Matematikai statisztika feladatsor
|
|
- Lídia Balla
- 7 évvel ezelőtt
- Látták:
Átírás
1 Matematikai statisztika feladatsor Nagy-György Judit A feladatsor Bolla Marianna és Krámli András Statisztikai következtetések elmélete cím könyvének [1] elméletére épül, a fejezetek számozása és a jelölések is ennek megfelel ek. Tartalomjegyzék 1. El ismeretek 2 2. Statisztikai alapfogalmak 7 3. Becsléselmélet Hipotézisvizsgálat Többváltozós módszerek Lineáris módszerek 33 1
2 1. El ismeretek 1. Tekintsük A 1,..., A n mátrixokat, ahol A i m i m i+1 -es i = 1,..., n 1 esetén és A n m n m 1 -es mátrix. Igazoljuk, hogy tr(a 1... A n ) = tr(a n A 1... A n 1 )! 2. Legyen A egy n n-es szimmetrikus mátrix λ 1,..., λ n sajátértékekkel. Mutassuk meg, hogy tr(a) = λ λ n. 3. Legyen R egy d d-s mátrix, amely f diagonálisának minden eleme 1, minden más eleme r. (a) Adjuk meg R spektrálfelbontását! (b) Adjunk szükséges és elégséges feltételt r-re, hogy R pozitív denit legyen! 4. Igazoljuk, hogy ha A egy pozitív denit mátrix, akkor egyértelm en létezik egy V alsó trianguláris mátrix, amelyre A = VV (Cholesky felbontás). 5. Bizonyítsuk be, hogy az unitér mátrixok sajátértékei a komplex egységkörön helyezkednek el! 6. Mutassuk meg, hogy ha egy mátrix sajátértékei különböz ek, akkor sajátvektorai lineárisan függetlenek! 7. Két személy megbeszéli, hogy 3 óra után találkoznak. Érkezésük független, (a) 3 és 4 óra között egyenletes eloszlást követ. (b) 4 paraméter exponenciális eloszlást követ (órában mérve). Adjuk meg a korábban érkez érkezési idejének s r ségfüggvényét! Adjuk meg a korábban érkez várakozási idejének s r ségfüggvényét is! Adjuk meg a kés bb érkez Y várakozási idejének "abszolút", és a korábban érkez érkezési idejere vett feltételes s r ségfüggvényét is! 8. Számítsuk ki a λ paraméter Poisson eloszlás els négy momentumát! 9. Legyen X egy (n, p) paraméter negatív binomiális eloszlású valószín ségi változó. Számítsuk ki E( 1 ) várható értéket! X 1
3 1. ELŽISMERETEK Számoljuk ki az n-edrend λ paraméter Gamma eloszlás k-adik momentumát, ahol k < n. 11. Igazoljuk, hogy (a) a Poisson eloszlás (b) a Gamma eloszlás korlátlanul osztható! 12. Legyenek X, Y független, azonos eloszlású, véges várható érték valószín ségi változók. Határozzuk meg E(X + Y X) és E(X X + Y ) feltételes várható értékeket! 13. Legyen X és Y két független, 1/2 paraméter Bernoulli-eloszlású valószín ségi változó. Adjuk meg E(X X +Y ) által generált σ-algebrát és E(X X + Y ) eloszlását! 14. Legyen X nemnegatív valószín ségi változó. (a) Határozzuk meg E(X 2 X)-et! (b) Határozzuk meg E( 1 X X)-et! 15. Legyen X a [ 1, 1] intervallumon egyenletes eloszlású valószín ségi változó. Határozzuk meg E(X X 2 )-t! 16. Legyenek X 1, X 2 a [0, 1] intervallumon egyenletes eloszlású független valószín ségi változók, továbbá Y := min{x 1, X 2 }, valamint Z := max{x 1, X 2 }. Határozzuk meg (a) E(Y Z), (b) E(Z Y ), (c) E(X 1 Z) feltételes várható értékeket! 17. Legyenek X, Y N (0, 1) független valószín ségi változók, továbbá a, b, c R. (a) Milyen eloszlású ax + by + c? (b) Adjuk meg X s r ségfüggvényét! (c) Határozzuk meg X 2 s r ségfüggvényét! Milyen eloszlást követ X 2? (d) Milyen eloszlású X 2 + Y 2? 18. Legyenek X, Y exp(λ) független valószín ségi változók. (a) Milyen eloszlású X + Y? (b) Adjuk meg X Y s r ségfüggvényét!
4 1. ELŽISMERETEK * Legyenek N, X 1, X 2... független valószín ségi változók, ahol N egy p paraméter geometriai eloszlású, X 1, X 2,... pedig λ paraméter exponenciális eloszlásúak. Bizonyítsuk be, hogy N i=1 X i is exponenciális eloszlású! 20. Mi a kapcsolat az alábbi eloszláscsaládok között? (a) Bernoulli, binomiális és Poisson; (b) geometriai és negatív binomiális; (c) exponenciális, χ 2 és Gamma; (d) Student és Cauchy. 21. Legyen X egy (α, λ), Y pedig (β, λ) paraméter Gamma eloszlású, egymástól független valószín ségi változó. Igazoljuk, hogy X/Y egy (α, β) paraméter másodfajú Béta eloszlású valószín ségi változó, amely s r ségfüggvénye f(x) = Γ(α + β) Γ(α)Γ(β) x α 1 (x + 1). α+β 22. Legyen X egy (α, β) paraméter másodfajú Béta eloszlású valószín ségi változó. Igazoljuk, hogy (a) 1 valószín ségi változó (β, α) paraméter másodfajú Béta eloszlású! X (b) X 1+X (c) 1 1+X valószín ségi változó (α, β) paraméter Béta eloszlású! valószín ségi változó (β, α) paraméter Béta eloszlású! 23. Legyen X 1,..., X n, X n+1,..., X n+m exp(λ) fae valószín ségi változók. (a) Milyen eloszlású n i=1 X i? (b) Igazoljuk, hogy Z = n i=1 X i n+m i=n+1 X i statisztika (n, m) paraméter másodfajú Béta eloszlású!
5 1. ELŽISMERETEK 5 (c) Igazoljuk, hogy n i=1 X i n+m i=1 X = i /Z Beta(n, m). 24. Mi a kapcsolat a Student, F és Béta eloszláscsaládok között? 25. Legyenek X 1,..., X n N (0, 1) és Y 1,..., Y m N (0, 1) független változók, továbbá T 2 n := X X 2 n és T 2 m := Y Y 2 m. (a) Határozzuk meg X 2 1 s r ségfüggvényét! (b) Mutassuk meg, hogy T 2 n statisztika egy n szabadságfokú χ 2 (n) = Gamma(n/2, 1/2) eloszlású valószín ségi változó. (c) Bizonyítsuk be, hogy statisztika Student eloszlású! (d) Bizonyítsuk be, hogy Z n := Y 1 T 2 n /n Z n,m := mt n 2 ntm 2 statisztika (n, m) szabadságfokú F eloszlású! Az (n, m) szabadságfokú F eloszlás s r ségfüggvénye: f n,m (z) = nγ ( ) n+m 2 mγ ( ) ( n 2 Γ m ) 2 ( n z) n 2 1 m ( n+m. 1 + n 2 z) m 26. Legyen X 1,..., X n+m független standard normális eloszlású változók. Bizonyítsuk be, hogy n i=1 Z n,m := X2 i n+m i=1 X2 i statisztika (n/2, m/2) paraméter béta eloszlású! 27. (a) Adjuk meg X n határeloszlását (n ), ha X n egy n szabadságfokú Stundent eloszlású valószín ségi változó, amely s r ségfüggvénye g n (x) = Γ ( ) n+1 ) n+1 2 ( πn Γ n ) (1 + x2 2, (x > 0). n 2
6 1. ELŽISMERETEK 6 (b) Adjuk meg Xn n n határeloszlását (n ), ha X n egy n szabadságfokú χ 2 eloszlású valószín ségi változó, amely s r ségfüggvénye f n (x) = x n 2 1 e x 2, (x > 0). 2 n 2 Γ( n ) * Legyen X 1,..., X n N (0, 1) fae változók, továbbá T := X X 2 n. (a) Legyen Z 1 := X 1 /T. Bizonyítsuk be, hogy Z 2 1 és T 2 is függetlenek! (b) Legyen Z := X/T. Bizonyítsuk be, hogy Z és T 2 is függetlenek! 29. Legyenek X 1,..., X n χ 2 (m) fae változók. Milyen eloszlású X X n?
7 2. Statisztikai alapfogalmak 1. Az 1. táblázat néhány diák testsúlyát és magasságát tartalmazza testsúly (kg) magasság (cm) táblázat. (a) Adjuk meg a testsúly empirikus eloszlásfüggvényét! (b) Adjuk meg a testsúly tapasztalati mediáját! (c) Határozzuk meg a testsúly empirikus várható értékét, empirikus szórását és korrigált empirikus szórását! (d) Határozzuk meg a testsúly és testmagasság empirikus kovarianciáját! (e) Adjuk meg az empirikus korrelációt! Jellemezzük a kapcsolat szorosságát! 2. Igazoljuk, hogy a tapasztalati korreláció 1 és 1 közé esik. Mikor teljesül valamelyik egyenl ség? 3. Legyen X 1,..., X n független, p paraméter Bernoulli eloszlásból vett statisztikai minta. (a) Milyen eloszlású n i=1 X i? (b) Adjuk meg a k-adik empirikus (tapasztalati) momentum eloszlását! (c) Adjuk meg a második empirikus (tapasztalati) centrális momentum eloszlását! 4. Legyen X 1,..., X n független, λ 1,..., λ n paraméter Poisson eloszlásból vett minta. (a) Milyen eloszlású n i=1 X i? (b) Adjuk meg X eloszlását!
8 2. STATISZTIKAI ALAPFOGALMAK 8 5. Legyen X 1,..., X n N (µ, σ 2 ) független minta. Milyen eloszlású X? (Adjuk meg a várható értéket és a szórásnégyzetet is!) 6. Legyen X 1,..., X n U( 1, 1) független minta. Aszimptotikusan milyen eloszlású n X? 7. Legyen X 1,..., X n független minta f(x) = 1 2 e 2 x s r ségfüggvénnyel. Aszimptotikusan milyen eloszlású n X? 8. Legyen X 1,..., X n független, λ paraméter exponenciális eloszlásból vett minta. Milyen eloszlású X? 9. Legyen X 1,..., X n+1 független, λ paraméter exponenciális eloszlásból vett minta, továbbá Y k := X X k, ahol k = 1,..., n + 1. (a) Bizonyítsuk be, hogy az Y 1,..., Y n valószín ségi változók együttes eloszlása amellett a feltétel mellett, hogy Y n+1 = θ, éppen a [0, θ] intervallumon egyenletes eloszlás rendezett mintájának az eloszlása. (b) Bizonyítsuk be, hogy az Y k /Y n+1 eloszlása éppen a [0, 1] intervallumon egyenletes eloszlás k-adik rendezett mintaelemének az eloszlása. (c) Bizonyítsuk be, hogy az Y 1 /Y n+1,..., Y n /Y n+1 valószín ségi változók együttes eloszlása éppen a [0, 1] intervallumon egyenletes eloszlás rendezett mintájának az együttes eloszlása. 10. Legyen X 1 <... < X n a [0, 1] intervallumon egyenletes eloszlásból vett rendezett minta. (a) Igazoljuk, hogy X 1,..., X n nem függetlenek! (b) Igazoljuk, hogy 1 X n,..., 1 X 1 szintén a [0, 1] intervallumon egyenletes eloszlásból vett rendezett minta! (c) Milyen eloszlású Xk+1 X k, ahol 1 k < n? 11. Legyen X 1,..., X n független, az [a, b] intervallumon egyenletes eloszlásból vett minta, X 1 <... < X n pedig a bel le gyártott rendezett minta. Adjuk meg X k eloszlás- és s r ségfüggvényét, valamint várható értékét! 12. Legyen X 1,..., X n független minta az F (x) = x (0 < x < 1) eloszlásfüggvénnyel. Adjuk meg X k s r ségfüggvényét!
9 2. STATISZTIKAI ALAPFOGALMAK Legyen X1 <... < Xn a [0, 1] intervallumon egyenletes eloszlásból vett rendezett minta, és Y1 <... < Yn az el z t l független, szintén a [0, 1] intervallumon egyenletes eloszlásból vett rendezett minta. Adjuk meg Xk Y k s r ségfüggvényét (1 k n)! 14. Legyen X 1,..., X n a λ paraméter exponenciális eloszlásból vett rendezett minta. (a) Adjuk meg a k-adik (1 k n) mintaelem eloszlás- és s r ségfüggvényét! (b) Milyen eloszlású Xk+1 X k, ahol 1 k < n? 15. Legyen X 1,..., X n független, a (θ 1, θ + 1 ) intervallumon egyenletes 2 2 eloszlású minta. Legyen T (X) = X 1 + Xn. 2 Határozzuk meg T (X) eloszlásfüggvényét! 16. Igazoljuk, hogy ha n > 1, akkor T (X) = X 1 semmilyen paraméterre sem elégséges! 17. Igazoljuk, hogy a rendezett minta minden paraméterre elégséges statisztika! 18. Elégséges statisztika-e θ paraméterre L θ (X) (ahol L θ a likelihood-függvény)? 19. Legyenek X 1,..., X n független, λ paraméter Poisson eloszlású valószín ségi változók. (a) Igazoljuk, hogy X elégséges statisztika a λ paraméterre! (b) Adjunk a λ paraméterre a fentit l különböz elégséges statisztikát! 20. Legyen X 1,..., X n független, λ paraméter exponenciális eloszlásból vett statisztikai minta. (a) Igazoljuk, hogy n i=1 X i elégséges statisztika a λ paraméterre! (b) Adjunk a λ paraméterre a fentit l különböz elégséges statisztikát! 21. Legyen X 1,..., X n független, p paraméter geometriai eloszlásból vett minta. Adjunk p paraméterre elégséges statisztikát!
10 2. STATISZTIKAI ALAPFOGALMAK Legyen X 1,..., X n független, (5, p) paraméter binomiális eloszlásból vett minta. Adjunk p paraméterre elégséges statisztikát! 23. X 1,..., X n független, (3, p) paraméter negatív binomiális eloszlásból vett minta. Adjunk az p paraméterre elégséges statisztikát! 24. X 1,..., X n független, θ = (r, p) paraméter negatív binomiális eloszlásból vett minta. A θ paraméterre elégséges statisztika-e a mintaátlag? 25. Legyen X 1,..., X n független, (2, λ) paraméter Gamma eloszlásból vett statisztikai minta. Adjunk λ paraméterre elégséges statisztikát! 26. Legyen X 1,..., X n független, (α, 2) paraméter Gamma eloszlásból vett statisztikai minta. Adjunk α paraméterre elégséges statisztikát! 27. Legyen X 1,..., X n független, θ = (α, λ) paraméter Gamma eloszlásból vett statisztikai minta. Adjunk θ paraméterre elégséges statisztikát! 28. Legyen X 1,..., X n független N (µ, 1) eloszlásból vett minta. Adjunk µ-re elégséges statisztikát! 29. Legyen X 1,..., X n független, m szabadságfokú χ 2 eloszlásból vett statisztikai minta. Adjunk m-re elégséges statisztikát! 30. Legyen X 1,..., X n független, θ = (a, b) paraméter Béta eloszlásból vett statisztikai minta. Adjunk θ paraméterre elégséges statisztikát! 31. Legyen X 1,..., X n független N (0, σ 2 ) eloszlásból vett minta. Adjunk σ 2 -re elégséges statisztikát! 32. Legyen X 1,..., X n független N (µ, σ 2 ) eloszlásból vett minta. Adjunk (µ, σ 2 ) paraméterre elégséges statisztikát! 33. Legyen X 1,..., X n független, azonos eloszlásból vett minta az f θ (x) = θx θ 1 (0 < x < 1) s r ségfüggvénnyel. Adjunk a θ-ra elégséges statisztikát! 34. Legyen X 1,..., X n független, azonos eloszlású minta az f α (x) = 2αx(1 x 2 ) α 1 (0 < x < 1) s r ségfüggvénnyel. Adjunk a α-ra elégséges statisztikát! 35. Legyenek X 1,..., X n független, a [0, θ] intervallumon egyenletes eloszlásból vett minta! Igazoljuk, hogy X n a θ paraméterre elégséges statisztika!
11 2. STATISZTIKAI ALAPFOGALMAK Legyenek X 1,..., X n független, a [ α, α] intervallumon egyenletes eloszlásból vett minta! Adjunk a α-ra elégséges statisztikát!
12 3. Becsléselmélet 1. Tekintsünk egy 0 várható érték 1 szórásnégyzet eloszlást. Hány mintaelem kell a várható érték becsléséhez, hogy P( X > 0,1) < 0,1 legyen, ha (a) a Csebisev egyenl tlenséget alkalmazzuk? (b) a centrális határeloszlástételt alkalmazzuk? 2. Tegyük fel, hogy T statisztika torzítatlan becslése θ paraméternek. Tekintsünk egy tetsz leges S statisztikát. Igaz-e, hogy E(T S) is torzítatlan becslése θ-nak? 3. Legyen X valószín ségi változó, amelynek létezik a szórása. (a) Tegyük fel, hogy ismert az E(X) = θ várható érték. Igazoljuk, hogy S 2 1 = 1 n n i=1 (X i θ) torzítatlan becslése a szórásnégyzetnek! Mit mondhatunk a konzisztenciáról? (b) Az (a) pont segítségével igazoljuk, hogy S 2 n = 1 n n i=1 (X i X) empirikus szórásnégyzet nem torzítatlan becslése a szórásnégyzetnek! Készítsünk segítségével torzítatlan becslést! 4. Legyen X 1,..., X n független, p paraméter geometriai eloszlású minta, továbbá legyen Y = X X n. Torzítatlan becslése-e p-nek n 1 Y 1? 5. Legyen X 1,..., X n független, a [θ + 1, θ 1 ] intervallumon egyenletes 2 2 eloszlású minta. (a) X torzítatlan becslése-e θ-nak? Ha nem, készítsünk segítségével torzítatlan becslést! (b) Xn 1 torzítatlan becslése-e θ-nak? Ha nem, készítsünk segítségével torzítatlan 2 becslést! (c) Igazoljuk, hogy X és Xn 1 is (gyengén illetve er sen is) konzisztens 2 becslései θ-nak! 6. Legyen X 1,..., X n független, a [0, θ] intervallumon egyenletes eloszlású minta. (a) Igazoljuk, hogy 2X torzítatlan becslés θ-ra!
13 3. BECSLÉSELMÉLET 13 (b) Mivel a θ/2-re szimmetrikus az eloszlásunk, a medián egybeesik a várható értékkel. Tegyük fel, hogy n páratlan, és készítsünk a tapasztalati medián segítségébel torzítatlan becslést θ-ra! (c) X 1 torzítatlan becslése-e θ-nak? Ha nem, készítsünk segítségével torzítatlan becslést! (d) X 1 torzítatlan becslése-e θ-nak? Ha nem, készítsünk segítségével torzítatlan becslést! (e) X n torzítatlan becslése-e θ-nak? Ha nem, készítsünk segítségével torzítatlan becslést! (f) A fenti becslések közül melyik konzisztens? (g) Számítsuk ki és hasonlítsuk össze a fenti torzítatlan becslések szórásnégyzetét! Melyik a leghatásosabb? (h) Teljesül-e az I n (θ) = ni 1 (θ) összefüggés? Teljesül-e minden esetben a Cramér-Rao egyenl tlenség? (i) Igazoljuk, hogy X n elégséges statisztika θ-ra. Segítségével blackwellizáljuk a fenti torzítatlan becsléseket! 7. Legyen X 1,..., X n független, a [ θ, θ] intervallumon egyenletes eloszlású minta. (a) Adjunk θ-ra torzítatlan becslést a rendezett minta segítségével! (b) Adjunk θ-ra torzítatlan becslést X segítségével! (c) Konzisztensek-e a fenti becslések? 8. Legyenek X 1, X 2, X 3 rendre N (µ, 1), N (µ, 4), N (µ, 1/4) eloszlású független mintaelemek. (a) Milyen a, b, c értékekre lesz ax 1 + bx 2 + cx 3 torzítatlan becslése µ-nek? (b) Milyen a, b, c választással kapjuk meg a leghatásosabb becslést a torzítatlanok közül? 9. Tekintsük az X 1,..., X n független, p paraméter Bernoulli eloszlású mintát és számítsuk ki a Fisher-információját! Tekintsük az Y 1,..., Y n független mintát is, amely háttérváltozója p valószín séggel 1, 1 p valószín séggel 1 értéket vesz fel. Számítsuk ki ennek is a Fisherinformációját és vessük össze az el bb meghatározott információval!
14 3. BECSLÉSELMÉLET Legyen X 1,..., X n független, p paraméter Bernoulli eloszlású minta. (a) Számítsuk ki D 2 p(x)-ot is! Mit mondhatunk a CramérRao-egyenl tlenség alapján? (b) Szeretnénk p-re torzítatlan becslést adni. Mekkora legyen n, ha azt szeretnénk, hogy becslésünk szórása ne haladja meg 0,03-at p bármely értéke esetén sem? (c) Adjunk p-re er sen konzisztens becslést! (d) Adjunk X 1 és X 2 függvényeként T torzítatlan becslést p(1 p)-re! Adjunk elégséges statisztikát p-re, majd adjunk a Rao-Balckwell- Kolmogorov tétel segítségével legalább olyan hatásos becslést p(1 p)-re, mint T! 11. Legyen X 1,..., X n egy λ, Y 1,..., Y n pedig 4λ paraméter Poisson eloszlásból vett független minta. Milyen a és b értékekre lesz ax +by torzítatlan becslése λ-nak? Melyik a és b választással kapjuk ezek közül a leghatásosabb becslést? 12. Legyen X 1,..., X n független, λ paraméter exponenciális eloszlású minta. (a) Számoljuk ki a minta Fisher-információját! (b) 1/X nem torzítatlan becslése a λ paraméternek. Készítsünk segítségével ˆη torzítatlan becslést és számoljuk ki ˆη szórásnégyzetét! (c) Az X elégséges statisztika segítségével blackwellizáljuk a fenti torzítatlan becslést! (Ismert, hogy az így kapott becslés hatásos becslése λ-nak. Ellentmond-e ez a CramérRao egyenl tlenségnek?) (d) 1/X konzisztens becslése-e λ paraméternek? (e) Mutassuk meg, hogy 1 n n i=1 I(X i 1) torzítatlan és konzisztens becslése e λ -nak, de nem éri el az e λ -ra vonatkozó információs határt! 13. Legyen X 1,..., X n független, (2, λ) paraméter Gamma eloszlású minta. (a) Torzítatlan becslése-e X 1 statisztika a 1/λ-nak? Ha nem, készítsünk segítségével torzítatlan becslést! (b) Torzítatlan becslése-e 1/X 1 statisztika a λ paraméternek? Ha nem, készítsünk segítségével torzítatlan becslést!
15 3. BECSLÉSELMÉLET 15 (c) Torzítatlan becslése-e 1/X statisztika a λ paraméternek? Ha nem, készítsünk segítségével torzítatlan becslést! (d) Igazoljuk, hogy n i=1 X i elégséges statisztika a λ paraméterre! Segítségével blackwellizáljuk a fenti torzítatlan becsléseket! 14. Legyen X 1,..., X n N (µ, 1) független minta. (a) Igazoljuk, hogy X 1 torzítatlan, de nem konzisztens becslése µ-nek! Mit mondhatunk a CramérRao-egyenl tlenség alapján? (b) Számítsuk ki a minta Fisher-információját! Számítsuk ki D 2 µ(x)- ot is! Igazoljuk, hogy X hatásos becslése µ-nek! (c) Torzítatlan becslése-e µ 2 -nek X 1 X 2? Mennyi a szórásnégyzete? Mondhatunk-e valamit a CramérRao-egyenl tlenség alapján? (d) Torzítatlan becslése-e µ 2 -nek X 2? Ha nem, tegyük azzá, és számítsuk ki a szórásnégyzetét! 15. Legyen X 1,..., X n N (0, σ 2 ) független minta. (a) Igazoljuk, hogy S 2 1 = 1 n n i=1 X2 i hatásos becslése σ 2 -nek! (b) Igazoljuk, hogy a korrigált empirikus szórásnégyzet nem hatásos becslése a σ 2 paraméternek! 16. Válasszunk a {1, 2,..., θ} halmazból egymástól függetlenül találomra n darab számot. Vegyük θ maximum likelihood becslését! Torzítatlan-e? Konzisztens-e? Adjunk becslést a momentumok módszerével is! 17. Legyen X 1,..., X n független, λ paraméter Poisson eloszlású minta. (a) Vegyük λ maximum likelihood becslését! Minden realizáció mellett létezik-e ML becslés? (b) Igazoljuk, hogy a maximum likelihood módszerrel kapott becslés torzítatlan és számítsuk ki a szórásnégyzetét! Mit mondhatunk a CramérRao-egyenl tlenség alapján? (c) Igazoljuk, hogy X 1 is torzítatlan becslése λ-nak! Az X elégséges statisztika (ld. 2. feladatsor 19.(a) feladat) segítségével blackwellizáljuk az X 1 becslést! (d) Torzítatlan becslése-e λ-nak az empirikus szórásnégyzet? Ha nem, tegyük azzá! Hatásos becslést kapunk-e így?
16 3. BECSLÉSELMÉLET 16 (e) A fenti becslések közül melyik konzisztens? 18. Legyen X 1,..., X n Bin(5, p). (a) Vizsgáljuk meg a maximum likelihood és a momentumok módszerével kapott becslések torzítatlanságát és hatásosságát! (b) Számítsuk ki a minta Fisher-információját! 19. A kékbálnaállomány becslésére a következ módszert alkalmazták: néhány napon át kb. 30 cm hosszú fémhengereket l ttek be a bálnák zsírpárnájába, közvetlenül a b r alá. Feljegyezték, hogy hány bálnát jelöltek meg (M). Ezután felszólították a bálnahalászhajókat, hogy adják meg, hány bálnát fogtak (n), s azok közt hány volt megjelölve (k). Adjunk maximum likelihood becslést a bálnák N számára! 20. Egy céllöv p valószín séggel talál el egy célpontot egy lövésb l. Adjunk maximum-likelihood becslést p-re, ha (a) a céllöv n kísérletb l k találatot ért el! (b) az els találat k-adikra következett be! 21. Adjunk becslést a negatív binomiális eloszlás paramétereire momentumok módszerével! 22. Tekintsünk az [1, Θ] intervallumon egyenletes eloszlásból származó mintát! Adjunk maximum likelihood becslést Θ-ra az x 1,..., x n realizáció segítségével! 23. Legyen X 1,..., X n független, a [0, θ] intervallumon egyenletes eloszlású minta. Adjunk maximum likelihood becslést θ-ra, majd a kapott becslést tegyük torzítatlanná! 24. Tekintsünk az [ Θ, Θ] intervallumon egyenletes eloszlásból származó n elem mintát! Adjunk becslést Θ-ra maximum likelihood elv és momentumok módszere segítségével is! 25. Határozzuk meg egy ismeretlen helyzet 1 hosszúságú intervallum felez pontjának maximum likelihood becslését! Adjunk becslést a momentumok módszerével is!
17 3. BECSLÉSELMÉLET Tekintsünk egy n elem független, λ paraméter exponenciális eloszlású mintát. Az x 1,..., x n realizáció segítségével adjunk maximum likelihood becslést λ-ra! Adjunk becslést a momentumok módszerével is! 27. Egy alkatrész élettartama exponenciális eloszlású η/t paraméterrel, ha t h mérsékleten m ködtetjük. (a) Hogyan függ a várható élettartam a t h mérséklett l? (b) Tegyük fel, hogy n meggyelést különböz t 1, t 2,..., t n h mérsékleten végeztünk és x 1, x 2,..., x n élettartamot gyeltünk meg. Adjunk maximum likelihood becslést η-ra! 28. Legyen X 1,..., X n Gamma(α, λ) független minta. (a) Tegyük fel, hogy α ismert. Adjunk maximum likelihood becslést λ-ra! (b) * Adjunk maximum likelihood becslést a két paraméterre! (A Ψ(x) = d log Γ(x) = Γ (x) digamma függvényt tekinthetjük ismertnek.) dx Γ(x) 29. Tekintsünk egy n elem független, N (µ, σ 2 ) eloszlású mintát. Az x 1,..., x n realizáció segítségével adjunk maximum likelihood becslést θ = (µ, σ 2 )- re! Adjunk becslést a momentumok módszerével is! 30. Legyen f α (x) = { 2α x(1 x 2 ) α 1, ha 0 < x < 1, 0 különben ahol α > 0 ismeretlen paraméter. Tekintsünk egy n elem független mintát közös f α (x) s r ségfüggvénnyel. Az x 1,..., x n realizáció segítségével adjunk maximum likelihood becslést α-ra! 31. Legyen f α (x) = { θx θ 1, ha 0 x 1, 0 különben ahol θ > 0 ismeretlen paraméter. Tekintsünk egy n elem független mintát közös f α (x) s r ségfüggvénnyel. Az x 1,..., x n realizáció segítségével adjunk θ-ra maximum likelihood becslést, illetve adjunk becslést a momentumok módszerével is!
18 3. BECSLÉSELMÉLET Legyen f ϑ (x) = { 2ϑ 2 x 3, ha x ϑ, 0 különben ahol ϑ > 0 ismeretlen paraméter. Tekintsünk egy n elem független mintát közös f ϑ (x) s r ségfüggvénnyel. Az x 1,..., x n realizáció segítségével adjunk maximum likelihood becslést ϑ-ra! 33. Legyen 3x 2, ha η x η, f η (x) = 2η3 0 különben ahol (η > 0) ismeretlen paraméter. Tekintsünk egy n elem független mintát közös f η (x) s r ségfüggvénnyel. Az x 1,..., x n realizáció segítségével adjunk maximum likelihood becslést η-ra!, 34. Tekintsük az p a p, ha x a, f a,p (x) = xp+1 0 különben s r ségfüggvény Pareto-eloszlást, ahol a, p > 0 paraméterek. Az x 1,..., x n realizáció segítségével adjunk maximum likelihood becslést θ = (a, p)- re! Tegyük fel, hogy p > 2. Adjunk becslést θ-ra a momentumok módszerével! 35. Legyen X 1,..., X n független minta az f α,β (x) = αe α(x β) (x β) s r ségfüggvény eloszlásból (α pozitív, β valós). Adjuk becslést (α, β)- ra maximum likelihood módszerrel, illetve momentumok módszerével! 36. Tekintsünk egy kételem független, (µ, 1) paraméter Cauchy eloszlású mintát! A (µ, σ) paraméter Cauchy eloszlás s r ségfüggvénye: f µ,σ (x) = σ π(σ 2 + (x µ) 2 ). (a) Adjunk maximum likelihood becslést µ-re az x 1, x 2 realizáció segítségével! (b) Tudunk-e becslést adni momentumok módszerével? Használjuk ki, hogy 1-nél kisebb momentumok is léteznek!
19 3. BECSLÉSELMÉLET Legyen X 1,..., X n független, [a, b] intervallumon egyenletes eloszlású minta. Adjunk becslést (a, b)-re a momentumok módszerével! Adjunk maximum likelihood becslést is! 38. Legyen X 1,..., X n P oisson(λ) független minta. Legyen Y i = (X i X) 2. Adjunk becslést λ-ra az Y 1,..., Y n minta alapján momentumok módszerével! Számítsuk ki a kapott becslés szórását! 39. Legyen X 1,..., X n N (µ, σ 2 ) független minta. Szerkesszünk 1 ε megbízhatósági szint kondencia intervallumot µ-re ismert és ismeretlen szórás esetén is! Használjuk segítségül µ torzítatlan, konzisztens becslését! Hogyan változik az intervallum hossza a mintaelemszám növelésével? 40. Legyen X 1,..., X n N (µ, σ 2 ) független minta. Adjunk 1 ε megbízhatósági szint kondencia intervallumot σ-ra (a) X µ σ/, (b) ns2 n n σ 2 segítségével! 41. Tekintsük az 1. táblázat adatait. (a) Feltételezzük, hogy a testsúly normális eloszlást követ 15 kg szórással. Adjunk 95%-os kondencia intervallumot a testsúly várható értékére! (b) Feltételezzük, hogy a testmagasság normális eloszlást követ. Adjunk meg egy olyan intervallumot, amely a magasság várható értékét 0,99 valószín séggel tartalmazza! (c) Adjunk egy 95%-os kondencia intervallumot a magasság szórására! (d) Mit mondhatunk, ha nem tesszük fel a testsúlyról és a testmagasságról, hogy normális eloszlásúak? 42. Egy cukorgyárban kockacukrokat gyártanak. Tegyük fel, hogy a cukrok élhossza közelít leg normális eloszlású. Megmérjük 16 cukor élhosszúságát. Az adatok átlaga 10,06 mm, tapasztalati szórása 0,46 mm. Adjunk 95% megbízhatósági szint kondencia intervallumot µ 3 -re (azaz egy átlagos kockacukor térfogatára)! 43. Legyenek X 1,..., X n N (µ 1, σ 2 ) és Y 1,..., Y m N (µ 2, σ 2 ) független minták. Adjunk 1 ε szint kondencia intervallumot µ 1 µ 2 -re X Y segítségével!
20 3. BECSLÉSELMÉLET Legyenek X 1,..., X n N (µ 1, σ 2 1) és Y 1,..., Y m N (µ 2, σ 2 2) független minták. Adjunk 1 ε szint kondencia intervallumot σ 1 /σ 2 -re! 45. Legyen X 1,..., X n független, a [0, θ] intervallumon egyenletes eloszlásból vett minta. Adjunk 1 ε megbízhatósági szint kondencia intervallumot θ-ra (a) X 1 + X 2, (b) X n segítségével! 46. Legyen X 1,..., X n független, λ paraméter Poisson eloszlású minta. Adjunk λ-ra 1 ε megbízhatósági szint kondencia intervallumot (a) n i=1 X i segítségével! (b) a Csebisev-egyenl tlenség felhasználásával! (c) a centrális határeloszlás-tétellel! 47. Legyen X 1,..., X n független, λ paraméter exponenciális eloszlású minta. Adjunk λ-ra 1 ε megbízhatósági szint kondencia intervallumot (a) n i=1 X i segítségével! (b) a Csebisev-egyenl tlenség felhasználásával! (c) a centrális határeloszlás-tétellel! 48. Végezzünk el n-szer egy kísérletet, legyen az A esemény bekövetkezéseinek száma K n. Szerkesszünk 1 ε megbízhatósági szint kondencia intervallumot p = P(A)-ra n = 10 és n = esetén is! 49. Legyen X 1,..., X n független, a (θ 1/2, θ + 1/2) intervallumon egyenletes eloszlású minta. Adjunk 1 ε megbízhatósági szint kondencia intervallumot θ-ra T (X) = (X 1 + X n)/2 segítségével! Használjuk fel a 2. feladatsor 15. feladatát! 50. Legyen X egy egyelem minta, s r ségfüggvénye e θ x, ha x > θ. Szerkesszünk 1 ε megbízhatósági szint kondencia intervallumot a θ paraméterre X segítségével!
21 4. Hipotézisvizsgálat 1. Legyen X 1,..., X n N (µ, σ 2 ) független minta. Tekintsük a H 0 : σ = σ 0 és H 1 : σ < σ 0 hipotéziseket, és azt a próbát, amelyre X k = {x : ns 2 n/σ 2 0 > c} (S 2 n = 1 n n i=1 (X i X) 2 az empirikus szórásnégyzet). Torzítatlan-e az adott próba? 2. Legyen X 1,..., X n független, λ paraméter exponenciális eloszlású minta. (a) Konstruáljunk ε terjedelm próbát H 0 : λ = λ 0 és H 1 : λ λ 0 hipotézisekre X 1 segítségével! (b) Konstruáljunk ε terjedelm próbát H 0 : λ = λ 0 és H 1 : λ λ 0 hipotézisekre 1/X alapján! (c) A fenti próbák közül melyik konzisztens? 3. Valódi (θ) selejtarányra szeretnénk min ségellen rzést. Vegyünk egy n = 25 elem független Bernoulli-mintát: X 1,..., X n. Konstruáljunk ε terjedelm (randomizált) próbát a H 0 : θ = θ 0 és H 1 : θ > θ 0 választáshoz! Határozzuk meg a másodfajú hibát! 4. Legyen X 1 egy egyelem, p paraméter geometriai eloszlású minta. (a) A H 0 : p = 0,5 vs. H 1 : p = 0,9 esetén a mekkora a terjedelme annak a véletlenített próbának, amelynek er függvénye 0 k 3 Ψ(X 1 ) = 0,5 k = 2? 1 k = 1 Adjuk meg a mádosfajú hiba valószín ségét is! (b) Konstruáljunk pontosan ε terjedelm (randomizált) próbát a H 0 : p = p 0 és H 1 : p < p 0 választáshoz! Torzítatlan-e a konstruált próba? 5. Legyen X 1,..., X n független, λ paraméter exponenciális eloszlású minta. Konstruáljuk meg a H 0 : λ = λ 0 és H 1 : λ = λ 1 egyszer alternatívához tartozó ε terjedelm leger sebb próbát a Neyman-Pearson alaplemma segítségével!
22 4. HIPOTÉZISVIZSGÁLAT X 1,..., X n N (µ, 1) független minta. Konstruáljuk meg a H 0 : µ = µ 0 és H 1 : µ = µ 1 egyszer alternatívához tartozó ε terjedelm leger sebb próbát a Neyman-Pearson alaplemma segítségével! 7. X 1,..., X n N (0, σ 2 ) független minta. Konstruáljuk meg a H 0 : σ = σ 0 és H 1 : σ = σ 1 egyszer alternatívához tartozó ε terjedelm leger sebb próbát a Neyman-Pearson alaplemma segítségével! 8. 5 elem mintát feltételezve konstruáljuk meg a Bernoulli-eloszlás p paraméterére vonatkozó H 0 : p = 1/2 és H 1 : p = 1/4 egyszer alternatívához tartozó pontosan 0,2 terjedelm, leger sebb próbát! 9. Legyen X 1,..., X n független, p paraméter geometriai eloszlású minta. Konstruáljuk meg a H 0 : p = p 0 és H 1 : p = p 1 egyszer alternatívához tartozó pontosan ε terjedelm, leger sebb próbát! 10. Írjuk fel a likelihood-hányados próba statisztikáját, ahol (a) X geom(p) és H 0 : p = p 0 vs H 1 : p p 0. (b) X P oisson(λ) és H 0 : λ = λ 0 vs H 1 : λ λ 0. (c) X exp(λ) és H 0 : λ = λ 0 vs H 1 : λ λ 0. (d) X U(a, b) és H 0 : b = b 0 vs H 1 : b b 0. (e) Teljesülnek-e a fenti esetekben a regularitási feltételek? 11. Legyen X 1,..., X n N (µ, σ 2 ) független minta, mindkét paraméter ismeretlen (n elegend en nagy). Legyen H 0 : σ = 1 és H 1 : σ 1. Konstruáljunk ezekhez 0,05 terjedelm likelihood-hányados próbát! 12. Legyenek X 1,..., X n N (µ 1, σ 2 ) és Y 1,..., Y m N (µ 2, σ 2 ) független minták. (a) Írjuk fel a H 0 : σ = σ 0 és H 1 : σ σ 0 hipotézisekhez konstruált likelihood-hányados próba statisztikáját! (b) Írjuk fel a H 0 : µ 1 = µ 2 és H 1 : µ 1 µ 2 hipotézisekhez konstruált likelihood-hányados próba statisztikáját, ha σ ismert! (c) Írjuk fel a H 0 : µ 1 = µ 2 és H 1 : µ 1 µ 2 hipotézisekhez konstruált likelihood-hányados próba statisztikáját, ha σ ismeretlen!
23 4. HIPOTÉZISVIZSGÁLAT Az 1. táblázatbeli adatok alapján Teszteljük azt a nullhipotézist, hogy a testsúly várható értéke 45 kg, ha (a) a szórás ismeretlen! (b) a szórás 15 kg! (c) Fel kell-e tennünk a normalitást? 14. Igazoljuk, hogy az ε terjedelm (kétoldali) u-próba pontosan akkor fogadja el a nullhipotézist, ha µ 0 benne van az X segítségével µ-re szerkesztett 1 ε szint kondencia intervallumban! 15. Legyen X 1,..., X n N (µ, σ 2 0) független minta, (σ 0 ismert). Legyen H 0 : µ = µ 0 és H 1 : µ µ 0. Konstruáljunk ezekhez 0,05 terjedelm likelihood-hányados próbát! Vessük össze a kapott próbát az u-próbával (két- és egyoldali változatával is)! 16. Legyen (X 1, Y 1 ),... (X n, Y n ) N (m, C), ahol ( σ m 2 = (µ 1, µ 2 ) és C = σ2 2 ). Alkalmazzunk önkontrollos vizsgálatot a H 0 : µ 1 = µ 2 vs H 1 : µ 1 µ 2 hipotézisek vizsgálatára ismert szórások esetén, és vessük össze a kapott tesztet a kétmintás u-próba kétoldali változatával! 17. Legyen X 1,..., X n N (µ, σ 2 ) független minta. Tekintsük a t-próba statisztikáját: t(x) = X µ 0 S n/ n és a következ (likelihood-hányados próbához tartozó) statisztikát: ( n j=1 λ n (X) = (X ) j X) 2 n/2 n j=1 (X. j µ 0 ) 2 Igazoljuk, hogy ( ) n/2 1 λ n (X) =. 1 + t2 (X) n 1 Mutassuk meg, hogy ez azt jelenti, hogy a fenti likelihood-próba a t- próba kétoldali változatával ekvivalens!
24 4. HIPOTÉZISVIZSGÁLAT Határozzuk meg az egyoldali u-próba er függvényét! Igazoljuk, hogy a próba torzítatlan és konzisztens is! Hogyan változik a próba ereje, ha (a) ε, (b) θ θ 0, (c) n n? 19. Ha kétdimenziós normális eloszlású mintánk van, ahol a komponensek függetlenek, azonos szórásúak, akkor a komponensek várható értékeinek egyenl ségének tesztelésére a páros és a kétmintás t-próbát is alkalmazhatunk. Írjuk fel a két próba er függvényt! Ha az empirikus kovariancia 0, mondhatjuk-e, hogy a kétmintás t-próba er sebb? 20. Egy, az 1. táblázatbelit l különböz csoportban a diákok magassága rendre 176, 165, 145, 177, 155, 175, 164, 166, 148, 163, 145, 161, 170 cm. Azt a nullhipotézist szeretnénk tesztelni, hogy a két csoport magasságának várható értéke megegyezik. Alkalmazható-e a kétmintás t- próba? Ha igen, alkalmazzuk, ha nem, milyen próbát használhatunk helyette? 21. Egy dobókockával n = 1200-szor dobunk. Az egyes oldalak gyakoriságai: ν 1 = 184, ν 2 = 212, ν 3 = 190, ν 4 = 208, ν 5 = 212, ν 6 = 194. Teszteljük 90%-os szignikancia-szinten azt a nullhipotézist, hogy a dobókocka szabályos! Hogyan változik az eredmény, ha n = lenne és ν i -k 10-szereseik? Miért? 22. Tekinthet -e az 1. táblázatban a testsúly normális eloszlásúnak 5%-os szignikancia-szinten? 23. Békéscsabán 80 évig gyelték az októberi középh mérsékletet. Az adatok gyakorisági eloszlása az alábbi: <11 C C C C >14 C Igazolható-e 0,05 szinten az adatok normális eloszlás szerinti megoszlása? Milyen próbát alkalmaznánk, ha ismernénk a 80 év pontos októberi középh mérsékleteit? 24. Egy kísérlet során kiderült, hogy két egyetemi csoportban a úk közül 7-en dohányoznak, 8-an nem. A lányok közül 28 a dohányos és 7 nem az. Hogyan tudnánk ezekb l az adatokból eldönteni, hogy az egyetemisták esetében a úk vagy a lányok között magasabb a dohányzók aránya (5%-os szignikancia-szinten)? Mi itt a nullhipotézis?
25 4. HIPOTÉZISVIZSGÁLAT Egy társaságban 20 dohányzó fér, 10 nemdohányzó fér, 10 dohányzó n és 10 nemdohányzó n van. Teszteljük 5%-os szignikancia-szinten, hogy a nem és a dohányzás függetlenek! 26. Igazoljuk, hogy a függetlenségvizsgálatra vonatkozó χ 2 próba becsléses változata a diszkrét minták homogenitásvizsgálatára vonatkozó χ 2 próba általánosítása! 27. Teszteljük 5%-os szignikancia-szinten azt a nullhipotézist, hogy az 1. táblázatbeli magasságok mediánja 170 cm! 28. Teszteljük 5%-os szignikancia-szinten azt a nullhipotézist, hogy az 1. táblázatbeli magasságok és a 20. feladatbeli adatok azonos eloszlásból származnak! 29. Legyenek X 1,..., X n és Y 1,..., Y n független, 0 mediánú minták. Deniáljuk ɛ i,j -t a következ képpen: { 1, ha Xi < Y j, ɛ i,j = 0 ha X i > Y j. Feltehetjük, hogy P(X i = Y j ) = 0. Számítsuk ki a kétmintás Wilcoxonpróba R = i,j ɛ i,j statisztikájának várható értékét és szórásnégyzetét! 30. Tekintsük az (X 1, Y 1 ),..., (X n, Y n ) mintát és az r sp Spearman-féle rangkorrelációs együtthatót. (a) Igazoljuk, hogy r sp 1 és egyenl ség pontosan akkor teljesül, ha minden i j párra X i X j az Y i Y j, illetve Y i Y j relációt vonja maga után (r sp el jelének megfelel en). (b) Igazoljuk, hogy ha a háttérváltozók függetlenek, akkor E(r sp ) = Legyen X 1, X 2,... N (µ, σ 2 0) független azonos eloszlású minta (σ 0 ismert). Adjunk a H 0 : µ = µ 0 vs. H 1 : µ = µ 1 egyszer alternatíva eldöntésére szekvenciális eljárást (ε 1 els fajú és ε 2 másodfajú hibával)! Adjuk meg a várható lépésszámokat! 32. Legyen X 1, X 2,... B(p) független azonos Bernoulli eloszlású minta. Adjunk a H 0 : p = p 0 vs. H 1 : p = p 1 egyszer alternatíva eldöntésére szekvenciális eljárást (ε 1 els fajú és ε 2 másodfajú hibával)! Adjuk meg a várható lépésszámokat!
26 4. HIPOTÉZISVIZSGÁLAT Legyen X 1, X 2,... exp(λ) független azonos eloszlású minta. Adjunk a H 0 : λ = λ 0 vs. H 1 : λ = λ 1 egyszer alternatíva eldöntésére szekvenciális eljárást (ε 1 els fajú és ε 2 másodfajú hibával)! Adjuk meg a várható lépésszámokat!
27 5. Többváltozós módszerek 1. Igazoljuk, hogy egy többdimenziós normális eloszlású vektorváltozó komponensei pontosan akkor függetlenek, ha páronként korrelálatlanok! 2. Mutassuk meg, hogy ha Y 1,..., Y m független normális eloszlásúak, akkor együttes eloszlásuk m-dimenziós normális! 3. * Adjunk olyan véletlen vektorváltozót, amely komponensei 1-dimenziós normális eloszlásúak, maga nem többdimenziós (és nem is elfajult többdimenziós) normális eloszlású! 4. Legyen Y N d (m, C), ahol C pozitív denit, B pedig egy d d-s nemszinguláris mátrix. Milyen eloszlású X = BY? 5. Legyen X N 2 (m, C). (a) Adjuk meg a komponensek összegének, különbségének eloszlását! (b) Adjuk meg X komponenseinek tetsz leges ax 1 +bx 2 lineáris kombinációjának eloszlását! (c) Adjuk meg X komponenseinek korrelációs mátrixát! (d) Adjuk meg annak a lineáris transzformációnak a mátrixát, amely X véletlen vektort a 2-dimenziós standard normális eloszlásúba viszi át. Egyértelm -e ez a mátrix? 6. Legyenek X i N d (m i, C i ), i = 1,..., n független véletlen vektorok. Adjuk meg n i=1 X i eloszlását! 7. Legyen X egy d dimenziós ún. szimmetrikus normális eloszlású vektor, azaz komponensei azonos eloszlásúak és bármely két komponens kovarianciája ugyanakkora. (a) Határozzuk meg a korrelációs mátrix spektrálfelbontását! (b) Határozzuk meg C 1 -et, ahol C a kovarianciamátrix! (c) Adjuk meg annak a lineáris transzformációnak a mátrixát, amely X véletlen vektort a d-dimenziós standard normális eloszlásúba viszi át. (d) Mutassuk meg, hogy bármely két komponens korrelációja nagyobb mint (1 d) 1.
28 5. TÖBBVÁLTOZÓS MÓDSZEREK * Legyen A és B két n n-es pozitív denit mátrix. Mutassuk meg, hogy elemenkénti szorzatuk is pozitív denit! 9. Mutassuk meg, hogy egy d-dimenziós normális eloszlású vektorváltozó komponensei közül (d >)k-t tetsz legesen kiválasztva azok együttes eloszlása k-dimenziós normális! 10. * Van-e olyan d-dimenziós vektorváltozó, amely nem többdimenziós (és nem is elfajuló többdimenziós) normális, de komponensei közül bárhogy kiválasztva d 1-et azok együttes eloszlása már d 1-dimenziós normális? 11. Mutassuk meg, hogy (X 1, X 2 ) N 2 (0, C) esetén X 2 1/c 1,1 + X 2 2/c 2,2 pontosan akkor χ 2 (2) eloszlású, ha X 1 és X 2 korrelálatlanok! 12. Legyen Y N d (0, C), továbbá A egy d d-s szimmetrikus r rangú mátrix. Igazoljuk, hogy Y AY χ 2 (r) pontosan akkor teljesül, ha ACA = A. 13. Legyen ν = (ν 1,..., ν k ) P oly n (p 1,..., p k ). Igazoljuk, hogy ν i B n (p i ). 14. A polinomiális és χ 2 eloszlások kapcsolatát felhasználva adjuk meg a χ 2 -próbák statisztikáinak aszimptotikus eloszlásainak szabadságfokait! 15. Tekintsük az X = (X 1,..., X n ) mátrixot, amely oszlopvektorai X i N d (0, C), i = 1,..., n fae változók, valamint a W = XX Wishartmátrixot! (a) Milyen eloszlású W? (b) Hogy változik meg W, ha X két oszlopát felcseréljük? (c) Hogy változik meg W, ha X két sorát felcseréljük? (d) Adjunk meg W várható értékét! (e) Milyen eloszlású W k-adik f minora? 16. Legyenek W i W d (n i, C), i = 1,..., k független Wishart-mártixok. Milyen eloszlású k i=1 W i? 17. Legyen W W d (n, C) és a R +. Milyen eloszlású aw?
29 5. TÖBBVÁLTOZÓS MÓDSZEREK Legyen W W d (n, C) és B egy d d-s nemszinguláris mártix. Milyen eloszlású BWB? 19. Legyen W W d (n, I). (a) Milyen eloszlásúak W diagonális elemei? (b) Milyen eloszlású trw? (c) Igazoljuk, hogy W nemdiagonális elemei el állnak két független χ 2 (n) eloszlású változó különbségének konstansszorosaként! 20. Legyen X 1,..., X n N d (m, C) független minta. Milyen eloszlású (a) (X m)(x m)? (b) az empirikus kovarianciamátrix? (c) a korrigált empirikus kovarianciamátrix? 21. Igazoljuk a Steiner-egyenl ség következ többdimenziós változatát: ha x 1,..., x n, v R d, akkor n (x k v)(x k v) = k=1 n (x k x)(x k x) + n(x v)(x v). k=1 22. Legyen X 1,..., X n N d (m, C) független minta. Igazoljuk, hogy Cov(X, X i X) = Legyen X 1,..., X n N (µ, σ 2 ) minta. (a) Adjuk meg az I 1 Fisher-féle információs mátrixot! a kor- (b) Igazoljuk, hogy (X, Sn 2 ) hatásos becslése (µ, σ 2 )-nek (Sn 2 rigált empirikus szórásnégyzet)! 24. Legyen X 1,..., X n U(a, b) független minta. Adjuk meg az I 1 és I n Fisher-féle információs mátrixokat! 25. X 1,..., X n egy d-dimenziós a középpontú b sugarú gömbben egyenletes eloszlásból vett független minta. (a) Adjuk meg az I 1 Fisher-féle információs mátrixot!
30 5. TÖBBVÁLTOZÓS MÓDSZEREK 30 (b) Adjunk maximum likelihood becslést a-ra b = 1 esetben! (c) Adjunk maximum likelihood becslést (a, b)-re! id s embert az orvos két csoportba sorolt aszerint, hogy van-e szenilis faktor a viselkedésükben (I. csoport) vagy sem (II. csoport). Ezután elvégeztettek velük 4 pszichológiai tesztet (1. információ, 2. hasonlóság, 3. aritmetika, 4. képfelismerés), melyekre kapott átlagpontszámok az alábbi táblázatban láthatók: I. (n=37) II. (m=12) 1. 12,57 8, ,57 5, ,49 8, ,97 4,75 Vizsgálja meg, 95%-os szignikanciaszinten elfogadható-e az a nullhipotézis, hogy a két csoport várhatóan nem különbözik szignikánsan a teszteredmények alapján. Feltesszük, hogy az egyes emberek teszteredményei 4-dimenziós normális eloszlást követnek ismeretlen (közös) kovarianciamátrixszal. Az egyesített (49) elem mintából számolt S = S 1 + S 2 mátrix inverze: S 1 = 0,0052 0,0028 0,0012 0,0012 0,0028 0,0038 0,0008 0,0002 0,0012 0,0008 0,0030 0,0004 0,0012 0,0002 0,0004 0, Legyen X 1,..., X n N d (m, C) független minta, ahol C ismert. (a) Adjuk meg az I 1 Fisher-féle információs mátrixot! (b) Igazoljuk, hogy X hatásos becslése m-nek! (Használjuk a Cramér- Rao egyenl tlenség többdimenziós változatát!) (c) Igazoljuk, hogy a H 0 : m = m 0, H 1 : m m 0 hipotézisek vizsgálatára konstruált próba likelihood-hányados teszt! (d) Igazoljuk, hogy az el z pontbeli teszt az u-próba általánosítása!
31 5. TÖBBVÁLTOZÓS MÓDSZEREK atal emberre az A, B, C stimuláló szerek hatását vizsgálták a reakcióid szempontjából (századmásodpercben). X A = 21,05 X B = 21,65 X C = 28,95, S = 45,2 43,6 32,6 43,6 53,2 36,4 32,6 36,4 49,4 95%-os szignikanciaszinten vizsgálja meg az egyenl hatás elvét a B A, C B különbségekre! (Feltesszük, hogy a hatások többdimenziós normális eloszlást követnek, és azt teszteljük, hogy a B és A hatás különbsége, valamint a C és B hatás különbsége mint 2-dimenziós normális eloszlású véletlen vektor 0 várható érték vektorúnak tekinthet e.) Megjegyezzük, hogy valójában a három stimulálószer hatása várható értékének egyenl sége itt a nullhipotézis, azonban meggyeléseink nem független mintákra, hanem ugyanarra a 20 emberre vonatkoznak. Így a javasolt vizsgálat a t-próbánál bevezetett önkontrollos vizsgálat többdimenziós általánosításának tekinthet. 29. Legyen X 1,..., X n N d (m, C) független minta. Vegyük az (m, C) paraméter ( ˆm, Ĉ) = (X, S/n) (maximum likelihood) becsléseit!. (a) Igazoljuk, hogy (X, S) elégséges statisztika (m, C)-re! (b) Torzítatlan becslése-e (X, S/n) az (m, C) paraméternek? Ha nem, korrigáljuk! (c) Mutassuk meg, hogy a (Hotelling-féle) T 2 -próba a t-próba (kétoldali változatának) általánosítása (de az egyoldalinak nem)! (d) Konstruáljunk likelihood-hányados próbát a H 0 : C = C 0 hipotézis tesztelésére! (e) Konstruáljunk ε terjedelm egyenletesen leger sebb próbát a Neyman- Pearson alaplemma segítségével a H 0 : (m, C) = (m 0, C 0 ) vs. H 1 : (m, C) = (m 1, C 0 ) egyszer alternatíva vizsgálatára! 30. Igazoljuk, hogy a (Hotelling-féle) kétmintás T 2 -próba likelihood-hányados próba! Igazoljuk, hogy ez a teszt a kétmintás t-próba általánosítása!
32 5. TÖBBVÁLTOZÓS MÓDSZEREK Legyen X 1,..., X n1 N d (m 1, C 1 ) és Y 1,..., Y n2 N d (m 2, C 2 ) független minták. Konstruáljunk likelihood-hányados próbát a H 0 : C 1 = C 2, H 1 : C 1 C 2 hipotézisek vizsgálatára (kétmintás T 2 próba feltételének ellen rzése)! 32. Legyen X 1, X 2,... N d (m, C) fae. Adjunk a H 0 : (m, C) = (m 0, C 0 ) vs. H 1 : (m, C) = (m 1, C 0 ) egyszer alternatíva eldöntésére szekvenciális eljárást (ε 1 els fajú és ε 2 másodfajú hibával)! Adjuk meg a várható lépésszámokat! 33. Legyen A 1,..., A k teljes eseményrendszer, P(A i ) = p i. Legyen X az eseményrendszer k-dimenziós indikátorváltozója, valamint p = (p 1,..., p k ). Legyenek X 1, X 2... független vektorok, amelyek eloszlása megegyezik X eloszlásával. (a) Mutassuk meg, hogy n i=1 X i P oly n (p 1,..., p k ). (b) Adjunk maximum likelihood becslést az els n mintaelem alapján p-re a Lagrange-multiplikátor módszerével! (c) Adjunk maximum likelihood becslést az els n mintaelem alapján p-re p k = 1 p 1... p k 1 felhasználásával is! (d) Adjunk a H 0 : p = p 0 vs. H 1 : p = p 1 egyszer alternatíva eldöntésére szekvenciális eljárást (ε 1 els fajú és ε 2 másodfajú hibával)! Adjuk meg a várható lépésszámokat!
33 6. Lineáris módszerek 1. Legyen X egy d-dimenziós vektorváltozó és Y a hozzá tartozó f komponensvektor. Adjuk meg X i és Y j kovarianciáját! ( ) 1 ρ 2. Legyen X N 2 (0, C), ahol C =, ahol 0 < ρ < 1. Adjuk meg ρ 1 a f komponenseket és a f komponensvektor kovarianciamátrixát! 3. Legyen X N d (0, C), ahol C diagonális mátrix f átlójában különböz (pozitív) értékekkel. Adjuk meg a f komponensvektort! 4. Legyen X N d (0, C), ahol C f diagonálisának minden eleme 1, minden más eleme r valamely 0 < r < 1 számra. (a) Adjuk meg X els f komponensét! (b) Adjuk meg a f komponensek szórásnégyzeteit! ( ) λ Legyen X N 2 (0, C), ahol C =. Adjunk maximum likelihood becslést C 0 λ 2 sajátértékeire! 6. A f komponensanalízis egy módosított változatában a korrelációs mátrixból indulunk ki. (a) Mutassuk meg, hogy ezzel a módszerrel más megoldást kapunk, mint a kovarianciamátrixot használó modellben! (b) A Kaiser-kritérium azon sajátvektorokkal konstruált f komponenseket választja, amelyekhez tartozó sajátérték legalább a sajátértékek átlaga. Igazoljuk, hogy tetsz leges nemszinguláris korrelációs mátrix sajátértékeinek átlaga 1! (c) Tegyük fel, hogy a korrelációs mátrix minden eleme nagyobb mint 1 ε. Mutassuk meg, hogy a legnagyobb sajátérték nagyobb d(1 ε)-nál (egy nagy és sok kis szórású f komponens van)! (d) Tegyük fel, hogy a korrelációs mátrix sajátértékei a legnagyobb kivételével kisebbek mint ε. Mutassuk meg, hogy a mátrix elemeinek abszolutértékei nagyobbak mint 1 2dε.
34 6. LINEÁRIS MÓDSZEREK Legyen X egy d-dimenziós véletlen vektor, k < d, és tekintsük a következ modellt: X = AY + Z + m, ahol A egy d k-as mátrix, Y egy k-dimenziós, Z egy d-dimenziós véletlen vektor, amelyekre E(Y) = 0, E(YY ) = I k, E(Z) = 0, E(YZ ) = 0 k d-s azonosan 0 mátrix (a faktoranalízissel szemben itt nem követelmény E(ZZ ) diagonális volta, de elvárjuk, hogy elemei kicsik legyenek). Adjunk megoldást a f komponensanalízis segítségével! 8. Tekintsük az X = Af + e + m k-faktor modellt (X egy d-dimenziós vektorváltozó, A a d k-as faktorsúlymátrix, f a k-dimenziós közös faktor I k kovarianciamátrixszal, e d-dimenziós egyedi faktor D diagonális kovarianciamátrixszal, amelyre E(fe ) = 0). (a) Mutassuk meg, hogy ha i j, akkor X i és e j korrelálatlanok! (b) Adjuk meg X i változó és e i egyedi faktorkomponens kovarianciáját! (c) Adjuk meg X i változó és f j közös faktorkomponens kovarianciáját! 9. A faktoranalízis modelljében legyen A és B két faktorsúly-mátrix, amelyekre AA = BB. Mutassuk meg, hogy ekkor van olyan G k k méret ortogonális mátrix, amelyre B = AG. 10. A faktoranalízis modelljének mátrixalakja C = AA + D, ahol A egy d k-s mátrix, D pedig egy d d-s diagonális mátrix nemnegatív elemekkel. Tekintsük a d = 2 és k = 1 esetet! (a) Mikor van megoldása a fenti modellnek? (b) Adjunk maximum likelihood becslést A-ra és D-re! 11. Legyen (Y, X 1,..., X m ) N (m, C). Adjuk meg az E((Y g(x 1,..., X m )) 2 )- et mininalizáló regressziós függvényt! 12. Igazoljuk, hogy ha X, Y véges szórású valószín ségi változók, valamint Y ax + b a legjobb lineáris közelítés négyzetes értelemben, akkor (a) r(x, Y ) = a D(X) D(Y ), (b) E((Y (ax + b)) 2 ) (1 r(x, Y ))D 2 (Y ).
35 6. LINEÁRIS MÓDSZEREK Tekintsük az (X, Y ) véletlen vektort, az l 1 (X) = ax + b (amelyre E((Y l 1 (X)) 2 ) minimális) és az l 2 (Y ) = cy +d (amelyre E(X l 2 (Y )) 2 minimális) regressziós egyeneseket. Mikor teljesül, hogy c = 1/a? 14. Legyenek x 1,..., x n mérési pontok, továbbá Y 1,..., Y n változók amelyek kielégítik a Y i = ax i +b+ɛ i, i = 1,..., n regressziós modellt, ahol a mérési hibák ɛ 1,..., ɛ n N (0, σ 2 ) független valószín ségi változók. (a) Adjunk maximum likelihood becslést az (a, b, σ 2 ) paraméterre a Y minta segítségével! (Mi köze a kapott becslésnek a legkisebb négyzetek módszeréhez?) (b) Igazoljuk, hogy a és b fenti becslései pontosan akkor korrelálatlanok, ha x = 0. (c) Adjunk kondencia intervallumot a-ra, ha b = 0 és σ ismert. (d) Konstruáljunk a H 0 : a = a 0 és H 1 : a a 0 hipotézisekhez ε terjedelm próbát, feltéve, hogy b és σ 2 ismert! (e) Konstruáljunk likelihood-hányados próbát H 0 : a = a 0 és H 1 : a a 0 hipotézisekhez, ha b = 0 és σ 2 ismeretlen! (f) Konstruáljunk likelihood-hányados próbát H 0 : a = a 0 és H 1 : a a 0 hipotézisekhez, ha b és σ 2 ismeretlen! (g) Hogyan ellen rizhetjük a modell alkalmazhatóságát, azaz a mérési hibákra vonatkozó feltételek teljesülését? 15. Tekintsük az Y = a x + ɛ regressziós modellt, ahol ɛ N (0, σ 2 ), σ 2 ismert értékre. Konstruáljuk meg a Neyman-Pearson alaplemma segítségével a H 0 : a = a 0 vs. H 1 : a = a 1 egyszer alternatívához tartozó ε terjedelm egyenletesen leger sebb próbát! 16. Tekintsük az Y = a 1 x a d x d + b + ɛ regressziós modellt és a H 0 : a 1 =... = a d = 0 hipotézist tesztel regresszióanalízist. (a) Legyen Q = n i=1 (Y i Y ) 2, Q r = n i=1 (Ŷi Y ) 2 és Q e = n i=1 (Ŷi Y i ) 2, ahol Ŷi = â 1 x i, â d x i,d +ˆb. Igazoljuk, hogy Q = Q r +Q e. (b) Jelölje R n a többszörös korrelációs együttható becslését. Mutassuk meg, hogy R 2 n = Qr Q. (c) Igazoljuk, hogy a próbastatisztika F = (n d 1)Qr dq e alakokban is felírható! = (n d 1)R2 n d(1 R 2 n )
36 6. LINEÁRIS MÓDSZEREK 36 (d) Vessük össze a regresszióanalízist a korrelációs együtthatókra vonatkozó tesztekkel! Indokolt-e a regresszióanalízist függetlenség tesztelésére használni? (e) A regresszióanalízist szokás varianciaanalízisnek is nevezni. Magyarázzuk meg az elnevezést! 17. Vessük össze a lineáris regresszió megoldását (a = C 1 d, ha a várható értékek 0-k) a determinisztikus változók esetén kapott megoldással (â = (X X) 1 X Y)! 18. Igazoljuk, hogy X X pontosan akkor nemszinguláris, ha X oszlopvektorai lineárisan függetlenek. 19. Tekintsük a következ multiplikatív modellt: Y = bx a X a k k. Vezessük vissza a lineáris modellre, és adjunk becslést a paraméterekre a módosított modellben a legkisebb négyzetek módszerével! Más becslést kapnánk-e, ha a legkisebb négyzetek módszerét közvetlenül az eredeti modellre alkalmaznánk? 20. Polinomiális regresszió esetén a modell Y = b + a 1 X a k X k alakú. A megoldást úgy keresik, hogy az X i = X i független változókra vonatkozó többváltozós lineáris regressziót vizsgálják. Viszont X i és X j nem független változók. Okoz-e ez problémát a megoldás egyértelm sége tekintetében? Miért? 21. Tekintsük az egyszempontos varianciaanalízis modelljében a paraméterek legkisebb négyzetek módszerével kapott becsléseit. (a) Mutassuk meg, hogy ezek maximum likelihood becslések! (b) * Számoljuk ki ezeket a becsléseket Lagrange-multiplikátor módszerrel! 22. Tekintsük az egyszempontos varianciaanalízis csoporthatás-vizsgálatát, ahol Q e = k ni i=1 j=1 (X ij X i ) 2 és Q a = k i=1 n i(x i X ) 2. (a) Mutassuk meg, hogy Q e /σ 2 χ 2 (n k)! (b) Igazoljuk, hogy H 0 teljesülése mellett Q a /σ 2 χ 2 (k 1), de ha H 0 nem teljesül, Q a nem χ 2 eloszlású! (c) Adjuk meg H 0 mellett Q a és Q e várható értékét és szórásnégyzetét!
Matematikai statisztika szorgalmi feladatok
Matematikai statisztika szorgalmi feladatok 1. Feltételes várható érték és konvolúció 1. Legyen X és Y független és azonos eloszlású valószín ségi változó véges második momentummal. Mutassuk meg, hogy
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
RészletesebbenNormális eloszlás paramétereire vonatkozó próbák
Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
Részletesebben2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben
1 feladatsor 1 Egy dobozban 20 fehér golyó van Egy szabályos dobókockával dobunk, majd a következ t tesszük: ha a dobott szám 1,2 vagy 3, akkor tíz golyót cserélünk ki pirosra; ha a dobott szám 4 vagy
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes 2016/2017. tavaszi félév Valószín ségi vektorváltozó Deníció Az X = (X 1,..., X n ) : Ω R n függvény valószín ségi vektorváltozó,
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
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
Részletesebbenegyetemi jegyzet Meskó Balázs
egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.
Részletesebben1. Példa. A gamma függvény és a Fubini-tétel.
. Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenNagy-György Judit. Szegedi Tudományegyetem, Bolyai Intézet
Többváltozós statisztika Szegedi Tudományegyetem, Bolyai Intézet Többváltozós módszerek Ezek a módszerek több változó együttes vizsgálatára vonatkoznak. Alapvető típusaik: többdimenziós eloszlásokra vonatkozó
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
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
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
RészletesebbenDr. 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
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:
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
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
RészletesebbenStatisztika Elıadások letölthetık a címrıl
Statisztika Elıadások letölthetık a http://www.cs.elte.hu/~arato/stat*.pdf címrıl Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább 1-α valószínőséggel
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenLINEÁRIS MODELLBEN május. 1. Lineáris modell, legkisebb négyzetek elve
BECSLÉS ÉS HIPOTÉZISVIZSGÁLAT LINEÁRIS MODELLBEN Móri Tamás ELTE TTK Valószínűségelméleti és Statisztika Tanszék 2008 május Lineáris modell, legkisebb négyzetek elve Tegyük fel, hogy egy bizonyos pl fizikai)
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@cs.elte.hu 2016/2017. tavaszi félév Bevezetés Célok: véletlen folyamatok modellezése; kísérletekb l, felmérésekb
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
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
RészletesebbenHipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
RészletesebbenHipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás
STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H
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
RészletesebbenANOVA,MANOVA. Márkus László március 30. Márkus László ANOVA,MANOVA március / 26
ANOVA,MANOVA Márkus László 2013. március 30. Márkus László ANOVA,MANOVA 2013. március 30. 1 / 26 ANOVA / MANOVA One-Way ANOVA (Egyszeres ) Analysis of Variance (ANOVA) = szóráselemzés A szórásokat elemezzük,
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
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
RészletesebbenMatematikai statisztika I. témakör: Valószínűségszámítási ismétlés
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák
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
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenVektorterek. =a gyakorlatokon megoldásra ajánlott
Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,
RészletesebbenA 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
Részletesebben4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O
1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.
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 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:
Részletesebben5. előadás - Regressziószámítás
5. előadás - Regressziószámítás 2016. október 3. 5. előadás 1 / 18 Kétváltozós eset A modell: Y i = α + βx i + u i, i = 1,..., T, ahol X i független u i -től minden i esetén, (u i ) pedig i.i.d. sorozat
RészletesebbenGVMST22GNC 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
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
RészletesebbenNemparaméteres próbák
Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
RészletesebbenGyakorló feladatok statisztikai programcsomagokhoz
Gyakorló feladatok statisztikai programcsomagokhoz Az elvégzett tesztek eredményeit és azok magyarázatait mentsük el egy valasz.txt, ha ábra is van, a valasz.xls nev fájlba! 1. Nyissuk meg a kolcson.txt-t!
RészletesebbenMiért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenGazdasági matematika II. tanmenet
Gazdasági matematika II. tanmenet Mádi-Nagy Gergely A hivatkozásokban az alábbi tankönyvekre utalunk: T: Tóth Irén (szerk.): Operációkutatás I., Nemzeti Tankönyvkiadó 1987. Cs: Csernyák László (szerk.):
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
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
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,
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
RészletesebbenBiometria gyakorló feladatok BsC hallgatók számára
Biometria gyakorló feladatok BsC hallgatók számára 1. Egy üzem alkalmazottainak megoszlása az elért teljesítmény %-a szerint a következı: Norma teljesítmény % Dolgozók száma 60-80 30 81-90 70 91-100 90
Részletesebben0,1 P(X=1) = p p p(1-p) Egy p vszgő esemény bekövetkezik-e.
Egy kis emlékeztetı X val.változó értékek F(x) eloszlásfv. valségek P(a X
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenMatematikai statisztika Tómács Tibor
Matematikai statisztika Tómács Tibor Matematikai statisztika Tómács Tibor Publication date 2011 Szerzői jog 2011 Hallgatói Információs Központ Copyright 2011, Educatio Kht., Hallgatói Információs Központ
RészletesebbenLineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31
Lineáris leképezések Wettl Ferenc 2015. március 9. Wettl Ferenc Lineáris leképezések 2015. március 9. 1 / 31 Tartalom 1 Mátrixleképezés, lineáris leképezés 2 Alkalmazás: dierenciálhatóság 3 2- és 3-dimenziós
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenStatisztikai 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
RészletesebbenMatematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
RészletesebbenIlleszkedésvizsgálati módszerek összehasonlítása
Eötvös Loránd Tudományegyetem Természettudományi Kar Illeszkedésvizsgálati módszerek összehasonlítása Szakdolgozat Készítette: Tóth Alexandra Matematika BSc. Matematikai Elemző szakirány Témavezető: Zempléni
RészletesebbenSzinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28
Szinguláris értékek Wettl Ferenc 2015. április 3. Wettl Ferenc Szinguláris értékek 2015. április 3. 1 / 28 Tartalom 1 Szinguláris érték 2 Alkalmazások 3 Norma 4 Mátrixnorma Wettl Ferenc Szinguláris értékek
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
Részletesebben3. Egy szabályos dobókockával háromszor dobunk egymás után. Legyen A az az esemény, hogy
Valószínűségszámítás. zárthelyi dolgozat 009. október 5.. Egy osztályba 3-an járnak. Minden fizikaórán a a többi órától függetlenül a tanár kisorsol egy felelőt, véletlenszerűen, egyenletesen, azaz mindig
RészletesebbenAdatok 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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenValószín ségszámítás 2.
Valószín ségszámítás 2. Csiszár Vill A kötet az Eötvös Loránd Tudományegyetem tankönyv- és jegyzettámogatási pályázatán elnyert forrás felhasználásával jelent meg. Szakmai lektor: Wintsche Gergely A kézirat
Részletesebben2. A ξ valószín ségi változó s r ségfüggvénye a következ : c f(x) =
1 Egy dobozban hat fehér golyó van Egy szabályos dobókockával dobunk, majd annyi piros golyót teszünk a dobozba, amennyit dobtunk Ezután véletlenszer en húzunk egy golyót a dobozból (a) Mi a valószín sége,
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
Részletesebbenföldtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás
Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább
RészletesebbenGVMST22GNC 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
RészletesebbenIntervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef.
Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef. Feladatok Gazdaságstatisztika 7. Statisztikai becslések (folyt.); 8. Hipotézisvizsgálat
RészletesebbenBevezetés. 1. fejezet. Algebrai feladatok. Feladatok
. fejezet Bevezetés Algebrai feladatok J. A számok gyakran használt halmazaira a következ jelöléseket vezetjük be: N a nemnegatív egész számok, N + a pozitív egész számok, Z az egész számok, Q a racionális
RészletesebbenGyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László
Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
Részletesebben1. Név:... Neptun Kód:... Feladat: Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt
1. Név:......................... Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt a gyártmányt készítik. Egy gyártmány összeszerelési ideje normális eloszlású valószín½uségi változó
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
RészletesebbenMatematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József
Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Matematika III. 5. : Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP
RészletesebbenVillamosmérnök A4 11. hét Kétdimenziós normális eloszlás, cht - Megoldások
Villamosmérnök A 11. hét Kétdimenziós normális eloszlás, cht - Megoldások Kétdimenziós normális összefoglalás Egy kétdimenziós X, Y valószínűségi változó kovariancia mátrixa: VarX CovX, Y CovX, Y VarY
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
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
RészletesebbenMátrixfüggvények. Wettl Ferenc április 28. Wettl Ferenc Mátrixfüggvények április / 22
Mátrixfüggvények Wettl Ferenc 2016. április 28. Wettl Ferenc Mátrixfüggvények 2016. április 28. 1 / 22 Tartalom 1 Diagonalizálható mátrixok függvényei 2 Mátrixfüggvény a Jordan-alakból 3 Mátrixfüggvény
RészletesebbenA 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
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
RészletesebbenMatematikai statisztikai elemzések 3.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematikai statisztikai elemzek 3. MSTE3 modul Becslelmélet: alapfogalmak, nevezetes statisztikák, intervallum-becsl SZÉKESFEHÉRVÁR
RészletesebbenGyakorló feladatok I.
Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,
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
RészletesebbenPrincipal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
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
RészletesebbenEloszlások jellemzése. Momentumok. Medián és kvantilis. Karakterisztikus függvény
Karakterisztikus függvény Eloszlások jellemzése Momentumok Karakterisztikus függvény Medián és kvantilis Medián Kvantilis Módusz Hogyan lehetne általánosítani a generátorfüggvényt folytonos okra? Karakterisztikus
RészletesebbenBevezetés a matematikai statisztikába
Bevezetés a matematikai statisztikába Szegedi Tudományegyetem, Bolyai Intézet i alapfogalmak Tekintsünk egy ξ valószínűségi változót. i minta (n elemű minta) ξ 1,..., ξ n fae vv, eloszlásuk megegyezik
Részletesebben