Regresszióanalízis. Példák. A regressziószámítás alapproblémája. A regressziószámítás alapproblémája. Informatikai Tudományok Doktori Iskola
|
|
- Marcell Borbély
- 7 évvel ezelőtt
- Látták:
Átírás
1 A regresszószámítás alapproblémája egresszóaalízs egresszószámításkor egy változót egy (vagy több) másk változóval becslük. Y,,... p függıváltozó függetle változók Y f(,,... p ) becslés f F Iformatka udomáyok Doktor Iskola E(Y- f * (,,... p )) = m E(Y- f(,,... p )) f F Példák. A Dua vízállásáak elırejelzése Budapeste. A paradcsom beérés dejéek becslése 3. Mőholdkép alapjá a búza terméshozamáak becslése. Mőholdkép alapjá a Mars vastartalmáak becslése 5. Predkcók, tredek dısorokál. Leárs közgazdaság modellek A regresszószámítás alapproblémája Ha smerjük az Y és az,,... p együttes eloszlását, akkor a probléma elméletleg megoldott: f (,,... p ) = E ( Y,,... p ). Gyakorlatba azoba csak egy adatmátr adott: Y Y M Y M M L p L p O M L p Feltételes teles várhatv rható érték, folytoos eset I. Feltételes teles várhatv rható érték, folytoos eset II.
2 Feltételes teles várhatv rható érték, folytoos eset III. A regresszó tulajdosága Az összes függvéy közül a regresszós görbével lehet legpotosabba közelíte! egresszó ormáls eloszlás s eseté Elmélet leárs regresszó f Y σ πσ ρ σ ( y) = σ ( ) ρ e µ + ρ( y µ ) Normáls kompoesek eseté a regresszós összefüggés leárs! Elmélet leárs regresszó A regresszószámítás alapproblémája F = {f(,,, p, a,b,c, a, b, c, valós paraméterek} Láttuk, hogyha,y együttes eloszlása ormáls, akkor a regresszó leárs lesz! A függvéyhalmazból azt az elemet fogjuk kválaszta, amelyél: h(a,b,c,...) = Σ (Y - f(,,..., p, a,b,c,... )) = m a,b,c,... Ez a legksebb égyzetek módszere! m
3 A regresszóaalízs fajtá A regresszóaalízs fajtá Leárs regresszó f() = B + B Nemleárs regresszók két változó között I. öbbváltozós leárs regresszó f(,,..., p ) = B + B + B B p p Polomáls regresszó f(,,..., p ) = B + B + B B p p =, =,..., p = p Kétparaméteres (leársra vsszavezethetı) regresszó pl. Y=f() = B o e B ly = B + l B o f( ) = B + B ep(b 3 ) aszmptotkus I. f( ) = B - B (B 3 ) aszmptotkus II. f( ) = (B + B ) -/B3 sőrőség f( ) = B (- B 3 ep(b )) Gauss f( ) = B ep( - B ep( - B 3 ))) Gompertz f( ) = B ep( - B /( + B 3 )) Johso-Schumacher A regresszóaalízs fajtá Nemleárs regresszók két változó között II. B f() ) = (B + B 3 ) log-módos dosított f() ) = B - l( + B ep( - B 3 ) f() ) = B + B ep( - B 3 ) log-logsztkus logsztkus Metcherlch f() ) = B / ( ( + B ) Mchaels Mete f() ) = (B B +B 3 B )/(B + B ) Morga-Merczer Merczer-Flor A regresszóaalízs fajtá Nemleárs regresszók két változó között III. f() = (B + B +B 3 + B 3 )/ B 5 3 köbök aráya f() = (B + B +B 3 )/ B égyzetek aráya f() = B /((+B 3 ep(b )) (/B) chards f() = B /((+B 3 ep(b )) Verhulst f() = (B (-B) B ep( - B 3 )) /(-B) Vo Bertalaffy f() = B - B ep( -B 3 B ) Webull f() ) = B /(+B ep( - B 3 +B + B 5 3 )) Peal-eed f() = /(B + B +B 3 ) Yeld sőrőség A regresszóaalízs fajtá Szakaszokét leárs regresszó Polgoáls regresszó A regresszóaalízs fajtá 3
4 A regresszóaalízs fajtá A regresszóaalízs fajtá öbbváltozós leárs regresszó kategóra-változóval Logsztkus regresszó Y dchotóm Y= {, ha az A eseméy bekövetkezk, ha az A eseméy em következk k be A eseméy,,..., p A választó fog szavaz A pácesek szívfarktusa lesz Az üzletet meg fogják köt ordáls sztő függetle változv ltozók eddg háyszor met el, kor, skola, jövedelem ap cg, ap pohár, kor, stressz ár, meység, pac forgalom, raktárkészlet A regresszóaalízs fajtá Logsztkus regresszó P(Y=) = P(A) - e -Z Z = B + B + B B p p P(A) ODDS = - P(A) log (ODDS) = e Z Z = B + B + B B p p Logsztkus regresszó A legagyobb valószíőség elve L(ε,ε,...,ε ) = P(Y = ε, Y = ε,..., Y = ε ) = = P(Y = ε ) P(Y = ε ) L P(Y = ε ) A regresszóaalízs fajtá L - e -Z - e -Z - e -Z l L(ε,ε,...,ε ) = Σ ( l ) - ep (B + B + B B p p ) Leárs regresszó A leárs kapcsolat ktütetett: () a legegyszerőbb és leggyakorbb, köyő a két paramétert értelmez () két dmezós ormáls eloszlás eseté a kapcsolat em s lehet más (vagy leárs vagy egyáltalá cs) Leárs regresszó Az emprkus leárs regresszó együtthatót a legksebb égyzetek módszerével kaphatjuk meg: Az emprkus leárs regresszó együttható az elmélet regresszós egyees együtthatótól ayba külöbözek, hogy a képletekbe az elmélet mometumok helyett a mtából számolt megfelelı emprkus mometumok állak:
5 Leárs regresszó A teljes égyzetösszeg A leárs regresszó Q = Q res + Q reg A maradékösszeg y res (, y ) reg (, ˆ ) y A regresszós összeg (, y ) yˆ = b + a A leárs regresszó A teljes égyzetösszeg felbotása: Q = Q res + Q reg f reg szabadság foka -, mert tagú az összeg, de ezek között két összefüggés va. Ha cs leárs regresszó, a varacák háyadosa (, -) szabadság fokú F eloszlást követ. Q reg s f Q ( ) reg reg reg F = = = s Q res res Q res f res f res szabadság foka mdössze, mert az átlag kostas A leárs regresszó A legksebb égyzetek módszere alapelve: y yˆ = b + a ( 3, y 3) (, y ) e e (, y ) ( 5, y 5) e 5 e 3 e (, y ).. Megjegyzések: A leárs regresszó A leárs regresszó ervezett (determsztkus) megfgyelés Fıleg mőszak alkalmazasokba gyakor, hogy a méréseket Y -ra elıírt beálltásokál végzk el, és így keresk az smeretle Y~f() függvéykapcsolatot. A modell lyekor az, hogy Y = f() +ε, ahol ε a mérés hbát jeletı valószíőség változó, melyre E ε = és σ ε véges. 5
6 Gauss-Markov-tétel Leársra vsszavezethetı kétparaméteres regresszó I = { f ( ; a, b) } E * * ( Y f ( ; a, b )) = m E( Y f ( ; a, b f I )) Ameybe találhatók olya alkalmas g, h, k, k függvéyek, amvel a probléma learzálható: y = f ( ; a, b) g( y) = k( a, b) h( ) + k( a, b) * * E( g( Y) k h( ) k ) = m E( g( Y ) k h( ) k ) k, k A trükkel em az eredet mmalzálás feladat megoldását * * * * * * a k ( k, k), b k ( k, k) kapjuk meg, csak attól em túl messze esı közelítéseket! Leársra vsszavezethetı kétparaméteres regresszó Leársra vsszavezethetı kétparaméteres regresszó epoecáls függvéykapcsolat: y = a e b hatváyfüggvéy: y = a b H A V y=**5 3 E P y=ep(.*) * y = l y = b + l a = k + k - 5 growth függvéy: compoud függvéy: 3 y = ep( a + b) y = a b * y = l y = a + b * y = l y = l a + l b Arrheus: y = a e b * * y = l y = b + l a = k + b = k, a = e k k A H y=ep(-5/) Leársra vsszavezethetı kétparaméteres regresszó recprok: y = a + b y = * = a + b y y=/(+5*). E. C I Leársra vsszavezethetı kétparaméteres regresszó homogé kvadratkus: y = a + b * y y = = a + b K V A D y=*+5* 5 3 racoáls: a y = + b A C I y=/(+5*) hperbolkus: H I P E y=+5/ 7 5 b y = a + logartmkus: y = a l b = a l b + a l y=l(5*) 5. L O G ( ) y * b * k = = + = k + k a =, b, y a a k = k
7 Learzálás, pl. Polomáls regresszó A polomáls regresszós feladatot többváltozós leárs regresszóval oldhatjuk meg, a predktor változók lyekor az változó hatváya: =! Polomáls regresszó Polomáls regresszó A regresszó közelítése Nadaraja módszerével Az és Y változók között a tökéletes függvéykapcsolatot az r()=e(y =) regresszós görbe adja meg. Nadaraja emparaméteres módszere a sőrőségfüggvéy Parze-oseblatt becslését haszálja. A sőrőségfüggvéy becslését felhaszálva a E( Y = ) = r( ) = + regresszós görbét közvetleül becsl. f, Y (, y) y dy f ( ) A regresszó közelítése Nadaraja módszerével étel: Legye az (, Y ), (, Y ),, (, Y ) mta együttes sőrőségfüggvéye f(,y). Legye továbbá k() olya páros sőrőségfüggvéy, amelyre gazak a következık: () k() korlátos függvéy () k() ha () k() másodk mometuma véges Legye a h > számsorozat olya, hogy (v) h ullsorozat Pl. k()=ϕ() és h = -/3 jó választás, ε > : P( r (v) h ( ) r( ) > ε ) (, I Akkor az Y k = = h r ( ) k = h az r() regressós görbe kozsztes becslése. 7
8 A regresszó közelítése Nadaraja módszerével Mvel mde esetbe bár agy, de mégscsak véges mtával végezzük a becslést, a h sorozat megadása helyett a Egy példa az alkalmazásra Egy meteorológa mérıballo segítségével külöbözı magasságokba megmérték a levegı ap ózo sztjét. Az összese =33 apo mértek: y k = = h r ( ) k h kfejezésbe a h paraméterrel mmalzáluk. Egy példa az alkalmazásra A két változó szóródásábrája: Egy példa az alkalmazásra Gauss magfüggvéyt haszálva: Egy példa az alkalmazásra A regresszó Nadaraja becslése: A függetle változók azo leárs kombácóját keressük, amelyél a függıváltozót legksebb égyzetes hbával tudjuk közelíte: ~ Y = Y + ε = b + b + b b + ε k k = Y ( ) = = ~ ε ε = ( Y b) ( Y b) = Y Y Y b Y Y = b + b b = = = Y Y Y b + b b = Q( b) m b
9 Az együtthatók meghatározása a legksebb égyzetek módszerével: Q = Y + b = b b = Y ( ) Y b = Szórásaalízs (ANOVA) a modell érvéyességéek eldötésére A ullhpotézs az, hogy a függetle változók mdegyke, vagys egyk predktor változó sem magyarázza a célváltozót! H : β = β =... = β k = SS ( k ) SSE ( k) F k, k F-próbával döthetük a ullhpotézsrıl. Béta-együtthatók S BEA = b S y b S S y = (,,..., k) A béta-együtthatók egyfajta az -edk regresszós szempotból együttható, mısítk a változók fotosságát a leárs összefüggésbe. Ha egy változóak agy az együtthatója abszolút az -edk változó stadard szórása, értékbe, akkor fotos, ha kcs, kevésbé fotos. a célváltozó stadard szórása. (coeffcet of determato) meghatározottság együttható Az érték megmutatja a leárs kapcsolat mértékét Ha csak egy SS SSE magyarázó változó = =, va, akkor éppe a SSO SSO korrelácós együttható égyzete! = ± SS SSO = ( )( Y Y ) = ( ) ( Y Y ) = = Megmutatja, hogy a leárs regresszóval a célváltozó varacájáak mekkora háyadát lehet magyaráz,. 9
10 Korrgált (adjusztált) meghatározottság mutató adj = p a függetle változók száma ( ) SSE / = p SSO ( p ) /( ) A korrekcó azért szükséges, mert újabb változók bevoásával automatkusa ı, és túl optmsta képet mutat a modell lleszkedésérıl. Az adjusztált változatba bütetjük a túl sok változó bevoását a modellbe. p= esetbe em korrgáluk. Modell-építés techkák Egy tpkus többváltozós leárs regresszós problémáál adott az Y célváltozó és agy számú,,, p magyarázó változó. Az elemzés kezdetekor azt sem tudjuk, melyek azok a változók, amk bekerülek, és melyek azok, amk em kerülek majd be a modellbe. Ha mde lehetséges kombácót k akarák próbál, akkor összese Már változó p p p eseté 5 modellt = kellee lleszteük! k = k modellllesztést kellee elvégezük! Modell-építés techkák Nylvá szőkíteük kell kell az llesztedı modellek számát! Alkalmazhatjuk az ENE eljárást, amelybe azokat a magyarázó változókat vesszük be a változólstából a modellbe, amely változókat szereték, hogy bee legyeek. Ezeket a modelleket utólag értékel kell a meghatározottság együttható agysága, és a regresszós együtthatók szgfkaca sztje alapjá. A módosításokkal újra el kell végez az llesztést. Modell-építés techkák Automatkus modellépítés techkák: SEPWISE FOEWAD BACKWAD EMOVE A felhaszálóak csak az dulás magyarázó változó lstát kell specfkála, az SPSS program ebbıl választva állít elı jó modelleket, amk közül választhatuk végsı megoldást. A parcáls F-próba együk fel, hogy bevotuk a p-edk magyarázó változót a modellbe. Ha az új változó magyarázó ereje elhayagolható, akkor az alább statsztka, -p- szabadságfokú Fsher-eloszlást követ: F p = p ( ) az új p változós modell meghatározottság együtthatója, a rég p- változós modell meghatározottság együtthatója, A parcáls F-próba A p-edk változót akkor vojuk be a modellbe, ha ahol K ε ε ( ) ( p ) K < olya krtkus érték, hogy: ( < K ) = ε P F,-p- ε
11 FOEWAD modell-építés BACKWAD modell-építés Alulról építkezı modellépítés eljárás. Mde modellépítés lépésbe a lstából azt a változót vojuk be, amely F-tesztjéhez a legksebb ε szt tartozk. A bevoás folyamat addg tart, amíg ez a legksebb ε szt egy beállított PIN korlát alatt marad. Elıye, hogy vszoylag kevés magyarázó változó lesz a modellbe, így köyebb a modellt értelmez. Felülrıl lebotó eljárás. Kezdetbe az összes változót berakjuk a modellbe. Mde lépésbe azt a változót hagyjuk el a modellbıl, amelyél parcáls F-próbáál a legagyobb ε érték tartozk. Akkor álluk meg, ha az elıre beállított POU küszöbérték alá megy ez az ε. A BACKWAD modellépítéssel vszoylag sok magyarázó változó marad be a modellbe. SEPWISE modell-építés EMOVE modell-építés A FOEWAD eljárást úgy módosítjuk, hogy mde lépésbe elleırzzük a modellbe korábba már bevot változókhoz tartozó ε szgfkaca-sztet, és azt elhagyjuk, ahol ez a szt agyobb mt POU. Nem kerülük végtele cklusba, ha PIN<POU. (Szokásos beállítás: PIN=,5 és POU=,. A EMOVE eljárás az ENE beállításából dul k, egyszerre hagy el változókat a modellbıl, összehasolításkét csak a kostas tagot tartalmazó modell eredméyet közl. Multkolleartás Multkolleartáso a magyarázó változók között fellépı leárs kapcsolat meglétét értjük. A multkolleartás jeleléte rotja a modell értékelhetıségét. A multkolleartás mérıszáma: toleraca varaca fláló faktor (VIF) kodícós de (CI) varaca háyad A multkolleartás mérıszáma. toleraca azt mér, hogy az -edk magyarázó változót az összes több mlye szorosa határozza meg. A ullához közel toleraca jelet azt, hogy közel függvéyszerő kapcsolat va a magyarázó változók között. Értéke -, ahol az -edk változóak a többvel vett leárs regresszójáak a korrelácós együtthatója, a többszörös korrelácós együttható. A varaca fláló faktor (VIF) a toleraca recproka: VIF=/(- ). Ezért, ha a magyarázó változók között szoros a kapcsolat, VIF végtele agy s lehet. Ha a magyarázó változók korrelálatlaok, a VIF értéke.
12 A multkolleartás mérıszáma. A kodícós de (CI) a magyarázó változók korrelácós mátráak sajátértékebıl számolt statsztka. A legagyobb és legksebb sajátértékek háyadosáak égyzetgyöke. A CI>5 esetébe megállapítható az erıs kolleartás. CI = λ λ ma m Varaca háyad s utalhat multkolleartásra. Ha egy-egy agy kodícós de sorába több regresszós együtthatóak va magas varaca háyada. A regresszós együtthatók varacát a sajátértékek között szétosztjuk. A becslést befolyásoló potok feltárása A leárs regresszós modell értékeléséek fotos lépése az egyes adatpotok fotosságáak feltárása. Melyek azok az adatpotok, amelyek a végleges összefüggést legerısebbe mutatják, erısítk, és melyek azok az ú. outler potok, melyek legkevésbé lleszkedek az adott regresszós összefüggésbe. A becslést befolyásoló potok feltárása A Y célváltozó és a leárs becslés között kapcsolat: ~ Y = B = ~ e = Y Y = ( E H )Y ( ) Y = H Y A becslés hbavektora, maradékösszeg, regresszós összeg: SSE Y ( E H )Y H = ( ) = SS = Y H Y ( y ) ( ) H = a leverage (hatalom) vagy hat mátr A mátr szmmetrkus, h dagoáls eleme azt mutatják, hogy az -edk eset mekkora hatást fejt k a regresszós becslésre. h A becslést befolyásoló potok feltárása ( ) =, ahol = h = p + az -edk esetvektor h A becslést befolyásoló potok feltárása p + Az -edk eset befolyása átlagos, ha ezek a tpkus h esetek! Az -edk eset befolyása jeletıs, ha Ha <, h p + h > az -edk eset bevoható az elemzésbe Ha, h <, 5 kockázatos az -edk eset bevoása,5 h az -edk esetet k kell hagy, outler pot A maradéktagok (rezduálsok) elemzése Közöséges rezduáls: e = Y Yˆ e örölt rezduáls: e = Y Yˆ ( ) ( ) = h e Stadardzált rezduáls: z = p Belsıleg studetzált rezduáls: = e r = A leárs becslés elkészítésekor em számoluk az -edk esettel, töröljük. e e = p h
13 Példa kétváltozós leárs regresszóra A maradéktagok (rezduálsok) elemzése Heteroszkedasztctás: A maradéktagok ulla szt körül szóródásáak lehetséges típusa a.) a szóródás megfelel a leárs modellek, b.) em a leárs modellhez tartozak a maradéktagok, c.) a szóródások em azoosak, d.) a hbatagok em függetleek egymástól. Keressük leárs összefüggést az employee data állomáyba a kezdıfzetés és a jeleleg fzetés között! Példa kétváltozós leárs regresszóra Példa kétváltozós leárs regresszóra Példa kétváltozós leárs regresszóra a maradéktagok Példa kétparaméteres emleárs regresszóra Keressük emleárs kapcsolatot Cars állomáyba a lóerı és a fogyasztás között! Heteroszkedasztctás jelesége megfgyelhetı: agyobb -hez agyobb szórás tartozk! 3
14 Példa kétparaméteres emleárs regresszóra Példa kétparaméteres emleárs regresszóra Depedet Varable: Mles per Gallo Model Summary ad Parameter Estmates Equato Lear Logarthmc Iverse Power Epoetal Logstc Model Summary Parameter Estmates Costat b Square F df df Sg.,595 57,79 39, 39,55 -,57,5 75, 39,,5 -,53,59 75,3 39, 3,93,7,75 933,57 39, 3,77 -,3,9 7,3 39, 7,3 -,7,9 7,3 39,,,7 he depedet varable s Horsepower. Példa kétparaméteres emleárs regresszóra Példa kétparaméteres emleárs regresszóra Depedet Varable: Mles per Gallo Model Summary ad Parameter Estmates Equato Power Model Summary Parameter Estmates Costat b Square F df df Sg.,75 933,57 39, 3,77 -,3 he depedet varable s Horsepower. Példa többváltozós leárs regresszóra Végezzük leárs elemzést az employee data állomáyo! A jeleleg fzetés legye a célváltozó, a magyarázó változók a kezdıfzetés, alkalmazás deje (jobtme) és a dolgozó kora legye! Példa többváltozós leárs regresszóra A kostas szerepe elhayagolható a modellbe.
Matematikai statisztika elıadás III. éves elemzı szakosoknak. Zempléni András 9. elıadásból (részlet)
Matematka statsztka elıadás III. éves elemzı szakosokak Zemplé Adrás 9. elıadásból részlet Y közelítése függvéyével Gyakor eset, hogy em smerjük a számukra érdekes meység Y potos értékét pl. holap részvéy-árfolyam,
RészletesebbenA paramétereket kísérletileg meghatározott yi értékekre támaszkodva becsülik. Ha n darab kisérletet (megfigyelést, mérést) végeznek, n darab
öbbváltozós regresszók Paraméterbecslés-. A paraméterbecslés.. A probléma megfogalmazása A paramétereket kísérletleg meghatározott y értékekre támaszkodva becsülk. Ha darab ksérletet (megfgyelést, mérést
Részletesebben? közgazdasági statisztika
Valószíűségszámítás és a statsztka Valószíűség számítás Matematka statsztka Alkalmazott statsztka? közgazdaság statsztka épesség statsztka orvos statsztka Stb. Példa: vércsoportok Az eloszlás A AB B Elem
RészletesebbenÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június
ÖKONOMETIA Készült a TÁMOP-4.1.-08//A/KM-009-0041pályázat projet eretébe Tartalomfejlesztés az ELTE TáTK Közgazdaságtudomáy Taszéé az ELTE Közgazdaságtudomáy Taszé az MTA Közgazdaságtudomáy Itézet és a
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Életta Aatóma Kéma Lehet kérdés?? Statsztka! Az orvos dötéseket hoz! Mkor jó egy dötés? Meyre helyes egy dötés? Mekkora a tévedés lehetősége? Példa: test hőmérséklet
RészletesebbenMatematikai 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),
RészletesebbenVáltozók függőségi viszonyainak vizsgálata
Változók függőség vszoyaak vzsgálata Ismétlés: változók, mérés skálák típusa kategoráls változók Asszocácós kapcsolat számszerű változók Korrelácós kapcsolat testsúly (kg) szemüveges em ő 1 3 férf 5 3
RészletesebbenMegállapítható változók elemzése Függetlenségvizsgálat, illeszkedésvizsgálat, homogenitásvizsgálat
Megállapítható változók elemzése Függetleségvzsgálat, lleszkedésvzsgálat, homogetásvzsgálat Ordáls, omáls esetre s alkalmazhatóak a következő χ próbá alapuló vzsgálatok: 1) Függetleségvzsgálat: két valószíűség
RészletesebbenRegresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
Részletesebben? közgazdasági statisztika
... Valószíűségszámítás és a statsztka Valószíűség számítás Matematka statsztka Alkalmazott statsztka? közgazdaság statsztka épesség statsztka orvos statsztka Stb. Példa: vércsoportok Az eloszlás A AB
RészletesebbenFeladatok és megoldások a 11. heti gyakorlathoz
Feladatok és megoldások a. het gyakorlathoz dszkrét várható érték Építőkar Matematka A. Egy verseye öt ő és öt férf verseyző dul. Tegyük fel, hogy cs két azoos eredméy, és md a 0! sorred egyformá valószíű.
RészletesebbenHipotéziselmélet. Statisztikai próbák I. Statisztikai próbák II. Informatikai Tudományok Doktori Iskola
Hpotézselmélet Iformatka Tudomáyok Doktor Iskola Statsztka próbák I. 0.0.. Dr Ketskeméty László előadása Statsztka próbák II. Dötés eljárást dolgozuk k aak eldötésére, hogy a ullhpotézs gaz-e. Ha úgy kell
RészletesebbenRegresszió és korreláció
Regresszó és korrelácó regresso: vsszatérés, hátrálás; vsszafordulás correlato: vszo, összefüggés, kölcsöösség KAD 01.11.1 1 (vsszatérés, hátrálás; vsszafordulás) Regresszó és korrelácó Gakorlat megközelítés
RészletesebbenPDF created with FinePrint pdffactory Pro trial version Adott egy X folytonos változó, ami normális eloszlású.
Á dott egy X folytonos változó, ami normális eloszlású. X ( µ,σ ) dottak ezen kívül az Y,Y,,Y k diszkrét változók (faktorok) total H 0 : X - re nincs hatással Y Q = Q + Q +... + Q + Q + Q3 +... + Q k hiba
RészletesebbenA szórások vizsgálata. Az F-próba. A döntés. Az F-próba szabadsági fokai
05..04. szórások vizsgálata z F-próba Hogya foguk hozzá? Nullhipotézis: a két szórás azoos, az eltérés véletle (mitavétel). ullhipotézishez tartozik egy ú. F-eloszlás. Szabadsági fokok: számláló: - evező:
RészletesebbenRegresszió és korreláció
Regresszó és korrelácó regresso: vsszatérés, hátrálás; vsszafordulás correlato: vszo, összefüggés, kölcsöösség KAD 016.11.10 1 (vsszatérés, hátrálás; vsszafordulás) Regresszó és korrelácó Gakorlat megközelítés
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június
ÖKONOMETRIA ÖKONOMETRIA Készült a TÁMOP-4.1.-08//A/KMR-009-0041pályázat projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudomány Tanszékén az ELTE Közgazdaságtudomány Tanszék, az MTA Közgazdaságtudomány
RészletesebbenKorreláció- és regressziószámítás
Korrelácó- és regresszószámítás sztochasztkus kapcsolat léyege az, hogy a megfgyelt sokaság egységeek egyk smérv szert mlyeségét, hovatartozását smerve levoható ugya bzoyos következtetés az egységek másk
RészletesebbenLineáris regresszió. Statisztika I., 4. alkalom
Lneárs regresszó Statsztka I., 4. alkalom Lneárs regresszó Ha két folytonos változó lneárs kapcsolatban van egymással, akkor az egyk segítségével elıre jelezhetjük a másk értékét. Szükségünk van a függı
RészletesebbenRegresszióanalízis. Példák. A regressziószámítás alapproblémája. Informatikai Tudományok Doktori Iskola
Regressziólízis Iformtiki udomáyok Doktori Iskol A regressziószámítás lpprolémáj Regressziószámításkor egy változót egy (vgy tö) másik változóvl ecslük. Y függıváltozó,,... p függetle változók Y f(,,...
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
RészletesebbenStatisztika. Eloszlásjellemzők
Statsztka Eloszlásjellemzők Statsztka adatok elemzése A sokaság jellemzése középértékekkel A sokaság jellemzéséek szempotja A sokaság jellemzéséek szempotja: A sokaság tpkus értékéek meghatározása. Az
RészletesebbenA heteroszkedaszticitásról egyszerûbben
Mûhely Huyad László kaddátus, egyetem taár, a Statsztka Szemle főszerkesztője A heteroszkedasztctásról egyszerûbbe E-mal: laszlo.huyad@ksh.hu A heteroszkedasztctás az ökoometra modellezés egyk kulcsfogalma,
RészletesebbenA matematikai statisztika elemei
A matematikai statisztika elemei Mikó Teréz, dr. Szalkai Istvá szalkai@almos.ui-pao.hu Pao Egyetem, Veszprém 2014. március 23. 2 Tartalomjegyzék Tartalomjegyzék 3 Bevezetés................................
RészletesebbenGEOFIZIKA / 4. GRAVITÁCIÓS ANOMÁLIÁK PREDIKCIÓJA, ANALITIKAI FOLYTATÁSOK MÓDSZERE, GRAVITÁCIÓS ANOMÁLIATEREK SZŰRÉSE
MSc GEOFIZIKA / 4. BMEEOAFMFT3 GRAVITÁCIÓS ANOMÁLIÁK REDIKCIÓJA, ANALITIKAI FOLYTATÁSOK MÓDSZERE, GRAVITÁCIÓS ANOMÁLIATEREK SZŰRÉSE A gravtácós aomálák predkcója Külöböző feladatok megoldása sorá - elsősorba
RészletesebbenSorozatok, határérték fogalma. Függvények határértéke, folytonossága
Sorozatok, határérték fogalma. Függvéyek határértéke, folytoossága 1) Végtele valós számsorozatok Fogalma, megadása Defiíció: A természetes számok halmazá értelmezett a: N R egyváltozós valós függvéyt
RészletesebbenTapasztalati eloszlás. Kumulált gyakorisági sorok. Példa. Értékösszegsor. Grafikus ábrázolás
Matemata statszta elıadás III. éves elemzı szaosoa 009/00. élév. elıadás Tapasztalat eloszlás Mde meggyeléshez (,,, ) / súlyt redel. Valószíőségeloszlás! Mtaátlag éppe ee az eloszlása a várható értée.
RészletesebbenIsmérvek közötti kapcsolatok szorosságának vizsgálata. 1. Egy kis ismétlés: mérési skálák (Hunyadi-Vita: Statisztika I. 25-26. o)
Ismérvek között kapcsolatok szorosságáak vzsgálata 1. Egy ks smétlés: mérés skálák (Huyad-Vta: Statsztka I. 5-6. o) A külöböző smérveket, eltérő mérés sztekkel (skálákkal) ellemezhetük. a. évleges (omáls)
Részletesebbens n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
RészletesebbenAzonos névleges értékű, hitelesített súlyokból alkotott csoportok együttes mérési bizonytalansága
Azoos évleges értékű, htelesített súlyokból alkotott csoportok együttes mérés bzoytalasága Zeleka Zoltá* Több mérés feladatál alkalmazak súlyokat. Sokszor ezek em egyekét, haem külöböző társításba kombácókba
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 10. A statisztika alapjai Debrecei Egyetem, 2015 Dr. Bérczes Attila, Bertók Csaád A diasor tartalma 1 Bevezetés 2 Statisztikai függvéyek Defiíció, empirikus várható érték Empirikus
RészletesebbenHa n darab standard normális eloszlású változót négyzetesen összegzünk, akkor kapjuk a χ 2 - eloszlást: N
Krály Zoltá: Statsztka II. Bevezetés A paraméteres eljárások alkalmazásához, a célváltozóra ézve szgorú feltételek szükségesek (folytoosság, ormaltás, szóráshomogetás), ekkor a hpotézseket egy-egy paraméterre
RészletesebbenStatisztika feladatok
Statsztka ok Informatka Tudományok Doktor Iskola Bzonyítandó, hogy: azaz 1 Tekntsük az alább statsztkákat: Igazoljuk, hogy torzítatlan statsztkák! Melyk a leghatásosabb közöttük? (Ez az együttes eloszlásfüggvényük.)
RészletesebbenStatisztika 1. zárthelyi dolgozat március 21.
Statisztika 1 zárthelyi dolgozat 011 március 1 1 Legye X = X 1,, X 00 függetle mita b paraméterű Poisso-eloszlásból b > 0 Legye T 1 X = X 1+X ++X 100, T 100 X = X 1+X ++X 00 00 a Milye a számra igaz, hogy
RészletesebbenSorozatok október 15. Határozza meg a következ sorozatok határértékeit!
Sorozatok 20. október 5. Határozza meg a következ sorozatok határértékeit!. Zh feladat:vizsgálja meg mootoitás és korlátosság szerit az alábbi sorozatot! a + ha ; 2; 5 Mootoitás eldötéséhez vizsgáljuk
Részletesebben) ( s 2 2. ^t = (n x 1)s n (s x+s y ) x +(n y 1)s y n x+n y. +n y 2 n x. n y df = n x + n y 2. n x. s x. + s 2. df = d kritikus.
Kétmtás t-próba ^t ȳ ( s +( s + + df + vag ha, aor ^t ȳ (s +s Welch-próba ^d ȳ s + s ( s + s df ( s ( s + d rtus t s (α, +t s (α, s + s Kofdecatervallum ét mta átlagáa ülöbségére SE s ( + s ( ±t (α,df
Részletesebben3. SOROZATOK. ( n N) a n+1 < a n. Egy sorozatot (szigorúan) monotonnak mondunk, ha (szigorúan) monoton növekvő vagy csökkenő.
3. SOROZATOK 3. Sorozatok korlátossága, mootoitása, kovergeciája Defiíció. Egy f : N R függvéyt valós szám)sorozatak evezük. Ha A egy adott halmaz és f : N A, akkor f-et A-beli értékű) sorozatak evezzük.
RészletesebbenA peremeloszlások. Valószínőségszámítás elıadás III. alk. matematikus szak. Példa. Valószínőségi vektorváltozók eloszlásfüggvénye.
y Valószíőségszámítás elıaás III. alk. matematkus szak 4. elıaás, szeptember 30 A peremeloszlások (X,Y) eloszlásából (elevezés: együttes eloszlás) következtethetük az egyes változók eloszlására: P(X)P(X,Y0)+P(X,Y)+P(X,Y2)
Részletesebbenf (M (ξ)) M (f (ξ)) Bizonyítás: Megjegyezzük, hogy konvex függvényekre mindig létezik a ± ben
Propositio 1 (Jese-egyelőtleség Ha f : kovex, akkor tetszőleges ξ változóra f (M (ξ M (f (ξ feltéve, hogy az egyelőtleségbe szereplő véges vagy végtele várható értékek létezek Bizoyítás: Megjegyezzük,
RészletesebbenMiért pont úgy kombinálja kétfokozatú legkisebb négyzetek módszere (2SLS) az instrumentumokat, ahogy?
Mért pot úgy kombálja kétfokozatú legksebb égyzetek módszere (2SLS az strumetumokat, ahogy? Kézrat A Huyad László 60. születésapjára készülő köyvbe Kézd Gábor 2004. júlus A Budapest Corvus Egyetem rövd
Részletesebben18. Valószín ségszámítás. (Valószín ségeloszlások, függetlenség. Valószín ségi változók várható
8. Valószí ségszámítás. (Valószí ségeloszlások, függetleség. Valószí ségi változók várható értéke, magasabb mometumok. Kovergeciafajták, kapcsolataik. Borel-Catelli lemmák. Nagy számok gyege törvéyei.
Részletesebbenbiometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat
Kísérlettervezés - biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert u-próba Feltétel: egy ormális eloszlású sokaság σ variaciájáak számszerű értéke ismert. Hipotézis: a sokaság µ várható értéke
RészletesebbenMatematikai statisztika
Matematikai statisztika PROGRAMTERVEZŐ INFORMATIKUS alapszak, A szakiráy Arató Miklós Valószíűségelméleti és Statisztika Taszék Természettudomáyi Kar 2019. február 18. Arató Miklós (ELTE) Matematikai statisztika
RészletesebbenI. Függelék. A valószínűségszámítás alapjai. I.1. Alapfogalamak: A valószínűség fogalma: I.2. Valószínűségi változó.
I. Függelék A valószíűségszámítás alapjai I.1. Alapfogalamak: Véletle jeleség: létrejöttét befolyásoló összes téyezőt em ismerjük. Tömegjeleség: a jeleség adott feltételek mellett akárháyszor megismételhető.
RészletesebbenGeostatisztika c. tárgy a BSc földrajz alapszak hallgatóinak
Geostatsztka c. tárgy a BSc földrajz alapszak hallgatóak Dr. Szabó Norbert Péter egyetem taársegéd Geofzka Taszék e-mal: orbert.szabo.phd@gmal.com gfmal@u-mskolc.hu Tematka Adatredszerek, hsztogrammok
RészletesebbenIntelligens adatelemzés ea. vázlat 1. rész
Itellges adatelemzés ea. vázlat. rész A tematka.ea. a tárgy tematkájáak áttektése. Egy mtaélda M-S adatok elemzése (A)..ea. HF-ok jellegéek megbeszélése, a HF témák választásához szemotok 3.ea. Statsztka
RészletesebbenAz átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)
Az átlagra voatkozó megbízhatósági itervallum (kofidecia itervallum) Határozzuk meg körül azt az itervallumot amibe előre meghatározott valószíűséggel esik a várható érték (µ). A várható értéket potosa
RészletesebbenGeostatisztika. Dr. Szabó Norbert Péter. BSc műszaki földtudományi alapszak hallgatóinak
Geostatsztka BSc műszak földtudomáy alapszak hallgatóak Dr. Szabó Norbert Péter egyetem adjuktus Mskolc Egyetem Geofzka Itézet Taszék e-mal: orbert.szabo.phd@gmal.com Ajálott rodalom Steer Ferec, 990.
RészletesebbenA biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, kofideciaitervallum Dr. Boda Krisztia PhD SZTE ÁOK Orvosi Fizikai és Orvosi Iformatikai Itézet Mitavétel ormális eloszlásból http://www.ruf.rice.edu/~lae/stat_sim/idex.html
RészletesebbenMatematika B4 I. gyakorlat
Matematika B4 I. gyakorlat 2006. február 16. 1. Egy-dimeziós adatredszerek Va valamilye adatredszer (számsorozat), amelyről szereték kiszámoli bizoyos dolgokat. Az egyes értékeket jelöljük z i -vel, a
RészletesebbenStatisztika I. 4. előadás. Előadó: Dr. Ertsey Imre
Statsztka I. 4. előadás Előadó: Dr. Ertsey Imre KÖZÉPÉRTÉKEK A statsztka sor általáos jellemzésére szolgálak, a statsztka sokaságot egy számmal jellemzk. Számított középértékek: matematka számítás eredméyekét
RészletesebbenMérési adatok feldolgozása. 2008.04.08. Méréselmélet PE_MIK MI_BSc, VI_BSc 1
Mérés adatok feldolgozása 2008.04.08. Méréselmélet PE_MIK MI_BSc, VI_BSc Bevezetés A mérés adatok külöböző formába, általába ömlesztve jeleek meg Ezeket az adatokat külöböző szempotok szert redez kértékel
Részletesebben2. fejezet. Számsorozatok, számsorok
. fejezet Számsorozatok, számsorok .. Számsorozatok és számsorok... Számsorozat megadása, határértéke Írjuk fel képlettel az alábbi sorozatok -dik elemét! mooto, korlátos, illetve koverges-e! Vizsgáljuk
RészletesebbenTáblázatok 4/5. C: t-próbát alkalmazunk és mivel a t-statisztika értéke 3, ezért mind a 10%-os, mind. elutasítjuk a nullhipotézist.
1. Az X valószínőség változó 1 várható értékő és 9 szórásnégyzető. Y tıle független várható értékkel és 1 szórásnégyzettel. a) Menny X + Y várható értéke? 13 1 b) Menny X -Y szórásnégyzete? 13 1 összesen
Részletesebben1. előadás: Bevezetés. Irodalom. Számonkérés. A valószínűségszámítás és a statisztika tárgya. Cél
Valószíűségszámítás és statsztka előadás fo. BSC/B-C szakosokak 1. előadás szeptember 13. 1. előadás: Bevezetés Irodalom, követelméyek A félév célja Valószíűségszámítás tárgya Törtéet Alapfogalmak Valószíűségek
Részletesebben2012.03.01. Méréselmélet PE_MIK MI_BSc, VI_BSc 1
Mérés adatok feldolgozása 202.03.0. Méréselmélet PE_MIK MI_BSc, VI_BSc Bevezetés A mérés adatok külöböző formába, általába ömlesztve jeleek meg Ezeket az adatokat külöböző szempotok szert redez kértékel
RészletesebbenBefektetett munka. Pontosság. Intuícióra, tapasztalatra épít. Intuitív Analóg Parametrikus Analitikus MI alapú
..4. Óbuda Egyetem ák Doát Gépész és ztoságtechka Mérök Kar yagtudomáy és Gyártástechológa Itézet Termelés olyamatok II. Költségbecslés Dr. Mkó alázs mko.balazs@bgk.u-obuda.hu z dı- és költségbecslés eladata
RészletesebbenTartalomjegyzék. 4.3 Alkalmazás: sorozatgyártású tűgörgő átmérőjének jellemzése
3 4 Tartalomegyzék. BEVEZETÉS 5. A MÉRÉS 8. A mérés mt folyamat, fogalmak 8. Fotosabb mérés- és műszertechka fogalmak 4.3 Mérés hbák 8.3. Mérés hbák csoportosítása eredetük szert 8.3. A hbák megeleítés
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
RészletesebbenA statisztikai vizsgálat tárgyát képező egyedek összességét statisztikai sokaságnak nevezzük.
Statisztikai módszerek. BMEGEVGAT01 Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudomáyi Egyetem Gépészméröki Kar Hidrodiamikai Redszerek Taszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
Részletesebben2. METROLÓGIA ÉS HIBASZÁMíTÁS
. METROLÓGIA ÉS HIBASZÁMíTÁS. Metrológa alapfogalmak A metrológa a mérések tudomáya, a mérésekkel kapcsolatos smereteket fogja össze. Méréssel egy objektum valamlye tulajdoságáról számszerű értéket kapuk.
RészletesebbenMÉRÉSTECHNIKA. DR. HUBA ANTAL c. egy. tanár BME Mechatronika, Optika és Gépészeti Informatika Tanszék 2011
MÉRÉSTECHNIKA DR. HUBA ANTAL c. egy. taár BME Mechatroka, Optka és Gépészet Iformatka Taszék 0 Rövde a tárgyprogramról Előadások tematkája: Metrológa és műszertechka alapok Mérés adatok kértékelése Időbe
RészletesebbenSTATISZTIKA II. kötet
Szeged Tudomáyegyetem Gazdaságtudomáy Kar Petres Tbor Tóth László STATISZTIKA II. kötet Szerzők: Dr. Petres Tbor, PhD egyetem doces Statsztka és Demográfa Taszék Tóth László PhD-hallgató Gazdaságtudomáy
RészletesebbenGeostatisztika I. Dr. Szabó Norbert Péter. BSc geográfus alapszak hallgatóinak
Geostatsztka I. BSc geográfus alapszak hallgatóak Dr. Szabó Norbert Péter egyetem adjuktus Mskolc Egyetem Geofzka Itézet Taszék e-mal: orbert.szabo.phd@gmal.com Ajálott rodalom Steer Ferec, 990. A geostatsztka
RészletesebbenA MATEMATIKAI STATISZTIKA ELEMEI
A MATEMATIKAI STATISZTIKA ELEMEI Az Eötvös Lórád Tudomáyegyetem Természettudomáy Kará a Fzka Kéma Taszék évek óta kéma-szakos taárhallgatókak matematka bevezetõ elõadásokat tart. Az elõadások célja az,
RészletesebbenALGEBRA. egyenlet megoldásait, ha tudjuk, hogy egész számok, továbbá p + q = 198.
ALGEBRA MÁSODFOKÚ POLINOMOK. Határozzuk meg az + p + q = 0 egyelet megoldásait, ha tudjuk, hogy egész számok, továbbá p + q = 98.. Határozzuk meg az összes olya pozitív egész p és q számot, amelyre az
RészletesebbenEddig megismert eloszlások Jelölése Eloszlása EX D 2 X P(X = 1) = p Ind(p) P(X = 0) = 1 p. Leíró és matematikai statisztika
Leíró és matematikai statisztika Matematika alapszak, matematikai elemző szakiráy Zempléi Adrás Valószíűségelméleti és Statisztika Taszék Matematikai Itézet Természettudomáyi Kar Eötvös Lorád Tudomáyegyetem
RészletesebbenEötvös Loránd Tudományegyetem Informatikai Kar. Analízis 1. Írásbeli tételek. Készítette: Szántó Ádám Tavaszi félév
Eötvös Lorád Tudomáyegyetem Iformatikai Kar Aalízis. Írásbeli tételek Készítette: Szátó Ádám 20. Tavaszi félév . Archimedes tétele. Tétel: a > 0 és b R : N : b < a. Bizoyítás: Idirekt úto tegyük fel, hogy
RészletesebbenAZ OPTIMÁLIS MINTANAGYSÁG A KAPCSOLÓDÓ KÖLTSÉGEK ÉS BEVÉTELEK RELÁCIÓJÁBAN
AZ OPTIMÁLIS MINTANAGYSÁG A KAPCSOLÓDÓ KÖLTSÉGEK ÉS BEVÉTELEK RELÁCIÓJÁBAN Molár László Ph.D. hallgató Mskolc Egyetem, Gazdaságelmélet Itézet 1. A MINTANAGYSÁG MEGHATÁROZÁSA EGYSZERŐ VÉLETLEN (EV) MINTA
RészletesebbenStatisztika segédlet*
Statsztka segédlet* Deícók: Statsztka: Valóság tömör számszerő jellemzésére szolgáló módszerta ll. gyakorlat teékeység. Statsztka gyakorlat ter: Tömegese elıorduló jeleségek egyedere oatkozó ormácók győjtése,
RészletesebbenKutatói pályára felkészítı modul
Kutatói pályára felkészítı modul Kutatói pályára felkészítı kutatási ismeretek modul Tudomáyos kutatási alapayag feldolgozása, elemzési ismeretek KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Regresszió-számítás. 2. előadás. Kvantitatív statisztikai módszerek. Dr.
Gazdaságtudomán Kar Gazdaságelmélet és Módszertan Intézet Regresszó-számítás. előadás Kvanttatív statsztka módszerek Dr. Varga Beatr Gazdaságtudomán Kar Gazdaságelmélet és Módszertan Intézet Korrelácós
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,
Részletesebben10.M ALGEBRA < <
0.M ALGEBRA GYÖKÖS KIFEJEZÉSEK. Mutassuk meg, hogy < + +... + < + + 008 009 + 009 008 5. Mutassuk meg, hogy va olya pozitív egész szám, amelyre 99 < + + +... + < 995. Igazoljuk, hogy bármely pozitív egész
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Korreláció-számítás. 1. előadás. Döntéselőkészítés módszertana. Dr.
Korrelácó-számítás 1. előadás Döntéselőkészítés módszertana Dr. Varga Beatr Két változó között kapcsolat Függetlenség: Az X smérv szernt hovatartozás smerete nem ad semmlen többletnformácót az Y szernt
RészletesebbenInformációs rendszerek elméleti alapjai. Információelmélet
Iformácós redszerek elmélet alaja Iformácóelmélet A forrás kódolása csatora jelekké 6.4.5. Molár Bált Beczúr Adrás NMMMNNMNfffyyxxfNNNNxxMNN verzazazthatóvsszaálímdeveszteségcsaakkorfüggvéykódolásaakódsorozat:eredméyekódolássorozatváltozó:forás
RészletesebbenGyakorló feladatok II.
Gyakorló feladatok II. Valós sorozatok és sorok Közgazdász szakos hallgatókak a Matematika B című tárgyhoz 2005. október Valós sorozatok elemi tulajdoságai F. Pozitív állítás formájába fogalmazza meg azt,
RészletesebbenTulajdonságok. Teljes eseményrendszer. Valószínőségi változók függetlensége. Példák, szimulációk
Valószíőségszámítás és statsztka elıadás fo. BSC/B-C szakosokak 3. elıadás Szeptember 26 p 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 A bomáls és a hpergeom. elo. összehasolítása 0 1 2 3 4 5 6 7 8 9 10 k Hp.geom
RészletesebbenSzámsorozatok. 1. Alapfeladatok december 22. sorozat határértékét, ha. 1. Feladat: Határozzuk meg az a n = 3n2 + 7n 5n létezik.
Számsorozatok 2015. december 22. 1. Alapfeladatok 1. Feladat: Határozzuk meg az a 2 + 7 5 2 + 4 létezik. sorozat határértékét, ha Megoldás: Mivel egy tört határértéke a kérdés, ezért vizsgáljuk meg el
Részletesebben24. tétel A valószínűségszámítás elemei. A valószínűség kiszámításának kombinatorikus modellje.
24. tétel valószíűségszámítás elemei. valószíűség kiszámításáak kombiatorikus modellje. GYORISÁG ÉS VLÓSZÍŰSÉG meyibe az egyes adatok a sokaságo belüli részaráyát adjuk meg (törtbe vagy százalékba), akkor
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
RészletesebbenVII. A határozatlan esetek kiküszöbölése
A határozatla esetek kiküszöbölése 9 VII A határozatla esetek kiküszöbölése 7 A l Hospital szabály A véges övekedések tétele alapjá egy függvéy értékét egy potba közelíthetjük az köryezetébe felvett valamely
RészletesebbenWilcoxon-féle előjel-próba. A rangok. Ismert eloszlás. A nullhipotézis megfogalmazása H 1 : m 0 0. A medián 0! Az eltérés csak véletlen!
0.0.4. Wlcoxo-féle előel-próba ragok Példa: Va-e hatáa egy zórakoztató flm megtektééek, a páceek együttműködé halamára? ( zámok potértékek) orzám előtte utáa külöbég 0 0 3 3-4 4 5 3 6 3 3 0 7 4 3 8 5 4
RészletesebbenBevezetés a Korreláció &
Bevezetés a Korreláció & Regressziószámításba Petrovics Petra Doktorandusz Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi ismérv
RészletesebbenMegoldás a, A sebességből és a hullámhosszból számított periódusidőket T a táblázat
Fzka feladatok: F.1. Cuam A cuam hullám formájáak változása, ahogy a sekélyebb víz felé mozog (OAA) (https://www.wdowsuverse.org/?page=/earth/tsuam1.html) Az ábra, táblázat a cuam egyes jellemzőt tartalmazza.
RészletesebbenIzsák János. ELTE TTK Állatrendszertani és Ökológiai Tanszék. Kézirat
BIOSTATISZTIKAI ALAPISMERETEK Izsák Jáos ELTE TTK Állatredszerta és Ökológa Taszék Kézrat Budapest, 5 Tartalomjegyzék Előszó 4. Valószíűség vektorváltozók 6.. Bevezetés 6.. A többváltozós, specálsa kétváltozós
Részletesebben20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek!
SPEC 2009-2010. II. félév Statsztka II HÁZI dolgozat Név:... Neptun kód: 20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek! 1. példa Egy üzemben tejport csomagolnak zacskókba,
RészletesebbenPéldák 2. Teljes eseményrendszer. Tulajdonságok. Példák diszkrét valószínőségi változókra
Valószíőségszámítás és statsztka elıadás fo. BSC/B-C szakosokak 3. elıadás Szeptember 28 dszkrét valószíőség változókra X(ω)=c mde ω-ra. Elevezés: elfajult eloszlás. P(X=c)=1. X akkor 1, ha egy adott,
Részletesebben1. A radioaktivitás statisztikus jellege
A radioaktivitás időfüggése 1. A radioaktivitás statisztikus jellege Va N darab azoos radioaktív atomuk, melyekek az atommagja spotá átalakulásra képes. tegyük fel, hogy ezek em bomlaak tovább. Ekkor a
RészletesebbenSTATISZTIKA. ltozók. szintjei, tartozhatnak: 2. Előad. Intervallum skála. Az adatok mérési m. Az alacsony mérési m. Megszáml Gyakoriság módusz
A változv ltozók k mérés m sztje STATISZTIKA. Előad adás Az adatok mérés m sztje, Cetráls mutatók A változv ltozók k az alább típusba t tartozhatak: Nomáls (kategorkus és s dszkrét) Ordáls Itervallum skála
Részletesebben7. MÉRÉSEK KIÉRTÉKELÉSE FÜGGVÉNYILLESZTÉSSEL
7. MÉRÉSEK KIÉRTÉKELÉSE FÜGGVÉNYILLESZTÉSSEL Ebbe a fejezetbe kokrét mérések kértékelését mutatjuk be, köztük azokét s, amelyeket az. fejezetbe leírtuk. A kértékelés módszerét tulajdoképpe levezethetjük
RészletesebbenRegresszió számítás. Mérnöki létesítmények ellenőrzése, terveknek megfelelése. Geodéziai mérések pontok helyzete, pontszerű információ
Regresszó számítás Mérök létesítméek elleőrzése, terekek megfelelése Deformácózsgálat Geodéza mérések potok helzete, potszerű formácó Leárs regresszó Regresszós sík Regresszós göre Legkse égzetek módszere
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
Részletesebben13. Tárcsák számítása. 1. A felületszerkezetek. A felületszerkezetek típusai
Tárcsák számítása A felületszerkezetek A felületszerkezetek típusa A tartószerkezeteket geometra méretek alapjá osztálozzuk Az eddg taulmáakba szereplı rúdszerkezetek rúdjara az a jellemzı hog a hosszuk
RészletesebbenBIOSTATISZTIKA ÉS INFORMATIKA. Leíró statisztika
BIOSTATISZTIKA ÉS INFORMATIKA Leíró statisztika Első közelítésbe a statisztikai tevékeységeket égy csoportba sorolhatjuk, de ezek között ics éles határ:. adatgyűjtés, 2. az adatok áttekithetővé tétele,
Részletesebben1. gyakorlat - Végtelen sorok
. gyakorlat - Végtele sorok 06. március.. Határozza meg az alábbi végtele sorok összegét! a) e e e 3 = e e = e e e e = e e = e e b) c) 4 = 4 + 5 6 + = 6 ) 4 + 6 6 + ) = lim N ) 5 = 6 6 + 5 6 = 7 6 N )
RészletesebbenAdatfeldolgozás, adatértékelés. Dr. Szűcs Péter, Dr. Madarász Tamás Miskolci Egyetem, Hidrogeológiai Mérnökgeológiai Tanszék
Adatfeldolgozás, adatértékelés Dr. Szűcs Péter, Dr. Madarász Tamás Mskolc Egyetem, Hdrogeológa Mérökgeológa Taszék A vzsgált köryezet elemek, lletve a felszí alatt közeg megsmerése céljából számtala külöböző
Részletesebben1 k < n(1 + log n) C 1n log n, d n. (1 1 r k + 1 ) = 1. = 0 és lim. lim n. f(n) < C 3
Dr. Tóth László, Fejezetek az elemi számelméletből és az algebrából (PTE TTK, 200) Számelméleti függvéyek Számelméleti függvéyek értékeire voatkozó becslések A τ() = d, σ() = d d és φ() (Euler-függvéy)
Részletesebben1. feladatlap megoldása. Analízis II. 1. Vizsgálja meg az alábbi sorokat konvergencia szempontjából! a) n 2 n = 1 1X 1
. feladatlap megoldása Aalízis II.. Vizsgálja meg az alábbi sorokat kovergecia szempotjából! a) X Alkalmazva a gyökkritériumot ("egyszer½usített változatát"): Azaz a sor koverges. b) p a!! p < : X 000
RészletesebbenSztochasztikus tartalékolás és a tartalék függése a kifutási háromszög időperiódusától
Sztochasztkus tartalékolás és a tartalék függése a kfutás háromszög dőperódusától Faluköz Tamás Vtéz Ildkó Ibola Kozules: r. Arató Mklós ELTETTK Budapest IBNR kfutás háromszög IBNR: curred but ot reported
Részletesebben