzet. A legtöbb variációval a 21 összeg állítható elő. Hat dobókocka összegének alakulásában egy dobókocka már kisebb súllyal vesz részt. Minél több tényező, minél kisebb súllyal alakít egy jelenséget, annál inkább hasonlít a 48. ábrára.

47. ábra: Hat dobókocka dobásainak eredménye A következő ábra a hat dobókocka variációinak számát mutatja.

- 92 -

A NORMÁLIS ELOSZLÁS MINT MODELL

48. ábra: Hat dobókocka variációinak száma Ez egy szép szimmetrikus eloszlás, a 21-s érték körül jobbra-balra megegyeznek az értékek. Ez már nagyon hasonlít a Gauss-féle haranggörbére, ami a normális eloszlás sűrűségfüggvénye.

49. ábra: Abraham de Moivre (1667-1754)

- 93 -

A NORMÁLIS ELOSZLÁS MINT MODELL A normális eloszlás görbéjét először egy francia matematikus, Abraham de Moivre fedezte fel és közölte le 1733-ban. A normális eloszlást tudományosan két matematikuscsillagász, a francia Pierre-Simon Laplace és a német Carl Friedrich Gauss alapozta meg. Többen úgy vélik, hogy Laplace hozzájárulása a normális eloszlás tulajdonságainak tisztázásához jelentősebb volt, mint Gaussé, mégis Gauss után nevezték el a normális eloszlást Gauss eloszlásnak, miután Gauss volt az első, aki a normális eloszlást égitestek mozgására alkalmazta.

50. ábra: Pierre-Simon Laplace (1749-1827) A természetben nagyon sok mért paraméter normális eloszlással írható le, mint például az egyének magassága, vérnyomása, súlya, stb. Ez a modell jól leírja a mérési értékeknek a középérték (várható érték) körüli szóródását. A normális elnevezés arra utal, hogy a mért adatainktól ezt várjuk, mert ez a természetes viselkedésük. Mint említettük, a matematikai modelleket gyakran függvény formájában adják meg. A normális eloszlás sűrűségfüggvénye:  1 f ( x)  e  2

 x  2

ahol π: 3,14… e: természetes alapú logaritmus alapja, 2,7182818… x: a vizsgált érték μ: a sokaság valódi számtani átlaga

- 94 -

2 2

A NORMÁLIS ELOSZLÁS MINT MODELL

51. ábra: Carl Friedrich Gauss (1777-1855)

52. ábra: A normális eloszlás sűrűségfüggvénye

- 95 -

A NORMÁLIS ELOSZLÁS MINT MODELL Az 52. ábra egy 50 cm várhatóértékű sütőtök sűrűségfüggvényét mutatja. Az ábrán jól látható, hogy az átlagnál jóval kisebb vagy nagyobb sütőtökök előfordulási valószínűsége egyre kisebb és kisebb. Becslésre azonban nem ez, hanem az integrált alakja alkalmas, amelyet eloszlás függvénynek nevezünk. A normális eloszlás eloszlásfüggvénye: x

− 1 F( x )= e ∫ σ √2π −∞

( x−μ )2 2σ2

dx

53. ábra: A normális eloszlás eloszlásfüggvénye Az eloszlásfüggvény megadja, hogy egy adott x értéknél kisebb értékek előfordulásának mekkora a valószínűsége. A fenti ábrán az 50-nél kisebb értékek előfordulási valószínűsége 0,5. Valószínűleg ez lehet a medián, mivel a medián egyik tulajdonsága, hogy a megfigyelések fele kisebb, mint a medián. A normális eloszlás jelölése: N(μ, σ) Ennek az eloszlásnak két paramétere van, a mű a sokaság középértéke, számtani átlaga és szigma a sokaság szórása. A két paraméter független egymástól. Amennyiben valamilyen összefüggés létezne közöttük, akkor elég lenne csak egy paraméter. A mű értékét a matematika könyvek várható értéknek nevezik. A középérték és szórás mértékegységgel rendelkezik, mely megegyezik az alapadatok mértékegységével. Normális eloszlású sokaságnál a várhatóérték a medián és a módusz megegyezik. Ezért lehetséges a várhatóértéket a medián és módusz tulajdonságaival felruházni. Nem szimmetrikus, pl. jobbra vagy balra ferde eloszlás esetén a várhatóérték, medián és módusz három különböző érték, ezért a számtani átlag nem rendelkezik a medián és módusz tulajdonsá- 96 -

A NORMÁLIS ELOSZLÁS MINT MODELL gaival. Sokszor itt szoktak visszaélni a statisztikával, és olyan dolgokat állítanak az átlagról, amely nem igaz. Különböző tulajdonságú jelenségek összehasonlításakor azonban jó lenne, ha a mértékegységek és nagyságrendek megegyeznének, és a különbségek nem ezekből adódnának. Hogyan lehetne standardizálni az adatokat? Erre a statisztikában az alábbi eljárást alkalmazzák: x   zi  i



A képlet számlálójában egy skála-eltolás szerepel. Minden egyes mérési adatból kivonjuk a számtani átlagot. Amennyiben nem ismerjük a sokaság tényleges középértékét, akkor a mintából becsült értéket használjuk. Ezzel az eljárással a standardizált értékek várható értéke nulla lesz. Miért? Mert a számtani átlagtól vett eltérések összege nulla, ha a jelenség normális eloszlású. A nevezőben skála transzformáció történik. Az előző különbséget elosztjuk a szórással. Amennyiben nem ismerjük a sokaság valódi szórását, akkor ezt is a mintából becsüljük. Ezzel az eljárással a standardizált értékek szórása egy lesz. Tehát a z-értékek várható értéke nulla, szórása pedig egy lesz. A standardizált értékeknek nincs mértékegysége. A standardizálás során a minta eredeti jellemzői nem változnak, csak uniformizálódnak. Ezek az értékek szintén normális eloszlásúak, és standard normális eloszlásnak nevezzük. Jelölése: N(0, 1) Ezt az eloszlást használjuk a statisztikában a különböző eljárások és tesztek során. A standard normális eloszlás sűrűségfüggvénye: 2

x  1 ( x )  e 2 2

- 97 -

A NORMÁLIS ELOSZLÁS MINT MODELL

0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 -5

-4

-3

-2

-1

0

1

2

3

4

5

54. ábra. A standard normál-eloszlás sűrűségfüggvénye: A maximuma:

1 2

, ami egyben a számtani átlag, a medián és a módusz is.

A standard normális-eloszlás szimmetrikus. Differenciálással meggyőződhetünk róla, hogy az f(x) függvénynek két inflexiós pontja van, mégpedig a µ - σ és µ + σ helyeken. Normális eloszláscsaládba tartozó függvények alakja hasonló, egyik a másikba átszámolható, az x tengely menti elhelyezkedésüket a µ , a szélességét pedig a σ paraméter határozza meg. A µ változtatása a Gauss görbe eltolását jelenti az x tengely mentén. A σ (szigma) megváltoztatása a görbe laposságát befolyásolja, minél nagyobb a σ, annál laposabb és szélesebb a görbe. Minden esetben, (így a σ megváltoztatásánál is) a görbe alatti terület mindig egyforma, 1-gyel egyenlő, a biztos esemény valószínűségét adja meg. A sűrűségfüggvény kumulálásával (integrálásával) kapjuk az eloszlásfüggvényt. Valójában a statisztikai tesztekben ezt használjuk a valószínűségek meghatározásakor. A standard normális eloszlás eloszlásfüggvénye: ( x) 

1 2

- 98 -

x

e





x2 2

dx

A NORMÁLIS ELOSZLÁS MINT MODELL 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 -4

-3

-2

-1

0

1

2

3

4

55. ábra: A standard normális eloszlás eloszlásfüggvénye

Az eloszlásfüggvényről leolvashatjuk egy adott x értéknél kisebb értékek előfordulási valószínűségét (x-től balra eső értékek). A hipotézisvizsgálatokban leggyakrabban kétoldali szimmetrikus feltételezéssel élünk, ezért egy adott tartományba esés valószínűségét kell meghatározni. Az integrálási szabályoknak megfelelően a nagyobbik érték valószínűségéből kivonjuk a kisebbik érték valószínűségét. Mi annak a valószínűsége, hogy egy standard normális eloszlású változó -1 és 1 közötti értéket vegyen fel? Az 1-nél kisebb értékek előfordulási valószínűsége 84%. A -1-nél kisebb értékek előfordulási valószínűsége 16%. A kettő különbsége 68%. Ezek szerint a középérték körül egy szórásnyi távolságra az adatok 68%, durva közelítéssel 2/3-a található. Minden három megfigyelésből kettő ide esik.

1

0,84

0,9 0,8 0,7 0,6 0,5 0,4 0,3

0,16

0,2 0,1 0 -4

-3

-2

-1

0

1

2

56. ábra: Egy szórásnyi távolság a középérték körül

- 99 -

3

4

A NORMÁLIS ELOSZLÁS MINT MODELL A normális eloszlás nevezetes értékei: Megbízhatóság % z 68

1

95

1,96

99

2,58

99,9

3,29

A fenti táblázatban a z értékét a számtani átlag körül két oldalon szimmetrikusan kell értelmezni, jelölése: μ ± z. Minél nagyobbra növeljük az átlag körüli intervallumot, annál nagyobb a valószínűsége, hogy a megfigyelés beleesik. Példa: Számoljuk ki, hogy mi a valószínűsége annak, hogy 1 081 kg-nál kisebb értéket mérünk egy 1 500 kg várható értékű, 552 kg szórású normál-eloszlású sokaságban. Az első lépésben standardizálni kell az adatokat. Ezt a MS Excel programban a normalizálás függvénnyel tudjuk megtenni. NORMALIZÁLÁS(1081;1500;552) ez nem más mint a zi=(1081-1500)/552=-0,75906. Mi a valószínűsége, hogy egy standard normális eloszlású sokaságban ennél kisebb értéket kapjunk? Ezt az Excelben a stnormeloszl() függvénnyel tudjuk meghatározni. STNORMELOSZL(-0,75906)=0,22391 Megközelítően tehát 22% a valószínűsége, hogy ennél kisebb értéket kapunk. Mi a valószínűsége, hogy ennél nagyobbat? 100%-22%=78%. A normális eloszlás modellünkkel becsülhetjük a jövőbeli események valószínűségét. Ez a tudomány egyik legfontosabb feladata. A modell jóságának ellenőrzése kísérlettel történik, amit ebben az esetben tágabban kell értelmezni. Ez a „kísérlet” lehet megfigyelés vagy tényleges, ellenőrzött körülmények között végrehajtott kísérlet. Amennyiben a kísérlet igazolja becsléseket, a modell jó. Ha nem, akkor újabb modellt kell választani vagy készíteni. A normális eloszlás alapvető összefüggései: x

F( x )= ∫ f (x ) dx −∞

Az eloszlásfüggvény az x és mínusz végtelen tartományba esés valószínűségét adja meg. +∞

F( x )= ∫ f (x ) dx=1 −∞

A plusz-mínusz végtelen tartományba esés valószínűsége 1, azaz 100%. lim F( x )=0

x →−∞

Amennyiben az x érték tart a mínusz végtelenbe, az előfordulás valószínűsége tart a nullához. - 100 -

A NORMÁLIS ELOSZLÁS MINT MODELL lim F( x )=1

x →+ ∞

Amennyiben az x érték tart a plusz végtelenbe, az ennél kisebb értékek előfordulási valószínűsége tart az egyhez. A normális eloszlás jellemzésére mutatószámokat használunk. Az egyik a ferdeség (skewness), a másik a csúcsosság (kurtosis) mutatója. A ferdeség meghatározása: β 1=

n

n



 n−1   n−2  i=1

  x i− x s

3

Ez az aszimmetria mérőszáma. Értéke mínusz és plusz tartományba eshet. Nulla esetén az eloszlás szimmetrikus. Ilyen a normális eloszlás. Ebben az esetben a medián, módusz és a számtani átlag megegyezik. Amikor a módusz a medián baloldalára csúszik, az eloszlásnak hosszú jobboldali része, farka lesz (right tail), ekkor jobbra ferde az eloszlás, ilyenkor pozitív ferdeséggel rendelkezik. Amikor a medián jobb oldalára kerül a módusz, baloldalon lesz hosszú farka az eloszlásnak, ilyenkor negatív ferdeségről beszélünk, balra ferdül az eloszlás. Amennyiben a ferdeség értéke nagyobb, mint egy, az eloszlás nem normál. A ferdeség standard hibáját is érdemes meghatározni. Abban az esetben, ha a ferdeség értéke meghaladja a standard hiba kétszeresét, akkor az eloszlás szignifikánsan nem szimmetrikus. Lényegében a ferdeség megítélése a módusz alapján a legegyszerűbb. Meg kell vizsgálni, hogy a módusz a medián melyik oldalára kerül. Amelyik oldalon található, a másik oldalon ferde az eloszlás. Az aszimmetriát egyéb mutatóval is mérhetjük, ilyenek az: aszimmetria hányados, Pearson-féle mutató, Bowley-mutató és az F-mutató. 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 0

2

4

6

8

57. ábra: Pozitív ferdeség, jobbra ferde eloszlás

- 101 -

10

12

A NORMÁLIS ELOSZLÁS MINT MODELL Az adatok középpont körüli csoportosulását a csúcsossági mutatóval (kurtosis) mérhetjük. Ez az elnevezés megtévesztő, mert valójában nem a csúcsosságot, hanem a normális eloszlás alakját jellemzi. Ezért jobb, ha a kurtózis kifejezést használjuk, és nem a félreértelmezett csúcsosságot. Normál eloszlás esetén az értéke ennek is nulla. A kurtózis pozitív értéke azt mutatja, hogy az adatok keskenyebb csoportban helyezkednek el, a módusz jobban kiemelkedik, mint a normális eloszlásnál. Negatív kurtózis esetében szélesebb csoportban helyezkednek el az adatok, a módusz közelebb kerül az x-tengelyhez, az eloszlás két farka vastag lesz. Az 58. ábra két normális eloszlást mutat. A kék eloszlás szórása nagyobb, az adatok szélesebb csoportba helyezkednek el. Ennek ellenére a két eloszlás kurtózis értéke nulla, mivel mindkettő normális eloszlású. 0,7 0,6 0,5 0,4

lapos csúcsos

0,3 0,2 0,1 0 -5

-4

-3

-2

-1

0

1

2

3

4

5

58. ábra: Két normális eloszlás „lapos és csúcsos eloszlás”, a kurtózis=0 mindkettőnél

{

A kurtózis képlete:

 }

n x i− x n  n1  β 2= ∑  n−1   n−2   n−3  i=1 s

4

2

3  n−1  −  n−2   n−3 

A kurtózis értékek értelmezése: nulla esetén normális eloszlású a sokaság, pozitív érték esetén a módusz jobban kiemelkedik, mint a normális eloszlásnál, negatív érték esetén a módusz közelebb kerül az x-tengelyhez, mint normális eloszlás esetén. Statisztikailag igazolt (szignifikáns) eltérés: a kurtózis értéke meghaladja a standard hibájának kétszeresét. Egy sokaság eloszlásának megállapításához illeszkedésvizsgálatot kell végezni. Ennek a lényege, hogy az elméleti és tapasztalati gyakoriság mennyire hasonlít egymásra. Ilyenkor feltételezzük, hogy a kettő tökéletesen megegyezik (H 0). Amennyiben ezt nem tudjuk megerősíteni a statisztikai teszttel, akkor az eloszlás nem normális, ill. az általunk - 102 -

A NORMÁLIS ELOSZLÁS MINT MODELL elképzelt eloszlástól jelentős mértékben eltér. Az egyik leggyakrabban használt numerikus módszer a Kolmogorov-Smirnov teszt. Ezt a tesztet az R programcsomag segítségével tudjuk elvégezni. R statisztika ks.test(x, „pnorm”, mean(x), sd(x))

Kolmogorov-Smirnov teszt. X a vizsgált valószínűségi változó. „pnorm” a normális eloszlás eloszlásfüggvénye, mean() a mintából becsült számtani átlag, sd() a mintából számolt szórás. Ezek a normális eloszlás paraméterei.

data: residuals(model) D = 0.033, p-value = 0.6743 alternative hypothesis: two-sided

28. táblázat:A Kolmogorov-Smirnov teszt eredménye

data: a valószínűségi változó, alapadatok, D: a teszt statisztikája, p-value: az elsőfajú hiba elkövetésének valószínűsége, az alternatív hipotézis kétoldali. Az elsőfajú hiba valószínűsége (0,6743*100%) jócskán meghaladja a 10%-t, ezért ebben a példában a vizsgált sokaság normális eloszlásúnak tekinthető. Az elsőfajú hibáról és a hipotézis vizsgálatokról a 120. oldalon kezdődő Hipotéziselmélet fejezetben lesz részletesen szó. Egyéb normalitásvizsgálat is létezik, pl. Shapiro-Wilk teszt. Ez kis elemszám, kevesebb, mint 50 esetén jobban használható, mint a Kolmogorov-Smirnov. R statisztika Shapiro-Wilk teszt. x a vizsgált valószínűségi változó.

shapiro.test(x)

Shapiro-Wilk normality test data: residuals(model) W = 0.991, p-value = 0.00509

29. táblázat:A Shapiro-Wilk teszt eredménye

data: a valószínűségi változó, alapadatok, W: a teszt statisztikája, p-value: az elsőfajú hiba elkövetésének valószínűsége, az alternatív hipotézis kétoldali. Az elsőfajú hiba valószínűsége (0,00509*100%), ez sokkal kisebb, mint 10%, ezért ebben a példában a vizsgált sokaság nem tekinthető normális eloszlásúnak.

- 103 -

A NORMÁLIS ELOSZLÁS MINT MODELL

59. ábra:QQ ábra az R statisztikai programcsomaggal Grafikus normalitás vizsgálatoknál az elméleti és tapasztalati értékeket ábrázoljuk egy koordináta rendszerben. Az x-tengelyen a megfigyelt, az y-tengelyen az elméleti értékek láthatók. A Q-Q diagram a megfigyelt értékek függvényében mutatja az elméleti, pontosabban a standardizált elméleti értékeket. Ahol az y-érték egyenlő nullával, ott van a megfigyelt értékek számtani átlaga. A zöld átlós vonal mutatja a tökéletes illeszkedést, a körök az elméleti értékeket. Minél jobban az átlós vonalon helyezkednek el, annál tökéletesebb az illeszkedés. Természetesen tökéletes illeszkedést ne várjunk. A normális eloszlásról tanultakat a 60. ábra foglalja össze. Az ábra a z-érték függvényében mutatja az előfordulás valószínűségét.

- 104 -

A NORMÁLIS ELOSZLÁS MINT MODELL

0,45 0,4 0,35 0,3 0,25 0,2 0,15

34,1%

0,1

34,1% 13,6%

13,6%

0,05 0 -4

-3

-2

-1

0

1

2

3

4

60. ábra: A standard normális eloszlás összefoglalása Excel függvények: NORM.ELOSZL(x;középérték;szórás;eloszlásfv) X: Az az érték, amelynél az eloszlást ki kell számítani. Középérték: Az eloszlás középértéke (várható értéke). Szórás: Az eloszlás szórása. Eloszlásfv: Logikai érték. Ha értéke IGAZ, akkor a NORM.ELOSZL függvény az eloszlásfüggvény értékét számítja ki, ha értéke HAMIS, akkor a sűrűségfüggvényét.

Példa Ábrázoljuk az alábbi jellemzőkkel rendelkező mintát. Tételezzük fel, hogy normális eloszlású. Jellemző értékek: átlag 100 kg, szórás 10 kg. Ehhez az Excel táblázatkezelő programban a NORM.ELOSZL(x;100;10;hamis) függvényt kell választani. Az 61. ábra a sűrűségfüggvényt, az 62. ábra az eloszlásfüggvényt mutatja. Az 62. ábra segítségével gyakorlati problémákat oldhatunk meg, pl.: Mi a valószínűsége, hogy 80 kg-nál kisebb lesz a következő véletlenül kiválasztott mintaelem? Húzzunk egy függőleges vonalt 80-nál, és ahol metszi a narancs színű görbét olvassuk le az y-tengely értékét. Ez adja meg a kérdésre a választ. A valószínűség közelítően 2%. Mit jelent ez? Azt, hogy száz próbálkozásból várhatóan kétszer kapunk kisebbet, mint 80. Az 62. ábrát intervallumbecslésre is használhatjuk. Ilyenkor a nagyobb érték valószínűségéből le kell vonni a kisebb érték valószínűségét.

- 105 -

A NORMÁLIS ELOSZLÁS MINT MODELL 0.05 0.04 0.04 0.03 0.03 0.02 0.02 0.01 0.01 0 50

60

70

80

90

100

110

120

130

140

150

130

140

150

61. ábra: NORM.ELOSZL(x;100;10;igaz) 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 50

60

70

80

90

100

110

120

62. ábra: NORM.ELOSZL(x;100;10;hamis) Excel függvények: INVERZ.NORM(valószínűség;középérték;szórás) Valószínűség: A standard normális eloszláshoz tartozó valószínűség. Középérték: Az eloszlás középértéke (várható értéke). Szórás: Az eloszlás szórása. Megjegyzés Ha bármelyik argumentum értéke nem szám, akkor az INVERZ.NORM az #ÉRTÉK! hibaértéket adja vissza.

- 106 -

A NORMÁLIS ELOSZLÁS MINT MODELL Ha valószínűség < 0 vagy valószínűség > 1, akkor az INVERZ.NORM eredménye a #SZÁM! hibaérték lesz. Ha szórás ≤ 0, akkor az INVERZ.NORM a #SZÁM! hibaértéket adja eredményül. Az INVERZ.NORM a standard normális eloszlást használja, ha középérték = 0 és szórás = 1 (lásd INVERZ.STNORM). STNORMELOSZL(z) Z: Az az érték, amelynél az eloszlást ki kell számítani. Megjegyzés Ha a z argumentum értéke nem szám, akkor a STNORMELOSZL az #ÉRTÉK! hibaértéket adja eredményül. INVERZ.STNORM(valószínűség) Valószínűség: A standard normális eloszláshoz tartozó valószínűség. Megjegyzés Ha a valószínűség értéke nem szám, akkor az INVERZ.STNORM az #ÉRTÉK! hibaértéket adja eredményül. Ha valószínűség < 0 vagy valószínűség > 1, akkor az INVERZ.NORM eredménye a #SZÁM! hibaérték lesz. Az INVERZ.STNORM függvény adott valószínűségértékkel olyan z értéket keres, amelynél STNORMELOSZL(z) = valószínűség. Így az INVERZ.STNORM pontossága függ az STNORM.ELOSZL pontosságától. Az INVERZ.STNORM függvény iterációs keresési eljárást alkalmaz. Amennyiben a keresés nem konvergál 100 lépés után, a függvény #HIÁNYZIK hibaértékkel tér vissza.

R statisztika dnorm(x, mean=0, sd=1, log=FALSE

Normáliseloszlás sűrűségfüggvénye. A példában standard normál-eloszlás. mean=számtani átlag, sd=szórás. log=logaritmus

pnorm(x, mean=0, sd=1, lower.tail=TRUE, log.p=FALSE)

Normáliseloszlás eloszlásfüggvénye. A példában standard normál-eloszlás.lower.tail=TRUE az eloszlás baloldalát határozza meg.P[X<=x].

qnorm(p, mean=0, sd=1, lower.tail=TRUE, log.p=FALSE)

Inverz normáliseloszlás. Az adott p valószínűséghez tartozó z-érték meghatározása.

rnorm(n, mean=0, sd=1)

Normáliseloszlású véletlenszám-generátor. n=véletlenszámok száma.

- 107 -

KONFIDENCIAINTERVALLUM

Konfidenciaintervallum Mivel a természetben a jelenségek nem vesznek fel mindig pontosan ugyanolyan értéket (sztochasztikus jelenségek), ezért érdemes meghatározni azt a tartományt, ahová bizonyos valószínűséggel esnek. Ez a bizonytalanság a fizikában határozatlansági elvként ismert. A statisztikában is az értékek egy átlag körül ingadoznak. A következő kísérletben nem tudjuk pontosan előrejelezni, hogy milyen értéket fog felvenni, csak azt tudjuk meghatározni, korábbi tapasztalataink alapján, hogy milyen valószínűséggel esik egy bizonyos tartományba. E határozatlansági elv gyakorlati alkalmazása napjainkban az elektronikában és számítástechnikában csúcsosodik ki. Ezek a statisztikus fizika kézzelfogható eredményei. A pontbecslés tehát nem járható út, ezért át kell térni a intervallumbecslésre. A statisztikában az alapsokaság ismeretlen jellemzőinek (paraméterek) valódi értékeit a mintából becsüljük, ezért ezek a becsült jellemzők is valószínűségi változók, az értékük mintáról-mintára változik. Ilyen jellemző pl. a relatív gyakoriság, számtani átlag, szórás, stb. Azt a tartományt amiben adott valószínűség mellett megtaláljuk a sokaság jellemzőinek valódi értékeit (számtani átlag, szórás, relatív gyakoriság, stb.) konfidenciaintervallumnak nevezzük. Az eljárás során meghatározzuk a becsült paraméter alsó és felső korlátját. A konfidenciaintervallumot megbízhatósági tartománynak is hívják, ezért a továbbiakban a két fogalmat szinonimként fogjuk használni.

A relatív gyakoriság konfidenciaintervalluma Vegyük a legegyszerűbb példát, amikor egy eseménynek csak két kimenetele lehet. Például a nemek. Vagy nő, vagy férfi. Ezt binomiális eloszlással lehet modellezni. Ezzel az eloszlással a visszatevéses mintavétel ragadható meg, vagyis olyan helyzeteket lehet vele modellezni, ahol egy véletlen kísérletet tetszőlegesen sokszor lehet megismételni ugyanolyan körülmények között, miközben azt figyeljük meg, hogy az n ismétlés során hányszor következett be a vizsgált esemény. Jelölje ezt k. Amennyiben az események számát elosztjuk a kísérletek számával, megkapjuk a becsült relatív gyakoriságot. Miért becsült? Azért, mert a mintából becsüljük. Relatív gyakoriság: p=

k n

A fenti képletben tehát az esemény bekövetkezésének gyakoriságát k-val jelöljük. A p kalap csak 0 < p < 1 közötti értéket vehet fel. Példa az egyetemista lányokról: Mi annak a valószínűsége, hogy az egyetem hallgatói közül véletlenül kiválasztott százelemű mintában 80 lány lesz? Vegyük elő a binomiális eloszlás sűrűségfüggvényét. A binomiális eloszlás sűrűségfüggvénye:

()

k n−k P( x=k)= n p (1−p) , k=0,1, 2, 3, …, n k

- 108 -

KONFIDENCIAINTERVALLUM Hogyan kell olvasni a képletet? P jelenti a valószínűséget. A zárójelben található a feltétel, x egyenlő k-val. Esetünkben k egyenlő 80-nal. A képlet baloldala tehát „mi annak a valószínűsége, hogy x (a sikeres események száma) egyenlő lesz 80-nal. Hányféleképpen tudunk kiválasztani százból nyolcvanat? N alatt a k. Mit jelent a p? A p a lányok valószínűsége. Ez egy normális populációban megközelítően 0,5. A fiúk valószínűsége 1-p, ami ebben az esetben szintén 0,5. Annak a valószínűsége, hogy egymásután 80 lány kerül a mintába 0,5 a nyolcvanadikon szorozva 0,5 a huszadikonnal. A képletbe behelyettesítve: 4,23*10-10-t kapunk. Ez egy nagyon kicsi szám, gyakorlatilag alig fordulhat elő, hogy a véletlenül kiválasztott száz emberből nyolcvan nő legyen. Előfordulhat, csak nagyon ritkán. Melyik érték előfordulásának a legnagyobb a valószínűsége? Az n*p értéknek. Azaz 100*0,5 egyenlő 50. Ez a binomiális eloszlás várható értéke: E(x) = np. Mi annak a valószínűsége, hogy pontosan 50 lány lesz a mintában? A binomiális eloszlás sűrűségfüggvénye szerint, 0,0795 azaz megközelítően 8%. A fent bemutatott példa olyan szakokra vonatkozik, ahol a fiuk és lányok száma megegyezik. A „lányos” és „fiús” szakok esetén természetes nem 0,5 a valószínűsége a lány választásának.

0,09 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0 1

11

21

31

41

51

61

71

81

91

63. ábra: Binomiális eloszlás, lányok száma A binomiális eloszlású változó szórása: D(X )= √np (1− p)

A relatív gyakoriság konfidenciaintervallumát többféleképpen is becsülhetjük. Közelíthetjük normál-eloszlással és F-eloszlással.

- 109 -

KONFIDENCIAINTERVALLUM A normál-eloszlást akkor alkalmazzuk, ha a minta nem túl kicsi, és a relatív gyakoriságok nem túlságosan szélsőségesek. Ebben az esetben teljesülnie kell, hogy np>5 és n(1p)>5. A relatív gyakoriság 95%-s konfidenciaintervalluma:





x −0,5 p 1− p  x −0,5 p 1− p  −1,96 π  1,96 n n n n

Az 1,96 a standard normális eloszlás 95% valószínűségéhez tartozó z-érték. Más valószínűséghez a hozzátartozó z-értéket kell a képletbe helyettesíteni. Példa: A dohányzás relatív gyakoriságának becslése egy nem valós felmérés alapján. n = 100 k = 30 p = 30/100 = 0,3 Várható érték = 30 Szórás = √ 100∗0,3 (1−0,3) 95%-s megbízhatósági tartomány félének a szélessége: 1,96



0,3 (1−0,3) =0,0898 100

Ezt az értéket kell levonni, ill. hozzáadni a relatív gyakorisághoz. Így az alsó széle: 0,205, a felső széle: 0,385 adódik. Tehát 95%-s valószínűséggel a sokaság valódi relatív gyakorisága ezen intervallumon belül helyezkedik el. A π-re vonatkozó pontosabb érték, különösen np<5, vagy n(1-p)<5 esetén, az F-eloszlás segítségével. A relatív gyakoriság konfidenciaintervalluma:  x1 F ν1, ν2, α x π  x n−x1 F ν1, ν2, α n−x x1 F ν1, ν2,α

Ez a konfidenciaintervallum nem szimmetrikus, ezért a bal és jobboldali szabadságfokok különbözőek. Az F-eloszlás szabadságfokait nem v-vel, hanem nűvel jelöljük, ami kicsit hasonlít a v betűre. A szabadságfokokat szokták még FG 1-gyel illetve FG2-vel is jelölni. bal oldalon: ν 1=2(n−x + 1) , ν 2=2x

jobb oldalon: ν 1=2( x+ 1), ν 2 =2(n−x)

A becslés során szóba került az F-eloszlás. Ez az eloszlás nem szimmetrikus, mint a normális eloszlás. Három különböző F-eloszlás látható az 64. ábrán.

- 110 -

KONFIDENCIAINTERVALLUM

1 0,9 0,8 0,7 0,6

FG1=30, FG2=30 FG1=7, FG2=31 FG1=1, FG2=1

0,5 0,4 0,3 0,2 0,1 0 0

2

4

6

8

10

12

64. ábra: F-eloszlások A jelmagyarázatban az FG rövidítés az eloszlás szabadságfokait jelenti. Ezt az eloszlást a tankönyv második kötetében tárgyaljuk részletesen. A 95%-os megbízhatósági tartományhoz tartozó alfa valószínűség egyenlő 0,05-dal. Az alfa az elsőfajú hiba valószínűsége, ami egyenlő (1-megbízhatósági valószínűség). Számítsuk ki újból a relatív gyakoriság konfidenciaintervallumát. Baloldali nű1 = 142 nű2 = 60 F = 1,45 C.I. 95% = 0,22 Jobboldali nű1 = 62 nű2 = 140 F = 1,41 C.I. 95% = 0,38 Az F-eloszlás segítségével 95%-s valószínűséggel a sokaság valódi relatív gyakorisága 0,22 és 0,38 között van. Ez nem sokkal tér el a normális eloszlással kapott konfidenciaintervallumtól. Hogyan lehetne csökkenteni ezt az intervallumot? A megfigyelések számának növelésével.

- 111 -

KONFIDENCIAINTERVALLUM R statisztika dbinom(x, size, prob, log=FALSE

Binomiális eloszlás sűrűségfüggvénye. x=vektor, alapadatok. size=próbálkozáso száma, prob=a sikeres események valószínsége.

pbinom(x, size, prob, lower.tail=TRUE, log.p=FALSE)

Binomiális eloszlás eloszlásfüggvénye. lower.tail=TRUE az eloszlás baloldalát határozza meg.P[X<=x].

qbinom(p, size, prob, lower.tail=TRUE, log.p=FALSE)

Inverz binomiális eloszlás. Az adott p valószínűséghez tartozó binomiális-érték meghatározása.

rbinom(n, size, prob)

Binomiális eloszlású véletlenszám-generátor. n=véletlen számok száma.

A medián konfidenciaintervalluma Mediánt legalább ordinális tulajdonsággal rendelkező változók esetén szabad meghatározni. Tehát x1, x2, x3, …, xn nagyság szerint sorrendbe rendezhető. A medián megbízhatósági intervallumának meghatározásához a normális eloszlás nem feltétel. A medián konfidenciaintervalluma: x h1Mex n−h h=

n−1−z √ n 2

h csak egész szám lehet, egyszerű kerekítéssel kapjuk meg. z nevezetes értékei 68%, 95% és 99%-os valószínűség mellett 1,63; 1,96 és 2,58. Példa: Számítsuk ki egy 101 elemű minta mediánjának 95%-os megbízhatósági tartományát. Tehát, n = 101 és a Me = 51. adat értékével. A fenti képletet alkalmazva, ahol z egyenlő 1,96-tal, h = 40. Ebből adódóan: C.I. 95% alsó = 41. adat értéke C.I. 95% felső = 61. adat értéke Azaz 95%-s valószínűséggel a valódi medián a 41. és 61. adat között helyezkedik el.

- 112 -

KONFIDENCIAINTERVALLUM R statisztika median(x)

A minta mediánja.

qnorm(p, mean=0, sd=1, lower.tail=TRUE, log.p=FALSE)

Inverz normális-eloszlás. Az adott p valószínűséghez tartozó z-érték meghatározása.

A számtani átlag konfidenciaintervalluma A számtani átlag megbízhatósági intervallumának becslését két nagy csoportra bonthatjuk: 1. A sokaság valódi szórása, σ ismert 2. A sokaság valódi szórása, σ ismeretlen, a mintából kell becsülni Amennyiben a sokaság valódi szórása ismert, akkor a standard normális eloszlás z-értékeit használhatjuk a becsléshez, mivel egy ismert várhatóértékű (µ) és szórású (σ) normális eloszlásból vett véletlenszerű minta empirikus várható értékével számított u paraméter standard normális eloszlást követ. A számtani átlag megbízhatósági tartománya:



P x −z α /2



s s μx z α / 2 =1−α n n

A fenti képlet értelmezése: annak a valószínűsége, hogy a sokaság valódi középértéke az adott intervallumba essen – pontosan ±1 szórásnyi távolságon belülre – 1-α. Ismeretlen σ esetén a sokaság szórását a mintából kell becsülni, amely szintén hibával terhelt, mint a számtani átlag. Mi történik akkor, ha a szórást nem ismerjük, és a mintából becsüljük meg a korrigált empirikus szórás (s) segítségével. Az így számított statisztika milyen eloszlást követ? Ebben az esetben nem használhatjuk a standard normális eloszlást. Helyette a Student-féle t-eloszlást kell alkalmazni. A számtani átlag megbízhatósági tartománya ismeretlen szórás esetén:



P x −t α / 2



s s μx t α /2 =1−α n n

A fenti problémát W. S. Gossett statisztikus oldotta meg, és „Student” álnéven közölte az eredményeket 1908-ban. Az alábbi összefüggés alapján számolta ki a t paramétert. x −μ t=  s/n

Ezt a valószínűségi változót Student t-eloszlásnak hívjuk. Gossett kimutatta, hogy a teloszlás hasonlít a standard normális eloszláshoz, de egy kissé szélesebb eloszlást mutat, azaz kevésbé „csúcsos”, és az eloszlás alakja függ a minta méretétől, egészen pontosan (n-1)-től, a minta szabadságfokától. A t-eloszlás szimmetrikus és a szabadságfok növelésével egyre inkább megközelíti a standard normális eloszlást. - 113 -

KONFIDENCIAINTERVALLUM A t-eloszlás sűrűségfüggvénye:

    

Γ f  x=

n1 2

n x2 1  π n Γ 2 n

n1 2

ahol: n= szabadságfok Γ= gamma eloszlás, ezt most nem részletezzük A 65. ábra két t-eloszlást mutat, a kék szabadságfoka 100, a narancs színűé 2. Mindkét eloszlás görbe alatti területe egy, azaz az összes lehetséges események valószínűségének összege.

0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 -5

-4

-3

-2

-1

0

1

2

3

4

5

65. ábra: Student-féle t-eloszlások A t-eloszlásnak nagy a gyakorlati jelentősége. Sok statisztikai teszt használja. A hétköznapi életben minősítő vizsgálatoknál, etalonhoz hasonlításnál, illetve „teljesíti-e az előírást a termék vagy szolgáltatás” típusú problémák megválaszolására használjuk.

- 114 -

KONFIDENCIAINTERVALLUM

66. ábra: William Sealy Gosset, 1876-1937, alias Student, 1908-ban Példa: Vizsgáljuk meg az áruházban kapható kefir zsírtartalmát. Az előírás 3%-t ír elő, ez van feltüntetve a dobozon. A gyártás során a zsírtartalom szórása 0,5%. Vegyünk egy harminc elemű mintát, és nézzük meg, hogy a zsírtartalom teljesíti-e a 3%-t. A minta jellemzői: n=30; átlag= 3,2%; s=0,5% Vajon a 3,2%-s mintaérték tekinthető-e statisztikai értelemben 3%-nak? Számítsuk ki a középérték 95%-s konfidenciaintervallumát. Ehhez először határozzuk meg a standard hibát. A standard hiba: s ̄x =0,091 % . A konfidenciaintervallum félszélessége: 1,96 * 0,091= 0,18%. Ebből adódik, hogy az megbízhatósági szint alsó határa: 3,02%, a felső határa 3,38%. Jól látszik, hogy ebbe a tartományban nincs benne a 3%, ezért a minta alapján szignifikáns különbség van az előírás és a boltban árusított kefir zsírtartalma között. Másképpen megfogalmazva, a boltban kapható kefir zsírtartalma szignifikánsan nagyobb, mint az előírás. Példa: Az őszi búza felvásárlásakor minőségi felárat fizetnek, ha a hektolitertömege legalább 80 kg. Egy harminc elemű mintában az alábbi értékek adódtak:

- 115 -

KONFIDENCIAINTERVALLUM

n = 30 átlag =75 kg/hl s = 15 kg/hl Kaphatunk-e minőségi felárat, vagy ez a búza nem tekinthető statisztikai értelemben 80 kg-s hektoliter-tömegűnek. Végezzük el a számításokat. A standard hiba: s x =

15 =2,74 kg . A konfidenciaintervallum félszélessége: 1,96 * 2,74= 5,37 kg. Ebből 30

adódik, hogy az megbízhatósági szint alsó határa: 69,63 kg, a felső határa 80,37 kg. Ebben az esetben a konfidenciaintervallum körülöleli az etalonértéket, ezért nem mondhatjuk, hogy szignifikánsan eltér tőle, tehát jár a minőségi felár. A statisztikai tudás alkalmazása ebben az esetben gazdasági előnyt jelent számunkra. A fenti példát az Excel táblázatkezelő programmal is ki tudjuk számolni. A konfidenciaintervallum félszélességét a megbízhatóság() függvény adja meg. Ennek a függvénynek három paramétere van: a szignifikancia-szint, a minta szórása és a minta elemszáma. A szignifikancia-szint egyenlő 1-megbízhatóság. Esetünkben 1-0,975=0,05. A feladat megoldására alkalmas Excel függvény így néz ki: =megbízhatóság(0,05; 15; 30)

eredménye: 5,37. Természetesen ugyanazt az eredményt kaptuk, mint a kézi számítással.

- 116 -

KONFIDENCIAINTERVALLUM R statisztika library(pastecs)

Ebben a csomagban a stat.desc() függvénnyel a számtani átlag konfidenciaintervalluma is meghatározásra kerül.

dt(x, df, ncp, log=FALSE)

t-eloszlás sűrűségfüggvénye. x=vektor, alapadatok. df=szabadságfok, ncp=nem centrális paraméter, ha nem adunk neki értéket, akkor centrális t-eloszlást használ, ez az alapbeállítás. log=logaritmus.

pt(x, df, ncp, lower.tail=TRUE, log.p=FALSE)

t-eloszlás eloszlásfüggvénye. lower.tail=TRUE az eloszlás baloldalát határozza meg.P[X<=x].

qt(p, df, ncp, lower.tail=TRUE, log.p=FALSE)

Inverz t-eloszlás. Az adott p valószínűséghez tartozó t-érték meghatározása. Ezt használjuk a konfidenciaintervallum meghatározásakor.

rt(n, df, ncp)

t-eloszlású véletlenszám-generátor. n=véletlen-számok száma.

A szórás konfidenciaintervalluma A szórás konfidenciaintervallumát többféleképpen is meghatározhatjuk. A leggyakrabban normális-eloszlással (z-eloszlás) közelítjük. A szórás konfidenciaintervalluma, közelítés normál-eloszlással s s σ z z 1 1−α/ 2 1− 1−α/ 2 2 n−1  2n−1

Példa: n = 1000 alfa = 0,05 z = 1,959 szórás = 10 A fenti összefüggést alkalmazva kapjuk meg a konfidenciaintervallum alsó és felső szélét. C.I.alsó = 9,580 C.I.felső = 10,459 A szórásnégyzet konfidenciaintervallumát is megbecsülhetjük a normál-eloszlással.

- 117 -

KONFIDENCIAINTERVALLUM A variancia konfidenciaintervalluma, közelítés normál-eloszlással s2 1z 1−α /2



s2

2

2 n−1

σ 

1−z 1−α /2



2 n−1

Példa: n = 1000 alfa = 0,025 z = 1,959963 variancia =100 A számítások elvégzése után: C.I.alsó = 91,937 C.I.felső = 109,612 A szórás konfidenciaintervallumát khi-négyzet eloszlással is megbecsülhetjük. Ebben az esetben természetesen a khi-négyzet eloszlást kell használni. A szórás konfidenciaintervalluma, közelítés khi négyzet-eloszlással s





n−1 n−1 σs 2 2 χ α / 2,n−1 χ 1−α / 2,n−1

R statisztika dchisq(x, df, ncp=0, log=FALSE)

Khi-négyzet eloszlás sűrűségfüggvénye. x=vektor, alapadatok. df=szabadságfok, ncp=nem centrális paraméter, az alapbeállítás nulla. log=logaritmus.

pchisq(x, df, ncp=0, lower.tail=TRUE, log.p=FALSE)

Khi-négyzet eloszláseloszlásfüggvénye. lower.tail=TRUE az eloszlás baloldalát határozza meg.P[X<=x].

qchisq(p, df, ncp=0, lower.tail=TRUE, log.p=FALSE)

Inverz khi-négyzet eloszlás. Az adott p valószínűséghez tartozó khi-négyzet-érték meghatározása. Ezt használjuk a konfidenciaintervallum meghatározásakor.

rchisq(n, df, ncp=0)

Khi-négyzet eloszlású véletlenszám-generátor. n=véletlenszámok száma.

- 118 -

A STANDARD HIBA NAGYSÁGA VÉGES SOKASÁG ESETÉN

A standard hiba nagysága véges sokaság esetén Végtelen nagyságú sokaságnál a központi határeloszlás alapján a számtani átlag és a relatív gyakoriság standard hibájának meghatározása visszatevéses mintavételezéssel történik. Véges sokaság esetén azonban visszatevés nélküli mintavételezést csinálunk. A véges sokaság elemszáma N. Abban az esetben, ha a minta elemszáma nem túl kicsi a sokaság nagyságához viszonyítva (nagyobb, mint 5%, azaz n/N>5%), véges korrekciós faktort kell használni a standard hiba meghatározásakor. A korrekciós tényező jele: fpc (finite population correction factor): fpc=



N −n N−1

Ahol n = mintanagyság N = sokaság elemszáma Az számtani átlag standard hibája véges sokaságok esetén: s x=

s √n



N−n N −1

A relatív gyakoriság standard hibája véges sokaságok esetén: sp = s





p (1− p) N −n n N −1

R statisztika sqrt((N-n)/(N-1))

Véges korrekciós tényező.

- 119 -

HIPOTÉZISELMÉLET

Hipotéziselmélet A tudományos kutatás során valaminek a felfedezése egy sejtéssel indul. Feltételezhetjük, hogy a loch nessi szörny létezik. Azonban ez a feltételezés sok egyéb, szinte végtelen számú, kérdést is felvet. Amennyiben létezik, hány van belőle, milyen nagy, milyen hangot ad ki, mit eszik, mit iszik, stb. Ebből kifolyólag valaminek a létezését állítani nyitott állításként fogható fel, amely nagyon sok egyéb kérdést vet fel. Ezért a tudományban valaminek a létezését indirekt módon szokták igazolni vagy megcáfolni. Vegyük a létezés komplementer eseményét, amely leggyakrabban az ellentettjét jelenti, tehát a szörny nem létezik. Ez egy zárt kijelentés, mivel további kérdésnek nincs helye, pl. mennyire nem létezik, vagy milyen nem létezik. Valamely esemény vagy jelenség nem létezését nullhipotézisnek nevezzük. Példánkban tehát a nullhipotézis, hogy a szörny nem létezik.

67. ábra. A loch nessi szörny mégis létezik A nullhipotézist mindaddig igazoltnak tekintjük, amíg legalább egyetlenegyszer meg nem cáfoljuk, azaz valaki tényleg felfedezi a szörnyet és egyértelmű bizonyítékot hoz a létezéséről. A statisztikában, mint könyvünk első részében is látható volt, nagyon sokszor összehasonlítanak valamit vagy valamiket. Az összehasonlítás történhet elméleti értékhez vagy összehasonlíthatunk kettő vagy több mintából becsült paramétereket (várható értéket, szórást, stb.). Ebben az esetben is a nullhipotézis az, hogy az összehasonlítandó mintákból becsült paraméterek között nem létezik különbség. A paraméterek különbségének várhatóértéke nulla, vagy ha arányosítjuk, a hányadosuk várható értéke egy. Természetesen pontos egyezést ne várjunk a nullával vagy eggyel, mivel a különbség várható ér- 120 -

HIPOTÉZISELMÉLET téke is valószínűségi változó, pl. nulla körül ingadozik valamilyen szórással. Amennyiben nagy elemszámú mintákon, nagyon sokszor végezzük el a vizsgálatokat, és a nullhipotézis igaz, akkor a különbségek várható értéke egy nulla középértékű normális-eloszlású változó lesz. Ebből kifolyólag a normális-eloszlás tulajdonságai alkalmazhatók, és meghatározhatjuk, hogy a különbség milyen valószínűséggel vehet fel adott értéket. Meghatározhatjuk az adott valószínűséghez tartozó konfidenciaintervallumát. Láthatjuk, hogy a sokaságokra felállított hipotézist minták alapján erősítjük vagy vetjük el. Ezt nevezzük statisztikai próbának. Statisztikai próba: Olyan eljárás, amely a minták alapján dönt a sokaság vagy sokaságokra felállított hipotézisről. Megerősíti vagy megcáfolja azt. A hipotézisvizsgálat első lépése a modell kiválasztása. Amennyiben nem létezik a számunkra megfelelő modell, akkor csinálni kell egyet. A statisztikában nagyon sokféle modell létezik, ezért nagyon kicsi a valószínűsége annak, hogy nem találunk megfelelőt. Ezek a modellek legtöbbször elméleti eloszlásfüggvények, pl. normális eloszlás, t-eloszlás, F-eloszlás, stb. A modell kiválasztása során meg kell vizsgálni, hogy az általunk tanulmányozott jelenség tényleg jól helyettesíthető-e a modellel. Második lépésben választani kell egy szignifikancia-szintet, azaz elsőfajú hibát. Amenynyiben a nullhipotézis igaz, maximum ilyen valószínűséggel utasíthatjuk vissza tévesen, azaz maximum ilyen valószínűséggel hibázhatunk. A harmadik lépésben elő kell állítani a próbafüggvényt, és a segítségével meghatározni a próbastatisztika értékét. Valójában ez a statisztikai teszt kiválasztását és alkalmazását jelenti. Gondosan kell eljárni, csak az alkalmazhatósági feltételeknek megfelelő tesztet használjuk. A próbafüggvény kiszámított értéke az elméleti eloszlás x-értéke. Normáleloszlás esetén a z-érték, F-eloszlásnál az F-érték, t-eloszlásnál a t-érték, stb. Ezekhez az értékekhez megadható egy p valószínűség, amely megmutatja, hogy milyen valószínűséggel vehet fel a próbafüggvény a kiszámítottal azonos vagy nagyobb értéket, ha a nullhipotézis igaz. Amennyiben ez a valószínűség kisebb, mint a szignifikancia-szint, akkor elutasíthatjuk a nullhipotézist, mert a hibázási valószínűség kisebb, mint az előre választott megengedhető maximális érték. Gyakorlatilag egy statisztikai próba menete az alábbi lépésekből áll: 1. Munkahipotézis felállítása Ha. Ez nem igazolható közvetlen úton. 2. Nullhipotézis felállítása H0. 3. Statisztikai teszt választása az alkalmazhatósági feltételek figyelembe vételével. A modell validálása. 4. Szignifikancia-szint választása. 5. Próbastatisztika értékének kiszámítása. 6. Döntés. 7. A modell utólagos validálása. Sok statisztika tesztnél a validálást csak az eljárás alkalmazása után tudjuk elvégezni, pl. amelyeknél az alkalmazhatósági feltételek a maradéktagokra vonatkoznak.

- 121 -

HIPOTÉZISELMÉLET Elsőfajú hiba: Akkor követhetjük el, ha a nullhipotézis igaz. A minta alapján tévesen elvetjük a nullhipotézist, és nem létező különbséget állapítunk meg. Az elsőfajú hiba jelölése: a. Ezt szignifikancia-szintnek is hívják. Ezt az értéket a statisztikai próba elvégzése előtt kell megválasztani. Szokásos értékei, a hagyományokhoz igazodva, 10, 5, 1 ritkán 0,1%. Ez még abból a korból maradt ránk, amikor nem volt számítógép, és a kritikus értékeket táblázatból kellett meghatározni. Manapság minden statisztikai programcsomagban megtalálhatók ezek a függvények, tehát a szignifikancia-szintet elméletileg bármekkorára választhatnánk. Csak elméletileg, mert a gyakorlatban ennek korlátai vannak. Az egyik legnagyobb korlát a másodfajú hiba, ugyanis az elsőfajú hiba csökkentésével növeljük a másodfajú hibát. Emiatt nem lehet az elsőfajú hibát nagyon kicsire választani. Az elsőfajú hibát az angol szakirodalomban „Type I. error”-nak nevezik. Elsőfajú hiba valószínűsége: a=P(igaz H0 esetén a statisztikai teszt alapján H0-t tévesen visszautasítjuk) Másodfajú hiba: Akkor követhetjük el, ha a nullhipotézis hamis, nem igaz. A minta alapján tévesen elfogadjuk a nullhipotézist, és a létező különbséget nem mutatjuk ki. A másodfajú hiba jelölése: b. Ennek a nagyságát nem tudjuk megválasztani a teszt elvégzése előtt, ezt mindig csak utólag tudjuk meghatározni. A másodfajú hiba nagysága függ a valódi különbség mértékétől. Minél nagyobb a valódi különbség, annál kisebb a másodfajú hiba. A másodfajú hiba az elsőfajú hibától is függ, mégpedig fordított összefüggés van közöttük, ezért mondtuk, hogy az elsőfajú hibát nem lehet nagyon kicsire választani. Minél kisebb az elsőfajú hiba, annál nagyobb a másodfajú, és fordítva. A másodfajú hiba előre megválasztása a kísérlet vagy vizsgálat tervezése során történhet, amikor a minta minimális elemszámát határozzuk meg. Ekkor megadhatjuk a másodfajú hiba nagyságát is. A másodfajú hibát az angol szakirodalomban „Type II. error”-nak nevezik. Másodfajú hiba valószínűsége: b=P(hamis H0 esetén a statisztikai teszt alapján H0-t tévesen elfogadjuk) Térjünk vissza az elsőfajú hibára. Ez a hiba megadható kétoldali szimmetrikus, és egyoldali aszimmetrikus feltételként is. Kétoldali szimmetrikus feltételnél a kritikus érték az eloszlást három részre osztja fel. Egy baloldali elutasítási, egy középső elfogadási, és egy jobboldali szintén elutasítási tartományra. Egyoldali aszimmetrikus feltételnél a kritikus érték két részre osztja az eloszlást, egy elfogadási és elutasítási tartományra. Egyoldali vagy kétoldali próbát válasszunk? Előzetes információk hiányában mindig kétoldalit használjunk, ez a gyakoribb. Amennyiben logikailag tudjuk igazolni, hogy csak egyenlő vagy nagyobb, illetve egyenlő vagy kisebb lehet a különbség, akkor egyoldali próbát válasszunk. Van különbség a két próba között? Igen. Az egyoldali próbának nagyobb az ereje.

- 122 -

HIPOTÉZISELMÉLET

68. ábra. Kétoldali szimmetrikus 5%-os elsőfajú hiba

69. ábra. Egyoldali aszimmetrikus 5%-os elsőfajú hiba A statisztikai próba ereje: A valódi különbség kimutatásának valószínűsége. Meghatározása: 1-b. Gyakorlatilag egy igaz munkahipotézis elfogadásának valószínűsége.

- 123 -

HIPOTÉZISELMÉLET Az elsőfajú és másodfajú hiba összefügg, mégpedig fordítottan, ha az egyik nő, a másik csökken. Azonban az összefüggés nem lineáris, azaz, ha az egyik egy százalékkal csökken, a másik nem egy százalékkal nő. Az összefüggést a 70. ábra mutatja. Tételezzük fel, hogy két sokaság várható értéke közötti valódi különbség 3. Ez bármilyen mértékegységgel rendelkezhet, ez most nem fontos. Válasszunk egy kétoldali szimmetrikus tesztet 5%-s elsőfajú hibával. Ábrázoljuk a nullhipotézist. Ezt a baloldali világoskék eloszlás mutatja. A jobboldali piros rész a 3 várhatóértékű eloszlást ábrázolja. Jól látszik, hogy a két eloszlás egymásba lóg. A kritikus érték 1,96. Ez választja szét az elfogadási és elutasítási tartományt. Amennyiben 1,96-nál kisebb lesz a számított próbastatisztika értéke, a nullhipotézist megtartjuk, ha nagyobb, akkor elvetjük, és ki tudjuk mutatni a meglévő 3 különbséget.

70. ábra. Alfa kétoldali szimmetrikus 5%, valódi különbség 3 Hiába létezik a 3 valódi különbség, ha a minták alapján 1,96-nál kisebb próbastatisztika értéket határozzunk meg, akkor a nullhipotézist kell elfogadni. Ekkor követjük el a másodfajú hibát (b). Milyen nagy ennek a valószínűsége? Ki kell számítani, hogy mi annak a valószínűsége, hogy egy 3 várhatóértékű normális eloszlás esetén 1,96-nál kisebb értéket kapunk. Ez közel 15%. A másodfajú hiba ezek szerint háromszor akkora, mint az elsőfajú. A statisztikai próba ereje 100%-15%=85%. 85%-s valószínűséggel tudjuk kimutatni a 3 valódi különbséget egy 5%-s kétoldali szimmetrikus teszttel. Korábban azt állítottuk, hogy a másodfajú hiba nemcsak az elsőfajútól, hanem a valódi különbség nagyságától is függ. Minél nagyobb a valódi különbség, annál kisebb a másodfajú hiba elkövetésének valószínűsége. Az előbbi példában legyen a valódi különbség 4, ezt mutatja a 71. ábra.

- 124 -

HIPOTÉZISELMÉLET

71. ábra. Alfa kétoldali szimmetrikus 5%, valódi különbség 4 Milyen nagy a másodfajú hiba elkövetésének valószínűsége ebben az esetben? Határozzuk meg a 4 várható értékű normális eloszlású változó 1,96-nál kisebb értékéhez tartozó valószínűséget. Ez csak 2%. A statisztikai próba ereje 98%. Száz próbálkozásból várhatóan kilencvennyolcszor ki tudjuk mutatni a 4 valódi különbséget. Az ábrán jól látható, hogy az elsőfajú hiba kétoldali szimmetrikus, a másodfajú hiba viszont egyoldali aszimmetrikus. Ezt mindig figyelembe kell venni a kritikus értékek meghatározásakor, illetve a valószínűségek megállapításánál. Hogyan lehet csökkenteni az első és másodfajú hibát? • A minta elemszámának növelésével. • Pontosabb mintavételezéssel. • Megfelelő statisztikai teszt kiválasztásával. A minta elemszámának növelése csak a véletlen mintavételezés esetén csökkenti a hibákat. Szisztematikusan hibás mintavételezési eljárás esetén hiába növeljük az elemszámot, akkor is hamis eredményt kapunk.

A döntésnél elkövethető hibák Egy statisztikai teszt elvégzése során elkövethető hibák összefoglalását mutatja a lenti táblázat. Az oszlopok a valóságot mutatják, melyre csak a mintákból következtethetünk. A sorok a minták alapján hozott döntéseket jellemzik. Jól látható, hogy kétféle helyes és kétféle helytelen döntést hozhatunk. A helyes és helytelen döntések valószínűsége azonban nem egyezik meg, nem ötven-ötven százalék. Arra törekszünk, hogy a helyes

- 125 -

HIPOTÉZISELMÉLET döntéseink valószínűsége minél nagyobb legyen. Természetesen sohasem lesz 100%, mindig lesz tévedési hiba.

Döntés a minta alapján

A valóság H0 igaz

H0 hamis

H0-t elfogadjuk

Helyes döntés (1-a)

Másodfajú hiba (b)

H0-t elutasítjuk

Elsőfajú hiba (a)

Helyes döntés (1-b)

- 126 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK

Középérték-összehasonlító próbák Egy-mintás z-próba vagy u-próba A minta középértékének összehasonlítása egy feltételezett középértékkel. Származhat-e az X középértékű minta egy μ0 középértékű populációból? H0 hipotézis: x =μ0 Ellenhipotézis, kétoldali szimmetrikus: x ≠μ0 Alkalmazhatósági feltételek: • Normális eloszlású populáció • Ismert szórás A gyakorlatban alkalmazzák tetszőleges eloszlású populációk esetén is, ha n>30. A minta alapján számított X középérték standardizált értéke felírható az alábbi formában, amely standard normális eloszlású: Egy-mintás z-próba statisztikája: z=

Ahol: z X   n

 −μ 0 X σ /n

a próbastatisztika minta alapján meghatározott értéke a minta középértéke, a populáció feltételezett középértéke (adott középérték), a populáció (ismert) szórása, a minta elemszáma.

A minta abban az esetben származhat az μ0 középértékű populációból, ha a minta alapján meghatározott z próbastatisztika értéke kisebb az adott valószínűségi szinthez tartozó kritikus z-értéknél. Egyoldalú hipotézis esetén a-nál, kétoldalú hipotézis esetén a/2-nél kell meghatározni a kritikus z-értéket. Elfogadjuk a nullhipotézist, ha z < kritikus z. Példa: Egy kefir szabvány szerinti zsírtartalma 3% 0,5%-s szórással. Vizsgáljuk meg 30 elemű mintát véve, hogy az áruházakban kapható kefir teljesíti-e a szabványt. A H0: a kefir zsírtartalma 3%. Válasszuk a szignifikancia szintet 5%-nak (0,05). H a: a kefir zsírtartalma nem egyenlő 3%-kal, tehát az alternatív hipotézis kétoldali szimmetrikus. Méréseink eredménye: n=30 átlag= 3,2% =0,5%

- 127 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK A számításokat elvégezve az alábbi eredményt kapjuk: z=

 −μ 0 3,2−3 X = =2,1978 σ /  n 0,5 /  30

Határozzuk meg a kritikus z-értéket. Mivel az alternatív hipotézis kétoldali, ezért a kritikus értéket a/2-nél kell keresni, azaz 2,5%-nál.

72. ábra. Standard normális-eloszlás 95%-s kritikus értékei Jól látszik, hogy a számított z-érték (2,2) az elutasítási tartományba esik, ezért az áruházakban a kefirek nem teljesítik a szabványelőírást, tehát szignifikánsan 3%-nál több zsírt tartalmaznak.

Független kétmintás z-próba vagy u-próba Amennyiben két független azonos szórású normális-eloszlású mintát kivonunk, vagy összeadunk, és a nullhipotézis igaz, akkor az így kapott adatok várhatóértéke nulla, a szórása pedig: s d =s

Ahol: sd s



2 n

két normális eloszlás különbségének szórása a minta szórása

- 128 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK n a minta elemszáma A független kétmintás t-próbával megvizsgálhatjuk, hogy származhat-e a két független megfigyelés, minta azonos középértékű populációból? H0 hipotézis: x 1= x2 A próbastatisztika z-eloszlást követ, DF = n1 + n2 – 2 szabadságfokkal: Független kétmintás z-próba: z=

Ahol: z x1 x2 1 2 n



x1− x2 2

2

σ1 σ 2  n1 n2

a próbastatisztika minta alapján meghatározott értéke az első minta középértéke a második minta középértéke az első populáció ismert szórása a második populáció ismert szórása a minta elemszáma

Valójában a fenti összefüggés a Welch által konstruált statisztika, amely alkalmas azonos és különböző szórások esetén a z-érték pontos meghatározására. Alkalmazhatósági feltételek: • Normális eloszlású független sokaságok • A szórások ismertek A gyakorlatban tetszőleges eloszlású mintákra is alkalmazzák, ha mindkét mintában n>30. Az X1 és X2 középértékek különbsége akkor normális, ill. közelítőleg normális eloszlású, ha a sokaságok – amelyekből a minták származnak – normális eloszlásúak, illetve tetszőleges eloszlásúak, de a mintaelemek száma mindkét populációban nagyobb, mint 30. A két populáció középértéke, amelyekből a minták származnak, abban az esetben tekinthetők azonosnak, ha: |z|≤z *

Ahol: z* a szignifikancia-szinthez tartozó normál-eloszlás értéke A próbastatisztika kritikus z-értékét kétoldali alternatív hipotézis esetén a/2-nél, egyoldali alternatív hipotézis esetén, a-nál kell meghatározni.

Egymintás t-próba Az egymintás t-próbával tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Hasonló az egymintás z-próbához, azonban a szórás ismeret-

- 129 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK len, a mintából kell becsülni. Emiatt a próbastatisztika nem normális eloszlású, hanem t-eloszlású, n-1 szabadságfokkal. A próbastatisztika az alábbi: Egymintás t-próba: t=

 −μ0 X s / n

Alkalmazhatósági feltételek: • Normális eloszlású populáció • A szórás ismeretlen A minta elemszámának növekedésével a t–eloszlás egyre jobban közelíti a standard normális eloszlást, és 30 elemszám esetén nagyon hasonló a két eloszlás. Az X középértékű minta abban az esetben származhat a  középértékű populációból ha t próbastatisztika abszolút értéke kisebb, mint az adott valószínűséghez tartozó kritikus t–érték. A próbastatisztika kritikus t-értékét kétoldali alternatív hipotézis esetén a/2-nél, egyoldali alternatív hipotézis esetén, a-nál kell meghatározni.

Független kétmintás t-próba A kétmintás t-teszttel megvizsgálhatjuk, hogy származhat-e a két független megfigyelés, minta azonos középértékű populációból? Azonosnak tekinthető-e a két populáció középértéke, amelyekből a minták származnak? A két populáció, amelyekből a minták származnak, 1, ill. 2 várható értékének becslésére a minták középértékei szolgálnak, E X1=μ1 , ill. E X2=μ 2 . H0: μ1 = μ2 A középértékek összehasonlítására szolgáló statisztikai próbák eltérőek attól függően, hogy az alappopulációk szórása egyenlőnek tekinthető-e. Amennyiben a szórások megegyeznek az alábbi próbastatisztikát használjuk, az eloszlás t-eloszlású, DF = n 1 + n2 – 2 szabadságfokkal: Független kétmintás t-próba (szórás azonos) t=

x1 − x2 1 1 sp  n1 n2



A nevezőben az sp a két minta összevont varianciájának (pooled variance) négyzetgyökét jelenti, melyet a két minta összevont szórásának nevezzük. Alkalmazhatósági feltételek: • Két független minta, • Normális eloszlású sokaságok, • A szórások ismeretlenek, de azonosak

- 130 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK Az ismeretlen közös szórást a mintákból számított szórásnégyzetekből becsülhetjük az alábbi képlet szerint: Az összevont szórás képlete:



(n1 −1) s21 + (n22 −1) s22 s p= n1+ n2−2

A két populáció középértéke, amelyekből a minták származnak, abban az esetben tekinthetők azonosnak, ha:

t t * A próbastatisztika kritikus t–értékét kétoldali alternatív hipotézis esetén a/2-nél, egyoldali alternatív hipotézis esetén, a-nál kell a táblázatból meghatározni. Ha a két populáció ismeretlen szórásnégyzete korábbi ismeretek, ill. a mintákból számított szórásnégyzetek alapján nem tekinthető azonosnak, akkor a t–próba helyett a Welch-próbát kell alkalmazni, mely igen hasonló a t-próbához, a különbség a szabadságfokok meghatározásában van. Welch-próba: t=

x1− x2



2

2

s1 s2  n1 n2

A t-teszt alkalmazásakor előre tudni kell, hogy a két csoport szórása megegyezik-e, tehát tesztelni kell a csoportok szórását (F-próba). Amennyiben a szórások egyenlők, akkor a vizsgálatba vont összes csoportból kell a varianciát becsülni (pooled variance). A próba valószínűségi változója t-eloszlású, így a középértékek különbségének szignifikanciája a kritikus t-érték alapján állapítható meg. Amennyiben a két csoport szórása szignifikánsan különbözik, ilyenkor a két összehasonlítandó csoport varianciáját súlyozni kell a variancia becsléséhez (separate variancia). A próba valószínűségi változója ebben az esetben nem t-eloszlású, ezért a szabadságfokokat Bonferroni módszerével korrigálni kell, és ezt kell használni a középértékek különbözőségének elbírálásakor. A szabadságfokok korrekciója (Bonferroni): df =

(

s21 s 22 + n1 n2

)

2

( ) ( ) s 21 n1

2

s22 n2

2

+ n1−1 n2−1

- 131 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK

Kétmintás F-próba a szórásnégyzetre F=var1/var2 vagy F=var2/var1 A nullhipotézis: a varianciák egyenlők, azaz a minták varianciái homogének. Amennyiben az F-érték nagyobb, mint 1,00, akkor a valószínűséget 1-alfaként kell értelmezni. Egynél kisebb számított F-értéknél a baloldali valószínűség alfát adja. Mindkét számításnak ugyanazt az eredményt kell adnia. Példa: var1=143,67 var2=89,29 DF1=6 DF2=6 F=143,67/89,29=1,61 Végezzük el a számítást az R programmal. >1-pf(143.67/89.29,6,6) [1] 0.2889786

F=89,29/143,67=0,62 > pf(89.29/143.67,6,6) [1] 0.2889786

Mind a két számítással alfára 28,9%-ot kaptunk, ezért a varianciák homogenitását igazoltuk.

Párosított t-próba Párosított t-próbát akkor használunk, ha a két minta elemei páronként összefüggnek, pl. ugyanazon egyeden két különböző időpontban mérünk egy tulajdonságot, vagy valamilyen csoportképző tulajdonság alapján párokat tudunk képezni. A két minta középértékének azonossága helyett a párosított minták d különbségének (előjeles) várható értékére fogalmazzuk meg a H0 hipotézist. H0: ̄d =0

Az előző eljárásokhoz hasonlóan itt is z-, ill. t-próbát alkalmazhatunk attól függően, hogy ismert-e a d különbségek eloszlása és szórása, illetve mekkora a minta elemszáma? Alkalmazhatósági feltételek: • A d különbségek eloszlása normális - 132 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK •

d ismeretlen (a mintából számított) A párosított t-próba statisztikája: t=

d sd /  n

A próba t-eloszlású, DF=n-1 szabadságfokú. A képletben sd a párosított minták különbségének szórása, amelyet a minta alapján becsülünk. Példa: Egymintás t-próba a korábban bemutatott kefir adatokon. Nullhipotézis a kefir zsírtartalma 3%. Szignifikancia szint 5%. R parancs: t.test(zsir, mu=3, alternative='two.sided', conf.level=0.95).

Eredmény: One Sample t-test data: zsir t = 2.4246, df = 29, p-value = 0.02179 alternative hypothesis: true mean is not equal to 3 95 percent confidence interval: 3.037601 3.443011 sample estimates: mean of x 3.240306

A teszt alapján el kell vetni a nullhipotézist, mert a p-érték kisebb mint a vállalt elsőfajú hiba, ami 5% volt. Példa: Független kétmintás t-próba a kefir adatbázison. Nullhipotézis: a két kefir márka ára megegyezik. Szignifikancia szint 5%. Először meg kell vizsgálni, hogy a két csoport varianciája megegyezik-e. Erre F-próbát használhatunk. Az F-próba R parancsa: var.test(ar[marka==”Danone”], ar[marka==”Milli”], ratio = 1, alternative = "two.sided", conf.level = 0.95)

A parancsban beállítottuk a két csoportot, Danone és Milli, amelyek árait hasonlítjuk össze. A ratio értéke egy, mivel feltételezzük az egyenlőséget. Az alternatív hipotézis kétoldali, a konfidencia-szint 95%. Eredmény: F = 1.0359, num df = 119, denom df = 119, p-value = 0.8478

- 133 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK alternative hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval: 0.7219389 1.4863420 sample estimates: ratio of variances 1.03588

Az F-próba megerősíti a nullhipotézist, mivel a számított elsőfajú hiba (p-value) jóval nagyobb, mint 5%. erre a varianciák hányadosának 95%-os konfidenciaintervalluma is ráerősít, mivel ez a tartomány körülöleli az egyet. Ezután tehát független kétmintás t-próbát végezhetünk egyenlő szórásokkal. R parancs: t.test(ar[marka==”Danone”],ar[marka==”Milli”],var.equal = TRUE, conf.level = 0.95)

Eredmény: Two Sample t-test t = -1.5597, df = 238, p-value = 0.1202 alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: -2.2253230 0.2586563 sample estimates: mean of x mean of y 78.00000 78.98333

A független kétmintás t-próba igazolja a nullhipotézist. A p-érték nagyobb, mint 5%. A két minta középérték különbség 95%-os konfidenciaintervalluma körülöleli a nullát, tehát a különbség várható értéke 5%-os szignifikancia-szint mellett nullának tekinthető. Amennyiben az F-próba szignifikáns lett volna, tehát a két minta varianciája különbözik, akkor a független kétmintás t-próbát nem egyenlő varianciával kell elvégezni. Ezt az R parancsban a var.equal=FALSE beállítással érhetjük el.

- 134 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK R statisztika t.test(x,y,alternative,mu, paired,var.equal,conf.level)

Student-féle t-teszt. A függvény egyik formája.

x

az adatok oszlopvektora

y

az adatok oszlopvektora

alternative

szöveges változó, amely megadja az alternatív hipotézist. pl. alternative = c(„two.sided”,”less”,”greater”). Ezek közül lehet választani. Amennyiben nem adunk meg semmit, alapbeállítás a kétoldali szimmetrikus alternatív hipotézis.

mu

A várhatóérték igaz értéke. pl. egymintás t-próbánál az elméleti vagy szabvány érték. Kétmintás t-próbánál a két minta átlagának valódi különbsége.

paired

logikai változó, értéke TRUE vagy FALSE. Ezzel lehet beállítani a párosított t-próbát.

var.equal

A két minta belső varianciája egyenlő? Logikai változó, értéke TRUE vagy FALSE.

conf.level

Konfidenciaintervallum, azaz 1-a. Alapbeállítás 0.95.

t.test(formula,data,subset,na.action)

Student-féle t-teszt. A függvény másik formája.

formula

pl. ár~régió. Az ár egy numerikus oszlopvektor, a régió faktor, amelynek csak két szintje van. Amennyiben több szintje létezik, szűrni kell kettőre.

data

Opcionális változó. Az adatbázis neve.

subset

Nem kötelező megadni. Az adatbázis kisebb, szűrt része.

na.action

A hiányzó adatok részt vegyenek az elemzésben? Alapbeállítás a hiányzó adatok nem vesznek részt a számításkban.

- 135 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK

A t-próba ereje A statisztikai próba ereje a korábban definiáltak szerint: a valódi d különbség kimutatásának valószínűsége. Ezt 1-bval jelöltük. Annál erősebb egy statisztikai próba, minél nagyobb valószínűséggel mutatja ki a valódi hatást. A t-próbánál a t-érték valójában egy standardizált hatás (Es, standardised effect), amelynél két csoport átlagának különbségét osztjuk a különbség várható értékének szórásával. A standardizált hatás nagysága alapján: • kicsi 0,2 •

közepes 0,5



nagy hatás 0,8 feletti

Amennyiben a két csoport várható értéke megegyezik, a különbségük várható értéke nulla körül mozog. Tehát, ha H0 igaz, t várható értéke nulla. A d valódi különbség létezésekor a hatás kimutatásának valószínűsége függ: • a minta elemszámától •

a d nagyságától



a szórástól



az elsőfajú hiba nagyságától, azaz a szignifikancia-szinttől



a t-próba típusától (egymintás, kétmintás, párosított)



alternatív hipotézistől (egyoldali vagy kétoldali)

A fenti tényezők zömét az analízis megkezdése előtt tudjuk beállítani. Ilyen a minta elemszáma, szignifikancia-szint, t-próba típusa, alternatív hipotézis. A szórás a vizsgált jelenség tulajdonsága, ezt csak megbecsülni lehet. A valódi különbség nagyságáról csak előzetes információink lehetnek, pl. korábbi szakirodalmi adatok alapján. Vizsgálataink során nagyon fontos előre tudni, hogy adott különbséget mekkora valószínűséggel lehet kimutatni. Ekkor tervezzük meg a kísérletet, felmérést, a minimális mintaelemszámot. Ebben a fázisban kell eldönteni, hogy egyáltalán érdemes-e hozzáfogni a vizsgálathoz. Ehhez először a másodfajú hiba nagyságát kell meghatározni. Hogyan? Meg kell határozni a d középértékű t-eloszlásnál egy adott értéknél kisebb értékek előfordulási valószínűségét. Mit jelent az adott érték? A kritikus t-értéket. Ha a kritikus t-értéknél kisebb számított t-értéket kapunk, a nullhipotézist kell elfogadni akkor is, ha a d különbség valóban létezik. Azt mondhatjuk, hogy a nullhipotézis erősebb.

- 136 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK

73. ábra. A nullhipotézis (kék) és a munkahipotézis (piros) A statisztikai próba erejét az R programban tudjuk megbecsülni. A programban a teloszlás függvényben találunk egy „ncp” (nem centrális paraméter) argumentumot. Ez a t-eloszlás közepét jelenti, ennek segítségével tudjuk megbecsülni a másodfajú hibát. >pt(q, df, ncp, lower.tail = TRUE, log.p = FALSE)

Példa: Egy kísérletben két csoportot hasonlítanak össze, a minták elemszáma 30, szórásuk 2. Korábban tisztáztuk, ha a H0 igaz, akkor a t-érték várhatóan nulla, mivel a két csoport különbségének várható értéke nulla. Először számítsuk ki a kritikus t-értéket, szabadságfok n1+n2-2=58. R parancs: >qt(1-0.05/2, 58)

Azért 0,05/2, mert kétoldali szimmetrikus tesztet alkalmazunk. 2,00 értéket kapunk. Csak abban az esetben fogjuk visszautasítani a H 0 hipotézist, ha ennél nagyobb számított t-értéket kapunk. Határozzuk meg az 1 valódi különbség kimutatásának valószínűségét. Először számítsuk ki a a t-statisztika értékét. 1/(s*gyök(2/n))=1/(2*gyök(2/30))=1,94.

- 137 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK Annak a valószínűsége, hogy egy 1,94-es középértékű t-eloszlásnál 2-nél kisebb értéket kapunk (R parancs): >pt(2, 58, ncp=1.94)

Az eredmény 0.522, ez a másodfajú hiba valószínűsége, tehát a próba ereje 10,522=0,478, azaz 48%-s valószínűséggel lehet kimutatni a valódi 1 különbséget a két csoport között. Ez nagyon kicsi érték, ezért nem érdemes elvégezni a vizsgálatot, eleve kudarcra van ítélve.

74. ábra. A t-próba ereje a standard hatások függvényében, kék vonal kritikus térték A 74. ábrán jól látszik, hogy 3 feletti érték esetén a próba ereje 80%-nál nagyobb. Háromnál nagyobb standard hatás kimutatását már érdemes elvégezni. Mit kell tenni, ha az eredeti 1,94 standard hatást ki szeretnénk mutatni? A mintaelemszámot kell növelni. Amennyiben legalább 80%-os valószínűséggel szeretnénk igazolni, ahhoz minimum 64 elemű mintát kell venni mindkét csoportból. Az R statisztikában a próba erejének meghatározására külön parancs létezik. A példánkra alkalmazva: >power.t.test(n = 30, delta = 1, sd = 2, sig.level = 0.05, type =c("two.sample"), alternative = c(two.sided"), strict = FALSE)

- 138 -

KÖZÉPÉRTÉK-ÖSSZEHASONLÍTÓ PRÓBÁK

Eredmény: Two-sample t test power calculation n delta sd sig.level power alternative

= = = = = =

30 1 2 0.05 0.477841 two.sided

NOTE: n is number in *each* group

A parancs hat paramétere közül, ha ötöt megadunk, a hatodik kiszámításra kerül. A statisztikai próba ereje a „power” felirat mellett található. Ez az érték tökéletesen egyezik a korábban kiszámítottal.

75. ábra. A t-próba ereje a valódi különbség függvényében

- 139 -

VARIANCIA-ANALÍZIS

Variancia-analízis A variancia-analízis a t-próba kiterjesztése kettőnél több minta esetére. Tehát három vagy több mintával rendelkezünk. Mindegyik minta egy csoportképző ismérv egy-egy szintjét reprezentálja. Pl. különböző kefir márkák. A márkákon belül egy skála típusú változó várható értékét vizsgálhatjuk. Megvizsgálhatjuk, hogy a különböző kefirek várható eladási árai, zsírtartalmai, fehérjetartalmai, stb. megegyeznek-e. Ez azt jelenti, hogy a skála típusú változó nem függ a nominális, csoportképző változótól. A függőváltozó a variancia-analízis modellben mindig valamilyen skála típusú, a független változó(k) nominális mérési szintűek. Amennyiben az árak, stb. nem egyeznek meg a különböző kefireknél, akkor összefüggés van közöttük, és a márkákkal részben magyarázhatjuk a különbségeket. A magyarázat a függő változó teljes heterogenitásának 1 két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek „okai” a független változók, a másik heterogenitás-rész pedig az, amelynek „okait” az egyéb, általunk nem vizsgált tényezők tartalmazzák. Ez utóbbit sokszor a véletlen hatásaként is emlegetik. A heterogenitás mérésére korábban többféle mérőszámot ismertettünk, ismétlésként a legfontosabbak az alábbiak: (1) terjedelem (range); a legnagyobb és legkisebb érték közötti távolság 

1

N

 xi  x ; i 1 

(2) átlagos eltérés;  δ  N  



N



1 (3) szórás;  σ  N   xi  x  ; i 1   2



(4) variancia- vagy szórásnégyzet;  σ 2  

2 1 N  xi  x . N i 1 





Alapfogalmak Nézzük át azokat az alapfogalmakat, amelyeket a variancia-analízis során használunk. a) Faktor: Faktornak nevezzük a vizsgálatba bevont független változókat, pl. különböző kezeléseket, tényezőket, ilyen a kefir márka. Kísérletekben inkább kezeléseknek hívjuk. b) Faktor szint: A faktor értékkészletének az eleme, mely beállítása mellett vizsgálhatjuk meg a függő változónkat. A kezelések szintjei, pl. kefir márkán belül Danone, Milli, Müller, stb. Kísérletben pl. műtrágyaadagok. c) Kvalitatív és kvantitatív faktorok: Ha a faktorszintek nem numerikusak vagy intervallum skálájúak, akkor kvalitatív, ellenkező esetben kvantitatív faktorokról beszélünk. d) Cellák: Egyfaktoros modellekben a cellák megfelelnek a faktorok szintjeinek, többfaktoros esetben a figyelembe vett faktorok szintjeiből előálló kombinációk a cellák. Pl. amikor a 2 faktor műtrágyaadagok és öntözési módok, akkor a cellák a (műtrágyaadagok, öntözési módok) összes lehetséges kombinációjából állnak. 1

A változó heterogenitása azt jelenti, hogy az adott változó nem konstans.

- 140 -

VARIANCIA-ANALÍZIS e) Interakció: Két független változó kapcsolatában akkor áll fenn interakció (kölcsönhatás), ha x1 változó hatása függ az x2 változó szintjétől és fordítva. f) Egyszempontos variancia-analízis: Variancia-analízis, ahol csak egy faktor van. Egyutasnak is nevezik g) Többszempontos variancia-analízis: Variancia-analízis, ahol kettő vagy több faktor van. h) Egyváltozós variancia-analízis: amelyben csak egy függő változót vizsgálunk. i) Többváltozós variancia-analízis: amelyben kettő vagy több függő változót elemzünk.

A lineáris modell Alkossuk meg az egytényezős variancia-analízis matematikai modelljét. Egy kísérletben k számú kezeléssel vagy populációval és r számú ismétléssel rendelkezünk. Az adataink száma tehát n=k*r. Minden mért adat yij felbontható három összetevőre, amelyek: a kísérlet főátlaga (), a kezeléshatás (Ai), és a meg nem magyarázott rész, a maradék (eij). A maradéktagokat hibának is nevezik (error). Az egytényezős lineáris modell: y ij =μ A ie ij

Valójában a kezeléshatás az  és Ai összege. Ez a kettő adja a lineáris modellel becsült értéket, azaz a modellezett értéket. Az Ai a kísérlet főátlagtól vett eltérést jelenti (kezeléshatás-főátlag). A korábban tanultak szerint az alapadatok átlagtól vett eltéréseinek összege nulla. Ez a lineáris modellre is igaz, a kezeléshatások összege nulla, vagyis a kezelések szimmetrikusak a főátlagra. Az eij maradéktagok tulajdonságai nagyon fontosak, amelyek egyben megegyeznek a variancia-analízis alkalmazhatósági feltételeivel, melyeket a következőkben ismertetünk.

A variancia-analízis alkalmazásának feltételei Az alkalmazhatósági feltételek a maradéktagokra vonatkoznak: (a) Az egyes kezelésekhez tartozó maradékoknak függetleneknek kell lenniük a blokk, a kezeléshatástól és a függő változótól. Ezt leginkább a kísérleti elrendezéssel, randomizálással biztosíthatjuk. A függetlenség azt jelenti, hogy a maradékok nagyságát nem befolyásolhatja a kezelés. Amennyiben hatással van rá, akkor ez keveredhet a kezeléshatással, és torz becslést kapunk, helytelen becsült értékeket fogunk előállítani. (b) Az e ij maradék normális eloszlású, nulla várható értékű valószínűségi változó. Attól, hogy egy normál-eloszlású mintához egy konstans értéket hozzáadunk, vagy abból levonunk, az eloszlás és a minta szórása nem változik. A normalitást korábban ismertetett módszerek valamelyikével ellenőrizhetjük. (Megjegyezzük, hogy a matematikai-statisztikai kézikönyvek az ANOVA-t robusztus eljárásnak tekintik, s azt állítják, hogy a függő változónak nem kell normális eloszlásúnak lennie). Ha matematikailag korrekt módon akarjuk az ANOVA-t használni, akkor a függő változót normális eloszlásúvá transzformálhatjuk. Azért kell

- 141 -

VARIANCIA-ANALÍZIS normáliseloszlásúnak lennie, mert a hatások megítélésekor a normál-eloszlás tulajdonságait használjuk fel, az eloszlás nevezetes értékeit. (c) A maradékok szórásnégyzetei a kezeléskombinációkon belül azonosak σ12 σ 22 ... σ n2 , azaz homoszkedasztikus a modell. (Az R programban ezt a homogenitást a Levene teszt alapján tesztelhetjük.)





A variancia-analízis alkalmazásának lépései 1. 2. 3. 4. 5.

A variancia-analízis modell felállítása Szignifikancia-szint megválasztása A variancia-analízis kiszámítása, az F-próba A modell érvényességének ellenőrzése Amennyiben az F-próba szignifikáns, középértékek többszörös összehasonlítása

A középértékre vonatkozó hipotézisek a következők: H 0 : azoknak a populációknak a középértékei, amelyekből a minták származnak azonosak: μ1  μ 2 ...  μ k H A : létezik legalább egy olyan középérték pár, ahol a középértékek nem tekinthetők

azonosnak, legalább egyszer: μi  μ j .

Az analízis megkezdése előtt ábrázolni kell az alapadatokat. Olyan ábrát érdemes készíteni, amelyben a várhatóérték mellett a középérték hibáját (se) is ábrázoljuk (76. ábra). Erre azért van szükség, mert ha csak az átlagokat tüntetjük fel az y-tengely léptékétől függően nagyon kicsi különbségeket is fel lehet nagyítani, és a jelentős különbségeket is el lehet tüntetni. A standardizált hatások, amit az angol szakirodalomban „standard effect” néven emlegetnek, nem más mint a kezeléshatás osztva a szórással, ingadozással. Ez azt mutatja, hogy a kezeléshatás, hogyan aránylik a szóráshoz, azaz a véletlen ingadozáshoz. Az így meghatározott standard hatások nagyságát a korábban ismertetett módon ítélhetjük meg.

- 142 -

VARIANCIA-ANALÍZIS

76. ábra. Kezelésátlagok és a középértékek hibái (se) 1. A variancia-analízis modell felállítása A módszer alapgondolata szerint a modellben a mérési, megfigyelési értékeket összegként képzeljük el. Az n megfigyelés mindegyikére a korábban ismertetett modellegyenlet írható fel, amelynek alapján a mintaelemeken mért, ill. megfigyelt yij értékek felbonthatók a modell által meghatározott részekre és a hibára. A modell által meghatározott rész a szisztematikus hatásokat tartalmazza, a hibakomponens pedig a véletlen hatást jelenti. A variancia-analízis legegyszerűbb modelljében a vizsgálatban szereplő k számú populációból egyszerűen r elemű véletlen mintát veszünk, majd a mintánkénti középértékeket hasonlítjuk össze, ezt nevezzük egyszempontos variancia-analízisnek (kísérlet esetén teljesen véletlen elrendezésnek). Az elrendezés modellegyenlete: y ij =μ A ie ij

ahol Xij az i -edik minta j -edik eleme  i 1,..., n j 1,..., ri  ;  a kísérlet vagy minta főátlaga; Ai az i-edik mintához tartozó populáció hatása (növelheti vagy csökkentheti a főátlagot); eij véletlen hatás. Ebben a modellben a modell által meghatározott rész, csak az i -edik mintához tartozó populáció várható értékét tartalmazza, tehát szisztematikus különbséget csak a populációk várható értékei között tételezhetünk fel. A véletlen okozta hatásokat a hibakomponens tartalmazza. Amennyiben teljesülnek a variancia-analízis alkalmazásának feltételei, akkor Ai összege nulla, és eij normális eloszlású nulla várhatóértékű sokaság, és független a blokk és kezeléshatástól, valamint a modell homoszkedasztikus. 2. Szignifikancia-szint megválasztása A szignifikancia-szint nagyságát leggyakrabban 5%-nak választják. Ez az érték szerepel legtöbb statisztikai programban is kezdeti értékként. Amennyiben túl szigorúnak ítéljük ezt, választhatunk 10%-os szintet is. Ebben az esetben a kezelés okozta valódi hatások kimutatásának nagyobb a valószínűsége. Természetesen az elsőfajú hiba ilyenkor 5-ről 10%-ra nő. A szignifikancia-szintet választhatjuk 1 vagy 0,1%-nak is. Ezek már nagyon

- 143 -

VARIANCIA-ANALÍZIS szigorú feltételek, alig követünk el elsőfajú hibát, de annál nagyobb a valószínűsége a másodfajú hibának. Elméletileg bármilyen szignifikancia-szintet választhatunk, ha szakmailag meg tudjuk indokolni. Amennyiben eldöntöttük az elsőfajú hiba nagyságát, meg tudjuk határozni a kritikus F-értéket. A kritikus F-érték az a legnagyobb érték, amelyet a véletlen ingadozás mellett kaphatunk. Ennél kisebb érték esetén a H 0-t kell elfogadni. 3. A variancia-analízis kiszámítása, az F-próba Az Excel táblázatkezelő eredménytáblázatában az alábbi fogalmakkal találkozunk (a számításhoz szükséges beállításokat a példában ismertetjük): Tényezők: a variancia okai Eltérés-négyzetösszegek (SS) Csoportok között: kezelésátlagok eltérés-négyzetösszegei * r. Csoporton belüli: kezeléseken belül az eltérés-négyzetösszegek összege Összes: alapadatok eltérés-négyzetösszegei Szabadságfokok: Csoportok között: k-1 Csoporton belül: n-k Összesen: n-1 Varianciák: eltérés-négyzetösszegek osztva a szabadságfokokkal. F-próba F=

MS cs.között MScs.belül

Az F-eloszlás sűrűségfüggvényét mutatja a 77. ábra. Az x-tengelyen az F-értékek, az ytengelyen a valószínűségek láthatók. A függőleges kék vonal mutatja a kritikus F-értéket. Ezt a szignifikancia-szint és a két szabadságfok ismeretében tudjuk meghatározni. Korábban említettük, ha ennél kisebb a számított F, akkor a nullhipotézist kell elfogadni. Az ábrán a függőleges piros vonal a számított F-értéket mutatja. Ez jóval nagyobb, mint a kritikus, ezért már nem tekinthető a véletlen ingadozás hatásának, a nullhipotézist vissza kell utasítani. Mi az elsőfajú hiba elkövetésének valószínűsége ebben az esetben? Az 5,84 értéknél nagyobb értékek előfordulási valószínűsége. Példánkban ez nem éri el a 0,1%-t sem, ezért nyugodtan elvethetjük a nullhipotézist. Mikor szignifikáns az F-próba? Amennyiben szakmailag teljesen korrektek akarunk lenni, akkor azt kell válaszolni, ha létezik legalább egy szignifikáns kontraszt a csoportok között. A kontraszt egy lineáris összehasonlító függvény. A függvény együtthatóinak összege nulla.

- 144 -

VARIANCIA-ANALÍZIS

77. ábra. F-eloszlás sűrűségfüggvénye R statisztika model=aov(ar~marka, data=kefir)

Egytényezős variancia-analízis modelljének megalkotása. Skála típusú változó ár, csoportképző a márka. Adatbázis a kefír.

summary(model)

A variancia-analízis eredménytáblázata.

model.tables(model,"means", se=T)

Marginális átlagok számítása.

model.tables(model,"effects", se=T)

Kezeléshatások becslése, azaz az Ai-k számítása, valamint a standard hiba.

residuals(model)

Maradékok.

A variancia-analízis eredmény táblázata Df Sum Sq Mean Sq F value Pr(>F) 3 396 132.13 5.845 0.000632 *** 476 10760 22.61

marka Residuals --Signif. codes:

0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Az R programban először a szabadságfokok, eltérés-négyzetösszegek, varianciák, majd a számított F-érték és az ehhez tartozó valószínűség kerülnek meghatározásra. A Pr(>F) - 145 -

VARIANCIA-ANALÍZIS kifejezést úgy olvashatjuk: mi annak a valószínűsége, hogy véletlenül a számított Fértéknél nagyobbat kapunk? 0,06%, ezért nyugodtan visszautasíthatjuk a nullhipotézist. A szignifikáns hatást szimbólumokkal is jelölik. ***=0,1%, **=1%, *=5%, .=10% szignifikancia-szintnek felel meg. Marginális átlagok, a csoport átlagokat mutatják. Tables of means Grand mean 78.66667 marka Danone Jogobella 78.43 80.02

Milli 77.48

Muller 78.72

A középérték különbségek hibáit mutatja a lenti táblázat. Meghatározása: gyök(2*MS error/r). A példában: gyök(2*22,61/120)=0,6137. Az LSD teszt ezt használja. Standard errors for differences of means marka 0.6138 replic. 120

A kezeléshatások a főátlagtól vett eltéréseket jelentik. Ezek összegének nullának kell lenni. Értelmezésük: az átlagos kefir árakhoz képest a márkák árai hogyan alakulnak. Az előjelekre figyelni kell. Pl. a Milli 1,18 Ft-tal olcsóbb az átlaghoz viszonyítva. Tables of effects marka marka Danone Jogobella -0.2333 1.3583

Milli -1.1833

Muller 0.0583

A hatások standard hibája. Standard errors of effects marka 0.434 replic. 120

4. A modell érvényességének ellenőrzése Függetlenség vizsgálatot a maradékok leíró statisztikájának és ábrázolásának segítségével végezhetjük el. Számítsuk ki a maradékok átlagát és varianciáját kezelésenként. A maradékok ábrázolása szemléletesen mutatja az alkalmazhatósági feltétel teljesülését. Az R programban az alábbi utasítást használhatjuk: >boxplot(residuals(model)~marka, ylab="maradék ár (Ft)")

- 146 -

VARIANCIA-ANALÍZIS

78. ábra. Maradékok a kezelés függvényében

Ábrázoljuk a maradékokat a megfigyelt és becsült értékek függvényében. >plot(ar, residuals(model))

79. ábra. Maradékok a megfigyelt értékek függvényében

- 147 -

VARIANCIA-ANALÍZIS A 79. ábra a függő változó és a maradékok közötti összefüggést mutatja. Jól látszik, hogy szoros lineáris összefüggés áll fenn. Az ár növekedésével, nő a modell hibája, tehát a függetlenség nem teljesül. Mi lehet ennek az oka? Vagy a modell nem jó, vagy nem alkalmazható a variancia-analízis erre a problémára.

80. ábra. Maradékok hisztogramja Akkor nem jó a modell, ha valamilyen egyéb fontos tényezőt nem vettünk figyelembe. Lehet, hogy a márkák hatásán kívül egyéb ok is erősen befolyásolja a kefir árát, pl. hogy melyik boltban vásároltuk. Amennyiben ez így van, akkor már nem elég az egyszempontos variancia-analízis, a modellt módosítani kell, kétszempontos variancia-analízist kell alkalmazni. Normális eloszlás tesztelését grafikusan és numerikusan végezzük. Grafikus normalitás vizsgálatnál hisztogramot és Q-Q ábrát használhatunk. A 80. ábra alapján a maradékok normális eloszlásúnak néznek ki. A leggyakoribb értékek a nulla körül helyezkednek el, és ettől balra és jobbra szimmetrikusan egyre kisebb gyakorisággal fordulnak elő az abszolút értékben nagy maradékok. A Q-Q ábra is megerősíti az előbbi feltételezést. Az elméleti átlós zöld vonal mentén helyezkednek el a maradékok, jelentős eltérés nem tapasztalható.

- 148 -

VARIANCIA-ANALÍZIS

81. ábra. Normál kvantilis ábra Numerikus normalitás vizsgálatnál Kolmogorov-Smirnov és Shapiro-Wilk tesztet lehet használni. Az előző tesztet nagyszámú adat, míg az utóbbit 50 alatti megfigyelés esetén használhatjuk. Példánkban több száz megfigyeléssel rendelkezünk, ezért a KolmogorovSmirnov tesztet alkalmazzuk. Kolmogorov-Smirnov teszt az R-ben: >ks.test(residuals(model),"pnorm",mean(residuals(model)), sd(residuals(model))) One-sample Kolmogorov-Smirnov test data: residuals(model) D = 0.0441, p-value = 0.3085 alternative hypothesis: two-sided

A teszt a nullhipotézist megerősíti, a maradékok eloszlása nem tér el szignifikánsan a normál-eloszlástól. A p-érték 0,3085, amely jóval nagyobb, mint az előre vállalt elsőfajú hiba nagysága. Homoszkedasztikusság vizsgálata során a kezeléskombinációkon belüli varianciát hasonlítjuk össze. Nullhipotézisünk, hogy a maradékok varianciái egyenlők. Erre többféle teszt is létezik, mi a Levene-tesztet fogjuk használni. A lenti példa egy kéttényezős variancia-analízis homoszkedasztikusságának vizsgálatát mutatja be. Ebben az esetben a kezeléskombinációkon belül kell a varianciáknak egyenlőeknek lenni. A csoportok szabadságfoka: kezeléskombinációk-1. Esetünkben négy kefir márka és négy bolt esetén 15. A számított F-érték egy körüli, 1,0195, ami a véletlennek tudható be.

- 149 -

VARIANCIA-ANALÍZIS >leveneTest(residuals(model)~marka*bolt, center=mean) Levene's Test for Homogeneity of Variance (center = mean) Df F value Pr(>F) group 15 1.0195 0.4332 464

A teszt megerősíti a nullhipotézist, a maradékok varianciái egyenlők. Amennyiben a Levene-teszt szignifikáns különbséget mutat a maradékok varianciái között, nem használhatunk klasszikus variancia-analízist. Helyette robusztus tesztet kell választani, pl. Welch-próbát vagy Brown-Forsythe tesztet. Amennyiben az előbb tárgyalt három alkalmazhatósági feltétel közül az egyik nem teljesül, nem végezhetünk variancia-analízist. Ebben az esetben más statisztikai eljárást kell választani. Mi lehet az oka a feltételek nem teljesülésének? A normalitás és homoszkedasztikusság sokszor a kiugró értékek miatt nem teljesül. Ezért a számítások megkezdése előtt feltétlenül ellenőrizni kell őket. 5. Amennyiben az F-próba szignifikáns, középértékek többszörös összehasonlítása Amennyiben a variancia-analízis a kezelésátlagok közötti egyenlőséget nem igazolja, meg kell határozni, hogy mely kezelések között van szignifikáns különbség. Páronként össze kell hasonlítani a kezeléskombinációkat. A középérték-összehasonlító teszteknek kétféle típusa létezik: • előzetes un. a priori kontrasztok • az analízis után számítható, post hoc tesztek Ezek közül csak a post hoc teszteket tárgyaljuk. Ezeknek is két nagy csoportja létezik. Amennyiben a csoportok szórásai megegyeznek, használhatjuk az alábbiakat: • LSD • Tukey • Bonferroni • Scheffe • Dunett • Student-Newman-Keuls • Duncan Amennyiben a csoportok szórásai különböznek , használhatjuk a Tamhane tesztet, vagy a korábban említett Welch-próbát vagy Brown-Forsythe tesztet. A fent bemutatott teszteken kívül még sok egyéb is létezik, mindegyik más-más alkalmazhatósági feltétel mellett használható. Könyvünk keretében csak az LSD és Tukey tesztet tárgyaljuk részletesen. Az LSD, azaz legkisebb szignifikáns differencia hazánkban az egyik leggyakrabban használt középérték összehasonlító teszt. Meghatározása a hiba MS (a maradékok varianciája) alapján történik. Mikor használhatjuk ezt a tesztet? Abban az esetben, ha a számítások előtt kiválasztunk két kombinációt, és azokat hasonlítjuk össze. Az LSD tesztnél az elsőfajú hiba páronként rögzített. Amennyiben több páronkénti összehasonlítást végzünk egyszerre, azaz szimultán, akkor a teljes vizsgálat so-

- 150 -

VARIANCIA-ANALÍZIS rán az elsőfajú hiba nőni fog. A hiba annál nagyobb lesz, minél több összehasonlítást végzünk. Ezzel párhuzamosan a másodfajú hiba csökkenni fog. Ennek hatására nagyon sokszor tévesen kezeléshatásokat állapítunk meg, amelyek a valóságban nem léteznek. Szignifikáns differencia képlete (5%): SzD 5% =t 5%



2MShiba r

A fenti képlet az 5%-s szignifikáns differenciát mutatja, amennyiben 10 vagy 1%-ost szeretnénk meghatározni, akkor a t-értéket az adott szignifikancia-szint mellett kell meghatározni. A gyökjel alatti r az ismétlések száma. Az SzDp% tehát az a legnagyobb távolság két csoport átlaga között, amely még a véletlen ingadozásnak tudható be. Amennyiben ennél kisebb a két középérték különbsége, akkor a középértékek statisztikailag egyformának tekintendők. A nullhipotézist csak akkor utasíthatjuk vissza, ha az SzD p%-nál nagyobb különbséget kapunk. A fenti képletben a gyökjel alatti komponensek a variancia-táblázatban találhatók meg, a t-érték meghatározása az Excelben az inverz.t(szig; szf) függvény segítségével történhet. Tukey-teszt: studentizált terjedelmen alapuló teszt, az r- elemű részcsoportokat ugyanazzal a kritikus értékkel hasonlítja össze. Itt a teljes vizsgálat elsőfajú hibája rögzített (familywise error), és az egyes összehasonlítások elsőfajú hibája k növekedésével csökken, s így a másodfajú nő. Példa az Excelben:

82. ábra: Az egytényezős variancia-analízis párbeszédablaka Az Excel táblázatkezelő programban a variancia-analízist az Adatelemzés… modulon keresztül érhetjük el. Ez a modul a 2003-as verzióban az Eszközök, a 2007-es és későbbi verziókban az Adatok menü alatt található. Amennyiben nem látjuk, akkor telepíteni kell a beépülőt (Eszközök, Bővítménykezelő…, Analysis ToolPak). Az Adatelemzés… párbeszédablakban különböző eljárások találhatók, mi ezek közül a legelsőt, az „Egytényezős varianciaanalízist” fogjuk használni. - 151 -

VARIANCIA-ANALÍZIS A variancia-analízis párbeszédablak három részre tagolódik: bemeneti, kimeneti beállítások és a baloldalon található vezérlő gombok. A bemeneti tartománynak egy tömböt kell megadni. A kezelések csoportosítási alapja az oszlopok vagy sorok. Érdemesebb oszlopokba rendezni a kezeléseket. A kefir példában az adatbázisból a márkák szerint oszlopokat kell képezni. Minden oszlop első cellája a márka feliratát tartalmazza. Danone 70 82 70 75 70 84 84 70

Jogobella 75 82 92 84 80 74 72 90

Milli 79 82 80 77 73 73 72 76

Muller 78 89 74 79 76 81 84 84

Részlet az oszlopokba rendezett adatokból Bemeneti tartományként jelöljük ki az értékes adatokat tartalmazó tömböt, fejléccel együtt. Ebben az esetben be kell jelölni a „Feliratok az első sorban” opciót. Az „Alfa” a szignifikancia-szint nagysága, alapbeállításként 5%. Amennyiben 10%-t szeretnénk, írjuk át 0,1-re. A kimeneti beállításokon ne változtassunk. Az OK után megkapjuk az eredményeket.

Egytényezős varianciaanalízis ÖSSZESÍTÉS Csoportok Danone Jogobella Milli Muller

Darabszám Összeg Átlag Variancia 120 9412 78,43333 22,48291 120 9603 80,025 21,30189 120 9298 77,48333 23,22661 120 9447 78,725 23,41113

Először egy leíró statisztikát kapunk kezelésenként: megfigyelések száma, az árak öszszege és átlaga, valamint a szórásnégyzet, azaz variancia. A variancia-analízis eredményét a második táblázat tartalmazza. VARIANCIAANALÍZIS Tényezők Csoportok között Csoporton belül

SS 396,3833 10760,28

Összesen

11156,67

df

MS F p-érték F krit. 3 132,1278 5,844904 0,000632 2,623637 476 22,60564 479

- 152 -

VARIANCIA-ANALÍZIS Az első oszlop a tényezőket tünteti fel. A „Csoportok között” jelenti a kezelést, esetünkben a különböző kefir márkákat. A „Csoporton belül” a maradék vagy hiba komponenseket jelöli. Az „Összesen” az alapadatok varianciáját mutatja. Ezt bontjuk fel csoportok közötti és csoporton belüli részre. Az „SS” oszlop a tényezők eltérésnégyzet-összegeit tartalmazza. A „df” a szabadságfok, „MS” a varianciák, „F” a számított F-érték, „pérték” a számított F-értékhez tartozó valószínűség, „F krit” a kritikus F-érték. A számított F-érték a csoportok közötti és csoporton belüli MS hányadosa. Ez mutatja meg, hogy a kezeléshatás hányszor nagyobb, mint a véletlen ingadozás. Az ehhez tartozó p-érték a számított F-értéknél nagyobb értékek előfordulási valószínűsége. Amennyiben igaz lenne a nullhipotézis, véletlenül ilyen valószínűséggel kapnák a számított Fértéknél nagyobbat. Ez 0,06%, amely jóval kisebb, mint a számítások megkezdése előtt választott 5%, ezért a nullhipotézist vissza kell utasítani. Mit jelent a kritikus F-érték? Az 5%-os szignifikancia-szint és df1=3, df2=476 alapján meghatározott érték osztja fel az F-eloszlást elfogadási és elutasítási tartományra. Amennyiben a számított F-érték ennél kisebb, a nullhipotézist kell elfogadni. Amennyiben nagyobb, akkor a nullhipotézist vissza kell utasítani. A jó döntés meghozatalához tehát két segítséget is kapunk, a pértéket és a kritikus F-értéket. A kritikus F-értéket mi is meg tudjuk határozni. Ehhez az INVERZ.F() függvényt kell használni. Ennek három paramétere van: valószínűség, szabadságfok1, szabadságfok2. Példánkban INVERZ.F(0,05; 3; 476). Ezek után kellene megvizsgálni a variancia-analízis alkalmazhatósági feltételeit. Az Excelben ez nem egyszerű, mivel a lineáris modell maradékait nem számítja, és nem tárolja el a program. Ezt nekünk kellene meghatározni és elemezni. Ráadásul nincs is normalitást tesztelő eljárás az Excelben. Természetes megírhatnánk az algoritmusokat, de ez már túlmutat a könyv keretein. A további számítások elvégzéséhez tehát feltételezni kell, hogy nincsenek alkalmazhatósági korlátok. Ez nagyon bizonytalan feltételezés, mivel nem végeztünk semmilyen vizsgálatot. A variancia-analízis alapján különbség van a márkák átlagos árai között. Vajon melyek között? Páronként össze kell őket hasonlítani. A négy márkával hat páronkénti összehasonlítás végezhető. Sajnos, az Excelben a további számítások már nem mennek automatikusan, nekünk kell a függvényt előállítani. Határozzuk meg a legkisebb szignifikáns differencia értékét a korábban ismertetett képlet segítségével. SzD5% az Excelben: INVERZ.T(0,05; 476)*GYÖK(2*22,6/120). A kritikus t-értéknél a szabadságfok2-t kell használni, azaz a hiba szabadságfokát. A gyökjel alatt az ismétlések száma (120), az egy márkán belüli megfigyelések száma. Az SzD5%=1,21 Ft. Ez a legnagyobb árkülönbség, amelyet még a véletlen ingadozás okoz. Amennyiben két kefir márka között ennél nagyobb az árkülönbség, akkor már szignifikáns különbségről beszélünk. A páronkénti összehasonlításokat mátrixba rendezve tudjuk a legegyszerűbben megcsinálni.

- 153 -

VARIANCIA-ANALÍZIS

Danone Jogobella Milli Muller

78,43333 80,025 77,48333 78,725

Danone Jogobella Milli Muller 78,43333 80,025 77,48333 78,725 0 -1,59167 0,95 -0,29167 1,591667 0 2,541667 1,3 -0,95 -2,54167 0 -1,24167 0,291667 -1,3 1,241667 0

A mátrix főátlójában természetes nullák vannak, valamint a mátrix szimmetrikus a főátlóra, ezért csak a felső háromszöget érdemes figyelembe venni az értékelés során. Keressük meg, ahol abszolút értékben a különbség nagyobb, mint 1,21 Ft.

- 154 -

VARIANCIA-ANALÍZIS R statisztika library(agricolae)

Az agrárkutatás területén használt módszerek csomagja. Ebben találhatók a legfontosabb post-hoc analízisek.

LSD.test(model,"marka",alpha=0.05, p.adj="none", main="Kefír árak\nmárkák szerint")

A legkisebb szignifikáns differencia meghatározása. A paraméterek sorrendben: modell, kezelés, elsőfajú hiba, elsőfajú hiba korrekciója, cím. Az elsőfajú hiba korrekciójával meghatározhatjuk, hogy páronként vagy az egész kísérletre vonatkozzon (pairwise vagy family-wise probability).

TukeyHSD(model, "marka", ordered = TRUE, conf.level = 0.95)

Tukey teszt. Az elsőfajú hiba a teljes öszszehasonlításra rögzített, esetünkben 5%.

plot(TukeyHSD(model, "marka"))

Tukey teszt ábrázolása.

A variancia-analízis elméletének tárgyalásakor az R programot használtuk, ezért a modell felépítését, és a számításokat nem ismételjük meg csak a középérték összehasonlító tesztet mutatjuk be. >LSD.test(model,"marka",alpha=0.05, p.adj="none", main="Kefir árak\nmárkák szerint")

Eredmény: Study: Kefir árak márkák szerint LSD t Test for ar Mean Square Error: marka,

22.60564

means and individual ( 95 %) CI

Danone Jogobella Milli Muller

ar 78.43333 80.02500 77.48333 78.72500

std.err replication 0.4328483 120 0.4213262 120 0.4399490 120 0.4416931 120

LCL 77.58280 79.19711 76.61885 77.85709

UCL 79.28386 80.85289 78.34782 79.59291

alpha: 0.05 ; Df Error: 476 Critical Value of t: 1.96496 Least Significant Difference 1.206109 Means with the same letter are not significantly different.

- 155 -

VARIANCIA-ANALÍZIS Groups, Treatments and means a Jogobella 80.025 b Muller 78.725 bc Danone 78.4333333333333 c Milli 77.4833333333333

A fenti táblázatban megkapjuk a hiba MS-t, az árak átlagát, standard hibáját és konfidenciaintervallumát márkák szerint. Láthatjuk az elsőfajú hiba nagyságát (alpha) és a maradékok szabadságfokát (Df Error), valamint a kritikus t-értéket. A következő sorban az LSD értéke: 1,21 Ft. Ez az a legnagyobb különbség, amely a véletlen ingadozásból fakad. Az utolsó blokkban a páronkénti összehasonlítások eredménye, azonos betűkkel jelölve az egyforma csoportba tartozó árakat. Ezek szerint a Jogobella kefír szignifikánsan drágább az összes többinél. A Muller és Danone kefír árai azonosak, valamint a Danone és Milli árai is. Szignifikáns különbség van a Muller és Milli kefir ára között. A Tukey-teszt: >TukeyHSD(model, "marka", ordered = TRUE, conf.level = 0.95)

Eredmény: Tukey multiple comparisons of means 95% family-wise confidence level factor levels have been ordered Fit: aov(formula = ar ~ marka, data = kefir) $marka Danone-Milli Muller-Milli Jogobella-Milli Muller-Danone Jogobella-Danone Jogobella-Muller

diff 0.9500000 1.2416667 2.5416667 0.2916667 1.5916667 1.3000000

lwr -0.632477011 -0.340810345 0.959189655 -1.290810345 0.009189655 -0.282477011

upr 2.532477 2.824144 4.124144 1.874144 3.174144 2.882477

p adj 0.4098362 0.1809726 0.0002389 0.9645274 0.0480672 0.1488502

Értelmezzük az eredménytáblázatot. A négy márkával hat páronkénti összehasonlítás végezhető. Megkapjuk az árak különbségét (diff), a 95%-s konfidenciaintervallum alsó (lwr) és felső szélét (upr), valamint a számított elsőfajú hiba valószínűségét (p adj). Mikor van a két márka ára között szignifikáns különbség? Ezt kétféle módon is megállapíthatjuk. Az első: a különbség konfidenciaintervalluma nem tartalmazza a nullát. A második: az elsőfajú hiba elkövetésének valószínűsége kisebb, mint 0,05. A Tukey teszt alapján szignifikánsan különbözik egymástól a Jogobella és Milli, valamint a Jogobella és Danone ára. Az összes többi összehasonlítás nem mutat különbséget. A szakirodalomban a Tukey tesztet „őszinte” tesztnek is nevezik, mivel az általa kimutatott különbség nagyon-nagy valószínűséggel valóban létezik. A Tukey-teszt eredményét az R-ben ábrázolhatjuk is, pontosabban a különbségek konfidenciaintervallumát (83. ábra). A szaggatott függőleges vonal jelzi a nullát. Amennyi-

- 156 -

VARIANCIA-ANALÍZIS ben a konfidenciaintervallum nem éri el a nullát, szignifikáns különbség van a két márka fogyasztói ára között. R parancs: >plot(TukeyHSD(model, "marka"))

83. ábra. Tukey-teszt eredményének ábrázolása

A variancia-analízis ereje A statisztikai próba erejét az előbbi példa alapján fogjuk meghatározni. Ez a felmérés egy egytényezős kiegyensúlyozott kísérletként fogható fel. A valószínűség becsléséhez a nem centrális F-eloszlást fogjuk használni. Ehhez szükségünk van a variancia-analízis eredménytáblázatára, valamint az R program pf() függvényére. VARIANCIAANALÍZIS Tényezők Csoportok között Csoporton belül

SS 396,3833 10760,28

Összesen

11156,67

df

MS F p-érték F krit. 3 132,1278 5,844904 0,000632 2,623637 476 22,60564 479

- 157 -

VARIANCIA-ANALÍZIS R statisztika pf(q, df1, df2, ncp, lower.tail = TRUE, log.p = FALSE)

Nem centrális F-eloszlás.

q

F-érték

df1

A számláló szabadságfoka

df2

A nevező szabadságfoka

ncp

Nem centrális paraméter

lower.tail

Az eloszlás baloldala

log.p

A valószínűség logaritmusa

Hogyan kell használni a pf() függvényt? A q paraméter a kritikus F-érték, a szabadságfokok a csoportok közötti és belüli értékek. Az ncp paraméter meghatározása az F-eloszlás tulajdonsága alapján történik. Az F-eloszlás felfogható két normáliseloszlás négyzetének hányadosaként. A matematikai bizonyítástól most eltekintünk. A variancia-analízisből a csoportok közötti SS és csoporton belüli MS hányadosa adja az ncp értékét. Az F-eloszlás nem centrális paramétere (ncp): ncp=

SS k MS error

ncp=396,3833/22,60564=17,53471 >1-pf(2.623637, 3, 476, 17.53471) [1] 0.9525834

A variancia-analízis ereje tehát 95,26%, ilyen valószínűséggel lehet kimutatni a kezelésátlagok közötti különbséget. Ellenőrizzük le a számításunkat. Az R programban megtalálható a variancia-analízis erőfüggvénye is, amellyel még a variancia-analízis kiszámítása előtt meg tudjuk becsülni a próba erejét.

- 158 -

VARIANCIA-ANALÍZIS R statisztika power.anova.test(groups= NULL, n = NULL, between.var = NULL, within.var = NULL, sig.level = 0.05, power = NULL)

A variancia-analízis erejének becslése.

groups

Csoportok száma.

n

Egy csoporton belül a megfigyelések száma.

between.var

Csoportok közötti variancia.

within.var

Csoporton belüli variancia.

sig.level

Elsőfajú hiba, alfa.

power

A statisztikai teszt ereje, 1-b.

Szükségünk lesz a csoporton belüli és a csoportok közötti varianciára (feltételezzük, hogy a variancia-analízist nem számítjuk ki). Ezeket az alábbi táblázatból határozhatjuk meg. ÖSSZESÍTÉS Csoportok Danone Jogobella Milli Muller

Darabszám Összeg Átlag Variancia 120 9412 78,43333 22,48291 120 9603 80,025 21,30189 120 9298 77,48333 23,22661 120 9447 78,725 23,41113

A csoporton belüli variancia a csoportok varianciájának súlyozott számtani átlaga. 119∗22,48291+ 119∗21,30189+ 119∗23,22661+ 119∗23,41113 =22,60564 476

Ebben a példában egyszerű számtani átlagot is használhattunk volna, mert a súlyok megegyeznek. Minden egyéb esetben súlyozott átlagot kell számítani. A csoportok közötti variancia a csoportátlagok varianciája, esetünkben 1,101. Az R parancs: >means=c(78.43333, 80.025, 77.48333, 78.725) >g.var=var(g.means) >power.anova.test(groups=length(g.means),n=120,between.var=g.var,within.var=22.60564,sig.level=0.05)

Eredmény: - 159 -

VARIANCIA-ANALÍZIS Balanced one-way analysis of variance power calculation groups n between.var within.var sig.level power

= = = = = =

4 120 1.101068 22.60654 0.05 0.9525839

NOTE: n is number in each group

A teszt ereje itt is 95,26%, amely tökéletesen megegyezik az előbbi eredménnyel. Ez most csak véletlenül hasonlít az 5%-os elsőfajú hibához. Az első és másodfajú hiba, illetve a statisztikai próba ereje összefügg egymással. Amennyiben az 5%-os szignifikancia-szintet 1%-ra csökkentjük a próba ereje az alábbiak szerint alakul. > g.means=c(78.43333, 80.025, 77.48333, 78.725) > g.var=var(g.means) > power.anova.test(groups=length(g.means),n=120,between.var=g.var,within.var=22.60564,sig.level=0.01) Balanced one-way analysis of variance power calculation groups n between.var within.var sig.level power

= = = = = =

4 120 1.101068 22.60564 0.01 0.856408

NOTE: n is number in each group

A variancia-analízis ereje 85,64%. Amennyiben tovább csökkentenénk az elsőfajú hiba valószínűségét, úgy nőne a másodfajú hiba, és ezzel a statisztikai próba ereje folyamatosan gyengülne. A 84. ábra a statisztikai próba erejét szemlélteti az elsőfajú hiba valószínűségének (alfa) függvényében. A kettő között pozitív összefüggés van, de ez nem lineáris. Amennyiben nagyon kicsire választanánk az alfát, azért hogy a nullhipotézis megítélésekor a hibás döntés valószínűsége minimális legyen, akkor gyakorlatilag semmi esélye sem lenne a valódi különbségek kimutatásának.

- 160 -

VARIANCIA-ANALÍZIS

84. ábra. A statisztikai próba ereje az elsőfajú függvényében

- 161 -

MELLÉKLETEK

Mellékletek A középértékek hibájának (standard hiba) öröklődési szabálya

 =standard hiba

∂ s 2 ∂ s 2 ∂ s2 ∂ x x ∂ u u ∂ z z

s y = s ̄y

(1)

Feltételezés: x u z y = 3

(2)

A parciális deriválás után az alábbit kapjuk: s y =



1 2 1 2 1 s  s  s2z 3 x 3 u 3

(3)

Itt a súlyok nem kerülnek négyzetre. Független kétmintás t-próba: x −u t= 2  2  s x su s s x = x n x

(4) (5)

Feltételek:  A két sokaság független  Normális eloszlásúak  Azonos szórás  Azonos elemszám 2

2

s s 2s s s = x  u = 2 n x nu n 2 x

2 u

(6)

A (4) képlet nevezője tehát s



2 n

(7)

Feltétel, mint az előbb, csak:  Eltérő elemszám A (4) képlet nevezője:







s 2x s2u n u s2x + n x s2u n+n + = =s x u n x nu nx nu n x nu

(8)

Ellenőrzés, ha nx=nu, akkor:

- 162 -

MELLÉKLETEK s



2 n

(9)

Feltétel, mint az előzőek, csak:  Különböző szórás  Eltérő elemszám



s 2x s2u 2 2 + =√ s ̄x + s ̄u n x nu

Rétegzett minta Réteg X U

(10)

Z

Elemszám nx

nu nz

Átlag

̄x

u ̄

̄z

Szórás

sx

su

sz

Std. hiba

s ̄x

s ū

s ̄z

A minták függetlenek. Határozzuk meg a minták belső szórásának átlagát. Ezt az eltérés-négyzetösszegek összegzésével és a szabadságfokok összegével történő osztással kapjuk meg. s 2y =

s2x (n−1)+ su2(n−1)+ s 2z ( n−1) n x −1+ nu−1+ nz −1

(11)

Ennek a gyöke a belső szórások átlaga. A közös standard hiba meghatározása ebből történhet. Feltételezzük, hogy a rétegek elemszámai megegyeznek. s ̄y =

sy √n

Célszerű a számítást a standard hiba négyzetének meghatározásával kezdeni: s 2y =





s2x n x−1s 2u nu−1s2z n z −1 n−1 s2x s2u s 2z 1 2 2 2 =   =  s x s x s x  nn x −1nu−1nz −1 3n−3 n n n 3

(12)

A (12) egyenlet gyöke a közös standard hiba, ami egyezik a (3) egyenlettel. A fentiek szerint, ha súlyozott átlagként kell meghatározni a közös átlagok, az ún. főátlagot, akkor súlyozott négyzetes átlagként kell kiszámítani a közös standard hibát. A súlyokat célszerű relatív súlyként figyelembe venni.

Példa: Első megközelítésben vegyünk egy három rétegből álló mintát, aminek az elemszámai megegyeznek (n=30).

- 163 -

MELLÉKLETEK X 8 6 9 6 12 9 11 6 7 12 10 12 8 9 10 12 9 10 10 9 10 12 9 7 8 10 9 13 11 8

U 105 95 99 97 103 95 99 98 104 99 99 101 97 101 97 99 102 100 97 101 102 99 101 98 101 97 102 99 97 98

Z 999 998 1004 998 997 997 998 997 1002 1001 1000 1000 1000 1000 999 999 998 1000 1000 1000 999 999 1000 1003 996 999 1004 1000 999 997

A rétegek jellemző statisztikáit mutatja a következő táblázat. Réteg Átlag Variancia Szórás Std.hiba

X U 9,4000 99,4000 3,7655 6,1793 1,9405 2,4858 0,3543 0,4538

Z 999,4333 3,8402 1,9597 0,3578

A rétegek átlaga: (9,4+99,4+999,4)/3=369,4. Milyen nagy a standard hibája ennek az átlagnak. s y =



∂ s 2 ∂ s 2 ∂ s2 ∂ x x ∂ u u ∂ z z

(13)

A fenti összefüggés alapján: s ̄y =



1 1 1 0,3543 2+ 0,45382+ 0,35782 3 3 3

Ami egyenlő: 0,3914.

- 164 -

MELLÉKLETEK Ellenőrizzük le az eredményt, számítsuk ki másféle megközelítéssel. Most először határozzuk meg a közös szórást a (11) képlet segítségével. s 2y =

2

2

2

1,9405 (30−1)+ 2,4858 (30−1)+ 1,9597 (30−1) 30−1+ 30−1+ 30−1

A fenti gyöke a közös szórás négyzet, ami: 2,1436. Ebből meghatározható a közös standard hiba, ha elosztjuk gyök harminccal az (5) képlet értelmében. Az eredmény: 0,3914, ami tökéletesen egyezik az előbbi eredményünkkel. Ellenőrizzük le egy másik megközelítésből is a számításunkat. A rétegzett minta közös, azaz belső szórását variancia-analízissel is meghatározhatjuk. A hiba MQ, vagy csoporton belüli variancia ennek a belső szórásnak a négyzete. A variancia-analízis eredménye: Eltérés négyzetösszeg

Szabadságfok

Variancia

Összes

17983659,7889

89

202063,5931

Csoportok között

17983260,0222

2

8991630,0111

Csoporton belül

399,7667

87

4,5950

A csoporton belüli variancia 4,5950, ennek a gyöke a belső szórás, ami 2,1436. Ez is tökéletesen egyezik az előző számításainkkal. Ebből ugyanúgy kell meghatározni a közös standard hibát, ami természetesen ebben az esetben is 0,3914.

Legfontosabb függvények a képletek előállításához Az Excel legfontosabb függvényei, amikkel statisztikai képleteket lehet előállítani: ∑ x i = SZUM() ∑ x 2i = NÉGYZETÖSSZEG() ∑ x i y i = SZORZATÖSSZEG() ∑ ( x− y )2 = SZUMXBŐLY2() ∑ ( x 2− y 2) = SZUMX2BŐLY2() ∑ ( x 2+ y 2) = SZUMX2MEGY2 ∑ ( x i−̄x )2 = SQ() ∏ x i = SZORZAT()

- 165 -

MELLÉKLETEK

Ábrajegyzék 1. ábra: A heterogén "alma sokaság"………………………………………………………………………………5 2. ábra: A minta……………………………………………………………………………………………………………..6 3. ábra: A valóság…………………………………………………………………………………………………………..6 4. ábra: Adatgyűjtés……………………………………………………………………………………………………….7 5. ábra: A rossz adatbázis időzített bomba……………………………………………………………………11 6. ábra: Nominális típusú változók……………………………………………………………………………….13 7. ábra: A hajszín ábrázolásai……………………………………………………………………………………….14 8. ábra: Ordinális változó……………………………………………………………………………………………..15 9. ábra: Oszlopdiagram (LibreOffice Calc)……………………………………………………………………17 10. ábra: Halmozott oszlopdiagram (LibreOffice Calc)…………………………………………………18 11. ábra: Területi adatok halmozott oszlopdiagramja (MS Excel)…………………………………18 12. ábra. Halmozott százalék oszlopdiagram (LibreOffice Calc)……………………………………19 13. ábra. Sávdiagram (LibreOffice Calc)……………………………………………………………………….19 14. ábra: Kördiagram (LibreOffice Calc)……………………………………………………………………….20 15. ábra: Kördiagram a leggyakoribb kategória jelölve(LibreOffice Calc)…………………….20 16. ábra. Területdiagram (LibreOffice Calc)………………………………………………………………….21 17. ábra. Halmozott területdiagram (LibreOffice Calc)…………………………………………………21 18. ábra. Halmozott százalék területdiagram (LibreOffice Calc)…………………………………..22 19. ábra: Vonaldiagram (LibreOffice Calc)……………………………………………………………………22 20. ábra: Pontdiagram (LibreOffice Calc)……………………………………………………………………..23 21. ábra: A sörfogyasztás alakulása a hőmérséklet függvényében (LibreOffice Calc)…..23 22. ábra: Árfolyamdiagram (LibreOffice Calc)……………………………………………………………..24 23. ábra: Hisztogram (R)……………………………………………………………………………………………….25 24. ábra. Kvartilis ábra (R)…………………………………………………………………………………………….25 25. ábra: Kimutatás mezőlista eszköztár……………………………………………………………………….27 26. ábra: Kimutatás eszköztár……………………………………………………………………………………….28 27. ábra: Kimutatás-diagram………………………………………………………………………………………..29 28. ábra: Csoportosítás párbeszédablak………………………………………………………………………..30 29. ábra: Statikus diagram…………………………………………………………………………………………….31 30. ábra: A forgalom évenkénti változásának mértéke (kg/év)……………………………………..32 31. ábra: A forgalom évenkénti változásának üteme (kg/év), derivált sor…………………….33 32. ábra: Bázisviszonyszámok………………………………………………………………………………………33 33. ábra: Láncviszonyszámok……………………………………………………………………………………….34 34. ábra: Bázisviszonyszámok százalékos eltérései (%)…………………………………………………35 35. ábra: Láncviszonyszámok százalékos eltérései (%)………………………………………………….35 36. ábra: Megoszlási viszonyszámok (%)………………………………………………………………………37 37. ábra: Számított mező előállítása……………………………………………………………………………..41 38. ábra: Számított mező beszúrása………………………………………………………………………………48 39. ábra: Feszültségértékek (V)……………………………………………………………………………………..56 40. ábra: A standard hiba ábrázolása……………………………………………………………………………72 41. ábra. A HHI és normalizált HHI közötti összefüggés, n=40…………………………………….79 42. ábra. A tíz legjelentősebb bank piaci részesedése……………………………………………………81 43. ábra. A variációs koefficiens és a HHI közötti összefüggés, n=40……………………………83 44. ábra: Ernst Louis Étienne LASPEYRES (1834-1913)………………………………………………..89 - 166 -

MELLÉKLETEK 45. ábra: Hermann PAASCHE (1851-1925)…………………………………………………………………..89 46. ábra: Egy dobókocka dobásainak eredménye………………………………………………………….91 47. ábra: Hat dobókocka dobásainak eredménye………………………………………………………….92 48. ábra: Hat dobókocka variációinak száma………………………………………………………………..93 49. ábra: Abraham de Moivre (1667-1754)…………………………………………………………………….93 50. ábra: Pierre-Simon Laplace (1749-1827)………………………………………………………………….94 51. ábra: Carl Friedrich Gauss (1777-1855)……………………………………………………………………95 52. ábra: A normális eloszlás sűrűségfüggvénye…………………………………………………………..95 53. ábra: A normális eloszlás eloszlásfüggvénye…………………………………………………………..96 54. ábra. A standard normál-eloszlás sűrűségfüggvénye:……………………………………………..98 55. ábra: A standard normális eloszlás eloszlásfüggvénye……………………………………………99 56. ábra: Egy szórásnyi távolság a középérték körül…………………………………………………….99 57. ábra: Pozitív ferdeség, jobbra ferde eloszlás………………………………………………………….101 58. ábra: Két normális eloszlás „lapos és csúcsos eloszlás”, a kurtózis=0 mindkettőnél 102 59. ábra:QQ ábra az R statisztikai programcsomaggal………………………………………………..104 60. ábra: A standard normális eloszlás összefoglalása………………………………………………..105 61. ábra: NORM.ELOSZL(x;100;10;igaz)…………………………………………………………………….106 62. ábra: NORM.ELOSZL(x;100;10;hamis)…………………………………………………………………106 63. ábra: Binomiális eloszlás, lányok száma……………………………………………………………….109 64. ábra: F-eloszlások………………………………………………………………………………………………….111 65. ábra: Student-féle t-eloszlások………………………………………………………………………………114 66. ábra: William Sealy Gosset, 1876-1937, alias Student, 1908-ban…………………………….115 67. ábra. A loch nessi szörny mégis létezik…………………………………………………………………120 68. ábra. Kétoldali szimmetrikus 5%-os elsőfajú hiba………………………………………………….123 69. ábra. Egyoldali aszimmetrikus 5%-os elsőfajú hiba……………………………………………….123 70. ábra. Alfa kétoldali szimmetrikus 5%, valódi különbség 3……………………………………..124 71. ábra. Alfa kétoldali szimmetrikus 5%, valódi különbség 4……………………………………..125 72. ábra. Standard normális-eloszlás 95%-s kritikus értékei………………………………………..128 73. ábra. A nullhipotézis (kék) és a munkahipotézis (piros)………………………………………..137 74. ábra. A t-próba ereje a standard hatások függvényében, kék vonal kritikus t-érték ……………………………………………………………………………………………………………………………………138 75. ábra. A t-próba ereje a valódi különbség függvényében……………………………………….139 76. ábra. Kezelésátlagok és a középértékek hibái (se)………………………………………………….143 77. ábra. F-eloszlás sűrűségfüggvénye…………………………………………………………………………145 78. ábra. Maradékok a kezelés függvényében……………………………………………………………..147 79. ábra. Maradékok a megfigyelt értékek függvényében……………………………………………147 80. ábra. Maradékok hisztogramja………………………………………………………………………………148 81. ábra. Normál kvantilis ábra…………………………………………………………………………………..149 82. ábra: Az egytényezős variancia-analízis párbeszédablaka…………………………………….151 83. ábra. Tukey-teszt eredményének ábrázolása………………………………………………………….157 84. ábra. A statisztikai próba ereje az elsőfajú függvényében……………………………………..161

- 167 -

AJÁNLOTT IRODALOM

Ajánlott irodalom Baráth CS.-né - Ittzés A. - Ugrósdy GY.:1996. Biometria: módszertan és a MINITAB programcsomag alkalmazása. Mezőgazda Kiadó, Budapest Cochran, W. G., and G. M. Cox 1957. Experimental Designs. 2d. ed. New York: Wiley. Dunn, O. J., and V. A. Clark. 1987. Applied Statistics: Analysis of Variance and Regression. 2d. ed. New York: Wiley. Freund, J. and Perles, B. "A New Look at Quartiles of Ungrouped Data." Ameri can Stat. 41, 200-203, 1987. Hoaglin, D.; Mosteller, F.; and Tukey, J. (Ed.). Understanding Robust and Explo ratory Data Analysis. New York: Wiley, pp. 39, 54, 62, 223, 1983. Hunyadi L., Vita L.: Statisztika I. Aula Kiadó, Budapest, 2008. 1-348. o. Hunyadi L., Vita L.: Statisztikai képletek és táblázatok (oktatási segédlet), Aula Kiadó, Budapest, 2008. 1-51. o. John, P.W.M. 1971. Statistical Design and Analysis of Experiments. New York: MacMillan. J.P. Marques de Sá (2007): Applied Statistics, Using SPSS, STATISTICA, MATLAB and R. Springer-Verlag Berlin Heidelberg, ISBN 978-3-540-71971-7. Katona Tamás - Lengyel Imre (szerk.): Statisztikai ismerettár - fogalmak, képletek, módszerek Excel és SPSS alkalmazásokkal. JATEPress, Szeged, 1999. 121 oldal, (közgazdász, jogász, kísérletes és társadalomtudomány) Kenney, J. F. and Keeping, E. S. "Quartiles." §3.3 in Mathematics of Statistics, Pt. 1, 3rd ed. Princeton, NJ: Van Nostrand, pp. 35-37, 1962. KIRK, R. E. 1982 Experimental Design. 2d ed. Monterey, CA: Brooks/Cole Publishing Co. Lothar Sachs: 1985. Statisztikai módszerek. Mezőgazdasági Kiadó, Budapest Mendenhall, W. and Sincich, T. L. Statistics for Engineering and the Sciences, 4th ed. Prentice-Hall, 1995. Mérő L. (1992): A pszichológiai skálázás matematikai alapjai. Tankönyvkiadó, Budapest, 1992. 15. o. Moksony Ferenc: Gondolatok és adatok: Társadalomtudományi elméletek empirikus ellenőrzése. Budapest, Osiris Kiadó, 1999. Moore, D. S. and McCabe, G. P. Introduction to the Practice of Statistics, 4th ed. New York: W. H. Freeman, 2002. Neter, J., W. Wassermann, and M. H. Kutner. 1985. Applied Linear Statistical Models: Regression, Analysis of Variance, and Experimental Designs. 2d ed. Homewood, Illinois.: Richard D.Irwin, Inc. PENG, K. C. 1967. The Design and Analysis of Scientific Experiments. Reading, MA: Addison-Wesley. Sváb, J. 1981. Biometriai módszerek a kutatásban. Mezőgazdasági Kiadó. Budapest. Szűcs István Szerk.: Alkalmazott statisztika. Agroinform Kiadó, 2002. Whittaker, E. T. and Robinson, G. The Calculus of Observations: A Treatise on Nu merical Mathematics, 4th ed. New York: Dover, pp. 184-186, 1967. Winer, B. J. 1971. Statistical Principles in Experimental Design, 2d. ed. New York: McGraw-Hill.

- 168 -

Life Enjoy

" Life is not a problem to be solved but a reality to be experienced! "

Get in touch

Social

© Copyright 2013 - 2018 TIXPDF.COM - All rights reserved.