STATISZTIKA
A statisztika részei
Miért tanuljunk statisztikát? Mire használhatjuk?
Leíró statisztika (descriptive statistics):
Szakirodalom értő és kritikus olvasásához
Minden egyedet megvizsgálunk, az egész sokaság adatait összegezzük, többé-kevésbé részletesen
Mit állít egyáltalán a cikk? Korrektek-e a megállapítások? Vizsgálatok (kísérletek és felmérések) tervezéséhez, kiértékeléséhez
A megfigyelt adatokat tömörítjük az összegzés során, ezzel információt vesztünk.
induktív statisztika (statistical inference):
Mekkora mintával dolgozzunk?
(indukció ~ általánosítás)
Felfedeztünk valamit, vagy csak a véletlen eredményezi azt, amit látunk?
Egy, a sokaságból választott minta alapján a megfigyelt adatokból következtetünk az egész populációra jellemző adatokra.
Mennyire megbízható az eredmény? Az eredmények közléséhez, szemléltetéséhez Mit tegyünk a cikkbe? Az egész táblázatot, ábrákat, vagy csak néhány statisztikai mutatót?
Alapfogalmak (statisztikai) populáció ~ alapsokaság (population) A vizsgálandó egyedeknek vagy objektumoknak az a (teljes) köre, amelyre a vizsgálat irányul, azaz amelyre következtetéseinket vonatkoztatni szeretnénk
minta (sample) A vizsgálandó egyedeknek vagy objektumoknak az a köre, amelyet ténylegesen megvizsgálunk, azaz amelynek adatain következtetéseink alapulnak
Példa:
mintabeli selejtarány ⇒ a sokaságban a selejt valószínűsége
megfigyelési egység (observational vagy experimental unit) A populáció, illetve a minta egy eleme, egy egyed vagy objektum, amelynek adatait feljegyezzük (lehet egy ember vagy állat, egy élőhely, egy vérminta, egyedek egy csoportja, pl. egy család, stb.)
mintavételi egység (sampling unit) Ugyanaz, mint a megfigyelési egység, ha gyakorisági adatokat számolunk. Egy egység az, amelyben számoljuk az egyedeket. Ebben az esetben a megszámolt egyedeknek semmi közük a statisztikai populációhoz! Megfigyelés Változó Megfigyelési egység
változó (variable) adat, jellemző, ismérv, tulajdonság, amelyet a mintabeli egyedeken megfigyelünk, megmérünk, feljegyzünk (életkor, testtömeg, kapott kezelés típusa, időtartama, stb.). A mintán megfigyelt adatokat az adatmátrix tartalmazza; szokásos elrendezésében minden sor egy mintavételi egységnek és minden oszlop egy változónak felel meg.
Mintavételi egység Minta Statisztikai populáció
47.6 g testtömeg egy bizonyos területről származó széki lile ---
3 tojások száma ---
23 tulipánok száma ---
egy fészek az adott területről a vizsgált fészkek
egy virágoskert az adott faluban a megvizsgált virágoskertek az adott faluban az összes virágoskert az adott faluban
a területen befogott és megmért lilék a területen fellelhető összes az összes fészek az adott lile területen
Mintavételezés
Megfigyelés
Mintavételi egység
Orchideák száma
Meghatározott terület (kvadrát)
A vizsgálatban a minta reprezentálja a populációt.
Tücskök száma a hálóban
A végigsöpört vegetáció térfogata
A minta reprezentatív, ha bármely tulajdonság előfordulási aránya megegyezik a mintában és a populációban.
Méhek látogatási száma egy adott virágon
Meghatározott időintervallum
Gázlómadarak száma a tengerparton
A partvonal adott hosszúságú darabja
Bogarak száma egy csapdában
Adott méretű csapda
Ektoparaziták száma
Egy gazdaállat
Mintavételi módszerek: Egyszerű, véletlen mintavétel (random sampling): Az alapsokaság minden egyede egyforma eséllyel kerül a mintába. A minta egyedeit egymástól függetlenül választjuk, például véletlenszám generálással.
Rétegezett mintavétel (stratified sampling): Az alapsokaság valamilyen külső szempont szerint diszjunkt részekre bontható. Egyes rétegekben külön-külön véletlen mintavétel. (A rétegek arányosan szerepeljenek a mintában?)
Szabályos, szisztematikus mintavétel: Ha lehetetlen a véletlen mintavétel kivitelezése. Csak az első egyedet választjuk véletlenszerűen, a többit a meghatározott mintavételi intervallumok kihagyásával (pl. minden harmadik egyedet választjuk be). Ekkor a valószínűségszámítást nem alkalmazhatjuk statisztikai következtetések levonására.
A minta azonban gyakran torzított, amit számításba kell venni az eredmények interpretálásánál.
Mérési skálák (measurement scales) Nominális (nominal) Csak kategóriák vannak, nincs köztük rendezés, matematikai műveletek nem értelmezhetőek (hajszín, szemszín, ivar, faj)
Ordinális (ordinal) A kategóriák között van rendezés, de matematikai műveletek nem értelmezhetőek („jó – közepes – rossz”, 1-5 skála az iskolai osztályozásban)
Intervallum (interval) A matematikai különbségképzés már értelmes, az arány nem (°C vagy °F)
Arány vagy abszolút (rate, absolute) Az arányképzés is értelmes, van abszolút 0, van fizikai jelentéstartalma annak, hogy egy mennyiség többszöröse a másiknak (testtömeg, K)
Konverzió intervallum vagy abszolút skáláról ordinálisra: Időnként az intervallum skálán mért adatok nem alkalmasak bizonyos módszerekkel való feldolgozásra: konverzió. Pl. túl kevés adat, ismeretlen eloszlás stb..
Adatok ábrázolása Gyakorisági táblázat (frequency table): megfigyelt numerikus adatok táblázatos ábrázolása → gyakorisági eloszlás (frequency distribution), tapasztalati eloszlás (empirical distribution) Osztályok, osztályintervallumok kialakítása:
Csoportosítás Életkor helyett korcsoport, testtömeg helyett „kicsi-közepes-nagy“, stb.
Rangsorolás Az adatokat sorba rendezzük és rangszámot (rank) adunk nekik. Előfordulhatnak azonos megfigyelések, ekkor azzal az átlagos rangszámmal (kapcsolt rangszám (tied rank)) azonosítjuk, amelyet akkor kapnának, ha nem lennének azonos megfigyelések. pl. Hossz: 21.0 21.4 21.4 23.1 23.5 25.0 25.0 25.0 27.2 28 rang 1 2.5 2.5 4 5 7 7 7 9 10
A relatív gyakoriságok közelítik az eloszlás sűrűségfüggvényét, a kumulált relatív gyakoriságok pedig az eloszlásfüggvényét.
Diszkrét: ha nincs túl sok érték, egy érték egy osztály, egyébként mint a folytonos esetben. Folytonos: 10-20 osztály, lehetőleg minden osztályba legalább 6 érték essen. Használjunk természetes osztályhatárokat! Konvenció: osztályokba az alsó határ beletartozik, a felső nem. Abszolút vagy relatív (százalékos), esetleg kumulált gyakoriságok meghatározása Osztály Gyakoriság Kumulált gyak. Relatív gyakoriság Kumulált rel. gyak.
-20 20-30 30-40 40-100 100- Össz. 38 52 62 36 12 200 38 90 152 188 200 0.19 0.26 0.31 0.18 0.06 1 0.19 0.45 0.76 0.94 1
Hisztogram (histogram) A hisztogram nem más, mint a tapasztalati sűrűségfüggvény. Vízszintes tengelyén: osztályintervallumok, fölötte olyan téglalapok, melyek területe megegyezik a megfelelő relatív, vagy százalékos gyakorisággal, így a hisztogram teljes területe 1, vagy 100% lesz. Diszkrét változó esetén a változó értékei az intervallumok közepén helyezkednek el. A hisztogram – ha a minta elemszámát növeljük – közelíti a valószínűségi változó elméleti sűrűségfüggvényét. Ennek megfelelően a kumulatív hisztogram nem más, mint a tapasztalati eloszlásfüggvény
Haranggörbe alakú eloszlások
Haranggörbe alakú eloszlások? Histogram
Histogram 300
60
50
200
40
30
100
Std. Dev = 2.44
10
Mean = 41.30 N = 505.00
0
Std. Dev = 71.86 Mean = 52.9 N = 547.00
0 0. 0
Tehenek éves tejtermelésének hisztogramja
0 0. 44 0 0. 40 0 0. 36 0 0. 32 0 0. 28 0 0. 24 0 0. 20 0 0. 16 0 0. 12 .0 80 .0 40
0 .0 51 0 .0 50 0 .0 49 0 .0 48 0 .0 47 0 .0 46 0 .0 45 0 .0 44 0 .0 43 0 .0 42 0 .0 41 0 .0 40 0 .0 39 0 .0 38 0 .0 37 0 .0 36 0 .0 35
Anyakocák szaporaságának hisztogramja
Frequency
Frequency
20
testtömeg (g)
VESEZSIR
505 lile testtömege
Őzek vese körüli zsír mennyisége:
Gyakorisági táblázat esetén súlyozott átlag:
Középértékek
x=
Adatok gyakorisági eloszlásának grafikus ábrázolása helyett összesítő mennyiségek, (alap)statisztikák (statistic).
N
f j ⋅ xj
j =1
n
∑
, ahol n =
N
∑ f j. j =1
ahol az osztályokat xj-vel, az egyes osztályokban levő adatok számát fj-vel, és az osztályok számát N-nel jelöljük.
Átlag (average, mean) x : Minta elemei: x1 , x2 ,..., xn n
∑ xi
x1 + x2 + ... + xn i =1 = . n n Az átlag az az érték, amely a "legközelebb" van a minta elemeihez. x=
A mintabeli értékek és a mintaátlag közti eltérések összege mindig 0: n
n
n
n
i =1
i =1
i =1
i =1
∑ (xi − x ) = ∑ xi − n ⋅ x = ∑ xi − ∑ xi = 0
Vigyázat! Ha van egy 80 és egy 20 fős csoportunk, akkor ha megkérdezzük a TO-t, hogy mennyi az átlagos csoportlétszám, vagy pedig megkérdezzük a hallgatókat, hogy milyen létszámú csoportba járnak, és ezt átlagoljuk, az nem ugyanaz.
Nem jellemzi jól a mintát, ha az eloszlás nem szimmetrikus, vagy kiugró értékek vannak! Példa.
Egy éjszaka 7 csapdába esett hangyák száma egy lombhullató erdőben: 7
25 4 12 9 15 8 202
x = ∑ xi / 7 = 275 / 7 = 39.3 i =1
A középértékek a hisztogramból is becsülhetők, bár a becslés nagyon függ az osztályokba sorolástól:
Medián (median) Sorba rendezzük az adatokat: x1 ≤ x2 ≤ ... ≤ xn , xmed = x k +1 ,
xk + x k +1 , ha 2 Nem érzékeny az extrém értékekre. xmed =
A módusz az az érték, amely fölött a legmagasabb téglalap van.
ha n = 2k + 1,
A mediántól balra és jobbra a hisztogram területének fele helyezkedik el. Az a pont az átlagérték, amelynél a hisztogram súlypontja van.
n = 2k .
Szimmetrikus és egy csúcsú hisztogram esetén a három középérték egybeesik (a szimmetria tengelyre).
Ordinális adatok esetén is használható statisztika, hiszen kiszámításához elegendő a megfigyelések sorrendjének ismerete (kivéve ha két középső van).
Ferde eloszlás esetén az átlag mindig az eloszlás "farka" (tail) felé csúszik el. Biológiai eloszlásokban szinte mindig jobbra (pozitívan) ferde az eloszlás, így az átlag nagyobb mint a medián és a módusz.
Módusz (mode) A leggyakrabban előforduló érték. Nominális skálán mért adatokra csak ez a középérték alkalmazható. Jobbra ferde
Összehasonlítás átlag
medián
Szimmetrikus
A szóródás mérőszámai
leggyakoribb
mindig létezik
ritkább
mindig létezik
minden adatot felhasznál
extremális értékekre érzékeny
általánosan használt extremális értékek esetén jól jöhet
A középértékek nem jellemzik elég jól az eloszlást.
középpont
középpont 0
50
100
0
még ritkább
nominális skálára is jó
50
100
szórás
szórás
módusz
Balra ferde eloszlás
Kíváncsiak vagyunk arra is, hogy az adatok hogyan helyezkednek el az átlagérték körül.
Terjedelem (range) A minta legnagyobb és legkisebb értéke közötti különbség.
R = xmax − xmin
Interkvartilis terjedelem (interquartile range: IQR)
Tapasztalati szórás és szórásnégyzet vagy variancia (variance)
A harmadik ( Q3 ) és az első kvartilis ( Q1 ) különbsége. (középső 50% terjedelme):
A szórás a variancia négyzetgyöke (az alábbi s a szórás, négyzete s2 pedig a variancia).
IQR = Q3 − Q1
n
∑ (xi − x )
i =1
s=
Kiugró értékek (outlier)
50
xi > Q3 + 1.5IQR
258 22 21 222
Grafikusan boxplot-tal ábrázolhatók: terjedelem (egyenes), medián, alsó és felső kvartilis (doboz), kiugró értékek.
. (ez a szórás “plug-in” becslése!)
n
A minta olyan értékei, amelyek a többihez képest túl kicsik, vagy túl nagyok:
xi < Q1 − 1.5 IQR
2
A szórás azt mutatja meg, hogy az adataink átlagosan milyen távol helyezkednek el a számtani középtől.
40
342 54 363 53
Normális eloszlás esetén kiugró értékeknek tekinthetjük azokat, amelyek a szórás háromszorosánál jobban eltérnek az átlagtól.
30 N=
505
testtömeg (g)
Gyakorlatban az ún. korrigált tapasztalati szórást (Standard Deviation: SD) használjuk. n
∑ (xi − x )
s=
2
Gyakorisági táblázat esetén: N
∑ f j (xi − x ) s=
j =1
A szórásnak ugyanaz a mértékegysége, mint az eredeti adatainké (ezért használjuk szívesebben, mint a varianciát).
, ahol n =
n −1
i =1
. n −1 A nevezőben n-1 áll, ahol n a minta elemszáma. n-1 a szabadsági fok (degrees of freedom), ami a tényleges információ-tartalommal kapcsolatos. A szabadsági fok értéke attól függ, hogy egy, az adathalmazból számított mennyiséghez még hány értéket választhatunk meg szabadon úgy, hogy a már becsült értékek nem változnak. Az átlag esetén a szabadsági fok n. A szórás esetén egy becsült paramétert, az átlagot fel kell használnunk.
2
N
∑ f j. j =1
Eltérés négyzetösszeg: SS (sum of squares of deviations). 2
n
SS = ∑ (xi − x ) i =1
2
n ∑ xi n = ∑ xi2 − i =1 . n i =1
Variációs koefficiens (coefficient of variation) Különböző átlagú minták szórásának összehasonlítása esetén.
CV % =
s ⋅ 100% x
Standard hiba (standard error, SE) Teljes neve “a mintaátlag standard hibája”, azaz szórása. SE ( x ) =
SD( X ) , ahol n a mintaelemszám. n
A mintaátlag véletlentől függő mennyiség. Ha rögzítjük a mintaelemszámot, és ugyanabból a populációból többféleképpen választunk ugyanolyan elemszámú mintát, akkor természetesen más mintaátlagot kapunk. Az így kapott értékek szórása azonban kisebb, mint a populáció szórása, hiszen a mintában általában vannak az átlagostól kisebb és nagyobb értékek is, és ezek a különbségek az átlagszámításkor kioltják egymást.
Ha a mintából készített hisztogram elég jól közelíti a normális görbét, akkor a normális eloszlás táblázatából kiolvasható, hogy az ( x − 1s, x + 1s) intervallumban van adataink kb. 68%-a (kb 2/3-a), az ( x − 2s, x + 2 s) intervallumban van kb. 95%-a, az ( x − 3s, x + 3s) intervallumba pedig kb. 99.7%-a esik (majdnem mind).
Más becsléseknek is van SE-je, ez mindig a szóban forgó becslés szórását jelenti!
A szórás eredete:
Lapultság és ferdeség
A biológiai változatosság (szórás). A mérési hiba: metodikai
Lapultság vagy csúcsosság (Kurtosis) Az eloszlás lapultságára, csúcsosságára vonatkozó statisztika. Normális eloszlás esetén értéke 0, laposabb eloszlás esetén negatív, csúcsosabb eloszlás esetén pozitív.
véletlen hiba
Ferdeség (skewness) Az eloszlás ferdeségére vonatkozó statisztika. Szimmetrikus esetben 0, negatív esetben az eloszlás balra ferde, pozitív esetben jobbra ferde. A lapultság és a ferdeség standard hibája a normalitás illetve szimmetria tesztelésére szolgálhat. Ha a statisztikák értéke beleesik a ±2SE intervallumba, akkor feltételezhetjük a normalitást, illetve a szimmetriát.
Adatok transzformálása Sok statisztikai módszer feltételezi a normalitást.
A transzformációs technikák stabilizálják a varianciát, azaz megszüntetik az átlagtól való függést. Transzformáció: xi → f ( xi )
Gyakorisági adatok esetén nagyon gyakran ferde az eloszlás (binomiális, Poisson, negatív binomiális). Ha nagyon ferde az eloszlás, az adatokat a paraméteres módszerek alkalmazhatósága érdekében lehet normalizálni (=normálissá transzformálni). A paraméteres statisztikai módszerek, – amelyek két vagy több átlagot hasonlítanak össze – általában feltételezik, hogy a variancia a mintákban közel ugyanakkora. Poisson, binomiális és negatív binomiális eloszlás esetén a variancia függ az átlagértéktől.
Például gyakorisági adatok esetén, ha s 2 > x a gyök- vagy a logaritmustranszformáció segít: x , 3 x ,K
20
→
10
log x
0
20 10 0
Nem tökéletesen normális az új eloszlás, de normalizált, azaz a paraméteres módszerek használhatóak. Ha vannak 0 értékek, akkor log x helyett log ( x + 1) használandó, ugyanis log 0 nincs értelmezve…
A másik irányú ferdeség esetén a hatvány- vagy exponenciális transzformáció segíthet: 20
x 2 , x 3 ,K
20
10
→
10
0
ex
0
Az adatok transzformálása segíthet, ha a vizsgálni kívánt változó nem normális eloszlású, de a sikerre nincs garancia, van olyan eset is, amikor az eloszlást semmilyen transzformáció sem képes normálissá tenni, mint például a következő ábrán: 20 10
A négyzetgyök transzformáció
0
2
Poisson eloszlás vagy ha s ≈ x esetén használatos. x→ x
Transzformációra szükség lehet más miatt is, például ha az értékek szóródása az értékek nagyságától függ (szóráskiegyenlítés), vagy ha két változó között a kapcsolat nem lineáris (linearizálás).
Megfigyelt arányok esetén használható. Az eloszlás mindkét “farka” le van vágva, hiszen minden érték 0 és 1 közé esik.
Figyelem! Előfordulhat, hogy az eredeti adatok biológiailag jól interpretálhatók, a transzformált adatoknak viszont már nem tudunk biológiai jelentést tulajdonítani. Ilyenkor inkább ne transzformáljunk.
Az arcsin transzformáció
x → arcsin x
Becslés (estimation)
Pontbecslés (point estimate)
A minta megfigyelései alapján a populációban valamely ismeretlen mennyiség vagy hatás mérése
A válasz egy szám. Mivel a mintából számítjuk, ez a szám a véletlentől is függ (az ebből adódó bizonytalanság mértékét leggyakrabban a becslés standard hibájával fejezzük ki) Példák:
minta átlag x → pop. átlag (E(X)) minta variancia (korrigálatlan ill. korrigált)( s 2 ) → pop. variancia (var(X)) mintabeli arány (relatív gyakoriság) → pop. arány (valószínűség) minta maximum → pop. maximum
A pontbecslés torzítatlansága Általánosan: Egy α paraméterre egy αˆ ( x1 , x2 ,..., xn ) becslést adhatunk, amely
Példa:
A mintaátlag torzítatlan becslése a populáció átlagnak: E ( x ) = E ( X ) , mert x + x2 + ... + xn E ( X ) + ... + E ( X ) = E( X ) . E 1 = n n
a minta függvénye véletlen változó.
Definíció:
Vannak olyan becslések, amelyek a tapasztalatok alapján nem használhatóak. Például tendenciózusan alábecsülnek a következők:
αˆ (x1 , x2 ,..., xn ) aszimptotikusan torzítatlan becslése α -nak, ha n → ∞ -re E (αˆ ( x1 , x2 ,..., xn )) → α (minél nagyobb a minta, annál kisebb a torzítás, sőt a
minta maximum → pop. maximum
mintaelemszám növelésével tetszőlegesen kicsivé tehető).
minta variancia (korrigálatlan) → pop. variancia (var(X))
Általában, a statisztikában egy tulajdonságra akkor mondjuk, hogy “aszimptotikus”, ha nagyon nagy ( n → ∞ ) minták esetén igaz.
Definíció:
αˆ ( x1 , x2 ,..., xn ) torzítatlan becslése α -nak, ha E (αˆ ( x1 , x2 ,..., xn )) = α .
Definíció:
αˆ (x1 , x2 ,..., xn ) konzisztens becslése α -nak, ha bármely ε >0-ra P( αˆ ( x1 , x2 ,..., x n ) − α ≥ ε ) → 0 , ha n → ∞ . (azaz αˆ -nak α -tól való “nagy” eltérésének
valószínűsége 0-hoz tart, ha n → ∞ .)
A populációátlag becslése a mintaátlaggal
Intervallumbecslés (interval estimate)
A mintaátlagok nem egyenlők, és nem is egyeznek meg a populáció átlaggal. Mekkora a mintaátlag szórása vagy hibája (standard error: SE)?
Konfidencia-intervallum (confidence interval) esetén a válasz egy értéktartomány, amelybe az ismeretlen mennyiség 95% (esetleg 90% vagy 99%) valószínűséggel beleesik. A választott valószínűség a megbízhatósági szint (confidence level).
σ 2 A mintaátlag is egy valószínűségi változó: X ~ N µ , n
SE =
σ n
Általában szimmetrikus konfidencia-intervallumot keresünk (de nem mindig).
a mintaátlag szórása, vagy standard hibája.
Ha n nő akkor a standard hiba csökken. Matematikailag bizonyítható (Centrális határeloszlás tétel), hogy függetlenül a mintaelemek eloszlásától, a mintaátlag eloszlása mindig a normális eloszláshoz tart, várható értéke a populáció várható értékével egyezik meg.
n=10
A konfidencia-intervallum konstrukciója nagyon egyszerű azokban az esetekben, amikor a szokásos pontbecslés – legalábbis közelítőleg – normális eloszlást követ (a p , az x , a p 2 − p1 , az x2 − x1 ilyenek), mert ekkor a normális eloszlásra érvényes képlettel számolhatunk:
n=5 n=1
µ−2σ
µ−σ
µ
µ+σ
µ+2σ
95%-os intervallum: a pontbecslés ± 1.96 SE
n>30 esetén feltételezhetjük a mintaátlag normalitását.
Definíció:
Az eloszlás ismeretlen a paraméterének becslésekor a p szintű konfidencia (megbízhatósági) intervallum egy olyan (α 1 ,α 2 ) intervallum, amely p valószínűséggel tartalmazza a-t, azaz P (α1 < a < α 2 ) = p .
Konfidencia-intervallum normális eloszlású változó átlagára σ 2 , tehát a mintaátlag p X ~ N µ, n σ σ , µ + z 1− p intervallumban. 2 n n
Tudjuk, hogy a mintaátlag eloszlása
valószínűséggel benne van a µ − z 1− p 2
Ez azt jelenti, hogy a mintaátlag p% valószínűséggel nem esik távolabb a populáció-
σ
. Ha a populáció-átlagot nem ismerjük, de egy mintaátlagot igen, n akkor ebből visszakövetkeztethetünk a populáció-átlagra, így kapjuk a konfidenciaintervallumot.
átlagtól, mint z 1− p 2
Ha nem ismerjük a populáció szórását, σ-t, akkor megbecsülhetjük azt is ugyanabból a mintából, mint az x -t, de ekkor a normális eloszlás kritikus értékei helyett a teloszláséit kell használnunk, így a konfidencia-intervallum:
s s ; x + t 1− p ⋅ . x − t 1− p ⋅ 2 2 n n
Konfidencia-intervallum két normális eloszlású változó átlaga közötti különbségre (független mintákon) Ismert szórások esetén: 2 2 2 2 ( x − x ) − z 1− p σ 1 + σ 2 , ( x − x ) + z 1− p σ 1 + σ 2 1 2 1 2 2 2 n1 n2 n1 n2
A t-eloszlás szabadsági foka: n - 1.
n>50 esetén a t-eloszlás és a normális eloszlás már nem tér el nagyon, ezért közelítésként a normális eloszlás kritikus értékei is használhatók. Bár általában azt mondjuk, hogy a populációátlag 95% valószínűséggel benne van a konfidencia-intervallumban, a szóhasználat helytelen. A populációátlag ugyanis egy pontosan adott, bár általunk nem ismert szám. Ha a konfidencia-intervallumot meghatároztuk, az vagy tartalmazza ezt az értéket, vagy nem, de az már nem véletlenszerű. A helyes szóhasználat az lenne, hogy az adott mintaelemszám mellett 95% valószínűséggel tudunk választani olyan mintát, amelyből számított konfidenciaintervallum ténylegesen tartalmazza a populációátlagot.
Ha van okunk feltételezni, hogy a szórások egyenlők:
1 1 (n1 − 1)s1 + (n2 − 1)s 2 2 + n1 + n2 − 2 n1 n2
2
2
(x1 − x2 ) + t
, 1 1 (n1 − 1)s1 + (n2 − 1)s 2 2 + n1 + n2 − 2 n1 n2 2
1− p 2
,
aholx1 ésx2 a mintaátlagok, s1 és s2 a mintákból szokásos módon becsült szórások, n1 és n2 a mintaelemszámok, t 1− p pedig az n1 + n2 − 2 szabadsági fokú t-eloszlás 2
megfelelő értéke.
aholx1 ésx2 a mintaátlagok, σ1 és σ2 az ismert szórások, n1 és n2 a mintaelemszámok, z 1− p pedig a normális eloszlás megfelelő értéke.
Ha a szórások egyenlőségét máshonnan nem tudjuk, F-próbával szokás ellenőrizni. Ha a szórások egyenlősége nem feltételezhető (nem tudjuk előre, és az F-próba alapján is el kell vetni), nagy mintára (n1 , n2 ≥ 30) közelítő érvénnyel az ismert szórások esetére megadott képlet is használható, egyszerűen a σ-k helyére a becsült szórásokat írva. Kis mintára a Welch-féle korrekció alkalmazható, amit most nem ismertetünk.
Ismeretlen szórások esetén:
( x − x ) − t 1− p 1 2 2
,
A statisztikusok egy része úgy véli, hogy a fentieknek nincs értelme. Általános esetben nem feltételezhető a szórások egyezősége, az F-próba alkalmazásával pedig felesleges bizonytalanság kerül a rendszerbe, ezért mindig úgy kell tekinteni, hogy a szórások különbözőek. A vita a mai napig nincs eldöntve, ezért ebben az esetben úgy kell számolni, ahogy az adott tudományterületen (adott folyóiratban) szokás.
Konfidencia-intervallum két normális eloszlású változó átlaga közötti különbségre (ugyanazon egyedeken) Ha mindkét változót ugyanazokon az egyedeken mértük, akkor először minden egyedre kiszámítjuk a két mért érték különbségét (d), majd ezekből a konfidenciaintervallumot az alábbi módon: s s d − t 1− p ⋅ d , d + t 1− p ⋅ d , 2 2 n n
Megjegyzések Ugyanígy számolhatunk akkor is, ha a mérések nem ugyanazokon az egyedeken történtek, de a két minta elemei párosíthatók (pl. ikerpárok adatai). Nem szükséges az, hogy mindkét változó normális eloszlású legyen, elegendő, ha a különbségek normális eloszlást követnek. Nagy minták esetén (n≥30) közelítőleg érvényes akkor is, ha a különbség nem normális eloszlású. Nagy minták esetén (n≥50) a t-eloszlás kritikus értékei helyett itt is használhatjuk a normális eloszlás kritikus értékeit.
ahold a különbségek átlaga, sd a különbségek becsült szórása, n a mintaelemszám (úgy értve, hogy mindkét minta n elemű!), t 1− p pedig az n-1 szabadsági fokú t-eloszlás 2
megfelelő értéke.
Konfidencia intervallum populációbeli arányra (vagy esemény valószínűségére) (binomiális eloszlás paraméterére)
Durva közelítés (a binomiálist normálissal közelítve): pˆ − z 1− p 2 ahol p$ - a mintából becsült érték Feltétel: 5 ≤ nˆp ≤ n − 5
pˆ (1 − pˆ ) , pˆ + z 1− p 2 n
pˆ (1 − pˆ ) n
Finomabb közelítés: z 12− p z 12− p z 12− p z 12− p 2 2 2 2 − z 1− p + npˆ (1 − pˆ ) npˆ + + z 1− p + npˆ (1 − pˆ ) npˆ + 2 2 2 4 2 4 , n + z 12− p n + z 12− p 2 2 Feltétel: 5 ≤ nˆp ≤ n − 5
Példa:
Egy antigén 100 megvizsgált egyed közül 10 vérében volt kimutatható. Adjunk 95%-os konfidencia-intervallumot az antigénnel rendelkezők populációbeli arányára! n = 100 pˆ = 10 / 100 = 0.1 ⇒ npˆ = 100 ⋅ 0.1 = 10 z 1− p = z 2.5% = 1.96 2
A feltétel fennáll. Számoljunk a durva közelítéssel: pˆ − z 1− p 2
pˆ (1 − pˆ ) , pˆ + z 1− p 2 n
pˆ (1 − pˆ ) = n 0.1 ⋅ 0.9 0.1 ⋅ 0.9 0.1 − 1.96 = (0.041,0.159 ) ,0.1 + 1.96 100 100
A szükséges mintaelemszám meghatározása populációbeli arány becsléséhez Számítsuk ki, mekkora minta szükséges ahhoz, hogy egy tulajdonság populációbeli előfordulási arányára adott 95%-os intervallum szélessége a 10%-ot ne haladja meg (mint például 26% - 36%). Az hogy milyen széles konfidencia-intervallummal lehetünk elégedettek, az adott vizsgálat pontossági követelményei szabják meg. A konfidencia-intervallum szélességét több dolog befolyásolja. Annál keskenyebb lesz az intervallum,
minél kisebb megbízhatósági szintet követelünk meg (90% alá ne menjünk…) minél jobb, pontosabb konstrukciójára,
eljárást
alkalmazunk
a
konfidencia-intervallum
minél nagyobb mintával dolgozunk, minél távolabb esik az arány az 50%-tól (bármelyik irányban)
A számítások követhetősége kedvéért most használjuk a konfidencia-intervallum konstrukciójára a legegyszerűbb eljárást. Ezzel a 95%-os intervallum: pˆ (1 − pˆ ) pˆ (1 − pˆ ) pˆ − 1.96 , pˆ + 1.96 n n ahol pˆ a mintabeli arányt, n pedig a mintaelemszámot jelöli. Az intervallum szélessége innen a gyök alatti kifejezés szorozva 3.92-vel. Azt szeretnénk, hogy ez legfeljebb 10% legyen, azaz pˆ (1 − pˆ ) 3.92 ≤ 0.1 n A pˆ -t megsaccolva, majd az egyenlőtlenséget n-re megoldva kapjuk a mintaelemszámot. Például ha pˆ =0.3 körüli értékre számítunk, akkor n≥325 adódik. Mindig – legyen szó akár átlagértékről, akár populáció arányól, vagy bármi másról – ugyanígy, a szóban forgó konfidencia-intervallum számítási képletéből kiindulva határozhatjuk meg a szükséges mintaelemszámot. Persze mindig lesz olyan paraméter, amelyet ehhez meg kell saccolni, mert tőle is függ az intervallum szélessége.
A szükséges mintaelemszám meghatározása átlag becsléséhez A konfidencia-intervallum fél-hossza: h = z 1− p ⋅ 2
σ n
z 1− p σ Ebből kifejezve a szükséges elemszámot: n = 2 h
2
Ha nem ismerjük a populáció szórását, akkor előzetes mintából becsüljük a szórást: 2
t 1− p s n = 2 , a t 1− p szabadsági foka az előzetes minta elemszáma - 1. h 2 Ha a kapott mintaelemszám nem nagyobb, mint az előzetes, akkor a meglévő minta már elegendő a kívánt pontossághoz.
Konfidencia-intervallum a populációbeli varianciára, ill. szórásra A χ2 =
( n − 1) ⋅ s 2 statisztika χ 2 eloszlású, n-1 szabadsági fokú valószínűségi változó, 2 σ
(n − 1)s 2 ≤ χ 2 = p ezért létezik olyan χ12 , χ 22 , hogy P χ 22 ≤ χ 2 = 1 σ2 (n − 1)s 2 (n − 1)s 2 = p ≤σ2 ≤ Az egyenlőtlenséget átrendezve: P 2 χ 22 χ1
χ12 -
1− p -höz tartozó χ 2 érték, (p=95% esetén a 0.025-höz tartozó kritikus érték) 2
χ 22 -
1+ p -höz tartozó χ 2 érték, (p=95% esetén a 0.975-höz tartozó kritikus érték) 2
