Ksrlettervezs DR HUZSVAI LSZL A semmifle elmlettel sem
- Slides: 64
Kísérlettervezés DR. HUZSVAI LÁSZLÓ „A semmiféle elmélettel sem értelmezhető megfigyelések teljesen haszontalanok. ” SELYE
Tananyag http: //www. agr. unideb. hu/~huzsvai
1. témák ismertetése l. A tudományos kutatás l A kutatás típusa l Mi a különbség a mérés és kísérlet között? l Mi a kísérlet? l Kísérleti módszer
A tudományos kutatás A tudomány a tudás, ismeret bővítése. Munkája a kutatás. Eredménye az ismeretalkotás. Ismeretalkotás célja: l Gyakorlati vagy elméleti probléma megoldása l Tudományág, diszciplína fejlesztése l Tudományos munkára való alkalmasság bizonyítása
Meghívná egy házibuliba?
A kutatás típusa
A természettudományos megismerés módszere l Tapasztalatok l Modell l gyűjtése megfigyelésekkel alkotása tapasztalataink megértéséhez Számszerűen kiértékelhető modell, melyet alkalmazva képesek vagyunk a jelenségek mennyiségi előrejelzésére. l Jóslás a modell segítségével még nem ismert jelenségeket jóslás helyességét kísérlettel ellenőrizzük, közben megállapítjuk a modell érvényességi határát l. A l A modellek számszerű kísérleti ellenőrzése. l Gyakorlati feladatok megoldása a modell segítségével az érvényességi határon belül l Az érvényességi határon túli jelenségek magyarázatához a modell továbbfejlesztése, módosítása, esetleg teljesen új modell kidolgozása
A kísérlet Megfelelő elméleti megalapozás után kialakított elgondolás, következtetés helyes vagy helytelen voltának mérésekkel történő ellenőrzése. l Y=f(x) l „Foltszerű” megoldások. Mi okozza? 1. A folyamat sztochasztikus jellege 2. A mérési adatok szórása
A kísérleti módszer Pólya-féle szakaszai l. A feladat verbális megfogalmazása l A matematikai modell megalkotása l A matematikai modell hasonlósági transzformációja, a kísérleti objektum gazdaságos kiválasztása és a megoldás általánosítása érdekében l A kísérleti terv összeállítása l A kísérlet lefolytatása és értékelése Forrás: Pólya György: A gondolkodás l A megoldás ellenőrzése iskolája
1. kérdések l l l Mi a kísérlet? Mi a különbség a kísérlet és mérés között? Mi különbség a priori és poszteriori feltételezés között? Mi okozza a kísérlet „foltszerű” megoldásait? Ismertesse a kísérleti módszer szakaszait!
Mi látszik a képen?
A tehén
2. témák ismertetése l Mi a feladat? l A feladat típusai
A feladat típusai (1. ) ? ? ?
A feladat típusai (2. ) l DIREKT: Keressük a rendszer viselkedését a különböző fizikai mennyiségek idő -és hely szerinti változása mellett. Kész berendezésekkel való dolgozás, új típus minősítő vizsgálata. l INDIREKT: Természeti törvényt céljaink érdekében akarunk felhasználni. A feladat, hogy megtaláljuk azokat a feltételeket, amely mellett a folyamat az előírt irányba, sebességgel, hatásfokkal megy végbe. Tervező mérnöki feladat. l INDUKTÍV: „Black box” - típusú feladatok Folyamatszabályozás. Új természeti törvény felfedezése.
A normális eloszlás mint modell l Ez a modell jól leírja a mérési értékeknek a középérték szóródását. l Jelölése (várható N(μ, σ). eloszlás: N(0, 1) érték) Standard körüli normális
Hisztogram
Normális eloszlás
Sűrűségfüggvény
Eloszlásfüggvény
A normál eloszlás értékei α% μ±σ 5 1, 96 1 2, 58 0, 1 3, 29
Standardizálás
Standard normáleloszlás sűrűségfüggvénye μ , medián, módusz
Standard normális eloszlás sűrűségfüggvénye
Standard normáleloszlásfüggvénye
Standard normális eloszlásfüggvénye
Standard normáleloszlás 95%-os valószínűségei
Skála típusú adat l Számtani közép l Szórás
A számtani átlag és szórás helyzete Átlag Szórás
Variancia gyakorlati meghatározása Előnye: Csak az x és x négyzetet kell tárolni és szummázni
Terjedelem, variációs koefficiens, a számtani közép szórása
A középérték megbízhatósági tartománya Ismert σ: Ismeretlen σ:
Megfigyelések száma h = becslési hiba (pl. kg) s = szórás zp% = a standard normáleloszlás kritikus értéke adott valószínűségi szinten
Megfigyelések száma Excelben
A középérték 95%-os megbízhatóságú becsléséhez szükséges minimális megfigyelések száma kukorica esetén
A statisztikai próba 1. l l l A munka-hipotézisek (Ha) nem igazolhatók közvetlen úton Ellenhipotézis, null hipotézis felállítása (H 0): μ 1= μ 2, vagy μ 1 - μ 2=0 A munka-hipotézist indirekt módon bizonyítjuk A minta a nullhipotézist alátámasztja-e? Az olyan eljárást, amelyik a minták alapján dönt, statisztikai próbának nevezik Próbafüggvény előállítása
A statisztikai próba 2. l. A próbafüggvény kiszámított értékéhez megadható egy P, valószínűségi érték. Ez megadja, hogy milyen valószínűséggel várható a próbafüggvénynek a kiszámítottal azonos vagy annál nagyobb értéke, ha a nullhipotézis igaz, azaz μ 1= μ 2
A statisztikai próba ereje l. A valódi különbség kimutatásának valószínűsége l P=1 - β Gyakorlatilag egy igaz munkahipotézis vagy alternatív hipotézis elfogadásának valószínűsége l Minél kisebb az α, annál ritkább, hogy H 0 -t tévesen elutasítjuk, de annál gyakoribb, hogy H 0 -t tévesen elfogadjuk (másodfajú hiba) l
A döntés és az elkövethető hibák
Az első- és másodfajú hiba csökkentése l Minta elemszámának növelése l Pontosabb mintavételezés (szórás csökken) l Lehet-e az első- és másodfajú hibát nullára csökkenteni? l NEM l A véletlen hatásokat nem tudjuk kiiktatni
Két középérték különbségének tesztelése Feltételek: l Független minták l Normális eloszlásúak l Azonos szórás
Két normál eloszlású, független minta különbségének szórása Két eset állhat fenn a valóságban: • Nincs különbség: a várható érték 0, a szórás Sd • Meglévő különbség kimutatása: a várható érték , a szórás Sd Választani kell egy -hiba valószínűséget, ami leggyakrabban kétoldalú valószínűség. A mezőgazdaságban ez általában 5% szokott lenni. Pl. n = 4; X 1 várható értéke = 6 000 kg/ha; X 2 várható értéke = 7 500 kg/ha; a szórás mindkét esetben 780 kg/ha; a különbség szórása 552 kg/ha
Kétmintás t-teszt (szórás azonos) l Származhat-e a két független megfigyelés, minta azonos középértékű populációból? l H 0 : 1 = 2 l Próbastatisztika: (DF = n 1 + n 2 – 2)
29, 5% 6, 2% 1, 96 Alfa és béta hiba 95% -4 -2 0 2 4 6 8 10
Nincs különbség
Meglévő különbség
A várható érték 1 500 kg/ha, 552 kg/ha a szórás
Megfigyelések száma középérték különbségek becslésére ahol n 1 = n 2 = n z = az elsőfajú hiba kritikus értéke az adott szignifikancia-szinten (kétoldali szimmetrikus) z = a másodfajú hiba kritikus értéke az adott szignifikancia-szinten (egyoldali) s 2 = a minták varianciája h 2 = a tényleges különbség négyzete LOTHAR SACHS, 1985
Megfigyelések száma középérték különbségek becslésére Excelben
Lineáris modell yij = + i + eij ahol: yij i eijk a függő változó értéke a kísérlet főátlaga, fix hatás hiba, vagy eltérés
A variancia-analízis alkalmazásának feltételei la sokaság elemei függetlenek legyenek egymástól l csak normális eloszlású sokaságok hasonlíthatók össze l a sokaságok szórásai a mintán belül egyformák
Mikor szignifikáns az F-próba? l Ha létezik legalább egy szignifikáns kontraszt a csoportok között.
A pontosság fokozása la kísérlet pontosabb kivitelezésével l az la ismétlésszám növelésével parcellák csoportosításával, blokkképzéssel
Torzítás randomizáció l az adott kísérleti elrendezésnek és elméleti modellnek megfelelő statisztikai értékelés (Sváb, 1981) l
Kísérletek csoportosítása Kísérletek Egytényezős kísérletek Kéttényezős kísérletek Három- és többtényezős kísérletek Teljesen véletlen elrendezés Véletlen blokk elrendezés Osztott parcellás (split-plot) Kétszeresen osztott parcellás (split-spit -plot) Nemteljes blokkelrendezés (nagy kezelés szám esetén, 25 -ön felül) Sávos elrendezés Latin négyzet Kiegyensúlyozott elrendezés Nem kiegyensúlyozott elrendezés
Egytényezős véletlen blokk elrendezés Műtrágyázás 4 3 5 1 2 I V. 5 4 2 3 1 I I I. 3 5 1 2 4 I I. 1 2 3 4 5 I. ismétlés
Kéttényezős sávos elrendezés I. ismétlés A B II. ismétlés C B 1 3 2 A C
Kéttényezős osztott parcellás elrendezés (split-plot) I. ismétlés Fő parcella II. ismétlés B C 1 2 3 2 1 1 3 3 2 Fő parcella Osztó terület A B A C 3 2 1 1 3 2 2 1 3
Háromtényezős kétszeresen osztott parcellás elrendezés (split-plot) ism. Fő parcella Osztó terület II. ism. A B B A 1 2 2 1 1 2 a d c b a d b b d a b b c c a d c c d a b c d a Osztó területek
Mi látszik a képen?
Mi látszik a képen?
Mi látszik a képen?
Mi látszik a képen?
Merre forog?
- Sem sem sem
- Graph limit theory
- Lszl charts
- Huzsvai lászló statisztika
- Huzsvai lászló statisztika
- Huzsvai lászló
- Questão 2 o que motivou felipe a reduzir as suas mentiras
- Atividade sobre paródia com gabarito 6 ano
- Poesia do cu
- Peixes sem mandibula
- Brincadeiras sem graça
- Sem drawing meaning
- Analise combinatoria sem repetição
- Ida sem volta
- Sem kpis
- Tem vs sem
- Sem model
- Sem short
- "sem rash"
- 50000x200
- Digital image acquisition for analog sem
- Microscop
- é o tempo de segar
- Pablo neruda è proibito
- Ligue as letras iguais sem cruzar
- Minden bántást eltűr
- Kombinasi idea pengajian am
- Organização sem fronteiras
- Jogos cooperativos sem perdedores
- Eds çalışma prensibi
- Boite à outils sem
- Nick van nispen
- Mar sem fundo
- Digitize jeol sem
- Sem vendors
- Sem tem
- Vabcdef
- Tem e sem
- Sem
- Sem asas
- Sem enfermeria
- Helmuth hübener stadtteilschule
- Sem fé é impossivel agradar a deus
- Sem components
- Sem
- Ricketssie
- Aacrao sem
- Sem
- Ram x sem
- Eu nao quero mais fugir da tua
- Plant introduction in plant breeding
- Cuti mid sem matrikulasi
- Nina mohss
- Scanning electron microscopy
- St.sem
- Electromagnetic lens
- Liadok draselný
- David kenny sem
- Kod kertas pengajian perniagaan stpm
- 潛在變項
- Sexo anal
- Max sem
- Tipos de sujeito indeterminado
- Transmission
- Uma saudade bate forte doi no fundo