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

Méret: px
Mutatás kezdődik a ... oldaltól:

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

Átírás

1 Elliptiks eloszlások, kopláik 7. előadás, 215. márcis 25. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettdományi Kar Eötös Loránd Tdományegyetem Áringadozások előadás Sűrűségfüggényük kontúrjai ellipszisek Példa: Gass, t Azonos típsú elliptiks eloszlások konolúciója ismét gyanolyan típsú elliptiks eloszlás Az elliptiks koplákra teljesül a radiális szimmetria: C(, ) = C(1, 1 ) Éppen ez az, ami tipiksan nem áll fenn a portfóliók hozamára (a kigró eszteségek tipiksan nagyobbak a kigró nyereségeknél) Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 1 / 1 Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 2 / 1 Elliptiksság tesztelése Arkhimédeszi koplák Standardizálás tán gömbszimmetriks kell, hogy legyen az eredmény R = Y és S = Y / Y függetlenek, S egyenletes eloszlású Példál χ 2 próba alkalmazható A kopla generátor függénnyel adhatók meg: ϕ() : [, 1] [, ], folytonos és szigorúan monoton csökkenő, φ(1) =. Ebből a d-dimenziós Arkhimédeszi kopla ( d ) C ϕ () = φ 1 ϕ( i ). Egyszerű a konstrkciójk, de an hátrányk is: csak egy (agy néhány) paraméterük an. Az összes s < d dimenziós peremeloszlásk azonos Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 3 / 1 Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 4 / 1

2 Példák Tlajdonságok A Gmbel kopla (logisztiks modell) generátora: ϕ θ () = [ ln()] θ, ahol θ [1, + ). Tehát a d-dimenziós Gmbel-kopla C Gmbel () = e ( d log( i ) θ ) 1θ. Egy C kopla extrém-érték kopla, ha i C( t 1,..., t d ) = Ct ( 1,..., d ) minden t >. Ez megfelel a többdimenziós extrém-érték eloszlásoknak. Ezek közül a Gmbel kopla az egyetlen Arkhimédeszi kopla. A Clayton kopla generátora ϕ θ () = θ 1, ahol θ >. Tehát a d-dimenziós Clayton kopla: ( d ) 1 C Clayton () = θ θ i d + 1. Az azonosításhoz nagy mintaelemszám szükséges (különösen 2-nél magasabb dimenzióban) Nagyon gyenge és nagyon erős összefüggőségnél nem lényeges a kopla típsa Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 5 / 1 Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 6 / 1 Koplák összehasonlítása Extremális összefüggőség Gmbel copla Gassian copla Clayton copla (Flipped) Stdent t copla Koplákra: C t (, ) = P(U < F 1 t (), V < F 1 t () U < t, V < t) ahol F t () := P(U < U < t, V < t) a feltételes eloszlásfüggény A határeloszlás differenciálható generátorú Arkhimédeszi koplákra: xy, ϕ R lim C t (, ) = C t Clayton,α (, ), ϕ R α min(x, y) ϕ R Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 7 / 1 Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 8 / 1

3 Koplák összefüggőségi indexei Koplák összefüggőségi indexei χ = lim 1 P{X 2 > F 1 2 () X 1 > F 1 1 ()}, Kantilisfüggő áltozat: ( log P{X1 > F 1 1 χ() = 2 (), X 2 > F 1 2 ()} ) log P{X 1 > F 1 1 ()}, 1. E(X EX)(Y EY ) Lineáris korreláció: R(X, Y ) = D(X)D(Y ) hátrányai: érzékeny a kigró értékekre áltozik, ha transzformáljk a marginálisokat Alternatíák: Kendall-τ: τ(x, Y ) = P [(X X)(Y ] Ỹ ) > P [(X X)(Y ] Ỹ ) <. Spearman-ρ: ( [ ] [ ]) ρ(x, Y ) = 3 P (X X)(Y Y ) > P (X X)(Y Y ) <. ahol (X, Y ), ( X, Ỹ ), (X, Y ) független, azonos eloszlásúak. Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 9 / 1 Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 1 / 1 Tlajdonságok Toábbi tlajdonságok Ezek úgyneezett rangkorrelációk (csak az értékek sorrendje érdekes) Nem érzékenyek a kigró értékekre Kiszámításk a kopláal τ(x, Y ) = 4 ρ(x, Y ) = C(, )dc(, ) 1 [C(, ) ] dd. Mindkettő inariáns a monoton transzformációkra. Legyen κ = ρ agy κ = τ. Ekkor 1 κ 1; κ X,X = 1, κ X, X = 1. Ha X és Y független, akkor κ X,Y =. κ X, Y =κ X,Y =-κ X,Y. Az egyes koplákra adódó összefüggőségi mérőszámok függnek a paramétertől, így becslésükből egyúttal a kopla becslése is megkapható. Példál a Gmbel koplára τ = 1 1/β. Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 11 / 1 Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 12 / 1

4 Alkalmazások Illeszkedésizsgálat A Gass koplára a páronkénti korrelációkra R ij = sin ( πτ(x i, X j )/2 ) ) Lényeges a álasztás a különböző kopla-típsok között (pl. a farok-összefüggőség segítségéel, illete elméleti meggondolások alapján). Tapasztalati tény, hogy pl. a pénzügyi portfólióknál gyakran minden egyes elem extrém értékű (tőzsdekrach) azaz itt árhatóan fellép a farok-összefüggőség. A különböző modellekből nagyon nagy különbségek adódhatnak a alószínűségbecslésre. A számításigény csökkentéséhez a dimenziószámot is csökkenteni kell. A K -függény: K (ϑ, t) = P(F(X < t) = P (C ϑ (F 1 (X 1 ),..., F d (X d )) < t) Arkhimédeszi koplákra a kiszámítása ahol d 1 ( 1) j K (ϑ, t) = t + i! [ ϕ ϑ (t) j] f i (ϑ, t) f (ϑ, t) = d dx ϕ ϑ(x) x=ϕϑ (t). Ha nincs zárt alakja, szimlálni akkor is lehet Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 13 / 1 Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 14 / 1 A K függényen alapló teszt A teszt Empiriks erzió: K n (t) = 1 n χ(e n < t) t [, 1] n ahol E n = 1 n χ ( ) U j,1 < U i,1,..., U j,d < U i,d n Kendall folyamat κ n (t) = n (K (ϑ n, t) K n (t)). Cramér-on Mises típsú statisztika: Formális tesztet is kaphatnk az S n statisztikából (ha nagy, eltasítjk az illeszkedést). Az aszimptotiks eloszlását csak ismert kopla esetén lehet kiszámítani. Azokban a realisztiks esetekben, ahol C-t becsüljük, szimlációal kaphatjk meg a kritiks értékeket S n = ahol Φ a súlyfüggény 1 (κ n (t)) 2 Φ(t)dt Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 15 / 1 Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 16 / 1

5 Koplák összehasonlítása Rosenblatt-transzformáció Egy másik módszer: Breyman-teszt (Breymann et al, Berg & Bakken) a Rosenblatt transzformáción alapl R : (, 1) d (, 1) d ahol e 1 = 1 és i 2-re R() = (e 1,..., e d ), e i = i 1 C( 1,..., i, 1, 1,...1) 1... i 1 / i 1 C( 1,..., i 1, 1, 1,...1) 1... i 1. Tlajdonsága: U eloszlása pontosan akkor a C kopla, ha R(U) a független kopla. Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 17 / 1 Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 18 / 1 Breymann-teszt: függetlenségizsgálat Hiatkozások Y B = d Φ 1 (E i ) 2 éppen chi-négyzet eloszlású, d szabadságfokkal. Ha ezt a saját eloszlásfüggényébe helyettesítjük, egyenletes eloszlást kapnk. Ezt tesztelhetjük példál az Anderson-Darling próbáal. Berg és Bakken toábbfejlesztette a módszert, konzisztenssé tée azt. Berg, D. (29) Copla Goodness-of-fit testing: An oeriew and power comparison. Berg, D. and Bakken, H. (26) Copla Goodness-of-fit Tests: A Comparatie Stdy. Nelsen, R.B. (26) An Introdction to Coplas. 2nd ed. John Wiley & Sons. Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 19 / 1 Zempléni András (ELTE) 7. előadás, 215. márcis 25. Áringadozások előadás 2 / 1

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

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra

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

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

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

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

13. előadás, 2015. május 13.

13. előadás, 2015. május 13. 13. előadás, 2015. május 13. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem A pénzügyi válság okai Átláthatatlan, ellenőrizhetetlen árazású

Részletesebben

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

Korreláció és Regresszió

Korreláció és Regresszió Korreláció és Regresszió 9. elıadás (17-18. lecke) Korrelációs együtthatók 17. lecke Áttekintés (korreláció és regresszió) A Pearson-féle korrelációs együttható Korreláció és Regresszió (témakörök) Kapcsolat

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

Mikroökonómia I. ELTE TáTK Közgazdaságtudományi Tanszék. 6. hét PREFERENCIÁK, HASZNOSSÁG 2. RÉSZ

Mikroökonómia I. ELTE TáTK Közgazdaságtudományi Tanszék. 6. hét PREFERENCIÁK, HASZNOSSÁG 2. RÉSZ MIKROÖKONÓMI I. ELTE TáTK Közgazdaságtudományi Tanszék Mikroökonómia I. PREFERENCIÁK, HSZNOSSÁG 2. RÉSZ Készítette: K hegyi Gergely, Horn Dániel Szakmai felel s: K hegyi Gergely 2010. június tananyagot

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

Statisztikai alapismeretek (folytatás)

Statisztikai alapismeretek (folytatás) Statisztikai alapismeretek (folytatás) 3. elıadás (5-6. lecke) Az alapsokaság fıbb jellemzıi () 5. lecke Folytonos változó megoszlásának jellemzése A sokasági átlag és szórás Átlag és szórás tulajdonságai

Részletesebben

ÖSSZEFÜGGŐ BIZTOSÍTÁSI KOCKÁZATOK MODELLEZÉSE

ÖSSZEFÜGGŐ BIZTOSÍTÁSI KOCKÁZATOK MODELLEZÉSE ÖSSZEFÜGGŐ BIZTOSÍTÁSI KOCKÁZATOK MODELLEZÉSE Vékás Péter (e-mail: vekaspeter@yahoocom), 2012 Budapesti Corvinus Egyetem Operációkutatás és Aktuáriustudományok Tanszék 1093 Budapest, Fővám tér 13-15, Sóház

Részletesebben

Bevezetés az ökonometriába

Bevezetés az ökonometriába Bevezetés az ökonometriába Többváltozós regresszió: nemlineáris modellek Ferenci Tamás MSc 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Hetedik előadás, 2010. november 10.

Részletesebben

Multinomiális és feltételes logit modellek alkalmazásai

Multinomiális és feltételes logit modellek alkalmazásai Multinomiális és feltételes logit modellek alkalmazásai Mikroökonometria, 10. hét Bíró Anikó A tananyag a Gazdasági Versenyhivatal Versenykultúra Központja és a Tudás-Ökonómia Alapítvány támogatásával

Részletesebben

Kockázati folyamatok. Sz cs Gábor. Szeged, 2012. szi félév. Szegedi Tudományegyetem, Bolyai Intézet

Kockázati folyamatok. Sz cs Gábor. Szeged, 2012. szi félév. Szegedi Tudományegyetem, Bolyai Intézet Kockázati folyamatok Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet Szeged, 2012. szi félév Sz cs Gábor (SZTE, Bolyai Intézet) Kockázati folyamatok 2012. szi félév 1 / 48 Bevezetés A kurzus céljai

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

A Markowitz modell: kvadratikus programozás

A 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

Részletesebben

JOG ÉS KÖZGAZDASÁGTAN

JOG ÉS KÖZGAZDASÁGTAN JOG ÉS KÖZGAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Szociálpolitika Tanszékén az ELTE Közgazdaságtudományi Tanszék, az MTA Közgazdaságtudományi

Részletesebben

Parciális integrálás

Parciális integrálás . PARCÁLS NTEGRÁLÁS... Példák Legyenek a f ( ),g( ),f'( ),g'( ) függények folyamatosak az [ a,b] interallmban. Ebből f dg f g' d f g g f' d agy () d d, ahol f, d g' d az integrálandó függény részei. Az

Részletesebben

Határozatlan integrál (2) First Prev Next Last Go Back Full Screen Close Quit

Határozatlan integrál (2) First Prev Next Last Go Back Full Screen Close Quit Határozatlan integrál () First Prev Next Last Go Back Full Screen Close Quit 1. Az összetett függvények integrálására szolgáló egyik módszer a helyettesítéssel való integrálás. Az idevonatkozó tétel pontos

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

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

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

Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán

Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus

Részletesebben

A férj és feleség élettartamának modellezése több életre szóló életbiztosítási szerz déseknél Szakdolgozat

A férj és feleség élettartamának modellezése több életre szóló életbiztosítási szerz déseknél Szakdolgozat A férj és feleség élettartamának modellezése több életre szóló életbiztosítási szerz déseknél Szakdolgozat Írta: Tárnok Edina Biztosítási és pénzügyi matematika MSc, Aktuárius szakirány Témavezet : Vékás

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

Valószínűségszámítás

Valószínűségszámítás Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Valószínűségszámítás programtervező informatikusok részére Eger, 010. szeptember 0. Tartalomjegyzék 1. Véletlen események...............................

Részletesebben

JOG ÉS KÖZGAZDASÁGTAN

JOG ÉS KÖZGAZDASÁGTAN JOG ÉS KÖZGAZDASÁGTAN JOG ÉS KÖZGAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi

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

Kárszámeloszlások modellezése

Kárszámeloszlások modellezése Kárszámeloszlások modellezése DIPLOMAMUNKA Írta: Talabér Dóra Edit Biztosítási és pénzügyi matematika MSc Aktuárius szakirány Témavezető: Prokaj Vilmos egyetemi docens ELTE TTK Valószínűségelméleti és

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

Megoldási kísérletek:

Megoldási kísérletek: TV-nézettség mérése TV-nézőmérő rendszer és lehetséges torzítása Előadó: Zempléni András Minden országban működik Célja: visszajelzés a TV-műsorok készítőinek reklámok által elért közönség becslése Eszköze:

Részletesebben

Villamosmérnök A4 4. gyakorlat (2012. 10. 01.-02.) Várható érték, szórás, módusz

Villamosmérnök A4 4. gyakorlat (2012. 10. 01.-02.) Várható érték, szórás, módusz Villamosmérnök A4 4. gyakorlat (0. 0. 0.-0.) Várható érték, szórás, módusz. A k 0, (k,,, 4) diszkrét eloszlásnak (itt P(X k)) mennyi a (a) várható értéke, (b) módusza, (c) második momentuma, (d) szórása?

Részletesebben

CEBS Consultative Paper 10 (folytatás) Krekó Béla PSZÁF, 2005. szeptember 15.

CEBS Consultative Paper 10 (folytatás) Krekó Béla PSZÁF, 2005. szeptember 15. CEBS Consultative Paper 10 (folytatás) Krekó Béla PSZÁF, 2005. szeptember 15. 1 3.3.3 Minősítési rendszerek és a kockázatok számszerűsítése Minősítések hozzárendelése PD, LGD, CF meghatározása Közös vizsgálati

Részletesebben

Feladatok és megoldások a 6. heti eladshoz

Feladatok és megoldások a 6. heti eladshoz Feladatok és megoldások a 6. heti eladshoz Építőkari Matematika A3 1. Ha E(X = 1 és D 2 (X = 5, határozzuk meg (a E[(2 + X 2 ], (b D 2 (4 + 3X értékét. 2. Legyenek X 1, X 2,... független azonos eloszlású

Részletesebben

18. Valószín ségszámítás. (Valószín ségeloszlások, függetlenség. Valószín ségi változók várható

18. Valószín ségszámítás. (Valószín ségeloszlások, függetlenség. Valószín ségi változók várható 8. Valószí ségszámítás. (Valószí ségeloszlások, függetleség. Valószí ségi változók várható értéke, magasabb mometumok. Kovergeciafajták, kapcsolataik. Borel-Catelli lemmák. Nagy számok gyege törvéyei.

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

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

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

A Feldspar fordító, illetve Feldspar programok tesztelése

A Feldspar fordító, illetve Feldspar programok tesztelése A Feldspar fordító, illetve Feldspar programok tesztelése [KMOP-1.1.2-08/1-2008-0002 társfinanszírozó: ERFA] Leskó Dániel Eötvös Loránd Tudományegyetem Programozási Nyelvek és Fordítóprogramok Tanszék

Részletesebben

A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA

A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projet eretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszéén az ELTE Közgazdaságtudományi

Részletesebben

FIZIKA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ

FIZIKA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ Fizika közészint ÉRETTSÉGI VIZSGA 0. május 7. FIZIKA KÖZÉPSZITŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ EMZETI ERŐFORRÁS MIISZTÉRIUM A dolgozatokat az útmutató utasításai szerint, jól köethetően

Részletesebben

Modell alapú tesztelés mobil környezetben

Modell alapú tesztelés mobil környezetben Modell alapú tesztelés mobil környezetben Micskei Zoltán Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék A terület behatárolása Testing is an activity performed

Részletesebben

15. LINEÁRIS EGYENLETRENDSZEREK

15. LINEÁRIS EGYENLETRENDSZEREK 15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a

Részletesebben

Konvex optimalizálás feladatok

Konvex optimalizálás feladatok (1. gyakorlat, 2014. szeptember 16.) 1. Feladat. Mutassuk meg, hogy az f : R R, f(x) := x 2 függvény konvex (a másodrend derivált segítségével, illetve deníció szerint is)! 2. Feladat. Mutassuk meg, hogy

Részletesebben

A hiperbolikus síkgeometria Poincaré-féle körmodellje

A hiperbolikus síkgeometria Poincaré-féle körmodellje A hiperbolikus síkgeometria Poincaré-féle körmodellje Ha egy aiómarendszerre modellt adunk, az azt jelenti, hogy egy matematikai rendszerben interpretáljuk az aiómarendszer alapfogalmait és az aiómák a

Részletesebben

Egyu ttes eloszla sok szerepe a mu ko de si kocka zatokna l

Egyu ttes eloszla sok szerepe a mu ko de si kocka zatokna l EO TVO S LORA ND TUDOMA NYEGYETEM TERME SZETTUDOMA NYI KAR Egyu ttes eloszla sok szerepe a mu ko de si kocka zatokna l I rta: Stark Andra s Biztosı ta s e s pe nzu gyi matematika MSc Te mavezeto k: Medvegyev

Részletesebben

Analízis. Ha f(x) monoton nő [a;b]-n, és difható egy (a;b)-beli c helyen, akkor f'(c) 0

Analízis. Ha f(x) monoton nő [a;b]-n, és difható egy (a;b)-beli c helyen, akkor f'(c) 0 Analízis A differenciálszámítás középértéktételei: 1) Rolle-tétel: Ha f folytonos a korlátos és zárt [a;b] intervallumon, f diffható [a;b]-n és f(a) = f(b), akkor van egy a < c < b belső pont, ahol f'(c)

Részletesebben

Ökonometria. Logisztikus regresszió. Ferenci Tamás 1 tamas.ferenci@medstat.hu. Nyolcadik fejezet. Budapesti Corvinus Egyetem. 1 Statisztika Tanszék

Ökonometria. Logisztikus regresszió. Ferenci Tamás 1 tamas.ferenci@medstat.hu. Nyolcadik fejezet. Budapesti Corvinus Egyetem. 1 Statisztika Tanszék Ferenci Tamás 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Nyolcadik fejezet Tartalom V. esettanulmány 1 V. esettanulmány Csődelőrejelzés 2 Általános gondolatok 3 becslése

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 GLOBÁLIS KLÍMAVÁLTOZÁS: Hazai hatások és válaszok

A GLOBÁLIS KLÍMAVÁLTOZÁS: Hazai hatások és válaszok KvVM MTA VAHAVA projekt MTA 2006. november 23. A GLOBÁLIS KLÍMAVÁLTOZÁS: Hazai hatások és válaszok Ifjúsági fórum a Nemzeti Éghajlatváltozási Stratégiáról Bartholy Judit felkért hozzászólása Eötvös s Loránd

Részletesebben

Variancia-analízis (folytatás)

Variancia-analízis (folytatás) Variancia-analízis (folytatás) 7. elıadás (13-14. lecke) Egytényezıs VA blokk-képzés nélkül és blokk-képzéssel 13. lecke Egytényezıs variancia-analízis blokkképzés nélkül Az átlagok páronkénti összehasonlítása(1)

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

3. rész. Két változó kapcsolatának vizsgálata. Minden összefügg mindennel!? Komputerstatisztika kurzus

3. rész. Két változó kapcsolatának vizsgálata. Minden összefügg mindennel!? Komputerstatisztika kurzus Két kapcsolatának vizsgálata Minden összefügg mindennel!? Komputerstatisztika kurzus Barczy Mátyás Informatikai Kar Debreceni Egyetem 1 A témái 1 2 3 4 5 6 2 A kapcsolat természete A statisztikai k (adatbázisok

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

Vállalkozási finanszírozás kollokvium

Vállalkozási finanszírozás kollokvium Harsányi János Főiskola Gazdaságtudományok tanszék Vállalkozási finanszírozás kollokvium F Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 43 50 pont jeles 35 42 pont jó 27 34 pont közepes 19 26

Részletesebben

Hatékony piacok feltételei

Hatékony piacok feltételei Hatékony piacok feltételei Piacok töredékmentesek tranzakciós hatékonyság Tökéletes verseny van termékpiacon mindenki a minimális átlagköltségen termel, értékpapírpiacon mindenki árelfogadó Piacok informálisan

Részletesebben

Több diszkrét kimenet multinomiális és feltételes logit modellek

Több diszkrét kimenet multinomiális és feltételes logit modellek Több diszkrét kimenet multinomiális és feltételes logit modellek Mikroökonometria, 9. hét Bíró Anikó A tananyag a Gazdasági Versenyhivatal Versenykultúra Központa és a Tudás-Ökonómia Alapítvány támogatásával

Részletesebben

Kutatásmódszertan és prezentációkészítés

Kutatásmódszertan és prezentációkészítés Kutatásmódszertan és prezentációkészítés 8. rész: Statisztikai eszköztár: Alapfokú statisztikai ismeretek Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Nyolcadik rész Statisztikai eszköztár: Alapfokú statisztikai

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

Vállalkozási finanszírozás kollokvium

Vállalkozási finanszírozás kollokvium Harsányi János Főiskola Gazdaságtudományok tanszék Vállalkozási finanszírozás kollokvium Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 47 55 pont jeles 38 46 pont jó 29 37 pont közepes 20 28

Részletesebben

Vállalkozási finanszírozás kollokvium

Vállalkozási finanszírozás kollokvium Harsányi János Főiskola Gazdaságtudományok tanszék Vállalkozási finanszírozás kollokvium E Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 43 50 pont jeles 35 42 pont jó 27 34 pont közepes 19 26

Részletesebben

Vállalkozási finanszírozás kollokvium

Vállalkozási finanszírozás kollokvium Harsányi János Főiskola Gazdaságtudományok tanszék Vállalkozási finanszírozás kollokvium Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 47 55 pont jeles 38 46 pont jó 29 37 pont közepes 20 28

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 pénzügyi kockázat mérése és kezelése

A pénzügyi kockázat mérése és kezelése A pénzügyi kockázat mérése és kezelése Varga-Haszonits István Gazdasági Fizika Téli Iskola, 2009. január 31. Áttekintés 1 Bevezetés 2 A portfólióválasztási probléma 3 Kockázati mértékek 4 A hatékony portfóliók

Részletesebben

Matematikai statisztikai elemzések 5.

Matematikai statisztikai elemzések 5. Matematikai statisztikai elemzések 5. Kapcsolatvizsgálat: asszociáció, vegyes kapcsolat, korrelációszámítás. Varianciaanalízis Prof. Dr. Závoti, József Matematikai statisztikai elemzések 5.: Kapcsolatvizsgálat:

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

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

ELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó. 2010. június

ELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó. 2010. június GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készül a TÁMOP-4..2-08/2/A/KMR-2009-004pályázai projek kereében Taralomfejleszés az ELTE TáK Közgazdaságudományi Tanszékén az ELTE Közgazdaságudományi Tanszék, az

Részletesebben

MIKROÖKONÓMIA I. Készítette: K hegyi Gergely és Horn Dániel. Szakmai felel s: K hegyi Gergely. 2010. június

MIKROÖKONÓMIA I. Készítette: K hegyi Gergely és Horn Dániel. Szakmai felel s: K hegyi Gergely. 2010. június MIKROÖKONÓMIA I. 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 Közgazdaságtudományi

Részletesebben

EGÉSZSÉG-GAZDASÁGTAN

EGÉSZSÉG-GAZDASÁGTAN EGÉSZSÉG-GAZDASÁGTAN 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

Részletesebben

VÁROS- ÉS INGATLANGAZDASÁGTAN

VÁROS- ÉS INGATLANGAZDASÁGTAN VÁROS- 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

Részletesebben

VÁROS- ÉS INGATLANGAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK

VÁROS- ÉS INGATLANGAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK 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

Részletesebben

Számítógépes geometria (mester kurzus)

Számítógépes geometria (mester kurzus) 2010 sz, Debreceni Egyetem Csuklós szerkezetek animációja (Kép 1985-b l: Tony de Peltrie) Csontváz-modellek Csuklós szerkezet (robotkar) A robotkar részei: csuklók (joints) rotációs prizmatikus (transzlációs)

Részletesebben

Mesterséges Intelligencia I.

Mesterséges Intelligencia I. Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a

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

BCE, Tájépítészeti Kar, Tájtervezési és Területfejlesztési Tanszék. MTA, Ökológiai és Botanikai Intézet

BCE, Tájépítészeti Kar, Tájtervezési és Területfejlesztési Tanszék. MTA, Ökológiai és Botanikai Intézet Budapesti Élőlények tájindikátorként Corvinus Egyetem való alkalmazhatósága a tájértékelésben Prezentáció cím egy Nagy vagy Gergőkét Gábor sor, 1, Czúcz balrazárva Bálint 2 1 BCE, Tájépítészeti Kar, Tájtervezési

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

GAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN

GAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN GAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN ELTE TáTK Közgazdaságtudományi Tanszék Gazdaságmatematika középhaladó szinten ANALÍZIS Készítette: Gábor Szakmai felel s: Gábor Vázlat 1 2 3 Nevezetes halmazok

Részletesebben

Hegesztés 1. Általános elvek Kézi ívhegesztés. Dr. Horváth László

Hegesztés 1. Általános elvek Kézi ívhegesztés. Dr. Horváth László Hegesztés 1 Általános elvek Kézi ívhegesztés Dr. Horváth László Hegesztés Kohéziós kapcsolat Nem oldható természetes, anyagszerő, folytonos Technológiailag igényes Hegesztési eljárások 2 Elektromos ívhegesztések

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

Beregszászi István Programozási példatár

Beregszászi István Programozási példatár Beregszászi István Programozási példatár 2 1. fejezet 1. laboratóriumi munka 1.1. Matematikai kifejezések Írja fel algoritmikus nyelven a megadott kifejezést megfelelő típusú változók segítségével! Figyeljen

Részletesebben

A prímszámok eloszlása, avagy az első 50 millió

A prímszámok eloszlása, avagy az első 50 millió Bevezetés Pímszámok A prímszámok eloszlása, avagy az első 50 millió prímszám. Klukovits Lajos TTIK Bolyai Intézet 2014. április 8. Néhány definíció. 1 A klasszikus számelméleti. p N prím, ha a p a = ±1,

Részletesebben

OPERÁCIÓKUTATÁS. No. 1. Nagy Tamás - Klafszky Emil SZTOCHASZTIKUS JELENSÉGEK

OPERÁCIÓKUTATÁS. No. 1. Nagy Tamás - Klafszky Emil SZTOCHASZTIKUS JELENSÉGEK OPERÁCIÓKUTATÁS No. 1. Nagy Tamás - Klafszky Emil SZTOCHASZTIKUS JELENSÉGEK Budapest 2002 Nagy Tamás - Klafszky Emil: SZTOCHASZTIKUS JELENSÉGEK OPERÁCIÓKUTATÁS No.1 Szerkeszti: Komáromi Éva Megjelenik

Részletesebben

6. előadás PREFERENCIÁK (2), HASZNOSSÁG

6. előadás PREFERENCIÁK (2), HASZNOSSÁG 6. előadás PREFERENCIÁK (), HASZNOSSÁG Kertesi Gábor Varian 3. fejezetének 50-55. oldalai és 4. fejezete alapján PREFERENCIÁK FEJEZET FOLYTATÁSA 6. A helyettesítési határarány Dolgozzunk mostantól fogva

Részletesebben

A gyakorlatok HF-inak megoldása Az 1. gyakorlat HF-inak megoldása. 1. Tagadások:

A gyakorlatok HF-inak megoldása Az 1. gyakorlat HF-inak megoldása. 1. Tagadások: . Tagadások: A gyakorlatok HF-inak megoldása Az. gyakorlat HF-inak megoldása "Nem észak felé kell indulnunk és nem kell visszafordulnunk." "Nem esik az es, vagy nem fúj a szél." "Van olyan puha szilva,

Részletesebben

Eloszlás-független módszerek (folytatás) 15. elıadás (29-30. lecke)

Eloszlás-független módszerek (folytatás) 15. elıadás (29-30. lecke) Eloszlás-független módszerek (folytatás) 15. elıadás (29-30. lecke) Kétirányú osztályozás (függetlenség és homogenitás) Speciális eset: 2 2-es táblázatok Három-irányú osztályozás 29. lecke Függetlenség-

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

KOVÁCS BÉLA, MATEMATIKA II.

KOVÁCS BÉLA, MATEMATIKA II. KOVÁCS BÉLA, MATEmATIkA II 3 III NUmERIkUS SOROk 1 Alapvető DEFInÍCIÓ ÉS TÉTELEk Végtelen sor Az (1) kifejezést végtelen sornak nevezzük Az számok a végtelen sor tagjai Az, sorozat az (1) végtelen sor

Részletesebben

MODELLEK ÉS ALGORITMUSOK ELŐADÁS

MODELLEK ÉS ALGORITMUSOK ELŐADÁS MODELLEK ÉS ALGORITMUSOK ELŐADÁS Szerkesztette: Balogh Tamás 214. december 7. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így

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

TANTÁRGYI ÚTMUTATÓ. Alkalmazott számítástechnika. tanulmányokhoz

TANTÁRGYI ÚTMUTATÓ. Alkalmazott számítástechnika. tanulmányokhoz 2. évfolyam szakirány BA TANTÁRGYI ÚTMUTATÓ Alkalmazott számítástechnika tanulmányokhoz TÁVOKTATÁS Tanév (2014/2015) 1. félév A KURZUS ALAPADATAI Tárgy megnevezése: Alkalmazott Számítástechnika Tanszék:

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

SZAKDOLGOZAT. Takács László

SZAKDOLGOZAT. Takács László SZAKDOLGOZAT Takács László 2012 SZEGEDI TUDOMÁNYEGYETEM Természettudományi és Informatikai Kar Geometria Tanszék Matematika Bsc_LAK SZAKDOLGOZAT Kísérlettervezés latin négyzetek felhasználásával Készítette:

Részletesebben

TANTÁRGYI ÚTMUTATÓ. Statisztika 1.

TANTÁRGYI ÚTMUTATÓ. Statisztika 1. I. évfolyam BA TANTÁRGYI ÚTMUTATÓ Statisztika 1. TÁVOKTATÁS Tanév 2014/2015 II. félév A KURZUS ALAPADATAI Tárgy megnevezése: Statisztika 1. Tanszék: Módszertani Tantárgyfelelős neve: Sándorné Dr. Kriszt

Részletesebben

Feladatok a levelező tagozat Gazdasági matematika I. tárgyához. Halmazelmélet

Feladatok a levelező tagozat Gazdasági matematika I. tárgyához. Halmazelmélet Debreceni Egyetem, Közgazdaságtudományi Kar Feladatok a levelező tagozat Gazdasági matematika I. tárgyához a megoldásra feltétlenül ajánlott feladatokat jelöli Halmazelmélet () Legyen A = {, 3, 4}, B =

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