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

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:

Részletesebben

Sztochasztikus folyamatok alapfogalmak

Sztochasztikus folyamatok alapfogalmak Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos

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

A maximum likelihood becslésről

A maximum likelihood becslésről A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának

Részletesebben

Több valószínűségi változó együttes eloszlása, korreláció

Több valószínűségi változó együttes eloszlása, korreláció Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...

Részletesebben

Egyszempontos variancia analízis. Statisztika I., 5. alkalom

Egyszempontos variancia analízis. Statisztika I., 5. alkalom Statisztika I., 5. alkalom Számos t-próba versus variancia analízis Kreativitás vizsgálata -nık -férfiak ->kétmintás t-próba I. Fajú hiba=α Kreativitás vizsgálata -informatikusok -építészek -színészek

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

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége [GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell

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

14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull

14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull 14 A Black-choles-Merton modell Copyright John C. Hull 01 1 Részvényárak viselkedése (feltevés!) Részvényár: μ: elvárt hozam : volatilitás Egy rövid Δt idő alatt a hozam normális eloszlású véletlen változó:

Részletesebben

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

STATISZTIKA. 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

Részletesebben

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek

Többváltozós lineáris regressziós modell feltételeinek Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p

Részletesebben

előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás

előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 13-14. előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 2016. november 28. és december 5. 13-14. előadás 1 / 35 Bevezetés A diszkrét

Részletesebben

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31. Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert

Részletesebben

Matematika III. harmadik előadás

Matematika III. harmadik előadás Matematika III. harmadik előadás Kézi Csaba Debreceni Egyetem, Műszaki Kar Debrecen, 2013/14 tanév, I. félév Kézi Csaba (DE) Matematika III. harmadik előadás 2013/14 tanév, I. félév 1 / 13 tétel Az y (x)

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

Asszociációs szabályok

Asszociációs szabályok Asszociációs szabályok Nikházy László Nagy adathalmazok kezelése 2010. március 10. Mi az értelme? A ö asszociációs szabály azt állítja, hogy azon vásárlói kosarak, amik tartalmaznak pelenkát, általában

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

Analízis házi feladatok

Analízis házi feladatok Analízis házi feladatok Készült a PTE TTK GI szakos hallgatóinak Király Balázs 200-. I. Félév 2 . fejezet Első hét.. Házi Feladatok.. Házi Feladat. Írjuk fel a következő sorozatok 0.,., 2., 5., 0. elemét,

Részletesebben

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél

Részletesebben

III. Kvantitatív változók kapcsolata (korreláció, regresszió)

III. Kvantitatív változók kapcsolata (korreláció, regresszió) III. Kvantitatív változók kapcsolata (korreláció, regresszió) Tartalom Változók kapcsolata Kétdimenziós minta (pontdiagram) Regressziós előrejelzés (predikció) Korreláció Tanuló Kétdimenziós minta Tanulással

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

n 2 2n), (ii) lim Értelmezési tartomány, tengelymetszetek, paritás. (ii) Határérték. (iii) Első derivált, monotonitás, (ii) 3 t 2 2t dt,

n 2 2n), (ii) lim Értelmezési tartomány, tengelymetszetek, paritás. (ii) Határérték. (iii) Első derivált, monotonitás, (ii) 3 t 2 2t dt, 205.05.9. Kalkulus I. NÉV:... A csoport EHA:... FELADATOK:. Definíció szerint és formálisan is határozzuk meg a h() = 3 2 függvény deriváltját az = 2 helyen. 8pt 2. Határozzuk meg a következő határértékeket:

Részletesebben

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb

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

Korreláció és lineáris regresszió

Korreláció és lineáris regresszió Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.

Részletesebben

GVMST22GNC Statisztika II.

GVMST22GNC Statisztika II. GVMST22GNC Statisztika II. 4. előadás: 9. Kétváltozós korreláció- és regressziószámítás Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Korrelációszámítás

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

Eloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok

Eloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok Eloszlás-független módszerek (folytatás) 14. elıadás (7-8. lecke) Illeszkedés-vizsgálat 7. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok elemzésére Illeszkedés-vizsgálat Gyakorisági sorok

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

Loss Distribution Approach

Loss Distribution Approach Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói

Részletesebben

Backhausz Ágnes 1. Bevezetés A valószínűség elemi tulajdonságai... 5

Backhausz Ágnes 1. Bevezetés A valószínűség elemi tulajdonságai... 5 Valószínűségszámítás Földtudomány BSc szak, 2016/2017. őszi félév Backhausz Ágnes agnes@cs.elte.hu Tartalomjegyzék 1. Bevezetés 2 2. A Kolmogorov-féle valószínűségi mező 3 2.1. Klasszikus valószínűségi

Részletesebben

Adatok statisztikai értékelésének főbb lehetőségei

Adatok statisztikai értékelésének főbb lehetőségei Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció

Részletesebben

Értelmezési tartomány, tengelymetszetek, paritás. (ii) Határérték. (iii) Első derivált, monotonitás, x x 2 dx = arctg x + C = arcctgx + C,

Értelmezési tartomány, tengelymetszetek, paritás. (ii) Határérték. (iii) Első derivált, monotonitás, x x 2 dx = arctg x + C = arcctgx + C, 25.2.8. Kalkulus I. NÉV:... A csoport EHA:... FELADATOK:. Lineáris transzformációk segítségével ábrázoljuk az f() = ln(2 3) függvényt. 7pt 2. Határozzuk meg az f() = 2 3 + 2 2 2 + függvény szélsőértékeit

Részletesebben

V. Gyakorisági táblázatok elemzése

V. Gyakorisági táblázatok elemzése V. Gyakorisági táblázatok elemzése Tartalom Diszkrét változók és eloszlásuk Gyakorisági táblázatok Populációk összehasonlítása diszkrét változók segítségével Diszkrét változók kapcsolatvizsgálata Példák

Részletesebben

4.2. Tétel: Legyen gyenge rendezés az X halmazon. Legyen továbbá B X, amelyre

4.2. Tétel: Legyen gyenge rendezés az X halmazon. Legyen továbbá B X, amelyre 4.2. Tétel: Legyen gyenge rendezés az X halmazon. Legyen továbbá B X, amelyre Az értékelő függvény létezése (folytatás) p. 1/8 4.2. Tétel: Legyen gyenge rendezés az X halmazon. Legyen továbbá B X, amelyre

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

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 9. előadás Előadó: Dr. Ertsey Imre Statisztikai hipotézis vizsgálatok elsősorban a biometriában alkalmazzák, újabban reprezentatív jellegű ökonómiai vizsgálatoknál, üzemi szinten élelmiszeripari

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - 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

Részletesebben

Virág Katalin. Szegedi Tudományegyetem, Bolyai Intézet

Virág Katalin. Szegedi Tudományegyetem, Bolyai Intézet Függetleségvizsgálat Virág Katali Szegedi Tudomáyegyetem, Bolyai Itézet Függetleség Függetleség Két változó függetle, ha az egyik változó megfigyelése a másik változóra ézve em szolgáltat iformációt; azaz

Részletesebben

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám

Részletesebben

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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,

Részletesebben

Biostatisztika VIII. Mátyus László. 19 October

Biostatisztika VIII. Mátyus László. 19 October Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.

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

Populációbecslés és monitoring. Eloszlások és alapstatisztikák

Populációbecslés és monitoring. Eloszlások és alapstatisztikák Populációbecslés és monitoring Eloszlások és alapstatisztikák Eloszlások Az eloszlás megadja, hogy milyen valószínűséggel kapunk egy adott intervallumba tartozó értéket, ha egy olyan populációból veszünk

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

Biometria az orvosi gyakorlatban. Regresszió Túlélésanalízis

Biometria az orvosi gyakorlatban. Regresszió Túlélésanalízis SZDT-09 p. 1/36 Biometria az orvosi gyakorlatban Regresszió Túlélésanalízis Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Logisztikus regresszió

Részletesebben

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.

Részletesebben

Valószínűségelmélet. Pap Gyula. Szegedi Tudományegyetem. Szeged, 2016/2017 tanév, I. félév

Valószínűségelmélet. Pap Gyula. Szegedi Tudományegyetem. Szeged, 2016/2017 tanév, I. félév Valószínűségelmélet Pap Gyula Szegedi Tudományegyetem Szeged, 2016/2017 tanév, I. félév Pap Gyula (SZTE) Valószínűségelmélet 2016/2017 tanév, I. félév 1 / 125 Ajánlott irodalom: CSÖRGŐ SÁNDOR Fejezetek

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

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

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria 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

Részletesebben

1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak

1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak 1. Generátorrendszer Generátorrendszer. Tétel (Freud, 4.3.4. Tétel) Legyen V vektortér a T test fölött és v 1,v 2,...,v m V. Ekkor a λ 1 v 1 + λ 2 v 2 +... + λ m v m alakú vektorok, ahol λ 1,λ 2,...,λ

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

Diszkrét idejű felújítási paradoxon

Diszkrét idejű felújítási paradoxon Magda Gábor Szaller Dávid Tóvári Endre 2009. 11. 18. X 1, X 2,... független és X-szel azonos eloszlású, pozitív egész értékeket felvevő valószínűségi változó (felújítási idők) P(X M) = 1 valamilyen M N

Részletesebben

A Markowitz modell: kvadratikus programozás

A 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,

Részletesebben

Matematikai statisztikai elemzések 6.

Matematikai statisztikai elemzések 6. Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematikai statisztikai elemzések 6. MSTE6 modul Regressziószámítás: kétváltozós lineáris és nemlineáris regresszió, többváltozós

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

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

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő

Részletesebben

Számítógépes döntéstámogatás. Statisztikai elemzés

Számítógépes döntéstámogatás. Statisztikai elemzés SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre

Részletesebben

Az SPC (statisztikai folyamatszabályozás) ingadozásai

Az SPC (statisztikai folyamatszabályozás) ingadozásai A TERMELÉSI FOLYAMAT MINÕSÉGKÉRDÉSEI, VIZSGÁLATOK 2.3 Az SPC (statisztikai folyamatszabályozás) ingadozásai Tárgyszavak: statisztikai folyamatszabályozás; Shewhart-féle szabályozókártya; többváltozós szabályozás.

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

Véletlen szám generálás

Véletlen szám generálás 2. elıadás Véletlen szám generálás LCG: (0 < m, 0

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

Dr. Karácsony Zsolt. Miskolci Egyetem november

Dr. Karácsony Zsolt. Miskolci Egyetem november Valószínűségszámítás és Matematikai statisztika Dr. Karácsony Zsolt Miskolci Egyetem, Alkalmazott Matematikai Tanszék 2013-2014 tanév 1. félév Miskolci Egyetem 2013. november 11-18 - 25. Dr. Karácsony

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

További forgalomirányítási és szervezési játékok. 1. Nematomi forgalomirányítási játék

További forgalomirányítási és szervezési játékok. 1. Nematomi forgalomirányítási játék További forgalomirányítási és szervezési játékok 1. Nematomi forgalomirányítási játék A forgalomirányítási játékban adott egy hálózat, ami egy irányított G = (V, E) gráf. A gráfban megengedjük, hogy két

Részletesebben

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában Horváth Gábor ghorvath@hit.bme.hu (Horváth András, Telek Miklós) - p. 1 Motiváció, problémafelvetés

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

TANTÁRGYI PROGRAM Matematikai alapok II. útmutató

TANTÁRGYI PROGRAM Matematikai alapok II. útmutató BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok II. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:

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

A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA

A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék

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

TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató

TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató 2015/2016. tanév I. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:

Részletesebben

A valószínűségszámítás elemei

A 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:

Részletesebben

Matematikai statisztika

Matematikai statisztika Matematka statsztka 8. elıadás http://www.math.elte.hu/~arato/matstat0.htm Kétmtás eset: függetle mták + + + = + ) ( ) ( ) ( Y Y X X Y X m m m t m Ha smert a szórás: (X elemő, σ szórású, Y m elemő, σ szórású),

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

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

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel

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

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

Differenciálegyenletek

Differenciálegyenletek DE 1 Ebben a részben I legyen mindig pozitív hosszúságú intervallum DE Definíció: differenciálegyenlet Ha D n+1 nyílt halmaz, f:d folytonos függvény, akkor az y (n) (x) f ( x, y(x), y'(x),..., y (n-1)

Részletesebben

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses

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

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

GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június

GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június GAZDASÁGSTATISZTIKA 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

Eötvös Loránd Tudományegyetem Természettudományi Kar. Házastársak élettartamának vizsgálata. Szakdolgozat. Töttösi Nikolett

Eötvös Loránd Tudományegyetem Természettudományi Kar. Házastársak élettartamának vizsgálata. Szakdolgozat. Töttösi Nikolett Eötvös Loránd Tudományegyetem Természettudományi Kar Házastársak élettartamának vizsgálata Szakdolgozat Töttösi Nikolett Matematika BSc Alkalmazott matematikus szakirány Témavezet : Csiszár Vill adjunktus

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

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