Bevezetés. 1. előadás, február 11. Módszerek. Tematika

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika"

Átírás

1 Bevezetés 1. előadás, február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra gyakorlat Előadás: főleg modellek, elemzési módszerek Gyakorlat: R programmal, alkalmazások Számonkérés: 50%: gyakorlat alapján (beadandó feladat, házi feladatok + órai munka) 50%: ZH az utolsó gyakorlaton az előadás anyagából Információk: zempleni/aring15.html Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 1 / 22 Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 2 / 22 Tematika Módszerek Stabilis eloszlások, vonzási tartományok Extrém-érték modellek egy-és többdimenzióban Kopulák Véletlen mátrixok ARCH-GARCH modellek Pénzügyi kérdések: portfólióoptimalizálás, szabályozók stb. Cikk/könyvfeldolgozás Minden előadás végén irodalomjegyzék Matematikai modellek, de az alkalmazásokra koncentrálva Példák illusztrációként (részletesen a gyakorlaton) Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 3 / 22 Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 4 / 22

2 Stabilis eloszlások Alkalmazásuk Definíció. X stabilis eloszlású, ha tetszőleges a, b-re megadható c és d, hogy ax + by eloszlása (X, Y független, azonos eloszlású) éppen cz + d eloszlása (Z is X eloszlású) Definíció. Vonzási tartomány. F a G vonzási tartományába tartozik, ha X 1, X 2,..., X n,... független, F eloszlásúakra megadható a n, b n normáló sorozat, hogy X X n a n b n G Fizikai törvényszerűségek (pl. a Lévy eloszlás a Brown mozgás adott szint eléréséhez szükséges idő eloszlása) Általános határeloszlás-tétel (Pontosan a stabilis eloszlásoknak van nemüres vonzási tartománya) Vastag szélű (heavy tailed) eloszlások, pl. pénzügyekben eloszlásban (gyengén). Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 5 / 22 Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 6 / 22 Szimmetrikus stabilis eloszlások Általános stabilis eloszlások Karakterisztikus függvényük exp t α ahol 0 < α < 2 paraméter (α = 2: normális eloszlás, α = 1: Cauchy, α = 0, 5: Lévy) Minden stabilis eloszlás abszolút folytonos, sűrűségfüggvényük végtelen sokszor deriválható, de általában nem adhatók meg zárt alakban Mindegyik unimodális, de a módusz általában nem adható meg zárt alakban Az α < 2 paraméterű stabilis eloszlás r-edik momentuma pontosan r < α esetén véges Paraméterek: α index β ferdeség γ skála δ hely α < 1 és β = 1 esetén félegyenesre koncentrált Egyébként az egész számegyenesre Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 7 / 22 Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 8 / 22

3 Példák A ferdeségi paraméter szerepe Nevezetes stabilis eloszlások Normális(0,sqrt(2)): st(2,0) Cauchy: st(1,0) Levy: st(0.5,1) E(X) = δ βγ tan πα (α > 1). 2 Spec: δ = 0, β = 0 esetén E(X) = 0 De β 0 esetén E(X), ha α 1 pedig a módusz 0 α = 2 esetén E(X) = δ (β-nak nincs szerepe) ábra. A legismertebb stabilis eloszlások Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 9 / 22 Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 10 / 22 A többi paraméter szerepe Példák 2 Stabilis eloszlások A jól ismert kvantilistranszformáció működik: ha q a γ = 0, δ = 0 (standard) eloszlás kvantilise, akkor qγ + δ a γ, δ paraméterű eloszlás azonos kvantilise. A szórásnégyzet additivitásának szerepét a γ α = γ1 α + γα 2 veszi át st(1.5,0.5) st(1,0.5) st(0.5,0.5) ábra. A ferdeség és az α kapcsolata Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 11 / 22 Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 12 / 22

4 Cauchy-eloszlás Lévy-eloszlás f (x) = γ π((x δ) 2 + γ 2 ) X/Y eloszlása standard Cauchy (γ = 1, δ = 0), ha X, Y független standard normális. Ebből adódóan megegyezik az 1 szabadságfokú t-eloszlással is. Szimmetrikus, tehát β = 0. Világítótorony-probléma: γ magasságú, δ távolságban levő világítótorony véletlenszerű irányba világít. Az x tengelyen a vetület eloszlása Cauchy (0, γ, δ) f (x) = c 1 c exp{ } (x > 0) 2π x 3/2 2x 1/Y 2 eloszlása standard Lévy (c = 1), ha Y standard normális. Stabilis, (0.5, 1, c, 0) paraméterekkel Brown mozgásnál egy p 0 pont elérési ideje Lévy eloszlású, c = p 2 paraméterrel Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 13 / 22 Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 14 / 22 Példák 3 Határeloszlás-tétel Suruségfüggvény Eloszlásfüggvény st(0.2,0) st(0.2,0.5) st(0.2,1) Tétel. Legyenek X, X 1, X 2,..., X n,... független, azonos eloszlású valószínűségi változók. Tegyük fel, hogy P( X > x) x α L(x), ahol L lassú változású fv. a végtelenben (L(cx)/L(x) 1, ha x, c > 0). Ekkor megadható a n, b n hogy a n (X 1 + X X n ) b n Z ahol Z éppen α rendű stabilis eloszlás. (Azaz X a Z vonzási tartományában van) ábra. Igen szélsőséges példák Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 15 / 22 Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 16 / 22

5 Gyakorlati kérdések Michael-féle szórásstabilizált P-P plot Paraméterbecslés: maximum likelihood a leghatásosabb (konfidencia intervallum is konstruálható) Illeszkedésvizsgálat Sűrűségfv. becslésből: paraméteres vs. nemparaméteres ("középen" jó) PP plot QQ plot (általában előnyösebb, mert az eloszlás széleit is mutatja, de ezek itt eltúlzottak lehetnek) A PP plotnál a szélső pontok szórása kicsi (a QQ plotnál általában a középsőké) S = 2 arcsin(u 1/2 )/π : sűrűségfüggvénye sin(πx)- szel arányos, a rendezett minta elemeinek szórása aszimptotikusan azonos. Az ábrázolandó pontok: r i = (2/π) arcsin[(i 0.5)/n 1/2 ] s i = (2/π) arcsin[f 1/2 (y i m)/s] Tesztstatisztika is számolható: max r i s i Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 17 / 22 Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 18 / 22 Szimuláció (Chambers, 1976) Illusztráció: részvény-idősorok Legyen U egyenletes [0,1], W pedig exponenciális eloszlású λ = 1 paraméterrel és függetlenek. Ekkor Z = sin(αu) cos U 1/α { cos((α 1)U) (α,0) paraméterű szimmetrikus stabilis eloszlású. Legyen U 0 = arctan(β tan(πα/2))/α és Z = sin(α(u 0 + U)) (cos(αu 0 ) cos U) 1/α W } (1 α)/α { cos(αu0 + α 1)U) pedig (α,β) paraméterű stabilis eloszlású (ha α 1). W } (1 α)/α norm.elo (sd=0.018) Nasdaq, napi hozamok Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 19 / 22 Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 20 / 22

6 Havi aggregálás Hivatkozások Nasdaq, havi hozamok norm.elo (sd=0.076) Chambers, J.M., Mallows, C. and Stuck, B.W.: A method for simulating stable random variable (1976) Michael, P.: The stabilized probability plot (1983) Nolan, J. P.: Modeling financial data with stable distributions (2005) Nolan, J. P.: Stable distributions (2009) Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 21 / 22 Zempléni András (ELTE) 1. előadás, február 11. Áringadozások előadás 22 / 22

Készítette: Fegyverneki Sándor

Készítette: 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

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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,

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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

Részletesebben

Matematikai statisztika c. tárgy oktatásának célja és tematikája

Matematikai 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:

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 2 II. A valószínűségi VÁLTOZÓ És JELLEMZÉsE 1. Valószínűségi VÁLTOZÓ Definíció: Az leképezést valószínűségi változónak nevezzük, ha

Részletesebben

CHT& NSZT Hoeffding NET mom. stabilis. 2011. november 9.

CHT& NSZT Hoeffding NET mom. stabilis. 2011. november 9. CHT& NSZT Hoeffding NET mom. stabilis Becslések, határeloszlás tételek Székely Balázs 2011. november 9. CHT& NSZT Hoeffding NET mom. stabilis 1 CHT és NSZT 2 Hoeffding-egyenlőtlenség Alkalmazása: Beengedés

Részletesebben

A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.

A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat. Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ

Részletesebben

Elliptikus eloszlások, kopuláik. 7. előadás, 2015. március 25. Elliptikusság tesztelése. Arkhimédeszi kopulák

Elliptikus 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

Részletesebben

Segítség az outputok értelmezéséhez

Segítség 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

Részletesebben

Szimmetrikus stabil eloszlások paramétereinek egy robusztus becslési eljárása és alkalmazása

Szimmetrikus stabil eloszlások paramétereinek egy robusztus becslési eljárása és alkalmazása 10.14750/ME.2015.007 MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Szimmetrikus stabil eloszlások paramétereinek egy robusztus becslési eljárása és alkalmazása Doktori (PhD) értekezés Készítette:

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Kutatásmódszertan és prezentációkészítés

Kutatásmódszertan és prezentációkészítés Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I

Részletesebben

Gazdasági matematika II. vizsgadolgozat, megoldással,

Gazdasági 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

Részletesebben

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI MÉRÉSI EREDMÉYEK POTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI. A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk

Részletesebben

Folytonos rendszeregyenletek megoldása. 1. Folytonos idejű (FI) rendszeregyenlet általános alakja

Folytonos rendszeregyenletek megoldása. 1. Folytonos idejű (FI) rendszeregyenlet általános alakja Folytonos rendszeregyenletek megoldása 1. Folytonos idejű (FI) rendszeregyenlet általános alakja A folytonos rendszeregyenletek megoldásakor olyan rendszerekkel foglalkozunk, amelyeknek egyetlen u = u(t)

Részletesebben

Valószínűségszámítás és statisztika

Valószínűségszámítás és statisztika Valószínűségszámítás és statisztika Programtervező informatikus szak esti képzés Varga László Valószínűségelméleti és Statisztika Tanszék Matematikai Intézet Természettudományi Kar Eötvös Loránd Tudományegyetem

Részletesebben

azonosságot minden 1 i, l n, 1 j k, indexre teljesítő együtthatókkal, amelyekre érvényes a = c (j) i,l l,i

azonosságot minden 1 i, l n, 1 j k, indexre teljesítő együtthatókkal, amelyekre érvényes a = c (j) i,l l,i A Cochran Fisher tételről A matematikai statisztika egyik fontos eredménye a Cochran Fisher tétel, amely a variancia analízisben játszik fontos szerepet. Ugyanakkor ez a tétel lényegét tekintve valójában

Részletesebben

Mérési hibák 2006.10.04. 1

Mérési hibák 2006.10.04. 1 Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség

Részletesebben

Numerikus módszerek: Nemlineáris egyenlet megoldása (Newton módszer, húrmódszer). Lagrange interpoláció. Lineáris regresszió.

Numerikus módszerek: Nemlineáris egyenlet megoldása (Newton módszer, húrmódszer). Lagrange interpoláció. Lineáris regresszió. YBL - SGYMMAT202XXX Matematika II. Tantárgyfelelős: Dr. Joós Antal Tárgyelőadó: Dr. Joós Antal Tantárgyi leírás Oktatási cél: Azoknak a matematikai alapoknak a megszerzése, melyek a szaktárgyak elsajátításához

Részletesebben

Valószínűségszámítás és Statisztika I. zh. 2014. november 10. - MEGOLDÁS

Valószínűségszámítás és Statisztika I. zh. 2014. november 10. - MEGOLDÁS Valószínűségszámítás és Statisztika I. zh. 2014. november 10. - MEGOLDÁS 1. Kihasználva a hosszasan elhúzódó jó időt, kirándulást szeretnénk tenni az ország tíz legmagasabb csúcsa közül háromra az elkövetkezendő

Részletesebben

lim 2 2 lim 2 lim 1 lim 3 4 lim 4 FOLYTONOSSÁG 1 x helyen? ( 2 a matek világos oldala Mosóczi András 4.1.? 4.5.? 4.2.? 4.6.? 4.3.? 4 4.7. 4.4.? 4.8.?

lim 2 2 lim 2 lim 1 lim 3 4 lim 4 FOLYTONOSSÁG 1 x helyen? ( 2 a matek világos oldala Mosóczi András 4.1.? 4.5.? 4.2.? 4.6.? 4.3.? 4 4.7. 4.4.? 4.8.? FÜGGVÉNYEK HTÁÉTÉKE Mosóczi ndrás..?..?..?..?..?..?..?.8.? FOLYTONOSSÁG DEFINÍCIÓ. z üggvény olytonos az a helyen értelmezve van az a helyen létezik és véges a tárértéke az a helyen és a a DEFINÍCIÓ. z

Részletesebben

36 0,3. Mo.: 36 0,19. Mo.: 36 0,14. Mo.: 32 = 0,9375 32 = 0,8125 32 = 0,40625. Mo.: 32 = 0,25

36 0,3. Mo.: 36 0,19. Mo.: 36 0,14. Mo.: 32 = 0,9375 32 = 0,8125 32 = 0,40625. Mo.: 32 = 0,25 Valószínűségszámítás I. Kombinatorikus valószínűségszámítás. BKSS 4... Egy szabályos dobókockát feldobva mennyi annak a valószínűsége, hogy a -ost dobunk; 0. b legalább 5-öt dobunk; 0, c nem az -est dobjuk;

Részletesebben

Szimmetrikus stabil eloszlások paramétereinek egy robusztus becslési eljárása és alkalmazása

Szimmetrikus stabil eloszlások paramétereinek egy robusztus becslési eljárása és alkalmazása MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Szimmetrikus stabil eloszlások paramétereinek egy robusztus becslési eljárása és alkalmazása doktori (PhD) értekezés tézisei Készítette: Csendes Csilla

Részletesebben

4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI

4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI 4. Fuzzy relációk Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Klasszikus relációk Halmazok Descartes-szorzata Relációk 2 Fuzzy relációk Fuzzy relációk véges alaphalmazok

Részletesebben

Biomatematika 8. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Biomatematika 8. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 8. Valószínűség-számítás II. Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:

Részletesebben

Tómács Tibor. Matematikai statisztika gyakorlatok

Tómács Tibor. Matematikai statisztika gyakorlatok Tómács Tibor Matematikai statisztika gyakorlatok Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Matematikai statisztika gyakorlatok Eger, 2012 Szerző: Dr. Tómács Tibor főiskolai

Részletesebben

hogy a tételben megfogalmazott feltételek nemcsak elégséges, hanem egyben szükséges feltételei is a centrális határeloszlástételnek.

hogy a tételben megfogalmazott feltételek nemcsak elégséges, hanem egyben szükséges feltételei is a centrális határeloszlástételnek. A Valószínűségszámítás II. előadássorozat második témája. A CENTRÁLIS HATÁRELOSZLÁSTÉTEL A valószínűségszámítás legfontosabb eredménye a centrális határeloszlástétel. Ez azt mondja ki, hogy független valószínűségi

Részletesebben

Bemenet modellezése II.

Bemenet modellezése II. Bemenet modellezése II. Vidács Attila 2005. november 3. Hálózati szimulációs technikák, 2005/11/3 1 Kiszolgálási id k modellezése Feladat: Egy bemeneti modell felállítása egy egy kiszolgálós sorbanállási

Részletesebben

Vargha András Károli Gáspár Református Egyetem Budapest

Vargha András Károli Gáspár Református Egyetem Budapest Vargha András Károli Gáspár Református Egyetem Budapest Kötelező irodalom a kurzushoz Vargha András: Matematikai statisztika pszichológiai, nyelvészeti és biológiai alkalmazásokkal (2. kiadás). Pólya Kiadó,

Részletesebben

Az R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit.

Az R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit. 2. A VALÓS SZÁMOK 2.1 A valós számok aximómarendszere Az R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit. 1.Testaxiómák R-ben két művelet van értelmezve, az

Részletesebben

I. Általános információk az előadásokról, szemináriumokról, szak- vagy laborgyakorlatokról

I. Általános információk az előadásokról, szemináriumokról, szak- vagy laborgyakorlatokról BABEŞ BOLYAI TUDOMÁNYEGYETEM KOLOZSVÁR KÖZGAZDASÁG- ÉS GAZDÁLKODÁSTUDOMÁNYI KAR SZAKIRÁNY: KÖZÖS TÖRZS EGYETEMI ÉV: 2009/2010 FÉLÉV: IV I. Általános információk az előadásokról, szemináriumokról, szak-

Részletesebben

Biomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Biomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 15. Nemparaméteres próbák Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date: November

Részletesebben

Bevezető Adatok rendezése Adatok jellemzése Időbeli elemzés. Gazdaságstatisztika KGK VMI

Bevezető Adatok rendezése Adatok jellemzése Időbeli elemzés. Gazdaságstatisztika KGK VMI Gazdaságstatisztika 2. előadás Egy ismérv szerinti rendezés Kóczy Á. László KGK VMI Áttekintés Gyakorisági sorok Grafikus ábrázolásuk Helyzetmutatók Szóródási mutatók Az aszimmetria mérőszámai Koncentráció

Részletesebben

Q1 = 1575 eft Me = 2027,7778 eft Q3 = 2526,3158 eft

Q1 = 1575 eft Me = 2027,7778 eft Q3 = 2526,3158 eft Gyak1: b) Mo = 1857,143 eft A kocsma tipikus (leggyakoribb) havi bevétele 1.857.143 Ft. c) Q1 = 1575 eft Me = 2027,7778 eft Q3 = 2526,3158 eft Gyak2: b) X átlag = 35 Mo = 33,33 σ = 11,2909 A = 0,16 Az

Részletesebben

Tómács Tibor. Matematikai statisztika

Tómács Tibor. Matematikai statisztika Tómács Tibor Matematikai statisztika Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Matematikai statisztika Eger, 01 Szerző: Dr. Tómács Tibor főiskolai docens Eszterházy Károly

Részletesebben

a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli

a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli Gyakorló feladatok valószínűségszámításból végeredményekkel a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli. Igaz-e, hogy tetszőleges A, B és C eseményekre teljesül a A B \ C =

Részletesebben

STATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.

STATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM. STATISZTIKA 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 MAGY. MAT. TÖRT. KÉM. ANNA BÉLA CILI András hármas. Béla Az átlag 3,5! kettes. Éva ötös. Nóri négyes. 1 mérés: dolgokhoz valamely szabály alapján szám rendelése

Részletesebben

MOODLE TESZTEK EREDMÉNYEINEK ELOSZLÁS VIZSGÁLATA

MOODLE TESZTEK EREDMÉNYEINEK ELOSZLÁS VIZSGÁLATA Czenky Márta MOODLE TESZTEK EREDMÉNYEINEK ELOSZLÁS VIZSGÁLATA ABSZTRAKT Saját oktatói gyakorlatunkban a Moodle rendszer használata az évek során kiszorította az elméleti ismeretek számonkérésében a papír

Részletesebben

Numerikus módszerek 1.

Numerikus módszerek 1. Numerikus módszerek 1. 9. előadás: Paraméteres iterációk, relaxációs módszerek Lócsi Levente ELTE IK Tartalomjegyzék 1 A Richardson-iteráció 2 Relaxált Jacobi-iteráció 3 Relaxált Gauss Seidel-iteráció

Részletesebben

Kabos: Statisztika II. ROC elemzések 10.1. Szenzitivitás és specificitás a jelfeldolgozás. és ilyenkor riaszt. Máskor nem.

Kabos: Statisztika II. ROC elemzések 10.1. Szenzitivitás és specificitás a jelfeldolgozás. és ilyenkor riaszt. Máskor nem. Kabos: Statisztika II. ROC elemzések 10.1 ROC elemzések Szenzitivitás és specificitás a jelfeldolgozás szóhasználatával A riasztóberendezés érzékeli, ha támadás jön, és ilyenkor riaszt. Máskor nem. TruePositiveAlarm:

Részletesebben

Sztochasztikus folyamatok 1. házi feladat

Sztochasztikus folyamatok 1. házi feladat Sztochasztikus folyamatok 1. házi feladat 1. Egy borfajta alkoholtartalmának meghatározására méréseket végzünk. Az egyes mérések eredményei egymástól független valószínûségi változók, melyek normális eloszlásúak,

Részletesebben

A valós számok halmaza

A valós számok halmaza VA 1 A valós számok halmaza VA 2 A valós számok halmazának axiómarendszere és alapvető tulajdonságai Definíció Az R halmazt a valós számok halmazának nevezzük, ha teljesíti a következő axiómarendszerben

Részletesebben

Komputer statisztika gyakorlatok

Komputer statisztika gyakorlatok Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Komputer statisztika gyakorlatok Eger, 2010. október 26. Tartalomjegyzék Előszó 4 Jelölések 5 1. Mintagenerálás 7 1.1. Egyenletes

Részletesebben

Varianciaanalízis 4/24/12

Varianciaanalízis 4/24/12 1. Feladat Egy póker kártya keverő gép a kártyákat random módon választja ki. A vizsgálatban 1600 választott kártya színei az alábbi gyakorisággal fordultak elő. Vizsgáljuk meg, hogy a kártyák kiválasztása

Részletesebben

VESZÉLYES LÉGKÖRI JELENSÉGEK KÜLÖNBÖZŐ METEOROLÓGIAI SKÁLÁKON TASNÁDI PÉTER ÉS FEJŐS ÁDÁM ELTE TTK METEOROLÓGIA TANSZÉK 2013

VESZÉLYES LÉGKÖRI JELENSÉGEK KÜLÖNBÖZŐ METEOROLÓGIAI SKÁLÁKON TASNÁDI PÉTER ÉS FEJŐS ÁDÁM ELTE TTK METEOROLÓGIA TANSZÉK 2013 VESZÉLYES LÉGKÖRI JELENSÉGEK KÜLÖNBÖZŐ METEOROLÓGIAI SKÁLÁKON TASNÁDI PÉTER ÉS FEJŐS ÁDÁM ELTE TTK METEOROLÓGIA TANSZÉK 2013 VÁZLAT Veszélyes és extrém jelenségek A veszélyes definíciója Az extrém és ritka

Részletesebben

Pelletek térfogatának meghatározása Bayes-i analízissel

Pelletek térfogatának meghatározása Bayes-i analízissel Pelletek térfogatának meghatározása Bayes-i analízissel Szepesi Tamás KFKI-RMKI, Budapest, Hungary P. Cierpka, Kálvin S., Kocsis G., P.T. Lang, C. Wittmann 2007. február 27. Tartalom 1. Motiváció ELM-keltés

Részletesebben

Khi-négyzet eloszlás. Statisztika II., 3. alkalom

Khi-négyzet eloszlás. Statisztika II., 3. alkalom Khi-négyzet eloszlás Statisztika II., 3. alkalom A khi négyzet eloszlást (Pearson) leggyakrabban kategorikus adatok elemzésére használjuk. N darab standard normális eloszlású változó négyzetes összegeként

Részletesebben

Félévi időbeosztás (nagyjából) házi feladat beadási határidőkkel (pontosan) Valószínűségszámítás 2. matematikusoknak és fizikusoknak, 2009 tavasz

Félévi időbeosztás (nagyjából) házi feladat beadási határidőkkel (pontosan) Valószínűségszámítás 2. matematikusoknak és fizikusoknak, 2009 tavasz Félévi időbeosztás (nagyjából) házi feladat beadási határidőkkel (pontosan) Valószínűségszámítás 2. matematikusoknak és fizikusoknak, 2009 tavasz Dátum Téma beadandó Feb 12Cs Konvolúció (normális, Cauchy,

Részletesebben

GAZDASÁGI STATISZTIKA

GAZDASÁGI STATISZTIKA GAZDASÁGI STATISZTIKA Dr. Kun István GÁBOR DÉNES FŐISKOLA Tantárgy: Gazdasági statisztika Kódszám: 224 Lapszám: 1 TÉMAKÖRÖK A STATISZTIKA ALAPFOGALMAI STATISZTIKAI SOROK STATISZTIKAI TÁBLÁK ÖSSZETETT VISZONYSZÁMOK

Részletesebben

STATISZTIKA I. Tantárgykódok. Oktatók. Időbeosztás. Tematika. http://www.agr.unideb.hu/~huzsvai. 1. Előadás Bevezetés, a statisztika szerepe

STATISZTIKA I. Tantárgykódok. Oktatók. Időbeosztás. Tematika. http://www.agr.unideb.hu/~huzsvai. 1. Előadás Bevezetés, a statisztika szerepe Tantárgykódok STATISZTIKA I. GT_APSN018 GT_AKMN021 GT_ATVN020 1. Előadás Bevezetés, a statisztika szerepe Oktatók Előadó: Dr. habil. Huzsvai László tanszékvezető Gyakorlatvezetők: Dr. Balogh Péter Dr.

Részletesebben

ÁRVIZEK A TISZÁN ÉS NÉHÁNY MELLÉKFOLYÓJÁN EXTRÉMÉRTÉK-MODELLEZÉS A GYAKORLATBAN BOZSÓ DÁVID RAKONCZAI PÁL ZEMPLÉNI ANDRÁS

ÁRVIZEK A TISZÁN ÉS NÉHÁNY MELLÉKFOLYÓJÁN EXTRÉMÉRTÉK-MODELLEZÉS A GYAKORLATBAN BOZSÓ DÁVID RAKONCZAI PÁL ZEMPLÉNI ANDRÁS ÁRVIZEK A TISZÁN ÉS NÉHÁNY MELLÉKFOLYÓJÁN EXTRÉMÉRTÉK-MODELLEZÉS A GYAKORLATBAN BOZSÓ DÁVID RAKONCZAI PÁL ZEMPLÉNI ANDRÁS A tanulmányban bemutatjuk az extrémérték-elemzés módszereit, így különösen a blokkmaximumok

Részletesebben

A többváltozós Shapiro-Wilk tesztek vizsgálata

A többváltozós Shapiro-Wilk tesztek vizsgálata A többváltozós Shapiro-Wilk tesztek vizsgálata Pataki Attila E-mail: attila.pataki@khb.hu (Ph.D. Értekezés) 2001. szeptember 30. Tartalomjegyzék Bevezetés 2 1. A normalitás fogalma 9 1.1. Definíciók, tételek........................

Részletesebben

A mintavétel bizonytalansága

A mintavétel bizonytalansága A mintavétel bizonytalansága Farkas Zsuzsa, Prof. Dr. Ambrus Árpád FarkasZs@nebih.gov.hu, AmbrusArp@nebih.gov.hu NÉBIH ÉKI A termék megfelelőség ellenőrzése - A mintavétel és az analitikai vizsgálati eredmények

Részletesebben

11. Matematikai statisztika

11. Matematikai statisztika 11. Matematikai statisztika 11.1. Alapfogalmak A statisztikai minta valamely valószínűségi változóra vonatkozó véges számú független kisérlet eredménye. Ez véges sok, azonos eloszlású valószínűségi változó

Részletesebben

Statisztikai módszerek 7. gyakorlat

Statisztikai módszerek 7. gyakorlat Statisztikai módszerek 7. gyakorlat A tanult nem paraméteres próbák: PRÓBA NEVE Illeszkedés-vizsgálat Χ2próbával MIRE SZOLGÁL? Illeszkedés-vizsgálat Ryan-Joiner próbával A val.-i vált. eloszlása egy adott

Részletesebben

kritikus érték(ek) (critical value).

kritikus érték(ek) (critical value). Hipotézisvizsgálatok (hypothesis testing) A statisztikának egyik célja lehet a populáció tulajdonságainak, ismeretlen paramétereinek a becslése. A másik tipikus cél: valamely elmélet, hipotézis empirikus

Részletesebben

EuroOffice Modeller felhasználói útmutató

EuroOffice Modeller felhasználói útmutató EuroOffice Modeller felhasználói útmutató 1 Bevezetés...5 EuroOffice Modeller: ANOVA felhasználói útmutató...5 Előkészítés...5 Egyutas ANOVA...5 Kétutas ANOVA...8 EuroOffice Modeller: Egymintás Z-próba

Részletesebben

Alapvető karbantartási stratégiák

Alapvető karbantartási stratégiák Alapvető karbantartási stratégiák MBA képzés 2009 Erdei János 4. Tervszerű karbantartás teljesítőképess pesség 00% Teljesítm tménytartalék-diagram kiesési si ciklikus állapotfüggő teljesítménymaradék t

Részletesebben

1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.

1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. 1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét

Részletesebben

Matematika III. Nagy Károly 2011

Matematika III. Nagy Károly 2011 Matematika III előadások összefoglalója (Levelezős hallgatók számára) Nagy Károly 20 . Kombinatorika.. Definíció. Adott n darab egymástól különböző elem. Ezeknek egy meghatározott sorrendjét az n elem

Részletesebben

Tartalomjegyzék. 3. Elsőfokú egyenletek és egyenlőtlenségek... 8 3.1. Elsőfokú egyenletek... 8 3.2. Valós szám abszolút értéke...

Tartalomjegyzék. 3. Elsőfokú egyenletek és egyenlőtlenségek... 8 3.1. Elsőfokú egyenletek... 8 3.2. Valós szám abszolút értéke... Tartalomjegyzék 1. Műveletek valós számokkal... 1 1.1. Gyökök és hatványozás... 1 1.1.1. Hatványozás... 1 1.1.2. Gyökök... 1 1.2. Azonosságok... 2 1.3. Egyenlőtlenségek... 3 2. Függvények... 5 2.1. A függvény

Részletesebben

DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST RESULTS

DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST RESULTS Műszaki Földtudományi Közlemények, 83. kötet, 1. szám (2012), pp. 271 276. HULLADÉKOK TEHERBÍRÁSÁNAK MEGHATÁROZÁSA CPT-EREDMÉNYEK ALAPJÁN DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST

Részletesebben

VALÓSZÍNŰSÉGSZÁMÍTÁS. MSc. Órai Feladatok

VALÓSZÍNŰSÉGSZÁMÍTÁS. MSc. Órai Feladatok VALÓSZÍNŰSÉGSZÁMÍTÁS MSc Órai Feladatok 1. Feladat (Diszkrét eloszlás) Ketten kosárlabdáznak. Az A játékos 0,4 a B játékos 0,3 valószínűséggel dob kosarat. A dobást A kezdi és felváltva dobnak egymás után.

Részletesebben

Gyakorló feladatok a 2. dolgozathoz

Gyakorló 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:

Részletesebben

n = 1,2,..., a belőlük készített részletösszegek sorozata. Tekintsük az S n A n

n = 1,2,..., a belőlük készített részletösszegek sorozata. Tekintsük az S n A n Határeloszlástételek és korlátlanul osztható eloszlások. I. rész Az alapvető problémák megfogalmazása. A valószínűségszámítás egyik alapvető feladata a következő kérdés vizsgálata: Legyen ξ 1,ξ 2,... független

Részletesebben

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás

Matematikai 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

Részletesebben

Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat

Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat 7. lecke Paraméter becslés Konfidencia intervallum Hipotézis vizsgálat feladata Paraméter becslés és konfidencia

Részletesebben

13. előadás. Matlab 7. (Statisztika, regresszió, mérési adatok feldolgozása) Dr. Szörényi Miklós, Dr. Kallós Gábor. Széchenyi István Egyetem

13. előadás. Matlab 7. (Statisztika, regresszió, mérési adatok feldolgozása) Dr. Szörényi Miklós, Dr. Kallós Gábor. Széchenyi István Egyetem 13. előadás Matlab 7. (Statisztika, regresszió, mérési adatok feldolgozása) Dr. Szörényi Miklós, Dr. Kallós Gábor 2013 2014 1 Tartalom Statisztikai alapfogalmak Populáció, hisztogram, átlag, medián, szórás,

Részletesebben

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis Hipotézis BIOMETRIA 5. Előad adás Hipotézisvizsg zisvizsgálatok Tudományos hipotézis Nullhipotézis feláll llítása (H ): Kétmintás s hipotézisek Munkahipotézis (H a ) Nullhipotézis (H ) > = 1 Statisztikai

Részletesebben

Függvények határértéke és folytonossága

Függvények határértéke és folytonossága Függvények határértéke és folytonossága 7. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Függvények határértéke p. / Függvény határértéke az x 0 helyen Definíció. Legyen D R, f

Részletesebben

Tantárgyi útmutató. Gazdasági matematika II.

Tantárgyi útmutató. Gazdasági matematika II. Módszertani Intézeti Tanszék Tantárgyi útmutató Gazdasági matematika II. Nappali Tagozat 2015/16 tanév II. félév 1/5 Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa: Gazdasági matematika

Részletesebben

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz

Részletesebben

Informatikai rendszerek modellezése Dr. Sztrik, János

Informatikai rendszerek modellezése Dr. Sztrik, János Informatikai rendszerek modellezése Dr. Sztrik, János Informatikai rendszerek modellezése Dr. Sztrik, János Debreceni Egyetem Kelet-Magyarországi Informatika Tananyag Tárház Nemzeti Fejlesztési Ügynökség

Részletesebben

2014/2015. tavaszi félév

2014/2015. tavaszi félév Hajder L. és Valasek G. hajder.levente@sztaki.mta.hu Eötvös Loránd Tudományegyetem Informatikai Kar 2014/2015. tavaszi félév Tartalom Geometria modellezés 1 Geometria modellezés 2 Geometria modellezés

Részletesebben

Diszkrét matematika I. gyakorlat

Diszkrét matematika I. gyakorlat Vizsgafeladatok megoldása 2012. december 5. Tartalom Teljes feladatsor #1 1 Teljes feladatsor #1 2 Teljes feladatsor #2 3 Teljes feladatsor #3 4 Teljes feladatsor #4 5 Válogatott feladatok 6 Végső bölcsesség

Részletesebben

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 6. MA3-6 modul. A statisztika alapfogalmai

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 6. MA3-6 modul. A statisztika alapfogalmai Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematika III. 6. MA3-6 modul A statisztika alapfogalmai SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról szóló 1999.

Részletesebben

2. Hatványozás, gyökvonás

2. Hatványozás, gyökvonás 2. Hatványozás, gyökvonás I. Elméleti összefoglaló Egész kitevőjű hatvány értelmezése: a 1, ha a R; a 0; a a, ha a R. Ha a R és n N; n > 1, akkor a olyan n tényezős szorzatot jelöl, aminek minden tényezője

Részletesebben

Adatelemzés kommunikációs dosszié ADATELEMZÉS. ANYAGMÉRNŐK NAPPALI MSc KÉPZÉS TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ

Adatelemzés kommunikációs dosszié ADATELEMZÉS. ANYAGMÉRNŐK NAPPALI MSc KÉPZÉS TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ ADATELEMZÉS ANYAGMÉRNŐK NAPPALI MSc KÉPZÉS TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ MISKOLCI EGYETEM MŰSZAKI ANYAGTUDOMÁNYI KAR KÉMIAI INTÉZET Miskolc, 2014. Tartalom jegyzék 1. Tantárgyleírás, tárgyjegyző, óraszám,

Részletesebben

Valószín ségelmélet házi feladatok

Valószín ségelmélet házi feladatok Valószín ségelmélet házi feladatok Minden héten 3-4 házi feladatot adok ki. A megoldásokat a következ órán kell beadni, és kés bb már nem lehet pótolni. Csak az mehet vizsgázni, aki a 13 hét során kiadott

Részletesebben

Parciális differenciálegyenletek numerikus módszerei számítógépes alkalmazásokkal Karátson, János Horváth, Róbert Izsák, Ferenc

Parciális differenciálegyenletek numerikus módszerei számítógépes alkalmazásokkal Karátson, János Horváth, Róbert Izsák, Ferenc Karátson, János Horváth, Róbert Izsák, Ferenc numerikus módszerei számítógépes írta Karátson, János, Horváth, Róbert, és Izsák, Ferenc Publication date 2013 Szerzői jog 2013 Karátson János, Horváth Róbert,

Részletesebben

Számsorozatok (1) First Prev Next Last Go Back Full Screen Close Quit

Számsorozatok (1) First Prev Next Last Go Back Full Screen Close Quit Számsorozatok (1) First Prev Next Last Go Back Full Screen Close Quit 1. Valós számsorozaton valós számok meghatározott sorrendű végtelen listáját értjük. A hangsúly az egymásután következés rendjén van.

Részletesebben

Feleségem Hizsnyik Mária, gyermekeim Gyula (1979) és Júlia (1981), unokáim Lola (2007), Kende (2010) és Márkó (2010)

Feleségem Hizsnyik Mária, gyermekeim Gyula (1979) és Júlia (1981), unokáim Lola (2007), Kende (2010) és Márkó (2010) Pap Gyula Születési hely és idő: Debrecen, 1954 Feleségem Hizsnyik Mária, gyermekeim Gyula (1979) és Júlia (1981), unokáim Lola (2007), Kende (2010) és Márkó (2010) TANULMÁNYOK, TUDOMÁNYOS FOKOZATOK Gimnáziumi

Részletesebben

Valószín ségszámítás és statisztika gyakorlat Programtervez informatikus szak, esti képzés

Valószín ségszámítás és statisztika gyakorlat Programtervez informatikus szak, esti képzés Valószín ségszámítás és statisztika gyakorlat Programtervez informatikus szak, esti képzés Játékszabályok 0 + x pontot lehet szerezni a félév során: 50 pont:. ZH a félév közepén 50 pont:. ZH a félév végén

Részletesebben

CPT csúcsellenállások karakterisztikus értékei

CPT csúcsellenállások karakterisztikus értékei CPT csúcsellenállások karakterisztikus értékei Laufer Imre Lambda 2 Bt. 7355 Nagymányok, Alkotmány u. 2/A e-mail: imre.laufer@lambda2.hu Összefoglaló A geotechnikai tervezés során a talajjellemzők megfelelő

Részletesebben

Nevezetes függvények

Nevezetes függvények Nevezetes függvények Függvények értelmezése Legyen adott az A és B két nem üres halmaz. Az A halmaz minden egyes eleméhez rendeljük hozzá a B halmaz egy-egy elemét. Ez a hozzárendelés egyértelmű, és ezt

Részletesebben

Nemparametrikus tesztek. 2014. december 3.

Nemparametrikus tesztek. 2014. december 3. Nemparametrikus tesztek 2014. december 3. Nemparametrikus módszerek Alkalmazásuk: nominális adatok (gyakoriságok) esetén, ordinális adatok esetén, metrikus adatok esetén (intervallum és arányskála), ha

Részletesebben

Analízisfeladat-gyűjtemény IV.

Analízisfeladat-gyűjtemény IV. Oktatási segédanyag a Programtervező matematikus szak Analízis. című tantárgyához (003 004. tanév tavaszi félév) Analízisfeladat-gyűjtemény IV. (Függvények határértéke és folytonossága) Összeállította

Részletesebben

BIZTOSÍTÁSI MATEMATIKA ALAPJAI1

BIZTOSÍTÁSI MATEMATIKA ALAPJAI1 BIZTOSÍTÁSI MATEMATIKA ALAPJAI1 Készítette: FEGYVERNEKI SÁNDOR,2 March 7, 2009 1 Előadás vázlat 1.0 verzió 2 Miskolci Egyetem, Alkalmazott Matematikai Tanszék Tartalomjegyzék 1. Bevezetés 1 1.1 Követelmények...............................

Részletesebben

Biometria: Statisztikai módszerek alkalmazása a biológiában

Biometria: Statisztikai módszerek alkalmazása a biológiában Biometria: Statisztikai módszerek alkalmazása a biológiában Statisztika alkalmazási területei: Adatok ellenőrzése, értelmezése, ábrázolása, Jellemző paraméterek származtatása Valószínűség hozzárendelése

Részletesebben

valós számot tartalmaz, mert az ilyen részhalmazon nem azonosság.

valós számot tartalmaz, mert az ilyen részhalmazon nem azonosság. 2. Közönséges differenciálegyenlet megoldása, megoldhatósága Definíció: Az y függvényt a valós számok H halmazán a közönséges differenciálegyenlet megoldásának nevezzük, ha az y = y(x) helyettesítést elvégezve

Részletesebben

Villamos autókból álló taxi flotta számára létesítendő töltőállomások modellezése

Villamos 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

Részletesebben

NOÉ Állatotthon Alapítvány www.noeallatotthon.hu, facebook.com/noeallatotthon Számlaszám: OTP 11710002-20083777 adószám: 18169696-1-42

NOÉ Állatotthon Alapítvány www.noeallatotthon.hu, facebook.com/noeallatotthon Számlaszám: OTP 11710002-20083777 adószám: 18169696-1-42 2015 2015. Január 1. 1 2 3 4 2. 5 6 7 8 9 10 11 3. 12 13 14 15 16 17 18 4. 19 20 21 22 23 24 25 5. 26 27 28 29 30 31 2015. Február 5. 1 6. 2 3 4 5 6 7 8 7. 9 10 11 12 13 14 15 8. 16 17 18 19 20 21 22 9.

Részletesebben

Wiener-folyamatok legfontosabb tulajdonságai. Poisson-folyamatok.

Wiener-folyamatok legfontosabb tulajdonságai. Poisson-folyamatok. Wiener-folyamatok legfontosabb tulajdonságai. Poisson-folyamatok. Láttuk, hogy a Wiener-folyamat teljesíti az úgynevezett funkcionális centrális határeloszlástételt. Ez az eredmény durván szólva azt fejezi

Részletesebben

Első sorozat (2000. május 22. du.) 1. Oldjamegavalós számok halmazán a. cos x + sin2 x cos x. +sinx +sin2x =

Első sorozat (2000. május 22. du.) 1. Oldjamegavalós számok halmazán a. cos x + sin2 x cos x. +sinx +sin2x = 2000 Írásbeli érettségi-felvételi feladatok Első sorozat (2000. május 22. du.) 1. Oldjamegavalós számok halmazán a egyenletet! cos x + sin2 x cos x +sinx +sin2x = 1 cos x (9 pont) 2. Az ABCO háromszög

Részletesebben

Heckman modell. Szelekciós modellek alkalmazásai.

Heckman modell. Szelekciós modellek alkalmazásai. Heckman modell. Szelekciós modellek alkalmazásai. Mikroökonometria, 12. hét Bíró Anikó A tananyag a Gazdasági Versenyhivatal Versenykultúra Központja és a Tudás-Ökonómia Alapítvány támogatásával készült

Részletesebben

Matematika III. 8. A szórás és a szóródás egyéb mérőszámai Prof. Dr. Závoti, József

Matematika III. 8. A szórás és a szóródás egyéb mérőszámai Prof. Dr. Závoti, József Matematika III. 8. A szórás és a szóródás egyéb Prof. Dr. Závoti, József Matematika III. 8. : A szórás és a szóródás egyéb Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP - 4.1.2-08/1/A-2009-0027

Részletesebben

A mérési bizonytalanság becslése a vizsgálólaboratóriumok gyakorlatában

A mérési bizonytalanság becslése a vizsgálólaboratóriumok gyakorlatában A mérési bizonytalanság becslése a vizsgálólaboratóriumok gyakorlatában Készítette: Szegény Zsigmond Mezőgazdasági Szakigazgatási Hivatal Élelmiszer- és Takarmánybiztonsági Igazgatóság Műszaki-technológiai

Részletesebben

2002. ELSÕ ÉVFOLYAM 4. SZÁM 79

2002. ELSÕ ÉVFOLYAM 4. SZÁM 79 2002. ELSÕ ÉVFOLYAM 4. SZÁM 79 80 HITELINTÉZETI SZEMLE SOCZÓ CSABA A KOCKÁZTATOTT ÉRTÉKNÉL NAGYOBB VESZTESÉGEK VIZSGÁLATA A tíz gazdaságilag legfejlettebb ország (G-10) 1998-ban [3], míg Magyarország 2000-ben

Részletesebben

4.4. Egy úton hetente átlag 3 baleset történik. Mi a valószínűsége, hogy egy adott héten 2?

4.4. Egy úton hetente átlag 3 baleset történik. Mi a valószínűsége, hogy egy adott héten 2? HIPERGEO. BINOM. POISSON 4.1. Egy üzletben 100-an vásárolnak, közülük 80-an rendelkeznek bankkártyával. A pénztárnál 10-en állnak sorba, mi a valószínűsége, hogy 7-nek lesz bankkártyája? 4.2. Egy üzletben

Részletesebben