Gyakorlati tapasztalatok magas dimenzióban. 9. előadás, április 26. Becslési módszer magas dimenzióban: páronkénti likelihood
|
|
- Krisztián Kozma
- 5 évvel ezelőtt
- Látták:
Átírás
1 Gyakorlati tapasztalatok magas dimenzióban 9. előadás, április 26. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás A becslések többnyire a pszeudo-likelihoodon alapulnak (ekkor a peremeket nemparaméteresen becsüljük) Ezek sem nem függetlenek sem nem tekinthetőek egyenletes eloszlású mintának A becslések hibája (egyparaméteres Arkhimédeszi kopulákra) csökken, ha a dimenzió nő (legalábbis az ismert peremeloszlású esetben, máskor inkább konstans) A következő oldalon a likelihood-hányadoson alapuló konfidencia intervallumokat vizsgáljuk Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 1 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 2 / 35 Konfidencia intervallumok vizsgálata Becslési módszer magas dimenzióban: páronkénti likelihood Definíció: n 1 n i=1 j=i+1 f 2 (x i, x j ; ϑ) Tehát csak a páronkénti összefüggés szerepel a modellben Egyszerűbb számolni (lényeges, ha igazán magas a dimenzió) Példa: térbeli modell (pontfolyamat) A kopula paraméter lefedési valószínűsége a dimenzió függvényében. Ismert peremeloszlásokra rendben van, de ismeretlen peremek esetén magas dimenzióra nagyon lecsökken Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 3 / 35 ˆϑ = argmax T max k t=1 k s s 1 =1 s 2 =1 s log f 2 (z s1,t, z s2,t; ϑ) ahol z a megfigyelt érték, s a helyek, t az idő, K pedig adott indexhalmaz (például 0,1,2,4,8,..) Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 4 / 35
2 Kopulák magas dimenzióban: vine kopulák A pár-kopulákon alapuló konstrukció 3 dimenzióban: Sokdimenzióban is használható struktúrák Kétdimenziós kopulákon alapulnak, a további struktúrát gráf határozza meg A rendelkezésre álló mintaelemszám/struktúra függvényében rugalmasan konfigurálhatóak Kopula sűrűségfüggvény: c 12 (x, y) = 2 C(x,y) x y Ebből az eredeti eloszlás sűrűségfüggvénye: c 12 (F 1 (x), F 2 (y))f 1 (x)f 2 (y) Feltételes sűrűségfüggvény: f (x y) = c 12 (F 1 (x), F 2 (y))f 1 (x) f (x 1, x 2, x 3 ) = f 1 23 (x 1 x 2, x 3 )f 2 3 (x 2 x 3 )f 3 (x 3 ) = c 12 3 (F 1 3 (x 1 x 3 ), F 2 3 (x 2 x 3 ))c 13 (F(x 1 ), F(x 3 )) c 23 (F (x 2 ), F(x 3 ))f 1 (x 1 )f 2 (x 2 )f 3 (x 3 ) A felbontás nem egyértelmű; 3 dimenzióban 3 felbontás van; De 5 dimenzióban már 240; Egyszerűsítés: elhagyjuk a feltételes kopuláktól való függést a feltételben: f (x 1, x 2, x 3 ) = f 1 23 (x 1 x 2, x 3 )f 2 3 (x 2 x 3 )f 3 (x 3 ) = c 12 3 (F 1 (x 1 ), F 2 (x 2 ))c 13 (F(x 1 ), F (x 3 )) c 23 (F(x 2 ), F(x 3 ))f 1 (x 1 )f 2 (x 2 )f 3 (x 3 ) Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 5 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 6 / 35 Reguláris vine kopulák Vine kopulák típusai és gyakorlati alkalmazásuk d 1 fagráffal adhatók meg T 1 egy fa az 1,..., d csúcsokon A T j fának d + 1 j csúcsa és d j éle van A T j élei csúcsok lesznek a T j+1 -ben A T j+1 két csúcsa között csak akkor haladhat él, ha a T j megfelelő éleinek van közös csúcsa C-vine: a gráfok csillag-alakúak D-vine: a gráfok utak Első lépés a kopula családok kiválasztása (illeszkedésvizsgálattal) Paraméterbecslés a gyakorlatban például a Kendall-féle τ alapján, vagy ML módszerrel: a legfontosabb párokat külön-külön becsüljük, a többit pedig együttesen (univerzálisan, ugyanazzal a kopulával - ez az úgynevezett egyszerűsítés) Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 7 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 8 / 35
3 Statisztikai módszerek Gyakorlati alkalmazások Paraméterbecslés: iteratívan a gráf szintjeire: Először az első szint kopuláira Ezután ugyanezt elvégezhetjük a következő szintre (az adatokat transzformálva, azaz kiszámítva a feltételes eloszlásokat) Az iteráció addig megy, amíg nem tudjuk a további szinteket egyszerűsíteni Milyenek legyenek a pár-kopulák? Tesztekkel vizsgálható az illeszkedés Adott vine-kopulából a kétdimenziós feltételes eloszlások segítségével lehet mintát szimulálni 16 dimenziós adatsorra kivitelezhető volt a teljes modell illesztése Az első lépésben azt a feszítőfát keressük, amelyre az éleken a Kendall-féle τ értékek összege maximális Levágás: egy bizonyos szint felett minden pár-kopulát függetlennek tételezünk fel Egyszerűsítés: egy bizonyos szint felett minden pár-kopulát azonosnak tekintünk Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 9 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 10 / 35 Megjegyzések További illeszkedésvizsgálati lehetőségek Ha a kétdimenziós kopulák t-kopulák, akkor a vine-kopula a teljes d-dimenziós t-kopula részmodellje Az egymásba ágyazott modellek között a loglikelihood értékeken alapulhat a választás Ha a modellek nem egymásba ágyazottak, akkor alkalmazható az úgynevezett Vuong teszt statisztika, ami szintén a loglikelihood függvényen alapul és információelméleti háttere van (R csomag: CDVine) Információs mátrix-hányados tesztek White féle téves specifikációs teszt A korábban látott tesztek (K-függvényes, Rosenblatt transzformációs) általánosíthatóak kritikus érték számításhoz a súlyozott bootstrap módszer kell; a Cramér-von Mises típusúak itt is az erősebbek Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 11 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 12 / 35
4 Portfólió-optimalizálás Kockázati mértékek Cél: minél nagyobb várható hozam elérése De: közben a kockázat legyen minél kisebb Kompromisszum: elvárt hozamot érje el a várható érték Közelítések: egy adott értékpapírból tetszőleges valós (általában nemnegatív) számú lehet Az árakat nem befolyásolja a kereskedésünk (likvid piac) Nincsenek tranzakciós költségek Lehetséges mérőszámok: D (szórás, esetleg csak a veszteségre) VaR (a veszteség magas kvantilise mi az, amennyinél többet pl. várhatóan legfeljebb egy évben egyszer vesztünk) cvar (várható veszteség, ha a VaR feletti veszteség ér bennünket) Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 13 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 14 / 35 Koherens kockázati mérték tulajdonságai Koherens kockázati mérték tulajdonságai Additivitás: R(X + c) = R(X) + c Homogenitás: R(aX) = ar(x) Monotonitás: X Y esetén R(X) R(Y ) Szubadditivitás (konvexitás): R(wX + (1 w)y ) wr(x) + (1 w)r(y ) Azaz a diverzifikáció előnyös! Szabályozói oldalról: nem ösztönöz részekre bontásra. Ezt a VaR nem teljesíti. Példa: F Z (1) = 0, 91, F Z (90) = 0, 95, F Z (100) = 0, 96, Z = X + Y : X = {Z : Z < 100}, Y = {Z : Z > 100} VaR(X) = 1, VaR(Y ) = 0, de VaR(Z ) = 90 Ha elliptikus a veszteség-eloszlás, akkor már konvex a VaR Becsülhető: a VaR esetén több nemparaméteres módszer is alkalmazható Empirikus kvantilissel (nem stabil) Kvantilisek súlyozott átlagával Lényeges: fogadja el a felügyelet a módszert Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 15 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 16 / 35
5 CVaR A modellek összehasonlítása Precíz definíció több is lehet: C α = E(X X VaR α ) C α+ = E(X X > VaR α ) Folytonos esetben ezek egybeesnek. Tulajdonságok: C α = 1 1 α 1 α { 1 VaR β dβ = min C C + 1 } E(X C)+ α A CVaR tulajdonságai Koherens kockázati mérték Zárt: X n X és R(X n ) 0 esetén R(X) 0 Viszont nem könnyű a becslése, ha nincs megalapozott paraméteres modellünk A becsült kockázati mérték függ a választott modelltől Példa: részvények napi loghozama, az érték 10,000; évi 20% a volatilitás (normális vs t 4 -ez vastag szélű eloszlás) α 0,9 0,95 0,975 0,99 0,995 VaR α (norm.elo.) 162,1 208,1 247,9 294,3 325,8 VaR α (t 4.elo.) 137,1 190,7 248,3 335,1 411,8 ES α (norm.elo.) 222,0 260,9 295,7 337,2 365,8 ES α (t 4.elo.) 223,4 286,3 356,7 465,8 563,5 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 17 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 18 / 35 Portfólió optimalizálás Gyakorlati problémák Tegyük fel, hogy a portfólió szórásnégyzetének minimumát keressük: N σ ij w i w j A feltétel: i=1 w i = 1 A megoldás: min w R n w i = i=1 j=1 j=1 σ 1 ij j=1 k=1 σ 1 jk A Markowitz-féle feladat: Az adott hozamszinthez tartozó hatékony portfóliót keressük: min w Π R(w) A feltételek: i=1 E(w iy i ) = µ, i=1 w i = 1 Nem ismert a hozamok eloszlása, de még az eloszlás paraméterei (várható érték, szórás) sem A paraméterbecslések eltérnek az elméleti értéküktől, így a kapott optimum is eltér a valóditól A súlyok véletlen hibával terheltek A kockázat magasabb lesz a valódi optimum kockázatánál Kérdés: mekkora ez az eltérés? Ha van elképzelésünk az eloszlásokról, akkor szimulálhatunk adatokat Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 19 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 20 / 35
6 Szimuláció q 0 tulajdonságai T hosszú adatsort generáltunk A szimulációból becsült portfólió: ŵ. (A valódi optimum: w.) Mérőszám: Legyen N/T konstans és N. Ekkor D(q 0 ) 0, q 0 E(q 0 ). q 0 = N i=1 j=1 ŵiŵjσ ij N i=1 j=1 w iw j σ ij a becsült és a tényleges optimum gyökének hányadosa q 0 1, megmutatja, hogy mekkora a kockázatnövekedés a becslési hiba miatt. q 0 is valószínűségi változó, tehát a jellemzői (várható érték, szórás) a legfontosabbak ábra: q 0 eloszlása különböző N értékekre. N/T = 0, 5 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 21 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 22 / 35 q 0 tulajdonságai q 0 tulajdonságai Ha N konstans és T csökken, akkor q 0 várható értéke és szórása is nő Ha N/T > 1, a feladat nem oldható meg, mert a kovarianciamátrix nem invertálható Ha N < T, a feladat megoldható, de N/T 1 esetén q 0 Ha N konstans és T, akkor q 0 (1 N/T ) 1/2, függetlenül a várható értékektől és szórásoktól ábra: q 0 N/T függvényében, N = 100 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 23 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 24 / 35
7 Gyakorlati alkalmazás Korlátok Ha tehát N elég nagy (általában N > 100 már elég), akkor a hiba becsülhető q (1 N/T ) 1/2 Ebből kiszámolható az adott hibához tartozó szükséges mintaelemszám: T = N/(1 1/q 2 0 ) Például N = 100, q 0 = 1, 2 esetén T = 328, N-ben lineárisan nő De kisebb hibatűrés, több részvény esetén jóval hosszabb adatsor kellhet Viszont ilyen időtávon a stacionaritás biztosan nem teljesül Tehát a portfólióválasztási probléma megoldása még az alkalmazott idealizált feltevések mellett is jelentős instabilitást mutat Ha nem csak a kockázatot, hanem magukat a súlyokat tekintjük, a helyzet még rosszabb, az ingadozás tipikusan több száz százalék. Tehát ez a feladat szinte reménytelen Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 25 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 26 / 35 Gyakorlati megfigyelések További sajátértékek A hozamok empirikus kovarianciamátrixának tipikusan egy nagy sajátértéke van Az ehhez tartozó bázisportfólió döntően pozitív elemekből áll Azaz ez a kollektív ingadozás Elméleti háttér: Frobenius-Perron tétel. Eszerint pozitív elemekből álló pozitív definit mátrix esetén a legnagyobb sajátérték egyszeres és a megfelelő sajátvektor elemei pozitívak Bár az empirikus kovarianciamátrix nem minden eleme feltétlenül pozitív, döntő többségük az, és a tétel ekkor is érvényben marad A teljes szórásnégyzet 90-95%-át alkotó közepes sajátértékek a szektorális hatásoknak felelnek meg Lényeges információt hordoznak Nem könnyű belőlük a szektorok konkrét előállítása A maradék (tipikusan a sajátértékek 90-95%-a) a zaj, ez már alig hordoz információt A szűrések lényege, hogy ezt a zajt elnyomják, különös tekintettel arra, hogy az inverz mátrix sajátértékei az eredetinek a reciprokai Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 27 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 28 / 35
8 További sajátértékek Megjegyzések Keressük azt az alacsonyabb dimenziós alteret, ami a variabilitás jelentős részéért felelős Ha k dimenziós az altér, akkor a k legnagyobb sajátértékhez tartozó sajátvektor lesz a bázisa A további sajátértékek helyett pedig vegyük az átlagukat. Az új kovarianciamátrix tehát σ ij = k l=1 λ l v (l) i v (l) j + λ N l=k+1 v (l) i v (l) j ahol λ 1 λ 2 λ N a sajátértékek, v (1),..., v (N) pedig a hozzátartozó sajátvektorok Az eredeti és a szűrt kovarianciamátrix főátlója (azaz a szórásnégyzetek) azonosak, a szűrés csak a kovarianciákra vonatkozik A legkisebb sajátértékek nagyobbak lettek Gyakran célszerű a főkomponensanalízist a korrelációs mátrixra elvégezni (a kovarianciamátrix helyett) A főkomponensek számát nem mindig lehet egyértelműen meghatározni. Ekkor érdemes lehet a zajra a Wishart eloszlást illeszteni, és azt a komponenst már a főkomponensek közé sorolni, ahol már nem fogadható el az illeszkedés Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 29 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 30 / 35 A szűrés hatása a portfólió optimalizálásra Portfólió optimalizálás és regresszió A feladat T < N esetén is megoldható lesz, hiszen a 0 sajátértékeket pozitívakkal helyettesítettük Megszűnik a divergencia az N/T = 1 pontban, nem lesz túl nagy a q 0 értéke akkor sem, ha N/T kicsi. De a portfólió-súlyok nagy ingadozása nem csökken számottevően Más módszerek is vannak, hasonló eredményekkel A szokásos N-1 változós regresszió, ahol a legkisebb négyzetes hibát adó együtthatóvektort keressük, éppen megfelel a portfólió-optimalizálás feladatának (azért N-1 változós, mert az N-edik súly nem választható meg szabadon a súlyösszegre vonatkozó feltétel miatt) A regressziós feladatra kidolgozott módszertan átvihető a portfólió optimalizálásra Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 31 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 32 / 35
9 LASSO módszer Az eredmények LASSO=least absolute shrinkage and selection operator L 1 -regularizációs módszer: az együttható vektor (portfólió súlyok) L1 normájára vonatkozó feltétel mellett optimalizál. Tipikus megvalósítás: λ i=1 w i hozzáadása a célfüggvényhez λ szabályozza a regularizáció erősségét, megválasztása nem triviális A súlyok tipikusan kevésbé ingadoznak Sok 0 értékű súly is megjelenik Kérdés, hogy ezzel nem csak elfedődik-e a bizonytalanság (ha például hol itt, hol ott 0 a súly) Vannak további regularizációs lehetőségek is Faktormodellek is használhatóak Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 33 / 35 Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 34 / 35 Hivatkozások Embrechts-Hofer: Statistical inference for copulas in high dimension: a simulation study (2013) Varin-Reid-Firth: An overview of composite likelihood methods (2011) J. Dißmann, E. C. Brechmann, C. Czado, D. Kurowicka: Selecting and estimating regular vine copulae and application to financial returns Schepsmeier: Efficient goodness-of-fit tests in multi-dimensional vine copula models (2013). A.J. McNeil, R. Frey and P. Embrechts: Quantitative Risk Management: Concepts, Techniques and Tools, Dowd, K.-Blake, D.: After VaR. The theory and estimation of quantile-based risk measures, A. Kempf and C. Memmel. On the estimation of the global minimum variance portfolio, Varga-Haszonits I.: Kockázati Mértékek Instabilitása (PhD értekezés, ELTE, 2009) Zempléni András (ELTE) 9. előadás, április 26. Áringadozások előadás 35 / 35
5. elıadás március 22. Portfólió-optimalizálás
5. elıadás 203. március 22. Portfólió-optimalizálás Alapfeladat Cél: minél nagyobb várható hozam elérése De: közben a kockázat legyen minél kisebb Kompromisszum: elvárt hozamot érje el a várható érték
Részletesebben9-10. elıadás április 26. Problémák magas dimenzióban Az idıbeni összefüggıség és a nemstacionaritás szerepe
9-10. elıadás 2013. április 26. Problémák magas dimenzióban Az idıbeni összefüggıség és a nemstacionaritás szerepe Ismétlés Tanultunk Többdimenziós stabilis eloszlásokról Többdimenziós extrém-érték eloszlásokról
RészletesebbenTovábbi sajátértékek. 10. előadás, május 3. Megjegyzések. A szűrés hatása a portfólió optimalizálásra
További sajátértékek 10. előadás, 2017. május 3. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Keressük azt az alacsonyabb
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
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
RészletesebbenBevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika
Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra
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,
RészletesebbenPrincipal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
RészletesebbenElliptikus eloszlások, kopuláik. 7. előadás, 2015. március 25. Elliptikusság tesztelése. Arkhimédeszi kopulák
Elliptiks eloszlások, kopláik 7. előadás, 215. márcis 25. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettdományi Kar Eötös Loránd Tdományegyetem Áringadozások előadás Sűrűségfüggényük
RészletesebbenANOVA,MANOVA. Márkus László március 30. Márkus László ANOVA,MANOVA március / 26
ANOVA,MANOVA Márkus László 2013. március 30. Márkus László ANOVA,MANOVA 2013. március 30. 1 / 26 ANOVA / MANOVA One-Way ANOVA (Egyszeres ) Analysis of Variance (ANOVA) = szóráselemzés A szórásokat elemezzük,
RészletesebbenHipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
RészletesebbenLineáris regressziós modellek 1
Lineáris regressziós modellek 1 Ispány Márton és Jeszenszky Péter 2016. szeptember 19. 1 Az ábrák C.M. Bishop: Pattern Recognition and Machine Learning c. könyvéből származnak. Tartalom Bevezető példák
RészletesebbenHipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás
STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
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
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
RészletesebbenLoss Distribution Approach
Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
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:
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
Részletesebben5. előadás - Regressziószámítás
5. előadás - Regressziószámítás 2016. október 3. 5. előadás 1 / 18 Kétváltozós eset A modell: Y i = α + βx i + u i, i = 1,..., T, ahol X i független u i -től minden i esetén, (u i ) pedig i.i.d. sorozat
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
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
RészletesebbenIBNR számítási módszerek áttekintése
1/13 IBNR számítási módszerek áttekintése Prokaj Vilmos email: Prokaj.Vilmos@pszaf.hu 1. Kifutási háromszög Év 1 2 3 4 5 2/13 1 X 1,1 X 1,2 X 1,3 X 1,4 X 1,5 2 X 2,1 X 2,2 X 2,3 X 2,4 X 2,5 3 X 3,1 X 3,2
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
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
RészletesebbenA mérési eredmény megadása
A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk meg: a determinisztikus és a véletlenszerű
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,
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
RészletesebbenSzámítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
Részletesebben14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull
14 A Black-choles-Merton modell Copyright John C. Hull 01 1 Részvényárak viselkedése (feltevés!) Részvényár: μ: elvárt hozam : volatilitás Egy rövid Δt idő alatt a hozam normális eloszlású véletlen változó:
RészletesebbenMátrixok 2017 Mátrixok
2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenSTATISZTIKAI PROBLÉMÁK A
STATISZTIKAI PROBLÉMÁK A HULLÁMTÉR REPRODUKCIÓ TERÜLETÉN 2012. május 3., Budapest Firtha Gergely PhD hallgató, Akusztikai Laboratórium BME Híradástechnikai Tanszék firtha@hit.bme.hu Tartalom A hangtér
RészletesebbenSaj at ert ek-probl em ak febru ar 26.
Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre
RészletesebbenVektorterek. =a gyakorlatokon megoldásra ajánlott
Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,
RészletesebbenA többváltozós lineáris regresszió III. Főkomponens-analízis
A többváltozós lineáris regresszió III. 6-7. előadás Nominális változók a lineáris modellben 2017. október 10-17. 6-7. előadás A többváltozós lineáris regresszió III., Alapok Többváltozós lineáris regresszió
RészletesebbenTöbbváltozós lineáris regresszió 3.
Többváltozós lineáris regresszió 3. Orlovits Zsanett 2018. október 10. Alapok Kérdés: hogyan szerepeltethetünk egy minőségi (nominális) tulajdonságot (pl. férfi/nő, egészséges/beteg, szezonális hatások,
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
Részletesebben10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak
10. Előadás Megyesi László: Lineáris algebra, 98. 108. oldal. Gondolkodnivalók Mátrix inverze 1. Gondolkodnivaló Igazoljuk, hogy invertálható trianguláris mátrixok inverze is trianguláris. Bizonyítás:
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
Részletesebben(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
Részletesebbenc adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenSTATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba
Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum
RészletesebbenA pénzügyi kockázat mérése és kezelése
A pénzügyi kockázat mérése és kezelése Varga-Haszonits István Gazdasági Fizika Téli Iskola, 2009. január 31. Áttekintés 1 Bevezetés 2 A portfólióválasztási probléma 3 Kockázati mértékek 4 A hatékony portfóliók
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenLINEÁRIS MODELLBEN május. 1. Lineáris modell, legkisebb négyzetek elve
BECSLÉS ÉS HIPOTÉZISVIZSGÁLAT LINEÁRIS MODELLBEN Móri Tamás ELTE TTK Valószínűségelméleti és Statisztika Tanszék 2008 május Lineáris modell, legkisebb négyzetek elve Tegyük fel, hogy egy bizonyos pl fizikai)
Részletesebben9. Előadás. (9. előadás) Lineáris egyr.(3.), Sajátérték április / 35
9. Előadás (9. előadás) Lineáris egyr.(3.), Sajátérték 2019. április 24. 1 / 35 Portfólió-analízis Tegyük fel, hogy egy bank 4 különböző eszközbe fektet be (réz, búza, arany és kakaó). Az ügyfeleinek ezen
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
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
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenVolatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére
Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére Zubor Zoltán MNB - Biztosításfelügyeleti főosztály MAT Tavaszi Szimpózium 2016. május 7. 1 Háttér Bit. 99. : folyamatos
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
Részletesebben1. Bázistranszformáció
1. Bázistranszformáció Transzformáció mátrixa új bázisban A bázistranszformáció képlete (Freud, 5.8.1. Tétel) Legyenek b és d bázisok V -ben, ] v V és A Hom(V). Jelölje S = [[d 1 ] b,...,[d n ] b T n n
RészletesebbenStatisztika I. 8. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenNagy-György Judit. Szegedi Tudományegyetem, Bolyai Intézet
Többváltozós statisztika Szegedi Tudományegyetem, Bolyai Intézet Többváltozós módszerek Ezek a módszerek több változó együttes vizsgálatára vonatkoznak. Alapvető típusaik: többdimenziós eloszlásokra vonatkozó
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
Részletesebbeny ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
RészletesebbenHatáreloszlástétel a maximumokra. 3. előadás, március 1. A bizonyítás vázlata. Típusok. Tétel (Fisher és Tippet, 1928)
Határeloszlástétel a maximumokra 3. előadás, 2017. március 1. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Tétel
RészletesebbenVillamosmérnök A4 11. hét Kétdimenziós normális eloszlás, cht - Megoldások
Villamosmérnök A 11. hét Kétdimenziós normális eloszlás, cht - Megoldások Kétdimenziós normális összefoglalás Egy kétdimenziós X, Y valószínűségi változó kovariancia mátrixa: VarX CovX, Y CovX, Y VarY
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
RészletesebbenSaj at ert ek-probl em ak febru ar 22.
Sajátérték-problémák 2016. február 22. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre az egyenlet
RészletesebbenGyakorló feladatok I.
Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,
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
RészletesebbenMatematikai statisztika I. témakör: Valószínűségszámítási ismétlés
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenIrányításelmélet és technika II.
Irányításelmélet és technika II. Legkisebb négyzetek módszere Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 200 november
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett
Részletesebben15. LINEÁRIS EGYENLETRENDSZEREK
15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
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
RészletesebbenBevezetés az algebrába 2 Vektor- és mátrixnorma
Bevezetés az algebrába 2 Vektor- és mátrixnorma Wettl Ferenc Algebra Tanszék B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M 2016.
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
RészletesebbenLikelihood, deviancia, Akaike-féle információs kritérium
Többváltozós statisztika (SZIE ÁOTK, 2011. ősz) 1 Likelihood, deviancia, Akaike-féle információs kritérium Likelihood függvény Az adatokhoz paraméteres modellt illesztünk. A likelihood függvény a megfigyelt
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
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:
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
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
RészletesebbenLine aris f uggv enyilleszt es m arcius 19.
Lineáris függvényillesztés 2018. március 19. Illesztett paraméterek hibája Eddig azt néztük, hogy a mérési hiba hogyan propagál az illesztett paraméterekbe, ha van egy konkrét függvényünk. a hibaterjedés
RészletesebbenMiért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
RészletesebbenDiagnosztika és előrejelzés
2018. november 28. A diagnosztika feladata A modelldiagnosztika alapfeladatai: A modellillesztés jóságának vizsgálata (idősoros adatok esetén, a regressziónál már tanultuk), a reziduumok fehérzaj voltának
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
RészletesebbenA L Hospital-szabály, elaszticitás, monotonitás, konvexitás
A L Hospital-szabály, elaszticitás, monotonitás, konvexitás 9. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék A L Hospital-szabály, elaszticitás, monotonitás, konvexitás p. / A L
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenKockázatalapú szabályozó kártyák tervezése, kiválasztása és folyamatra illesztése
Kockázatalapú szabályozó kártyák tervezése, kiválasztása és folyamatra illesztése Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program
RészletesebbenBiostatisztika VIII. Mátyus László. 19 October
Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.
RészletesebbenGyakorlati kérdések. 2. előadás, február 22. Szimuláció (Chambers, 1976) Michael-féle szórásstabilizált P-P plot
Gyakorlati kérdések 2. előadás, 2017. február 22. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Paraméterbecslés:
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
RészletesebbenVektorok, mátrixok, lineáris egyenletrendszerek
a Matematika mérnököknek I. című tárgyhoz Vektorok, mátrixok, lineáris egyenletrendszerek Vektorok A rendezett valós számpárokat kétdimenziós valós vektoroknak nevezzük. Jelölésükre latin kisbetűket használunk.
Részletesebben