Markov modellek
|
|
- Csenge Tóth
- 8 évvel ezelőtt
- Látták:
Átírás
1 Markov modellek
2 Markov-láncok Markov-tulajdonság: egy folyamat korábbi állapotai a későbbiekre csak a jelen állapoton keresztül gyakorolnak befolyást. Semmi, ami a múltban történt, nem ad előrejelzést a jövőre nézve. Markov-láncok: speciális diszkrét sztochasztikus folyamatok, melyek Markov-tulajdonságúak. Pl. érmedobás: van egy szabályos érménk, ha 10-szer fejet dobtunk, ugyanúgy ½ valószínűséggel dobunk 11-edszer is fejet.
3 Időjárás Állapotok: s 1 =napos, s 2 =borús, s 3 =esős Kérdés: mi az esélye, hogy egy napos állapot után {napos, esős} sorozat következzen? Átmenet-valószínűség: (p ij ) annak a valószínűsége, hogy a folyamat egy időperiódus alatt az i állapotból a j-be lép át. Segítségével felírható az átmenet-valószínűségi mátrix. P({s 1,s 1,s 3 } Is 1 }=1*p 11 *p 13 =1*0.8*0.3=0.24
4 Részvényárfolyam Ha egy részvény árfolyamáról szeretnénk valamilyen elemzést készíteni, sok esetben elég csak annyit tudnunk, hogy az adott részvény árfolyama a vizsgált napokon nőtt vagy csökkent. Becsülni szeretnénk a következő napi, illetve a hosszú távú változását. 1. Csak a legutolsó változás befolyásolja a következő napi árfolyamot. 2. A legutolsó két nap változása befolyásolja a következő napi árfolyamot.
5 Részvényárfolyam nap mozgás N C C N N C C N C C N C C C N nap mozgás C N C C N C N N C N C C N C C N C N 2/12 10/12 C 9/17 8/17
6 Részvényárfolyam Szükségünk van a kezdeti eloszlásra, valamint az átmenetvalószínűségi mártixra (P). A kezdeti eloszlás: Q(0)=(0,1) (mert a 30. napon csökkent az árfolyam) Q(1)=(9/17, 8/17), azaz 0,47 valószínűséggel csökkenni fog az árfolyam a 31. napon. Ha arra vagyunk kíváncsiak, n nap múlva, mekkora eséllyel fog csökkenni az árfolyam: Q(n)=Q(0)*P n
7 Csökkenés valószínűsége a következő 1 hétben
8 Részvényárfolyam Az 5. naptól megfigyelhető, hogy a csökkenés valószínűsége 0,6115 körüli értékeket vesz fel. Ennek oka, hogy az átmenet-valószínűségi mátrix ergodikus. (Minden állapot visszatérő aperiodikus, és az állapotok kommunikálnak egymással.)
9 Részvényárfolyam/2 Utolsó két nap mozgásait vesszük figyelembe. Ekkor 4 állapotot és 28 átmenetet vizsgálunk: NN (2 db), NC (10 db), CN (9 db), CC (7 db) NNC (2 db), így az NN-NC átmenet relatív gyakorisága 2/2. CNC (7 db), így a CN-NC átmenet relatív gyakorisága 7/9. Mivel az utolsó két nap csökkent az árfolyam, a kezdeti eloszlás: Q(1)=(0, 0,0, 1)
10 Részvényárfolyam/2 NN NC CN CC NN NC 0 0 3/10 7/10 CN 2/9 7/9 0 0 CC 0 0 6/7 1/7
11 Részvényárfolyam/2 Ugyanúgy járunk el, mint a korábbi feladatnál: Q(1)=(0, 0, , ) Eszerint a csökkenés valószínűsége , ami jóval kisebb, mint abban az esetben, mikor csak az utolsó napi mozgást vettük figyelembe. Az első pár napban itt is nagyobb ingadozások lehetnek (pl. a 2. nap , a 3. nap valószínűséggel csökken az árfolyam).
12 Rejtett Markov modell (HMM) Az állapotokat nem ismerjük (rejtettek), megfigyelések segítségével következtetünk az állapotok egy olyan valószínűsíthető sorozatára, mely a megfigyelt eseményeket okozhatta. Pl. szabadidős tevékenységek alapján következtethetünk időjárásra Hasonlóan az egyszerű Markov modellekhez, átmenet-valószínűségi mátrixok, valamint a megfigyelt adatokra illesztett kezdeti eloszlás segítségével tudjuk vizsgálni a háttérben lévő Markov-lánc fejlődését. Az illesztett eloszlás függ az egyes rejtett állapotoktól, velük együtt változik.
13 Beszédfelismerés Beszélt szöveget hallva meg akarjuk határozni a beszédben szereplő szó/fonémasorozatot. Figyelembe kell venni, hogy különböző nyelveknél mások a karakterszekvencia-eloszlások, így különböző valószínűségek is társulnak az egyes karakterátmenetekhez (pl. th ). Felépíthető HMM a nyelvfelismerési problémára is, mely ezekre a különbségekre épít, majd következtet egy ismeretlen dokumentum nyelvére.
14 Betegség előrehaladása Betegségek előrehaladása leírható azok súlyosságának fokozataival. Sok esetben ismeretlen a betegség kialakulásának ideje, valamint az egyes kontrollok közti időszakokban történő folyamatos változás. Számít a vizsgálatok időpontjainak eloszlása (pl. a betegség egy súlyosabb fázisában gyakrabban szükségesek a kontrollok), azonban nem minden esetben informatívak.
15 Bronchiolitis Obliterans Szindróma (BOS) Tüdőátültetés után leggyakrabban kialakuló tünetegyüttes, mely teljesen tönkreteszi a szervezet által idegennek tekintett beültetett tüdőt. Vizsgálati módszer: FEV 1 (forced expiratory volume in 1 second)
16 Kiindulópont BOS-re diszkrét folyamatként tekintünk 3 állapottal: 1:még nem alakult ki (FEV 1 :100%) 2:BOS (FEV 1 :54%) 3:halál Megfigyeléseink az egyes FEV 1 -tesztek Transzplantáltak adatait vizsgáljuk Normális eloszlásúak ismeretlen paraméterekkel (ezek az egyes állapotoktól függnek) Akut események befolyásolják a FEV 1 eredményeket
17 A modell Kérdés: a transzplantáció után várhatóan mikor jelentkezik a BOS? Kialakulása után mennyi ideig élhetnek a betegek? 3-állapotú modell (átmenet-mátrix) A FEV 1 eredmények normális eloszlást követnek, a paraméterek ismeretlenek és különböznek a BOS 1., valamint 2. állapotáétól. Feltehető, hogy az 1. állapotban a várható érték 100, a szórás 16, a 2. állapotban 54 a várható érték és 18 a szórás. Becsülni szeretnénk a paramétereket (MLE)
18 Eredmények Az 1. állapotban a mérőbázis 98%, míg a 2. állapotban ez 52%. Ezeket az időközben felmerülő akut események 8%-kal csökkentik. A transzplantáció után átlagosan közel 4 év múlva alakul ki a betegség, mellyel még közel 3 és fél évig élhetnek a betegek.
12. előadás - Markov-láncok I.
12. előadás - Markov-láncok I. 2016. november 21. 12. előadás 1 / 15 Markov-lánc - definíció Az X n, n N valószínűségi változók sorozatát diszkrét idejű sztochasztikus folyamatnak nevezzük. Legyen S R
RészletesebbenKét diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
RészletesebbenGyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László
Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,
RészletesebbenBiometria az orvosi gyakorlatban. Regresszió Túlélésanalízis
SZDT-09 p. 1/36 Biometria az orvosi gyakorlatban Regresszió Túlélésanalízis Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Logisztikus regresszió
RészletesebbenHidden Markov Model. March 12, 2013
Hidden Markov Model Göbölös-Szabó Julianna March 12, 2013 Outline 1 Egy példa 2 Feladat formalizálása 3 Forward-algoritmus 4 Backward-algoritmus 5 Baum-Welch algoritmus 6 Skálázás 7 Egyéb apróságok 8 Alkalmazás
RészletesebbenRejtett Markov Modell
Rejtett Markov Modell A Rejtett Markov Modell használata beszédfelismerésben Készítette Feldhoffer Gergely felhasználva Fodróczi Zoltán előadásanyagát Áttekintés hagyományos Markov Modell Beszédfelismerésbeli
RészletesebbenA Markov-láncokat nagyon sok tudományágban használnak. A Markovi rendszerek a statisztikus
5. fejezet Markov-lánc Gyakran találkozunk olyan problémákkal, hogy egy valószín½uségi változóval jellemzett mennyiség miként alakul az id½o múlásával. Például megvizsgálhatjuk, hogy egy cég piaci részesedése,
RészletesebbenLegyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0, 1, 2,..., N}, {0, 1, 2,... }.
. Markov-láncok. Definíció és alapvető tulajdonságok Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0,,,..., N}, {0,,,... }.. definíció. S értékű valószínűségi
Részletesebbenelőadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás
13-14. előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 2016. november 28. és december 5. 13-14. előadás 1 / 35 Bevezetés A diszkrét
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
RészletesebbenBarczy Mátyás és Pap Gyula. Sztochasztikus folyamatok. (Diszkrét idejű Markov-láncok)
Barczy Mátyás és Pap Gyula Sztochasztikus folyamatok Példatár és elméleti kiegészítések II Rész (Diszkrét idejű Markov-láncok) mobidiák könyvtár Barczy Mátyás és Pap Gyula Sztochasztikus folyamatok Példatár
Részletesebben(Diszkrét idejű Markov-láncok állapotainak
(Diszkrét idejű Markov-láncok állapotainak osztályozása) March 21, 2019 Markov-láncok A Markov-láncok anaĺızise főként a folyamat lehetséges realizációi valószínűségeinek kiszámolásával foglalkozik. Ezekben
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenE.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.
E.4 Markov-láncok Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével. Egy Markov-láncot (MC) meghatároznak az alapját adó sorbanállási hálózat állapotai és az ezek
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenMatematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
RészletesebbenDiverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 11. Előadás Portfólió probléma Portfólió probléma Portfólió probléma Adott részvények (kötvények,tevékenységek,
RészletesebbenStippinger Marcell: Tőzsdei modellezés (Szeminárium 2. előadás)
1 2010. április 8. Cégvilág 2010, Wigner Jenő Kollégium nagytermében Pénzügy: elsősorban MC-szimulációés informatikai feladatok. Fizikusok keresettek, egzotikus nyelveket is el kell sajátítani. 2 3 Matematikai
RészletesebbenProbabilisztikus modellek II: Inferencia. Nagy Dávid
Probabilisztikus modellek II: Inferencia Nagy Dávid Statisztikai tanulás az idegrendszerben, 2015 előző előadás előző előadás az agy modellt épít a világról előző előadás az agy modellt épít a világról
RészletesebbenGazdasági matematika II. vizsgadolgozat, megoldással,
Gazdasági matematika II. vizsgadolgozat, megoldással, levelező képzés Definiálja az alábbi fogalmakat! 1. Kvadratikus mátrix invertálhatósága és inverze. (4 pont) Egy A kvadratikus mátrixot invertálhatónak
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenDiszkrét idejű felújítási paradoxon
Magda Gábor Szaller Dávid Tóvári Endre 2009. 11. 18. X 1, X 2,... független és X-szel azonos eloszlású, pozitív egész értékeket felvevő valószínűségi változó (felújítási idők) P(X M) = 1 valamilyen M N
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenBizonytalanság. Mesterséges intelligencia április 4.
Bizonytalanság Mesterséges intelligencia 2014. április 4. Bevezetés Eddig: logika, igaz/hamis Ha nem teljes a tudás A világ nem figyelhető meg közvetlenül Részleges tudás nem reprezentálható logikai eszközökkel
Részletesebben2012.05.17.-2012.07.19.
A NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 2012.05.17.-2012.07.19. EGYSÉG EURÓ ALAPÚ BEFEKTETÉSI ÉLETBIZTOSÍTÁS : 2012. július 23. 1.
RészletesebbenKÖVETKEZTETŐ STATISZTIKA
ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak
Részletesebben0,424 0,576. f) P (X 2 = 3) g) P (X 3 = 1) h) P (X 4 = 1 vagy 2 X 2 = 2) i) P (X 7 = 3, X 4 = 1, X 2 = 2 X 0 = 2) j) P (X 7 = 3, X 4 = 1, X 2 = 2)
Legyen adott a P átmenetvalószín ség mátrix és a ϕ 0 kezdeti eloszlás Kérdés, hogy miként lehetne meghatározni az egyes állapotokban való tartózkodás valószín ségét az n-edik lépés múlva Deniáljuk az n-lépéses
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
Részletesebbenö ô ö ö ń ń ć š ö Ł ńć Ś Ą ś ś ćś ô ć Č ś ö ś ćś Č Ć ćś ś ö ů ö ćś Ś ô ů Ś ű ö ćś ô Śň ô ś ćś ö ćś ć ć ś ô ć ć ô Ś ö ö ö Č Ś ő ü Ü Ś đ ś ů ć Ü Ś ľú ć ć Ą ü ö ć ú ů ö ű ö ć ć ňô ü ö ľ ć ć Ą ú ö ć ć ľ ćń
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.08. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
Részletesebben2011.10.17.-2011.11.03.
A NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 20.0.7.-20..03. EGYSÉG PRO EURÓ ALAPÚ BEFEKTETÉSI ÉLETBIZTOSÍTÁS : 20. november 7. . Használati
RészletesebbenA valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
RészletesebbenTájékoztató hirdetmény az OTP Bank Nyrt. Regionális Treasury Igazgatóságának Értékesítési Üzletszabályzatához
Tájékoztató hirdetmény az OTP Bank Nyrt. Regionális Treasury Igazgatóságának Értékesítési Üzletszabályzatához Az egyes tőzsdén kívüli származtatott Egyedi Ügyletek változó letét igény mértékének számításáról
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
Részletesebben2012.06.01.-2012.08.02.
A NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 202.06.0.-202.08.02. EGYSÉG PRO EURÓ ALAPÚ BEFEKTETÉSI ÉLETBIZTOSÍTÁS : 202. augusztus 06.
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása, június 10
Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett
Részletesebben4. A negatív binomiális eloszlás
1 / 7 2011.03.17. 14:27 Virtuális laboratóriumok > 10. Bernoulli kísérletek > 1 2 3 4 5 6 4. Alapelmélet Tételezzük fel, hogy a véletlen kísérletünk, amit végrehajtunk Bernoulli kísérleteknek egy X = (X
RészletesebbenStatisztikai csalások és paradoxonok. Matematikai statisztika Gazdaságinformatikus MSc november 26. 1/31
Matematikai statisztika Gazdaságinformatikus MSc 11. előadás 2018. november 26. 1/31 A tojást rakó kutya - a könyv Hans Peter Beck-Bernholdt, Hans-Hermann Dubben: A tojást rakó kutya c. könyve alapján
Részletesebbenföldtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás
Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább
RészletesebbenGyakorló feladatok a 2. dolgozathoz
Gyakorló feladatok a. dolgozathoz. Tíz darab tízforintost feldobunk. Mennyi annak a valószínűsége hogy vagy mindegyiken írást vagy mindegyiken fejet kapunk? 9. Egy kör alakú asztal mellett tízen ebédelnek:
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
Részletesebben2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben
1 feladatsor 1 Egy dobozban 20 fehér golyó van Egy szabályos dobókockával dobunk, majd a következ t tesszük: ha a dobott szám 1,2 vagy 3, akkor tíz golyót cserélünk ki pirosra; ha a dobott szám 4 vagy
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 2012.01.19.-2012.03.22. EGYSÉG EURÓ ALAPÚ BEFEKTETÉSI ÉLETBIZTOSÍTÁS : 2012. március 26. 1.
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 2011.08.19.-2011.10.20. EGYSÉG EURÓ ALAPÚ BEFEKTETÉSI ÉLETBIZTOSÍTÁS : 2011. október 24. 1.
RészletesebbenINTEGRÁLT VÍZHÁZTARTÁSI TÁJÉKOZTATÓ, OPERATÍV ASZÁLY- ÉS VÍZHIÁNY- ÉRTÉKELÉS
INTEGRÁLT VÍZHÁZTARTÁSI TÁJÉKOZTATÓ, OPERATÍV ASZÁLY- ÉS VÍZHIÁNY- ÉRTÉKELÉS 2019. február kivonat Készítette: az Országos Vízügyi Főigazgatóság Vízjelző és Vízrajzi Főosztály Vízrajzi Monitoring Osztálya
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenA Markowitz modell: kvadratikus programozás
A Markowitz modell: kvadratikus programozás Losonczi László Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar Debrecen, 2011/12 tanév, II. félév Losonczi László (DE) A Markowitz modell 2011/12 tanév,
Részletesebbennem kezelt 1.29, 1.60, 2.27, 1.31, 1.81, 2.21 kezelt 0.96, 1.14, 1.59
1. feladat Egy szer rákellenes hatását vizsgálták úgy, hogy 9 egér testébe rákos sejteket juttattak be. Közülük 3 véletlenszerűen kiválasztott egérnek kezelésként beadták a vizsgálandó szert, 6-nak pedig
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 2011.08.31.-2011.11.03. BESTENS - EURÓ ALAPÚ BEFEKTETÉSI EGYSÉGHEZ KÖTÖTT ÉLETBIZTOSÍTÁS :
RészletesebbenSztochasztikus mátrixok és Markov-láncok
Eötvös Loránd Tudományegyetem Természettudományi Kar Sztochasztikus mátrixok és Markov-láncok BSc Szakdolgozat Készítette: Böjthy Barbara Adrienn Matematika BSc, Matematikai elemző szakirány Témavezető:
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 2012.01.10.-2012.03.09. PANNÓNIA BEFEKTETÉSI ÉLETBIZTOSÍTÁSOK (PANNÓNIA, PANNÓNIA EURÓ ALAPÚ,
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 2011.08.19.-2011.10.20. PANNÓNIA BEFEKTETÉSI ÉLETBIZTOSÍTÁSOK (PANNÓNIA, PANNÓNIA EURÓ ALAPÚ,
RészletesebbenNEVEZETES FOLYTONOS ELOSZLÁSOK
Bodó Beáta - MATEMATIKA II 1 NEVEZETES FOLYTONOS ELOSZLÁSOK EXPONENCIÁLIS ELOSZLÁS 1. A ξ valószínűségi változó eponenciális eloszlású 80 várható értékkel. (a) B Adja meg és ábrázolja a valószínűségi változó
RészletesebbenStatisztikai becslés
Kabos: Statisztika II. Becslés 1.1 Statisztikai becslés Freedman, D. - Pisani, R. - Purves, R.: Statisztika. Typotex, 2005. Reimann J. - Tóth J.: Valószínűségszámítás és matematikai statisztika. Tankönyvkiadó,
RészletesebbenVirág Katalin. Szegedi Tudományegyetem, Bolyai Intézet
Függetleségvizsgálat Virág Katali Szegedi Tudomáyegyetem, Bolyai Itézet Függetleség Függetleség Két változó függetle, ha az egyik változó megfigyelése a másik változóra ézve em szolgáltat iformációt; azaz
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre
RészletesebbenTermelés- és szolgáltatásmenedzsment
Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Előrejelzési módszerek 14. Az előrejelzési modellek felépítése
RészletesebbenVéletlenszám generátorok és tesztelésük HORVÁTH BÁLINT
Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 20.09.5.-20..03. PANNÓNIA PRO BEFEKTETÉSI ÉLETBIZTOSÍTÁS ÉS EURÓ ALAPÚ PANNÓNIA PRO BEFEKTETÉSI
RészletesebbenKiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.
Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
RészletesebbenAz idősorok összetevői Trendszámítás Szezonalitás Prognosztika ZH
Idősorok Idősor Statisztikai szempontból: az egyes időpontokhoz rendelt valószínűségi változók összessége. Speciális sztochasztikus kapcsolat; a magyarázóváltozó az idő Determinisztikus idősorelemzés esetén
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
RészletesebbenSegítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
RészletesebbenVan-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag)
, rangkorreláció Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 2012.02.16.-2012.04.20. SIGNUM BEFEKTETÉSI EGYSÉGHEZ KÖTÖTT ÉLETBIZTOSÍTÁS ÉS EURÓ ALAPÚ SIGNUM
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 202.06.0.-202.08.02. (EURÓ ALAPÚ) SIGNUM PRO BEFEKTETÉSI EGYSÉGHEZ KÖTÖTT ÉLETBIZTOSÍTÁS ÉS
RészletesebbenStatisztika 3. Dr Gősi Zsuzsanna Egyetemi adjunktus Koncentráció mérése Koncentráció általában a jelenségek tömörülését, összpontosulását értjük. Koncentráció meglétéről gyorsan tájékozódhatunk, ha sokaságot
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 202.05.7.-202.07.9. (EURÓ ALAPÚ) SIGNUM PRO BEFEKTETÉSI EGYSÉGHEZ KÖTÖTT ÉLETBIZTOSÍTÁS ÉS
Részletesebben4_1_Döntési fa_aqua_k1 A B C D E F G H I J K L M
_1_Döntési fa_aqua_k1 1 1 1 1 1 1 1 1 1 A B C D E F G H I J K L M Az Swimm Bt. egy új vizipark megnyitását tervezi, melynek beruházási költsége millió EUR lenne. Mivel a projekt nagyon kockázatos, ezért
RészletesebbenINTEGRÁLT VÍZHÁZTARTÁSI TÁJÉKOZTATÓ ÉS ELŐREJELZÉS
INTEGRÁLT VÍZHÁZTARTÁSI TÁJÉKOZTATÓ ÉS ELŐREJELZÉS 2017. január kivonat Készítette: az Országos Vízügyi Főigazgatóság Vízjelző és Vízrajzi Főosztály Vízrajzi Monitoring Osztálya és az Alsó-Tisza-vidéki
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 20.07.4.-20.09.3. SIGNUM PRO BEFEKTETÉSI EGYSÉGHEZ KÖTÖTT ÉLETBIZTOSÍTÁS ÉS EURÓ ALAPÚ SIGNUM
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 2012.06.01.-2012.08.02. SIGNUM BEFEKTETÉSI EGYSÉGHEZ KÖTÖTT ÉLETBIZTOSÍTÁS ÉS EURÓ ALAPÚ SIGNUM
RészletesebbenStatisztikai alapok. Leíró statisztika Lineáris módszerek a statisztikában
Statisztikai alapok Leíró statisztika Lineáris módszerek a statisztikában Tudományosan és statisztikailag tesztelhető állítások? A keserűcsokoládé finomabb, mint a tejcsoki. A patkány a legrondább állat,
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 20..09.-202.0.2. SIGNUM PRO BEFEKTETÉSI EGYSÉGHEZ KÖTÖTT ÉLETBIZTOSÍTÁS ÉS EURÓ ALAPÚ SIGNUM
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 20.09.4.-20..7. SIGNUM PRO BEFEKTETÉSI EGYSÉGHEZ KÖTÖTT ÉLETBIZTOSÍTÁS ÉS EURÓ ALAPÚ SIGNUM
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 2011.08.31.-2011.11.03. SIGNUM BEFEKTETÉSI EGYSÉGHEZ KÖTÖTT ÉLETBIZTOSÍTÁS ÉS EURÓ ALAPÚ SIGNUM
RészletesebbenTerületi sor Kárpát medence Magyarország Nyugat-Európa
Területi sor Terület megnevezése Magyarok száma 2011.01.01. Kárpát medence 13 820 000 Magyarország 10 600 00 Nyugat-Európa 1 340 000 HIV prevalence (%) in adults in Africa, 2005 2.5 Daganatos halálozás
Részletesebben1. Hányféle sorrendben vonulhat ki a pályára egy focimeccsen a tizenegy kezdő játékos?
Valószínűségszámítás, földtudomány alapszak, 2015/2016. őszi félév 1. Hányféle sorrendben vonulhat ki a pályára egy focimeccsen a tizenegy kezdő játékos? 2. Két tizenhárom fős vízilabdacsapat mérkőzik
RészletesebbenA Markowitz modell: kvadratikus programozás
A Markowitz modell: kvadratikus programozás Harry Markowitz 1990-ben kapott Közgazdasági Nobel díjat a portfolió optimalizálási modelljéért. Ld. http://en.wikipedia.org/wiki/harry_markowitz Ennek a legegyszer
RészletesebbenA XXI. SZÁZADRA BECSÜLT KLIMATIKUS TENDENCIÁK VÁRHATÓ HATÁSA A LEFOLYÁS SZÉLSŐSÉGEIRE A FELSŐ-TISZA VÍZGYŰJTŐJÉN
44. Meteorológiai Tudományos Napok Budapest, 2018. november 22 23. A XXI. SZÁZADRA BECSÜLT KLIMATIKUS TENDENCIÁK VÁRHATÓ HATÁSA A LEFOLYÁS SZÉLSŐSÉGEIRE A FELSŐ-TISZA VÍZGYŰJTŐJÉN Kis Anna 1,2, Pongrácz
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 202.06.0.-202.08.02. PANNÓNIA PRO BEFEKTETÉSI ÉLETBIZTOSÍTÁS ÉS EURÓ ALAPÚ PANNÓNIA PRO BEFEKTETÉSI
RészletesebbenA nappali tagozatra felvett gépészmérnök és műszaki menedzser hallgatók informatikai ismeretének elemzése a Budapesti Műszaki Főiskolán
A nappali tagozatra felvett gépészmérnök és műszaki menedzser hallgatók informatikai ismeretének elemzése a Budapesti Műszaki Főiskolán Kiss Gábor BMF, Mechatronikai és Autótechnikai Intézet kiss.gabor@bgk.bmf.hu
RészletesebbenA NÖVEKEDÉSI ESZKÖZALAPOK TELJESÍTMÉNYE A PANNÓNIA NAVIGÁTOR SZOLGÁLTATÁS ÁLTAL HASZNÁLT PARAMÉTEREK TÜKRÉBEN 202.05.7.-202.07.9. PANNÓNIA PRO BEFEKTETÉSI ÉLETBIZTOSÍTÁS ÉS EURÓ ALAPÚ PANNÓNIA PRO BEFEKTETÉSI
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenSugárbiológiai ismeretek: LNT modell. Sztochasztikus hatások. Daganat epidemiológia. Dr. Sáfrány Géza OKK - OSSKI
Sugárbiológiai ismeretek: LNT modell. Sztochasztikus hatások. Daganat epidemiológia Dr. Sáfrány Géza OKK - OSSKI Az ionizáló sugárzás biológiai hatásai Determinisztikus hatás Sztochasztikus hatás Sugársérülések
RészletesebbenAlkohollal kapcsolatos zavarok. Az alkoholbetegség. Általános jellegzetességek
Alkohollal kapcsolatos zavarok Az alkoholbetegség Az alkoholisták mértéktelen ivók, alkoholfüggőségük olyan szintet ér el, hogy észrevehető mentális zavarokat okoz, károsítja test-lelki egészségüket, interperszonális
RészletesebbenVillamos autókból álló taxi flotta számára létesítendő töltőállomások modellezése
Villamos autókból álló taxi flotta számára létesítendő töltőállomások modellezése 62. Vándorgyűlés, konferencia és kiállítás Siófok, 2015. 09. 16-18. Farkas Csaba egyetemi tanársegéd Dr. Dán András professor
RészletesebbenValószín ségszámítás. Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes 2018/2019.
Valószín ségszámítás Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes agnes@cs.elte.hu 2018/2019. szi félév A valószín ségszámítás kurzus céljai a statisztika megalapozása: a véletlen
RészletesebbenSTATISZTIKA. Mit nevezünk idősornak? Az idősorok elemzésének módszertana. Az idősorelemzés célja. Determinisztikus idősorelemzés
Mit nevezünk idősornak? STATISZTIKA 10. Előadás Idősorok analízise Egyenlő időközökben végzett megfigyelések A sorrend kötött, y 1, y 2 y t y N N= időpontok száma Minden időponthoz egy adat, reprodukálhatatlanság
Részletesebben