Gazdasági példák alkalmazása a matematikatanításban
|
|
- Dániel Németh
- 4 évvel ezelőtt
- Látták:
Átírás
1 Gazdasági példák alkalmazása a matematikatanításban Debrenti Edith Összefoglalás Azzal kapcsolatban, hogy a közgazdászok képzése során milyen tananyagot és tankönyveket használjunk, megoszlanak a vélemények. Egyes közgazdászok szerint a közgazdaság-tudomány elamerikanizálódott és a képzés során túlzott a matematika dominanciája (Csaba, 2013). Simonovits András szerint is ez így van, de hát ennek lehet a magyarázata az is, hogy az amerikai közgazdaságtan sikeresebben kombinálta az elméletet a gyakorlattal, mint európai társaik, és az amerikai tankönyvek zöme messze felülmúlja a magyar jegyzetek színvonalát (Simonovits, 2013). Szükség van arra, hogy a diákok minél több gyakorlati megközelítést lássanak, fontos, hogy a modellezés, a fogalmak gyakorlati alkalmazása is a tananyag szerves része legyen, annak ellenére, hogy a tartalmi részek és a rájuk fordítható idő nem nagyon engedi meg, hogy egy-egy alkalmazási vagy modellezési feladatban a diákok elmélyüljenek. Az elméletnek a gyakorlathoz való fűzése azért is hasznos, mert közelebb hozza a diákot a lényegbeli problémához és jobban felkelti az érdeklődését. A tanár sokkal jobban késztetheti a diákokat arra, hogy maguk számoljanak, kísérletezzenek, sejtéseket fogalmazzanak meg. A dolgozatom témája a statisztika néhány fejezetének probléma-központú megközelítése. Kulcsszavak: probléma-központú matematikatanítás, gazdasági matematika, közgazdasági modellek. JEL kódok: C60; C65; C69. Teaching of the mathematics based on examples taken from economics Abstract Opinions differ on the curriculum and textbooks to be used when teaching economists. Csaba Laszlo claims that economics has undergone Americanization and there is an over-dominance of mathematics in the training (Csaba, 2013). András Simonovits holds similar beliefs, however he explains this by the fact that American economics combinen theory and practice more successfully 1
2 than their European counterparts and the majority of American textbooks is far superior to the Hungarian standard notes (Simonovits, 2013). The students need to see more practical approach of the concepts. Modeling and the application of the theory should be part of the teaching material, although the main contents and the number of classes dedicated to them do not allow to thoroughly deepen into a type of application or modeling. To put the theory into practice is important because it gets the students close to the main point and it raises interest. The teacher can much more easier get the students make calculations on their own, make experiences or make speculations. The theme of the presentation is the problem-based teaching of some chapters of statistics. Keywords: problem- based learning of mathematics, mathematics in economics; basic economic models. JEL codes: C60; C65; C69 Bevezetés A gazdalkodási és közgazdasági alap- és mesterszakok tanterveiben számos matematikai tárgy szerepel, többek közt a valószínűségszámítás és a statisztika is. Szükség van arra, hogy a diákok minél több gyakorlati megközelítést lássanak, fontos, hogy a modellezés, a fogalmak gyakorlati alkalmazása is a tananyag szerves része legyen, annak ellenére, hogy a tartalmi részek és a rájuk fordítható idő nem nagyon engedi meg, hogy egyegy alkalmazási vagy modellezési feladatban a diákok elmélyüljenek. Az elméletnek a gyakorlathoz való fűzése azért is hasznos, mert közelebb hozza a diákot a lényegbeli problémához és jobban felkelti az érdeklődését. A tanár sokkal jobban késztetheti a diákokat arra, hogy maguk számoljanak, kísérletezzenek, sejtéseket fogalmazzanak meg. Ebben a munkában egy projektszerű, szemináriumon feldolgozott témát mutatok be, melyet közgazdasági szakos hallgatókkal közösen jártunk körül. A romániai gabonapiac, azon belül a búza és a kukorica, az emberiség számára a legfontosabb gabonafélék piaci helyzetét vizsgáltuk, összehasonlítva más országok empirikus kutatásinak eredményeivel is (Magyarország), továbbá vizsgáltuk az időben változó árvolatilitást is, hogyan alakult e két termék volatilitása január január között. Ehhez legelőször a két termékre vonatkozó leíró statisztikákat hasonlítottuk össze, majd a múltbéli adatokra támaszkodó történelmi volatilitás kiszámítása került sorra. A témát keresve, egy olyan kérdéskört szerettem volna találni, ami nemcsak a közgazdászokat, hanem fontossága miatt akár minden embert érinthet. A 2
3 legfontosabb élelmiszerünk a mindennapi kenyér. Az ötlethez évszámot keresve azt találtam, hogy a évről 2007-re drasztikus mértékben megnőttek az agrártermékek árai. Ilyen mértékű áremelkedés nem volt megfigyelhető az azt megelőző 25 évben. Ezt számtalan kutató próbálta megmagyarázni különféle vizsgálatok által. A közgazdászok a kialakulás okát keresték (Cooke és Robles, 2009), azokat a tényezőket, amik leginkább befolyásolták a drasztikus áremelkedést, míg mások azt vizsgálták (Gilbert és Morgan, 2010, Tothova, 2011), hogy a hirtelen bekövetkezett áremelkedés és csökkenés milyen hatással volt az agrártermékek árvolatilitására. Ez a nagymértékű áringadozás bizonytalanságot váltott ki a termelők viselkedésében is. Az elemzési időtartam, a január január közötti periódus adatait az Eurostat, a Román Statisztikai Hivatal (INSSE), valamint a magyarországi Statisztikai Hivatal honlapjáról (KSH) gyűjtöttük. Részben az adatok szűkössége miatt lett ez a periódus kiválasztva, másrészről meg az Európai Unióhoz való csatlakozás, valamint a gazdasági válság miatt is, ugyanis mindkét esemény megtalálható az adott intervallumban. A téma jelentőségét az is bizonyítja, hogy rendkívül sok kutatás készült az általunk vizsgált periódusban, főleg a as történésekkel kapcsolatban. Különböző kutatók különböző irányból közelítették meg az árvolatilitás kérdését. Voltak, akik a kiváltó okokra fókuszáltak, illetve voltak olyanok is, akik a megnövekedett volatilitás gyanújának alátámasztására kerestek bizonyítékokat. A témát egy kisebb projektnek fogva föl, a következő lépésekben dolgoztuk ki: 1.Románia mezőgazdasági áttekintése, gabonatermesztés: adatgyűjtés a különböző honlapokról (Eurostat, INSSE), ezt kapták házi feladatnak, órán rendszereztük az adatokat, táblázatokat, ábrákat készítettünk a rendelkezésünkre álló adatokból. 2. Leíró statisztikai mutatók számítása 3. Volatilitás fogalma, számítások 4. Összehasonlítás 5. Mit lehetne még számítani? Mezőgazdaság Románia mezőgazdaságának legfőbb terménye a búza és a kukorica. A kukoricát emberi étkezésre is felhasználják. Kukoricatermesztése Európában az elsők között van. Tavalyi adatok alapján az országos kukoricatermést 5,92 millió tonnára becsülik. Ez 2,72 millió hektár szántóföldön termett meg, tehát a hozam 2170 kg/ha. Az uniós átlag háromszor ekkora volt, 6150/ha. Az INS közleményéből kiderül, hogy az alacsony hozam ellenére Románia az EU-n belül a harmadik legnagyobb kukoricatermelő Franciaország és Olaszország 3
4 után. A búza esetében 5,19 millió tonnás termésről árulkodnak a statisztikák, ami 1,98 millió hektáron termett meg. Ez 2624 kg/hektáros hozamot eredményez, az uniós átlag kétszer ekkora, 5434 kg/ha. Románia tavalyi búzatermése az ötödik legnagyobb volt az EU-n belül. 1. ábra: A kukorica és a búza termelt mennyiségének alakulása Romániában kg/ha-ban kifejezve Forrás: A Román Statisztikai Hivatal adatai alapján Láthatjuk, az 1. táblázatból, hogy Romániában a mezőgazdasági üzemek száma folyamatosan csökken évről évre, míg a megművelt mezőgazdasági terület esetén növekedést figyelhetünk meg 2010-ben 2002-höz képest. Láthatjuk, hogy üzemenként egyre több terület kerül megművelésre. 1. táblázat: Mezőgazdasági üzemek száma Romániában 2002 és 2010 között Mértékegység Mezőgazdasági üzemek ezer száma összesen: Megművelt mezőgazdasági ezer hektár terület összesen A mezőgazdasági üzemek által művelt mezőgazdasági terület összesen ezer hektár Átlagosan megművelt hektár 3,11 3,5 3,45 terület üzemegységenként Forrás: A Recensământul general agricol 2010 adatai alapján A gabonaárak változásai Az elmúlt két évtized legjelentősebb eseménye a között bekövetkezett élelmiszer és terményár robbanása. Megfigyelhető, hogy ebben 4
5 az adott periódusban az egyes termékek árai akár a duplájára is nőttek. A három legfőbb ok, mely összekapcsolható a termékek árának a növekedésével: az időjárás, a kőolaj ára és a készletezési politika. 2. ábra: A kukorica és a búza árak alakulása 2004 január-2013 januárja között Romániában Forrás: A Román Statisztikai Hivatal adatai alapján A fenti ábrán megfigyelhetjük, hogy a kukorica és a búza árai nagymértékben együtt mozognak. Ahol az egyik emelkedik, ott a másik ára is nő. Leíró statisztikai mutatók számítása A leíró statisztikának az a szerepe, hogy átfogó képet adjon az adatsorunkról néhány alapvető jellemző megadásával. 2. táblázat: Statisztikai mutatók csoportosítása Numerikus mutatószám Helyzeti mutatók Számított mutatók Középérték mutató Módusz, Medián Átlagok (számtani, mértani, qvadratikus) Szóródási mutató Terjedelem, IQR Szórás, variancia, relatív szórás Forrás: Tóthné, Mindegyik középérték mutató azt próbálja reprezentálni, hogy hol csoportosulnak az értékek, míg a szóródási mutatók azt határozzák meg, hogy ezen elhelyezkedési pont körül mennyire szorosan vagy szétszórtan helyezkednek el a vizsgált értékek. A leíró statisztika alkalmazása előtt az alapfogalmakat újra átvettük: a minta elemszáma (n), maximum (a legnagyobb előforduló számérték), minimum (a legkisebb előforduló számérték), mintaterjedelem (a maximum és a minimum különbsége), számtani átlag (az értékek összege, osztva az elemszámmal), variancia, tapasztalati szórásnégyzet (az adatoknak az átlagtól való négyzetes eltéréseinek átlaga), szórás, tapasztalati szórás (a variancia négyzetgyöke), variációs koefficiens, vagy relatív hiba (a szórás százalékos aránya az 5
6 átlaghoz viszonyítva), Medián (a rendezett minta közepén van), Módusz (a leggyakrabban előforduló érték), Kvartilisek (az alsó kvartilis a legkisebb és a medián között középen elhelyezkedő adat számértéke a rendezett mintában, a felső kvartilis hasonlóan a medián és a legnagyobb érték között van középen, a kvartilisek mutatják a ferdeséget). A szóródás kifejezésére leggyakrabban használt mérőszám a szórás. A szórás az egyes értékek számtani átlagtól vett eltéréseinek négyzetes átlaga, vagyis megmutatja, hogy az ismérvértékek mennyivel térnek el átlagosan az átlagtól. Az alapsokaság elemeinek eltérését mutatja a minta egészének számtani átlagától, azaz =. A tapasztalati szórás képlete tehát:. Vannak olyan esetek, amikor nem tudjuk meghatározni a szórást. Olyankor a szórást egy mintából becsüljük. A becsült szórás, más néven korrigált tapasztalati szórás meghatározásához a következő képletet használjuk: A szórás értéke függ adataink mértékegységétől, csak azonos mértékegységben kifejezett adathalmazok hasonlíthatók össze. Ahhoz, hogy különböző mértékegységet használó adatsorokat hasonlíthassunk össze, meg kell szüntetnünk az eltérő dimenziók problémáját Ezt a célt szolgálja a relatív szórás, a variációs együttható, mely a szóródás egyik mérőszáma, amely a minta szórását (s) a minta átlagához ( ) viszonyítja. Képlete: V =, illetve V = 100 (%). A relatív szórás mértékegység nélküli szám, megmutatja, hogy a minta értékei mennyire szóródnak átlagértékükhöz képest. Mivel pozitív adatokra alkalmazzuk és adott mintára, ezért V < 1. Létjogosultsága eltérő nagyságrendű adatokat tartalmazó, illetve különböző mértékegységű minták szórásának, illetve szóródásának összehasonlításában van. A relatív szórás eltünteti az átlagok esetleges nagy eltéréséből fakadó hatást is. A korrelációs együttható két különböző adatsor változói közötti kapcsolat szorosságának a mérésére szolgáló legfontosabb mennyiség, értéke 0 és 1 között lehet. Adathalmazunk leíró statisztika adatait összefoglalja a 3. táblázat, mivel havi megfigyeléssel rendelkezünk, ezért összesen 109 darab megfigyelésünk van (2004. január és január között). Jól látható, hogy a búza és a kukorica 6
7 értékek esetén nem figyelhető meg jelentős különbség, a korreláció értéke is ezt bizonyítja, ami 0,908 tehát nagyobb, mint 0,9 ezért azt mondhatjuk, hogy nagyon magas a korreláció értéke, a két termék ára között erős függő kapcsolat van. Ha összehasonlítjuk a termékek árainak átlagát és mediánját, akkor láthatjuk, hogy a búza esetén a medián kisebb, mint az átlag és ez arra enged következtetni, hogy nagyobb spike hatások voltak felfelé, mint lefelé, ezáltal tudott az átlag feljebb kúszni a mediánnál. A kukorica esetén az átlag és a medián megegyezik. 3.táblázat: Leíró statisztikai összefoglaló lej/kg Búza Kukorica Minta elemszáma Átlag Minimum Maximum Medián Módusz Szórás Relatív szórás 37.28% 35.44% Korreláció Forrás: Román Statisztikai Hivatal adatai alapján Volatilitás A volatilitást legelőször a pénzügyi piacokon alkalmazták, a mezőgazdasági piacokon lezajló folyamatok megértésében is fontos szerepet játszik, a piaci árak változékonyságának vizsgálatát jelenti. A volatilitás az árak alakulásának irányától függetlenül megadja egy adott időszakra, hogy milyen gyorsan, vagy lassan mozog, változik a piac, azaz az árfolyamok ingadozásának mértékét tükröző jelzőszám. Nagy volatilitású piac, termék az, amelynek árfolyama, értéke ingadozó, ellentétes irányú, hirtelen mozgások jellemzik. Minél nagyobb a volatilitás, annál nagyobb az árfolyamkockázat. Az alacsony volatilitás kiszámíthatóságot jelent, míg a magas volatilitás nagyfokú nyereséget, vagy veszteséget okozhat a befektetőknek. Az elmúlt években magas volatilitás volt jellemző az élelmiszer alapanyagokra. A volatilitást a kormányok szeretnék minimum szinten tartani, mert az árutermékek árváltozásai kihatnak a kereskedelmi egyensúlyukra. 7
8 A legtöbb definíció az alábbihoz hasonlóképpen határozza meg a volatilitást: egy részvény, vagy piac árfolyamának változására vonatkozik. Ha egy részvény, vagy piac árfolyama rövid időszakon belül nagymértékben növekszik és csökken, akkor nagy volatilitásúnak nevezzük. Számos helyen említésre kerül úgy is, mint az értékpapírok árának változékonyságát valamint árkockázatát bemutató számérték. Minden termék piaca rendelkezik bizonyos időközönkénti áradatokkal, melyek lehetnek éves, havi, heti, napi vagy akár nagyobb frekvenciájú adatok. Ebből kiindulva a volatilitás alapvetően t-1 és t időpontok között bekövetkezett árváltozás mérésére szolgál (Policy Response, 2011). Az ármozgások elemzése annál részletesebb, annál pontosabb minél nagyobb frekvenciájú adatok állnak a rendelkezésünkre. A volatilitásra kapott értékeink nagyságából tudunk következtetni arra, hogy az árfolyam milyen kilengéseket mutatott az elemzett periódusban. Ha nagy a volatilitás, akkor a termék árfolyama nagy kilengéseken ment keresztül, ha pedig alacsony, akkor alacsony kilengéseken ment keresztül. Másik megfogalmazásban: egy befektetés kockázatának mérőszáma a volatilitás, a várható vagy múltbeli hozamok változékonyságát jelenti. A volatilitás a tőzsde világában az árfolyamok (egészen pontosan a hozamok, pl. napi hozamok) változékonyságát jelenti. A volatilitás alapvetően nem a mozgás irányára, hanem változékonyságára utal. Az alacsony volatilitás azt jelzi, hogy a trend stabil, a megnövekedő volatilitás pedig a trend törékenységét jelzi, vagyis akár trendfordulót vetíthet előre. A volatilitás mérését Tothova (Tothova, 2011) tanulmányában két típusra bontja: 1)Történelmi volatilitás: múltbéli periódus alatt megfigyelt ármozgásokat ír le, valamint a kereslet-kínálatra gyakorolt hatását. 2)Implicit volatilitás: a piac várakozásai alapján becsüli a termék jövőbeni volatilitását, hogy milyen oszcillált lesz az. A történelmi volatilitás A volatilitás jövőbeli alakulásának előrejelzésére a legegyszerűbb és legelterjedtebb módszer az úgynevezett historikus volatilitás számítása. Ennek során feltételezzük, hogy a múltbéli adatokból számított volatilitás a jövőben is jellemző lesz, azaz a volatilitás időben nem változik. E szerint az értékelési eljárás szerint a volatilitás a folytonosan számított hozam szórása éves szinten. Azaz kiszámoljuk a napi hozamokat, majd meghatározzuk ezek szórását 8
9 (1) ahol: N a minta elemszáma ri a termék logaritmizált hozama az i. időpontban Si a termék ára az i. időpontban. A szórást természetesen ugyanúgy éves szinten kell megadni, mint a hozamokat, ezért a megkapott napi szórást éves szintre arányosítjuk. Ami a képletben (1) is látszik. A képlet napi árak vizsgálatára vonatkozik, így az utolsó eleme a az egy éven belüli tőzsdei napok számára utal. Amennyiben heti vagy havi adatokkal dolgozunk, úgy -vel illetve -vel kell szoroznunk az egyenletben (Gilbert és Morgan, 2010b). Fontos megjegyezni, hogy különböző időegység használata során különböző volatilitás-értékeket kapunk. Ennek oka, hogy a kisebb időegységek részletesebb információt adnak az árfolyam változékonyságáról. A gyakorlati alkalmazás során gyakran adják azt a tanácsot, hogy a historikus volatilitás számítása során ugyanannyi időre tekintsünk vissza a múltba, mint amekkora időtávra a számított értéket fel kívánjuk használni. Azaz ha a volatilitást egy egyéves opció árazásához akarjuk felhasználni, akkor egy egyéves múltbeli adatsort használjunk fel a historikus volatilitás meghatározásához. A historikus volatilitás hibája, hogy számításához a múltra kell támaszkodnunk. Empirikus árvolatilitási tanulmányok Az árvolatilítás leíró statisztikai és empirikus módszerekkel történő elemzése hosszú évekre nyúlik vissza. Számos kutató vizsgálódott különböző szektorokban, országokban, időszakokban, gazdagítva ez által a szakirodalmak sorát, valamint megkönnyítve ez által más kutatók munkáját.. 4.táblázat: Empirikus árvolatilitási tanulmányok tapasztalatainak összefoglalója Szerző Tapasztalat Kilima és társai (2004) Tanzánia régióiban eltérő volatilitás a kukoricaárakban. Dél-Afrika fő termesztett növényeiből a búza Jordaan és társai (2007) és a szójabab termesztése kevésbé kockázatos az időben állandó variancia miatt. 9
10 Gilbert és Morgan (2010) Rezitis és Stavropoulos (2010) Monika Tothova (2011) Thorne (2012) 1970 és 1980 körül nagyobb volatilitás az élelmiszerárakban, mint az utóbbi időben. Price spike hatása a vártnál kisebb. Volatilitás kockázati tényező Múlt eseményei hatással vannak a jelen varianciájára. Az ír burgonya árakban jelenleg alacsonyabb volatilitás, mint korábban. EU országainak búza árvolatilitása eltérő. Nem várt kormányzati beavatkozások növelik a volatilitást. Figiel és társai (2012) Maitre d Hôtel és társai (2012 Forrás: Szabó, Láthatjuk, hogy vannak kiugró értékek ( spike ). A búza és a kukorica volatilitás értékei eltérőek, kivéve a 2011-es évet, ahol az árak szinte egyformán változtak. Láthatjuk, hogy a volatilitás értékek mindkét termék esetén magasak. 3.ábra: Az évenkénti árvolatilitás alakulása a román gazdaságban a búza és a kukorica esetén Forrás: Román Statisztikai Hivatal adatai alapján A relatív szórás és a historikus volatilitás értékei alapján elmondhatjuk, hogy a termelői oldalon nagy az árak volatilitása, amely kockázati tényezőként jelenik meg a termelési döntéseik meghozatalakor. Az elemzésből kiderül, hogy a mezőgazdaságnak az elmúlt időszakban egyre jelentősebb áringadozással kell szembenéznie, amely tovább növeli a termelők kockázatát. Összehasonlítás 10
11 A következőkben néhány összehasonlítást végeztünk a romániai és a magyarországi gazdaságok között. Megfigyelhettünk egy együttmozgást az árak alakulásában, valamint láthattuk azt, hogy Románia sokkal többféle gabonafélét termeszt, mint Magyarország. 4.ábra: A búza árának alakulása Románia és Magyarország esetén euró/100kg-ban kifejezve között Forrás: Eurostat adatai alapján Láthatjuk a fenti ábrán, hogy az búza árfolyamának mozgásai többnyire megegyezőek, 1990-től kezdődően a búza árfolyama minden évben magasabb volt Romániában, mint Magyarországon re a búza 100 kilogrammonkénti ára már sokkalta kisebb mértékben tért el a két ország esetén. Itt is számtalan árcsúcsot figyelhetünk meg mindkét ország esetén. A kukorica esetén is hasonlót tapasztaltunk, hogy Romániában folyamatosan magasabb volt a kukorica árának árfolyama és is megfigyelhetünk egy egyfajta együttmozgást. Következtetések A hallgatók betekintést nyerhettek a hazai mezőgazdasági ágazatba (gabonapiac, árak alakulása), a volatilitás fogalmával való ismerkedés után magyarázó okokat kereshettek az árak volatilitásának és a spike hatások alakulására. Hipotéziseket fogalmaztunk meg, amelyeket a leíró statisztikai módszerekkel próbálunk leellenőrizni, valamint következtetéseket levonni az árak ingadozásáról. Arról, hogy még mit lehetne számolni, szó esett a modellekről, hogy a kiválasztott adatsorunk esetén pontosabb eredményekhez vezetne Robert F. Engle Nobel-díjjal értékelt ARCH és annak továbbfejlesztett GARCH modelljeivel való becslése az időben változó volatilitásnak (Engle, 1982). Láthattuk a korlátainkat is: az elemzésünk során havi adatokkal rendelkeztünk, de ahhoz hogy pontosabb eredményt kapjunk 11
12 az árváltozékonyságáról, jó lett volna napi vagy heti adatokkal rendelkezni. Közben szakirodalmat kerestünk és tanultunk meg felhasználni. Köszönetnyilvánítás Köszönet dr. Fogarasi József docens kollégámnak, aki szakmai segítséget nyújtott a közgazdasági elemzés során és akinek közreműködése által interdiszciplináris jellegű lett a kutatásunk. Hivatkozott források: [1] Cooke, B. és Robles, M.: Recent food price movements: a time series analysis - IFPRI Discussion Paper, Washington, DC, [2] Csaba László: Kérdőjelek a közgazdaságtanban és oktatásában, Közgazdasági Szemle Vol. 60 No.1, January, pp , [3] Engle Robert F.: Autoregressive Conditional Heteroscedasticity with Estimates of Variance of United Kingdom Inflation. Econometrica 50. pp , [4] Gilbert, C. L. és Morgan, C. W.: Has food price volatility risen, University of Trento, Italia, Department of Economics Working Papers 01/2010. [5] Polgárné Hoschek Mónika: Statisztikai idősorelemzés a tőzsdén, Doktori értekezés, Nyugat-magyarországi Egyetem, Sopron, [6] Policy Responses: Price Volatility in Food and Agricultural Markets, Policy Report including contributions by FAO, IFAD, IMF, OECD, UNCTAD, WFP, the World Bank, the WTO, IFPRI and the UN HLTF, [7] Ramanathan, R.: Bevezetés az ökonometriába alkalmazásokkal, Panem kiadó, Budapest, [8] Simonovits, A.: Szubjektív gondolatok a közgazdaságtanról, Közgazdasági Szemle Vol. 60 No.3, March, pp , [9] Szabó Lehel: Árvolatilitás alakulása a román gazdaságban, MSc dolgozat. [10] Tóthné Dr. Lőkös Klára: Leíró statisztika, GIK Kiadó, Gödöllő, [11]Tothova, M.: Main Challenges of Price Volatility in Agricultural Commodity Markets, In: Isabelle, Piot-Lepetit Robert M Barek: Methods to Analyse Agricultural Commodity Price Volatility, Springer New York Dordrecht Heidelberg London, [12] Zsembery Levente: A volatilitás előrejelzése és a visszaszámított modellek, Közgazdasági Szemle, L. évf., június ( o.) [13] [14] [15] Debrenti Edith, PhD, egyetemi adjunktus 12
13 Partiumi Keresztény Egyetem Nagyvárad, Közgazdaságtudományi Kar (Partium Christian University Oradea, Faculty of Economic Sciences) Oradea str. Primariei nr. 36 Romania, 13
14 14
A leíró statisztikák
A leíró statisztikák A leíró statisztikák fogalma, haszna Gyakori igény az, hogy egy adathalmazt elemei egyenkénti felsorolása helyett néhány jellemző tulajdonságának megadásával jellemezzünk. Ezeket az
RészletesebbenMatematikai 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
RészletesebbenKözépértékszámítás egy megértési teszt eredményei
Középértékszámítás egy megértési teszt eredményei Debrenti Edith Partiumi Keresztény Egyetem, Nagyvárad edit.debrenti@gmail.com Ha arra keressük a választ, hogy az iskolában megszerzett matematikatudás
RészletesebbenElemi statisztika fizikusoknak
1. oldal Elemi statisztika fizikusoknak Pollner Péter Biológiai Fizika Tanszék pollner@elte.hu Az adatok leírása, megismerése és összehasonlítása 2-1 Áttekintés 2-2 Gyakoriság eloszlások 2-3 Az adatok
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)
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június
GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi
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)
RészletesebbenSTATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai
Változékonyság (szóródás) STATISZTIKA I. 5. Előadás Szóródási mutatók A középértékek a sokaság elemeinek értéknagyságbeli különbségeit eltakarhatják. A változékonyság az azonos tulajdonságú, de eltérő
RészletesebbenKutatásmódszertan 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
RészletesebbenStatisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus
Statisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus Gyakorisági sorok Mennyiségi ismérv jellemző rangsor készítünk. (pl. napi jegyeladások száma) A gyakorisági sor képzése igazából tömörítést jelent Nagyszámú
RészletesebbenKukorica Ukrajnában: betakarítási jelentések rekord termelésről számolnak be
MEZŐGAZDASÁGI TERMELÉS A VILÁGON Kukorica Ukrajnában: betakarítási jelentések rekord termelésről számolnak be Kép. Ukrajna kukorica betakarítása: termelés USDA (United States Department of Agriculture
RészletesebbenMEZŐGAZDASÁGI ÁRAK ÉS PIACOK
MEZŐGAZDASÁGI ÁRAK ÉS PIACOK Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az
RészletesebbenStatisztikai alapfogalmak
Statisztika I. KÉPLETEK 2011-2012-es tanév I. félév Statisztikai alapfogalmak Adatok pontossága Mért adat Abszolút hibakorlát Relatív hibakorlát Statisztikai elemzések viszonyszámokkal : a legutolsó kiírt
RészletesebbenStatisztika I. 11. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek
RészletesebbenSTATISZTIKA. 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
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
RészletesebbenGeokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka
Geokémia gyakorlat 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek Geológus szakirány (BSc) Dr. Lukács Réka MTA-ELTE Vulkanológiai Kutatócsoport e-mail: reka.harangi@gmail.com ALAPFOGALMAK:
RészletesebbenStatisztika. Politológus képzés. Daróczi Gergely április 17. Politológia Tanszék
Statisztika Politológus képzés Daróczi Gergely Politológia Tanszék 2012. április 17. Outline 1 Leíró statisztikák 2 Középértékek Példa 3 Szóródási mutatók Példa 4 Néhány megjegyzés a grafikonokról 5 Számítások
RészletesebbenBevezető 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
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,
RészletesebbenA Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
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
RészletesebbenTerületi fejlettségi egyenlőtlenségek alakulása Európában. Fábián Zsófia KSH
Területi fejlettségi egyenlőtlenségek alakulása Európában Fábián Zsófia KSH A vizsgálat célja Európa egyes térségei eltérő természeti, társadalmi és gazdasági adottságokkal rendelkeznek. Különböző történelmi
RészletesebbenMódszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!
BGF KKK Módszertani Intézeti Tanszéki Osztály Budapest, 2012.. Név:... Neptun kód:... Érdemjegy:..... STATISZTIKA II. VIZSGADOLGOZAT Feladatok 1. 2. 3. 4. 5. 6. Összesen Szerezhető pontszám 21 20 7 22
RészletesebbenBevezető Adatok rendezése Adatok jellemzése Időbeli elemzés
Gazdaságstatisztika 2. előadás Egy ismérv szerinti rendezés Kóczy Á. László KGK VMI Áttekintés Gyakorisági sorok Grafikus ábrázolásuk Helyzetmutatók Szóródási mutatók Az aszimmetria mérőszámai Koncentráció
RészletesebbenA KALÁSZOS GABONÁK TERMÉSEREDMÉNYEI A NYUGAT-DUNÁNTÚLI RÉGIÓBAN
KÖZPONTI STATISZTIKAI HIVATAL GYŐRI IGAZGATÓSÁGA A KALÁSZOS GABONÁK TERMÉSEREDMÉNYEI A NYUGAT-DUNÁNTÚLI RÉGIÓBAN 2005 2300/9/2005. GYŐR 2005. november Készült a KÖZPONTI STATISZTIKAI HIVATAL GYŐRI IGAZGATÓSÁGÁN,
RészletesebbenMEZŐGAZDASÁGI TERMELÉS A VILÁGON. Búza Ausztráliában: előrejelzett termelést csökkentették
MEZŐGAZDASÁGI TERMELÉS A VILÁGON Búza Ausztráliában: előrejelzett termelést csökkentették USDA a 2018/19 évre Ausztrália búza termelését 20,0 millió metrikus tonnára (mmt) becsülte, ami 2,0 mmt vagy 9%-os
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
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
RészletesebbenVÁROS- ÉS INGATLANGAZDASÁGTAN
VÁROS- ÉS INGATLANGAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az
RészletesebbenREGIONÁLIS GAZDASÁGTAN B
REGIONÁLIS GAZDASÁGTAN B Készült a TÁMOP-4.1.2-08/2/a/KMR-2009-0041 pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az MTA
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
Részletesebben18. modul: STATISZTIKA
MATEMATIK A 9. évfolyam 18. modul: STATISZTIKA KÉSZÍTETTE: LÖVEY ÉVA, GIDÓFALVI ZSUZSA MODULJÁNAK FELHASZNÁLÁSÁVAL Matematika A 9. évfolyam. 18. modul: STATISZTIKA Tanári útmutató 2 A modul célja Időkeret
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:
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 I. Centrális mutatók. Helyzeti középértékek. Középértékek. Bimodális eloszlás, U. Módusz, Mo. 4. Előadás.
Centrális mutatók STATISZTIKA I. 4. Előadás Centrális mutatók 1/51 2/51 Középértékek Helyzeti középértékek A meghatározása gyakoriság vagy sorszám alapján Számítás nélkül Az elemek nagyság szerint rendezett
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,
RészletesebbenA kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András
Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András A kockázat fogalma A kockázat (def:) annak kifejezése, hogy valami nem kívánt hatással lesz a valaki/k értékeire, célkitűzésekre. A kockázat
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria Bódis Emőke 2016. 04. 25. J J 9 Korrelációanalízis Regresszióanalízis: hogyan változik egy vizsgált változó értéke egy másik változó változásának függvényében. Korrelációs
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
RészletesebbenStatisztika példatár
Statisztika példatár v0.02 A példatár folyamatosan b vül, keresd a frissebb verziót a http://matstat.fw.hu honlapon a letölthet példatárak közt. Országh Tamás Budapest, 2006 Mottó: Ki kéne vágni minden
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
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
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
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
Részletesebben7, 6, 0, 4, 0, 1, 5, 2, 2, 16, 1, 0, 2, 3, 9, 2, 4, 10, 3, 1, 2, 12, 4, 1
52. feladat Stat Jenő egyetemi hallgató autóbusszal jár az egyetemre. Néhány napon át megmérte, hogy mennyit kell várnia az első egyetem felé közlekedő autóbuszra. A következő időket tapasztalta (percben):
RészletesebbenFormai követelmények, DOSZ Közgazdász Doktoranduszok és Kutatók V. Nemzetközi Téli Konferenciája
Formai követelmények, DOSZ Közgazdász Doktoranduszok és Kutatók V. Nemzetközi Téli Konferenciája 2019. február 22. Szent István Egyetem, Gödöllő Formai követelmények Absztrakt formai követelményei: Cím
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenKözép-Kelet-Európában az elmúlt 25 évben - mit mondanak a tények?
. Növekedés és fluktuációk Közép-Kelet-Európában az elmúlt 25 évben - mit mondanak a tények? Középeurópai Egyetem 2013. szeptember 18. Növekedés és fluktuációk Az előadás céljai Magyarország, illetve tágabban
RészletesebbenAZ EURÓÁRFOLYAM VÁLTOZÁSÁNAK HATÁSA NYUGAT- MAGYARORSZÁG KERESKEDELMI SZÁLLÁSHELYEINEK SZÁLLÁSDÍJ-BEVÉTELEIRE, VENDÉGFORGALMÁRA 2000 ÉS 2010 KÖZÖTT
AZ EURÓÁRFOLYAM VÁLTOZÁSÁNAK HATÁSA NYUGAT- MAGYARORSZÁG KERESKEDELMI SZÁLLÁSHELYEINEK SZÁLLÁSDÍJ-BEVÉTELEIRE, VENDÉGFORGALMÁRA 2000 ÉS 2010 KÖZÖTT Készítette: Vályi Réka Neptun-kód: qk266b 2011 1 Az elemzés
Részletesebbentársadalomtudományokban
Gépi tanulás, predikció és okság a társadalomtudományokban Muraközy Balázs (MTA KRTK) Bemutatkozik a Számítógépes Társadalomtudomány témacsoport, MTA, 2017 2/20 Empirikus közgazdasági kérdések Felváltja-e
RészletesebbenMÉRÉSI 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
RészletesebbenAz élelmiszerárak volatilitása az új tagországokban*
Mûhely Dr. Bakucs Zoltán, az MTA Közgazdaság- és Regionális Tudományi Kutatóközpont Közgazdaság-tudományi Intézetének tudományos főmunkatársa E-mail: zoltan.bakucs@krtk.mta.hu Az élelmiszerárak volatilitása
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
RészletesebbenDr. Nagy Zita Barbara igazgatóhelyettes KÖVET Egyesület a Fenntartható Gazdaságért november 15.
Dr. Nagy Zita Barbara igazgatóhelyettes KÖVET Egyesület a Fenntartható Gazdaságért 2018. november 15. PÉNZ a boldogság bitorlója? A jövedelemegyenlőtlenség természetes határa A boldog ember gondolata a
RészletesebbenModern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt
Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék MAKROÖKONÓMIA. Készítette: Horváth Áron, Pete Péter. Szakmai felelős: Pete Péter
MAKROÖKONÓMIA MAKROÖKONÓMIA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék, az
Részletesebben1. Egy Kft dolgozóit a havi bruttó kereseteik alapján csoportosítottuk: Havi bruttó bér, ezer Ft/fő
Figyelem! A példasor nem tartalmazza valamennyi típuspéldát. A dolgozatban az órán leadott feladatok közül bármely típusú előfordulhat. A példasor már a második dolgozat anyagát gyakorló feladatokat is
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,
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
RészletesebbenBevezetés, tudnivalók, ökonometriai alapok
Orlovits Zsanett orlovits@kgt.bme.hu BME GTK Közgazdaságtan Tanszék 2019. február 6. Adminisztratív ügyek BMEGT30A107, BMEGT35A016 - Ökonometria kurzusok Honlap: http://kgt.bme.hu/tantargyak/bsc oldalon
RészletesebbenMagyarország 1,2360 1,4622 1,6713 1,8384 2,0186 2,2043
370 Statisztika, valószínûség-számítás 1480. a) Nagy országok: Finnország, Olaszország, Nagy-Britannia, Franciaország, Spanyolország, Svédország, Lengyelország, Görögország, Kis országok: Ciprus, Málta,
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:
RészletesebbenMatematikai statisztika
Matematikai statisztika PROGRAMTERVEZŐ INFORMATIKUS alapszak, A szakiráy Arató Miklós Valószíűségelméleti és Statisztika Taszék Természettudomáyi Kar 2019. február 18. Arató Miklós (ELTE) Matematikai statisztika
RészletesebbenMEZŐGAZDASÁGI ÁRAK ÉS PIACOK
MEZŐGAZDASÁGI ÁRAK ÉS PIACOK Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az
RészletesebbenMEZŐGAZDASÁGI ÁRAK ÉS PIACOK
MEZŐGAZDASÁGI ÁRAK ÉS PIACOK MEZŐGAZDASÁGI ÁRAK ÉS PIACOK Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi
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
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter. 2010. június
ÖKONOMETRIA ÖKONOMETRIA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék, az MTA
RészletesebbenA sokaság elemei közül a leggyakrabban előforduló érték. diszkrét folytonos
Középérték Középérték A középérték a statisztikai adatok tömör számszerű jellemzése. helyzeti középérték: módusz medián számított középérték: számtani átlag kronológikus átlag harmonikus átlag mértani
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
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
RészletesebbenVÁROS- ÉS INGATLANGAZDASÁGTAN
VÁROS- ÉS INGATLANGAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az
RészletesebbenTartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE
Tartalomjegyzék 5 Tartalomjegyzék Előszó I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE 1. fejezet: Kontrollált kísérletek 21 1. A Salk-oltás kipróbálása 21 2. A porta-cava sönt 25 3. Történeti kontrollok 27 4. Összefoglalás
RészletesebbenVALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA
VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA A VALÓSZÍNŰSÉGI SZEMLÉLET ALAPOZÁSA 1-6. OSZTÁLY A biztos, a lehetetlen és a lehet, de nem biztos események megkülünböztetése Valószínűségi játékok, kísérletek események
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
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
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június
GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi
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
RészletesebbenMEZŐGAZDASÁGI ÁRAK ÉS PIACOK
MEZŐGAZDASÁGI ÁRAK ÉS PIACOK Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az
RészletesebbenKÖZPONTI STATISZTIKAI HIVATAL. Szóbeli vizsgatevékenység
KÖZPONTI STATISZTIKAI HIVATAL A vizsgarészhez rendelt követelménymodul azonosító száma, megnevezése: 2144-06 Statisztikai szervezői és elemzési feladatok A vizsgarészhez rendelt vizsgafeladat megnevezése:
RészletesebbenA makrogazdaság és a költségvetés : rövid, hosszú és közép táv. Vincze János MTA KRTK KTI
A makrogazdaság és a költségvetés : rövid, hosszú és közép táv Vincze János MTA KRTK KTI A válság és az előrejelzés A válság speciális, nem csak azért mert nagy változás. A sejtésünk az, hogy alapvető
RészletesebbenA regisztrált álláskeresők számára vonatkozó becslések előrejelző képességének vizsgálata
A regisztrált álláskeresők számára vonatkozó becslések előrejelző képességének vizsgálata Az elemzésben a GoogleTrends (GT, korábban Google Insights for Search) modellek mintán kívüli illeszkedésének vizsgálatával
Részletesebben2. A kelet-közép-európai országok mezőgazdasági kereskedelme a világpiacon
2. A kelet-közép-európai országok mezőgazdasági kereskedelme a világpiacon Ez a fejezet a kelet-közép-európai országok világpiaci agrárkereskedelmének legfontosabb jellemzőit mutatja be az 1992 közötti
RészletesebbenKÖZGAZDASÁGTAN II. Készítette: Lovics Gábor. Szakmai felelős: Lovics Gábor június
KÖZGAZDASÁGTAN II. Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén, az ELTE Közgazdaságtudományi Tanszék, az MTA Közgazdaságtudományi
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,
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
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
RészletesebbenMEZŐGAZDASÁGI ÁRAK ÉS PIACOK
MEZŐGAZDASÁGI ÁRAK ÉS PIACOK MEZŐGAZDASÁGI ÁRAK ÉS PIACOK Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi
Részletesebben1 Energetikai számítások bemutatása, anyag- és energiamérlegek
1 Energetikai számítások bemutatása, anyag- és energiamérlegek Előzőleg a következőkkel foglalkozunk: Fizikai paraméterek o a bemutatott rendszer és modell alapján számítást készítünk az éves energiatermelésre
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
RészletesebbenKorrelációs kapcsolatok elemzése
Korrelációs kapcsolatok elemzése 1. előadás Kvantitatív statisztikai módszerek Két változó közötti kapcsolat Független: Az X ismérv szerinti hovatartozás ismerete nem ad semmilyen többletinformációt az
RészletesebbenAZ EURÓPAI UNIÓ KOHÉZIÓS POLITIKÁJÁNAK HATÁSA A REGIONÁLIS FEJLETTSÉGI KÜLÖNBSÉGEK ALAKULÁSÁRA
AZ EURÓPAI UNIÓ KOHÉZIÓS POLITIKÁJÁNAK HATÁSA A REGIONÁLIS FEJLETTSÉGI KÜLÖNBSÉGEK ALAKULÁSÁRA Zsúgyel János egyetemi adjunktus Európa Gazdaságtana Intézet Az Európai Unió regionális politikájának történeti
RészletesebbenA GDP hasonlóképpen nem tükrözi a háztartások közötti munka- és termékcseréket.
FŐBB MUTATÓK A regionális GDP adatok minősége alapvetően 3 tényezőtől függ: az alkalmazott számítási módszertől a felhasznált adatok minőségétől a vizsgált területi egység nagyságától. A TERÜLETI EGYENLŐTLENSÉGEK
Részletesebben4. ábra: A GERD/GDP alakulása egyes EU tagállamokban 2000 és 2010 között (%) 1,8 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 2000 2001 2002 2003 Észtország Portugália 2004 2005 2006 2007 Magyarország Románia 2008
RészletesebbenMINTAFELADATOK. 1. Az alábbi diagram egy kiskereskedelmi lánc boltjainak forgalomkoncentrációját szemlélteti:
1. Az alábbi diagram egy kiskereskedelmi lánc boltjainak forgalomkoncentrációját szemlélteti: 100% 90% 80% 70% 60% 50% 2010 2011 40% 30% 20% 10% 0% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% a) Nevezze
RészletesebbenVI. évfolyam, 2. szám Statisztikai Jelentések. FŐBB TERMÉNYEK ÉS TERMÉKEK KÉSZLETALAKULÁSA év
VI. évfolyam, 2. szám 215 Statisztikai Jelentések FŐBB TERMÉNYEK ÉS TERMÉKEK KÉSZLETALAKULÁSA 214. év Főbb termények és termékek alakulása Főbb termények és termékek alakulása VI. évfolyam, 2. szám 215
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeş-Bolyai Tudományegyetem 1.2 Kar Közgazdaság- és Gazdálkodástudományi Kar 1.3 Intézet Közgazdaság- és Gazdálkodástudományi
RészletesebbenIskolázottság és szubjektív jóllét
Iskolázottság és szubjektív jóllét Budapest, 2017. július Az MKIK Gazdaság- és Vállalkozáskutató Intézet olyan non-profit kutatóműhely, amely elsősorban alkalmazott közgazdasági kutatásokat folytat. Célja,
RészletesebbenPopulációbecslések és monitoring
Populációbecslések és monitoring A becslés szerepe az ökológiában és a vadgazdálkodásban. A becslési módszerek csoportosítása. Teljes számlálás. Statisztikai alapfogalmak. Fontos lehet tudnunk, hogy hány
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
Részletesebben