Az exploratív faktoranalízis célja a faktorsúlyok (loading) minél egyszerűbb

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Az exploratív faktoranalízis célja a faktorsúlyok (loading) minél egyszerűbb"

Átírás

1 ROÁCIÓ AZ EGYSZERŰ FAKORSRUKÚRÁÉR DR. HAJDU OÓ A tanulány egyfelől áttekinti az analitikus rotációs kritériuok lényegét, segítve ezzel a egfelelő eljárás kiválasztását, eellett a standard (statisztikai szoftverekben hozzáférhető) ódszerek ellett beutatja az irodaloban napjainkig kidolgozott és nevezetessé vált ortogonális és oblique eljárásokat is. Felhívjuk továbbá a figyelet a faktorsúlyok egyszerűségének, illetve koplexitásának a érhetőségére, részletesen tárgyaljuk a releváns egyszerűségi indexeket, és kitérünk a súlyozott rotáció probléájára is. ÁRGYSZÓ: Exploratív faktoranalízis. Rotáció. Egyszerűségi index. Az exploratív faktoranalízis célja a faktorsúlyok (loading) inél egyszerűbb struktúrájának feltárása posztulált faktorok egfigyelt indikátoraiból kiindulva. A legegyszerűbb a struktúra, ha egy indikátort csak egyetlen faktor agyaráz nezéró súlylyal. Az ilyen indikátor koplexitása egységnyi. A faktorsúlyok eghatározására többféle ódszer is rendelkezésre áll. Bárelyik ódszert is tekintjük, az extrahálás 1 célfüggvénye sose valaely egyszerűségi kritériu optiálása, hane valaely becslési kritériu (agyarázott variancia, hiba-négyzetösszeg, inta-likelihood) javítása. Így kezdeti egoldásként nehezen értelezhető faktorsúly-struktúra várható (egynél nagyobb koplexitású indikátorokkal). Mindeellett, ha ár egy egoldás rendelkezésre áll, akkor ennek végtelen száú rotációja is kielégíti a faktorodellt. Ezért az egyszerű struktúra kialakítása (ha kialakítható egyáltalán) egy ásodik, rotációs lépés feladata. Az egyszerűség sajnos ne definiálható egyértelűen, száos kritériu entén javítható, és ennek eredénye többféle indexszel jelleezhető. Léteznek ortogonális technikák korrelálatlan faktorok esetére, és ún. oblique, ferdeszögű eljárások korrelált faktorok feltevése ellett. Egy részük elérhető standard statisztikai szoftverekben, ásrészük az elélet fejlődését szolgálja. Mindenesetre kritériurendszerük szövevényes, és az egyes kritériuok akár lényegesen eltérő eredényre is vezethetnek. Látható, hogy az exploratív faktoranalízis kulcslépése a rotáció, ert a végső faktorsúly-átrix próbálkozások sorozatának az eredénye. 1 Factor extraction. Statisztikai Szele, 8. évfolya, szá

2 DR. HAJDU: ROÁCIÓ AZ EGYSZERŰ FAKORSRUKÚRÁÉR 979 MEGSZORÍÁSOK A FAKORMODELLBEN Feltevésünk szerint a vizsgálatunkba vont egfigyelt változók korrelációs rendszerét kevés száú, közvetlenül eg ne figyelhető latens változó, faktor indokolja. A egfigyelt változó alakulását valaely latens tulajdonsághoz való igazodás ozgatja, ezért a egfigyelt változót a vonatkozó faktor indikátoraként kezeljük. A faktorodell paraetrikus forában x( p, 1) = Λ( p, ) f(, 1 ) + u( p, 1 ), /1/ ahol az x=[x 1,x,...,x p ] vektor tartalazza a p száú indikátort, az f=[f 1,f,...,f ] vektor az száú közös faktort (aelyek indegyike okozhatja bárelyik indikátor alakulását) az u=[u 1,u,...,u p ] vektor pedig az egyedi faktorokat, elyek egyedileg csak a saját indikátorukat agyarázzák. A (p,) éretű Λ pattern súlyátrix tartalazza a (loading) faktorsúlyokat. Magasabb abszolút értékű faktorsúly fontosabb faktort jelez az illető indikátor alakulása szepontjából. Az /1/ azonosság alapján az indikátorok (p,p) éretű C kovariancia átrixa kifejezhető a faktorközi kovarianciák és a faktorsúlyok felhasználásával: ff uu fu uf C= ΛC Λ + C + ΛC + C Λ. // Az exploratív faktorodell feltevése szerint az egyedi faktorok inden ás faktorral korrelálatlanok. Ekkor C uu diagonális és C fu =0. E egszorítások eredényeképpen a egfigyelt változók kovariancia átrixának dekopozíciója az alábbi forát ölti: λ C= ΛΦΛ + Ψ, /3/ ahol Φ és Ψ egszokott jelölései a közös, illetve az egyedi faktorok kovariancia átrixainak. Korrelálatlan (ortogonális, vagy derékszögű) faktorokat tekintve Φ diagonális, és ha a faktorok standardizáltak, akkor egyben egységátrix is. Egy nediagonális Φ korrelált oblique (ásképpen ferdeszögű) faktorokat jelent. Exploratív analízist végezve alapvetően a Λ, Φ, Ψ paraétereket becsüljük a /3/ egyenletben, annyi egszorítással, hogy a közös faktorok standardizáltak, vagyis Φ korrelációs átrix. Vegyük észre, hogy ha egy egoldás adott, akkor bárely (,) neszinguláris transzforáció ellett /1/ továbbra is teljesül: 1 ( )( ) x= Λ f + u. /4/ Elvégezve az * * f = f és Λ = Λ 1 helyettesítéseket oblique azaz ferdeszögű rotációt hajtunk végre, és a transzforált faktorok kovariancia átrixa Φ = Φ, tehát a * reprodukált kovariancia átrix változatlan arad: * * * ΛΦΛ = ΛΦΛ.

3 980 DR. HAJDU OÓ Speciálisan ortogonális forgatást végzünk akkor, ha a faktorok korrelálatlanok és ortonorált: = 1. Ilyenkor a kounalitások változatlanok aradnak az ortogonális forgatás során. Végső célunk egadni a Λ faktorsúlyok intázatának lehető legegyszerűbb, leginkább értelezhető struktúráját. A struktúrában adott faktor világosan nagy súllyal kötődik néhány (kevés) indikátorhoz és zéróközeli súllyal a többi indikátorhoz. Az ilyen struktúra hivatkozásunkban egyszerű struktúra. Az egyszerű struktúra feltárása több lépésben történik. Előbb induló egoldást adunk a faktorsúlyokra, ajd forgatási technikával (ferdeszögűvel, vagy ha elég, akkor ortogonálissal) vizsgáljuk, hogy ennyire tehető ég egyszerűbbé a struktúra. A inél egyszerűbb struktúra kialakításához száos stratégia áll rendelkezésre. A legisertebb ortogonális forgatási eljárások a Variax, Quartiin, Quartiax és az Equaax technikák. Ezzel szeben az oblique eljárások egengedik a faktorok korreláltságát, hogy éginkább képesek legyenek reprezentálni az indikátorok egfelelő klasztereit. A rotációs eljárások befolyásolják a faktorsúlyok értelezését. ekintsük ugyanis az f k faktor és az x j indikátor közötti kovarianciát, elyek rendszerét (átrixát) faktorstruktúrának nevezünk: ( x j fk) = (( λ j f +λ j f + +λ j f + uj) k) cov, cov , f. /5/ Világos, hogy korrelálatlan és standardizált faktorok esetén a λ faktorsúly egyben struktúrát is jelent, viszont inden ás esetben a struktúra jellezésekor a faktorközi kovarianciákat és varianciákat is figyelebe kell venni. AZ OROGONÁLIS ROÁLÁS KRIÉRIUMAI Adott A (p,) kezdeti súlyátrixból kiindulva keressük azt az ortonorált (,) transzforációs átrixot, elyre a B=A transzforált súlyátrix a lehető legegyszerűbb struktúrát utatja. Mivel nincs egyértelű kritériua annak, hogy ikor érjük el a legegyszerűbb struktúrát, ezért választanunk kell az alkalazandó analitikus kritériuok között, attól függően, hogy ilyen célfüggvény entén akarunk haladni az egyszerűbb struktúrák felé. Definiáljuk a Q=B*B átrixot, ahol * az eleenkénti (Hadaard) szorzást jelöli, és legyen q = b az általános elee a Q átrixnak: b 11 b1 L b1 = b1 b b Q. M O bp1 bp bp Ekkor Q k-adik oszlopát q k (k=1,,...,), íg j-edik sorát q j (j=1,,...,p) jelöli. Így az

4 ROÁCIÓ AZ EGYSZERŰ FAKORSRUKÚRÁÉR 981 oszlopok egyszerű összeadásával a q j kounalitások q oszlopvektorát kapjuk, aelynek q j eleei (int láttuk korábban) ne változnak forgatásról forgatásra: ahol q j k = 1 q1 q1 q = [ ] = q q = q 1 q q, M M q p q p 1 = q az x j indikátor átlagos kounalitása a q = [ q, q,..., q ] 1 p vektorba foglalva. A kounalitások változatlanságából következően az összegük is változatlan, tehát a négyzetes faktorsúlyok valaennyi eleének az átlaga is konstans arad: q 1 p = p j = 1k = 1 q. /6/ ovábbenve, az alábbi ennyiségek szintén invariánsak az ortogonális forgatásra, iközben felírhatók nevezetes analitikus forgatási kritériuok valaely kobinációjaként. 1. A kounalitások varianciája konstans, és lévén oszlopok összege kifejezhető az oszlopok varianciáinak és páronkénti kovarianciáinak az összegeként: ( q + q + + q ) Var( q) = Var 1 = Var( qk ) + Cov( qk, q g ). /7/ k1443 = 1 k g variax covariin. Az átlagos kounalitások varianciája konstans, de ivel ez a variancia egyben külső varianciája a sorok szerint csoportosított négyzetes faktorsúlyoknak, ezért felírható a totális és a belső variancia különbségeként: ( ) = ( ) = ( ) ( ) Var q Var Q Var Q Var Q = K B p 1 = q q p k = j = quartiax VarB ( Q). /8/ Ha a Var(.) függvény arguentuában egy vektor vagy egy átrix szerepel, akkor ezzel a vektoron (átrixon) belüli valaennyi ele szórásnégyzetére hivatkozunk. Hasonlóan, ha a Cov(.) függvény arguentuában két vektor szerepel, akkor a két vektor egfelelő eleei közötti kovarianciára hivatkozunk.

5 98 DR. HAJDU OÓ A kounalitások négyzetösszege konstans, ely a következő forában bontható fel: p j = q j = 1 = 1 q q = ( Q1) ( Q1) = 1 ( Q Q) 1 = qk qk + qk q g. /9/ k1 443 k g 1443 quartiax quartiin A Variax kritériu (Kaiser [1958]) a Q oszlopain belüli varianciák összegét axiálja, következésképpen az oszloppárokhoz tartozó kovarianciák összegét iniálja. Míg a Variax kritériu konvergált axiált értékének előjele pozitív, addig a Covariin kritériu iniált értéke negatív (negatív korreláció). E stratégia eredényeképpen a transzforált súlyok abszolút értékei egyhez vagy zéróhoz közelivé válnak, de adott oszloppárt tekintve ellentétesen alakulnak. 3 Az eljárás kiegészítője a ten Berge algoritus [1995] ely egakadályozza a Variax ódszert abban, hogy lokális axiuhoz konvergáljon. Az ún. Quartiax kritériuot alkalazva (Neuhaus Wrigley [1954]) a faktorsúlyok negyedik hatványainak (ásképpen a q értékeknek) az összegét axiáljuk. A /8/ dekopozícióból látható, hogy ez akkor valósul eg, ikor a totális Var(Q) variancia axiált, és ekkor a belső, átlagos soron belüli variancia is axiált. A /9/ felbontásból pedig az olvasható ki, hogy a Quartiax kritériu axiálja a Q Q átrix nyoát (trace), így a sajátértékeinek az összegét is. A nyo axiálása viszont kevés száú nagy sajátérték kialakulásához, következésképpen (tipikusan) egy általános közös faktor feltárásához vezet. Hasonlóan a Variax-Covariin esethez, a Quartiax kritériu optializálása egyben a Quartiin kritériu (Caroll [1953]) optializálását is eredényezi. A fent tárgyalt kritériuok indegyike speciális esete az általános, paraéteres G(γ) egyszerűségi kritériunak, aely indig inializálandó: p p p γ G ( γ) = q q jg q q jg in. k g j = 1 p j = 1 j = 1 /10/ Látható, hogy G(1) a Covariin és egyben a Variax kritériuokat jelenti, íg a pozitív G(0) a Quartiin és ugyanakkor a Quartiax kritériuokat nyújtja: G() 0 = q q in. k g A γ paraéter ortogonális forgatáshoz ajánlott értékei a 0 γ 1 intervalluban vannak. Végül a G(γ) kritériu a G(0) és a G(1) kritériuok súlyozott átlaga: ( ) ( ) k G γ = G() 0 γ G() 0 G() 1 = ( 1 γ ) G() 0 +γg() 1. g 3 Ez a agyarázata annak, hogy néely statisztikai progracsoag Variax opció ellett negatív egyszerűségi kritériu sorozatot közöl, ert analitikusan a covariin kritériuot optiálja.

6 ROÁCIÓ AZ EGYSZERŰ FAKORSRUKÚRÁÉR 983 Ortogonális forgatáskor γ alacsony értéke a súlyátrix sorait, agas értéke pedig az oszlopait egyszerűsíti. Egyenlő súlyok ellett a G(1/) Biquartiax kritériuot kapjuk, íg G(/) az Equaax kritériuot adja. Ez utóbbi kritériuok ne hangsúlyozzák külön se az oszlopok, se a sorok egyszerű struktúráját. Annak egítélésére, hogy az egyszerű struktúra ennyire vált a forgatás hatására egyszerűvé, Kaiser [1974] az alábbi IFS indexet (index of factorial siplicity) javasolta, a quartiin kritériuból kiindulva: IFS = quartiin 1 ax quartiin { } = p q j = 1 k = 1 = p ( 1) j = 1 = q k 1. q k 1 Perfekt egyszerűségi struktúra esetén az IFS index értéke 1 (perfekt egyszerűségi struktúránál inden indikátor egységnyi koplexitású, azaz csak egy faktorban szerepel zérótól különböző súllyal quartiin=0). Ugyanakkor az IFS=0, aikor a struktúra a legkevésbé egyszerű, vagyis adott indikátor egyenlő súllyal tartozik valaennyi faktorhoz. Mindazonáltal hátránya az IFS indexnek, hogy értéke a faktorok skálájának is függvénye. Az ún. Orthosi technika (Bentler [1977]) ár eleve egy skálafüggetlen egyszerűségi index optializálásán alapul. 4 ekintsük a = diag ( Q ) D Q ódon képzett diagonális átrixot. Az egyszerűségi indexet Bentler int axiálandó általánosított varianciát (generalized variance) definiálja, a következők szerint: ( ) 1 / 1 / GV = D Q Q D ax. E deterináns értéke 0 és 1 között változik, lévén egy szietrikus, nenegatív definit átrixhoz tartozik, elynek valaennyi diagonális elee egységnyi. Hangsúlyozandó, hogy GV invariáns arra az esetre, ha B oszlopait egy diagonális átrixszal átskálázzuk. Az index értéke GV=1, ha a faktorintázat faktoriálisan egyszerű (Kaiser [1974]), aikor is egységátrix deterinánsát száítjuk. Ugyanakkor GV=0 indenkor, aikor Q oszlopai lineárisan összefüggők. Ez a helyzet akkor is, ha valaennyi indikátor azonos súllyal szerepel valaennyi faktorban (vagyis inden egyes indikátor koplexitása a lehető legnagyobb ()), de akkor is ha a faktorsúly-átrix oszlopai proporcionálisan száraznak egyásból, vagy az oszlopok egy előjeltől eltekintve azonosak. Sajnos, a GV=0 érték ne föltétlenül az egyszerűség hiányához (a koplexitáshoz) kötődik. Mindazonáltal GV axiálása végett egy ortonorált tekintetében a következő feltételnek kell teljesülni (Bentler [1977]): C Q Q Q 1 A ( B* C) = M, ahol = ( ) 4 Az orthosi eljárás korántse közisert. Mint exploratív technika, hozzáférhető az EQS szoftverben.

7 984 DR. HAJDU OÓ és M Lagrange-szorzók szietrikus átrixa. Ekkor az Eckart Young-féle szinguláris érték felbontást (SVD) alkalazva: ( * ) = ( )( ) A B C UVU UW, ahol U a bal oldali, W a jobb oldali szinguláris vektorokat tartalazó átrixok (eleget téve definíció szerint az U U = I, és W W = I feltételeknek), és V a szinguláris értékek diagonális átrixa. Ekkor a = UW transzforációs átrix láthatóan ortonorált. Kiindulva egy kezdeti becslésből, például az egységátrixból, az eljárás új becslést száít a B és C átrixokra, ajd új SVD készül, és a folyaat akkor áll le, ikor stabilizálódott. Végül egelítjük, hogy az ortogonális forgatás egy igen általános és egyszerű ódszerét nevezetesen a BSV (basic singular value) eljárást javasolja Jennrich [001] ely a f / +α átrix SVD felbontásán alapul, ahol f() tetszőleges, axiálandó egyszerűségi függvény. Bár az eljárás a vizsgált esetek indegyikénél konvergált, a konvergencia eléletileg ne igazolt, és a egfelelő a szorzó egválasztása is nehézkes. OBLIQUE ROÁCIÓ KORRELÁL FAKOROKÉR Még egyszerűbb faktorstruktúrát nyerhetünk, ha föloldjuk a korrelálatlan faktorok követelényét. Például, ha a GV kritériu axiálásakor egengedjük, hogy korrelált faktorokat eredényezzen, akkor az ún. Oblisi ódszert kapjuk (Bentler [1977]). A továbbiakban a következő eljárásokat tárgyaljuk részletesen: Direct obliin (Quartiin), Proax és a független klaszterek ódszerét. Az előbbi kettő elérhető elérhető standard statisztikai progracsoagokban. A Direct obliin eljárás Az ún. direct obliin ódszer (Jennrich Sapson [1966]) szintén a G(γ) kritériuot iniálja, de a γ < 0,8 intervalluon. Növekvő gaa éginkább korrelált (oblique) faktorokat eredényez, de pozitív gaa értékek (különösen, ikor γ > 0,8) konvergencia probléákhoz vezetnek. Oblique esetben a G(0) kritériuot speciálisan Direct quartiin kritériunak nevezzük. E ódszer elei rotációk sorozatán át halad. Egy közbülső lépésben tekintsünk két (standardizált) faktort: f 1 és f. Egy elei rotálás abból áll, hogy rotáljuk az f 1 faktort az f 1 és f faktorok síkjában úgy, hogy az eredényül kapott faktorsúlyok inializálják a G(0) kritériu értékét. A rotált f 1 faktor ost: ahol a f1 = t1f1+ t f, ( ) Var( f ) = t + t t Cov f, f + t = 1

8 ROÁCIÓ AZ EGYSZERŰ FAKORSRUKÚRÁÉR 985 standardizálást egköveteljük. Jelölje a 1 és a a rotálás előtti, íg a 1 és utáni faktorsúlyokat. Így ajd egyszerű átalakítások után kapjuk af+ af = a ( tf+ tf) + af , a = a / t 1 1 1, a = t a / t + a 1 1. a a rotálás Az 1/t 1, és a t /t 1 értékeket G(0) inializálása útján kapjuk. A korrelációt a két faktor között az alábbi egyenletből száítjuk: ( ) (, ) (, ) Cov( f, f ) = Cov ( t f + t f ), f = t Cov f f + t Cov f f Ezzel egy elei rotáció véget ér. Minden lehetséges faktorpárt figyelebe véve a rotálást addig folytatjuk, íg G(0) konvergál. Itt eeljük ki, hogy a Direct quartiin eljárás feltárja a perfekt egyszerű struktúrát, ha az a valós helyzet. A Proax ódszer Egy ásik elterjedt technika a Proax ódszer (Hendrickson White [1964]) ely az eredeti A súlyátrix V Variax rotációjából indul ki. ekintsük az Y átrixot, elynek eleeit a következők szerint definiáljuk: κ 1 y = ν ν, ahol k >1 integer. Így y előjele ugyanaz, int ν előjele, íg abszolút értéke ν abszolút értékével azonos. Keressük a b koefficiensek legkisebb négyzetek (OLS) becslését az t yk = Vbk + e regresszióban, ahol Y k-adik oszlopa y k. A jólisert OLS becslést alkalazva 1 1 Y [ ] ( ) B(, ) = b, b,..., b = V V V és a rotált súlyátrix: VB. A B átrix hatása általában az, hogy az abszolút értékben relatíve nagy faktorsúlyokat tovább növeli, a relatíve kicsiket pedig tovább csökkenti. A gyakorlatban érdees úgy átskálázni B oszlopait, hogy a transzforált faktorok varianciája egységnyi legyen. Ennek érdekében helyettesítjük a B átrixot az M = BD átrixszal, ahol 1 D = diag ( B B). Ezáltal a /4/ azonosságot tekintve a rotált fak- k κ

9 986 DR. HAJDU OÓ torok korrelációs átrixa: = ( ) Φ M M 1. A κ paraéter értékének javasolt intervallua: [,4]. úl agas κ torokat eredényez. A Sipliax algoritus p ( a k = 1j = 1 w éginkább egyszerűsíti a struktúrát, de túlságosan korrelált fak- A Sipliax eljárás (Kiers [1994]) a Proax egy ódosított forája, aely az egyszerűség axiálása érdekében alábbi diszkrepancia kritériuot iniálja S = A = p w l ) k = 1j= 1 1 a p k= 1 j= 1 ( 1 w ) a + w ( a l ). l ( 1 ) * S = w a in R * ( pp, ) L in, ahol A a rotálandó ortogonális loading-átrix és L az n 0 száú zérót tartalazó célátrix. Így L nezéró eleeinek a száa p n 0. Az n 0 értékét előre rögzíteni kell, de a zérók pozíciói az eljárás során, annak eredényeképpen alakulnak ki. A zéró pozíciók egjelölésére a (p,) éretű W bináris, indikátor átrixot használjuk, ely w =0 eleeket tartalaz a zéró-pozíciókon és w =1 eleeket egyébként. Jelölje a az A szorzatátrix általános eleét. Ekkor S = ( V ) k = 1j = 1 A kifejezés jobb oldalán az első tag L zéró, a ásodik tag pedig L nezéró eleeihez kötődik. Mivel = esetén az = választással a ásodik tag zéróvá válik, ezért L eliinálódik a feladatból és a inializálás ost ár csak az első tag tekintetében történik: = VL L = VL V,. Az S * kritériuot w tekintetében akkor iniáljuk, ha egkeressük az n 0 száú legkisebb értéket, és a W átrixban az ő pozíciójukhoz zérót, inden ás pozícióhoz a pedig 1-et rendelünk. Ezt követően az S * kritériuot tekintetében iniáljuk, ajd az eljárást iteratív ódon folytatjuk. A lokális iniu elkerülése érdekében az eljárást száos induló átrixból kiindulva végrehajtjuk, ajd a iniális célfüggvény-érték alapján választunk közülük. Az Orthoblique eljárás Jelölje R * ( pp, ) a indenkori faktorizálandó átrixot, ely szietrikus, és rangja (<p). Ekkor R * spektrális felbontása: p

10 ROÁCIÓ AZ EGYSZERŰ FAKORSRUKÚRÁÉR 987 ahol az L (, ) diagonális átrix diagonális eleei a nezéró sajátértékek, V oszlopai pedig a egfelelő sajátvektorok. Az orthoblique rotálás lényege, hogy kiindulva a VL faktorsúlyokból, vagy azok valaely tetszőleges ortogonális forgatásával nyert faktorsúlyokból, kizárólag ortonorált transzforációkon át végül korrelált faktorokra vonatkozó faktorsúlyokhoz jussunk. Általában R * = VL V = ( VLDD 1) ( D1 D L LL D D1 ) ( DDLV 1 ) = = ff = AR A, ahol A, R ff és A a egfelelő zárójelben lévő szorzatokat tööríti, továbbá a átrix ortonorált ( = =I) és valaennyi D átrix pozitív definit diagonális. Mivel egyszerűbb alakban a faktorközi korrelációk átrixa: R ff = D1 D D /11/ ezért, ha 1 és D rögzített, akkor D 1 is eghatározott. A D 1 átrix egyedüli szerepe, hogy az inverzével való noralizálás az R ff korrelációs átrix átlóján egységnyi diagonális eleeket biztosít. A /11/ rotálás ortogonális, és ne ortogonális faktoregoldásokat is agában foglal. Az ortogonális egoldások körét a D =D 1 =I egszorítás eredényezi. Ha D I, akkor oblique egoldáshoz, korrelált faktorokhoz jutunk. A rotálás végrehajtása 1 és D rögzítését igényli. Ez többféle eggondolás alapján történhet. Egyféle egoldáshoz a független klaszterek esete vezet el. Ennek lényege a következő (Harris Kaiser [1964]): Az indikátorok független klasztert alkotnak, ha a faktorsúlyok átrixában inden sorban csak egyetlen zérótól különböző érték van, ás szavakkal, a átrix perfekt egyszerű struktúrát utat. Ekkor viszont A A biztosan diagonális. Ennek biztosítása tehát racionális követelény. Ez pedig teljesül akkor, ha LD =D 3 =I. (Vegyük észre, hogy ortogonális esetben D 3 =L.) Ugyanis E választással = 1 1 = 1 1 = 1. A A D DLV VLDD DDLDD D AR ff A = 1 1 ( VD ) ( D L D ) ( VD ) = A fenti rotált faktorsúlyok és faktorközi korrelációk birtokában a faktorstruktúra: xf ff 1 1. R = AR = VL D

11 988 DR. HAJDU OÓ A végső ozzanat a átrix egválasztásának a kérdése. Vegyük észre, hogy a átrix ost ne VL, hane csak V rotálására szolgál. Ennek egfelelően azt a transzforációs átrixot választjuk, aely valaely Orthoax kritériu (Quartiax, Variax, Equaax) szerint V optiális forgatását eredényezi. A LOADING SIMPLICIY INDEX A Kaiser-féle IFS és a Bentler-féle GV egyszerűségi indexek hátrányait kiküszöbölendő, Lorenzo Seva [003] a következő eljárást javasolja a faktoriálisan egyszerűség jellezésére: ahol { w} { w} w in 0 LS = 1, 1 in 1 w= + ( w ) p 10w p j = 1k = 1 és w a sorai tekintetében noralizált loading átrix általános elee: az eleek négyzetösszege inden sorban 1. Látható, hogy LS=1, ha kizárólag w =1, és w =0 értékek vannak a noralizált faktorsúly-átrixban. A legkevésbé egyszerű loading-átrix esetén 10/ w = 1 /, ezért in { w} = ( 1/ ). A kitevőben szereplő konstans 10 szorzó azt a célt szolgálja, hogy az index a perfekt egyszerű struktúra közelében is láthatóvá tegye a struktúrák különbözőségét, gyorsabban távolodva az 1-től, ahogy a struktúra koplexebbé válik. 5 A loading átrix noralizálása két lépésben történik. Előbb a loading-átrix oszlopait noralizáljuk azért, hogy az LS érzéketlen legyen az oszlopok átskálázására, ajd az így noralizált átrix sorait noralizáljuk azért, hogy az LS axiális értéke 1 legyen: ahol 1 / 1 /, W = H LC ( ) C= diag L L, 1 / 1 / ( )( ) H = diag LC LC. A SÚLYOZÁS SZEREPE A ROÁCIÓBAN A tárgyalt rotációs eljárások egyike se képes értelezhető faktorstruktúrát nyújtani akkor, ha az indikátorok többsége koplex abban az érteleben, hogy több faktorhoz tartoznak ne zéró súllyal, illetve, ha jelentős száú indikátor (több int a faktorok 5 A konstans nuerikus okból szerepel csak a forulában, helyére ás kicsiny pozitív szá is írható.

12 ROÁCIÓ AZ EGYSZERŰ FAKORSRUKÚRÁÉR 989 száa) zéróközeli súllyal bír egy faktorban (tipikusan az elsőben). Ezen esetek akkor fordulhatnak elő, ikor az indikátorok koplexitása nagyobb int 1. A jelenségre Cureton és Mulaik [1975] hívta fel a figyelet a Variax forgatással kapcsolatban, és a probléa kezelésére az indikátorok egfelelő súlyozását javasolták. A súlyozott Variax úgy forgatja a tengelyeket, hogy a tengelyek végső pozícióját leginkább az egyszerű indikátorok, és legkevésbé a koplex indikátorok határozzák eg. A súlyozott rotáció tehát egkívánja az indikátorok koplexitásának a érését, ajd a egfelelő súlyok hozzárendelését. A koplex indikátorok azonosítása az alábbiak szerint történik (lásd Cureton Mulaik [1975]) és Lorenzo Seva [000]). Legyen a rotálandó ortogonális súlyátrix A, ellyel a reprodukált korrelációs átrix R*=AA. Hajtsuk végre az R* átrix főkoponens analízisét, ely az F ortogonális faktorsúlyátrixot adja. Noráljuk az F átrix sorait egységnyi hosszúvá, és ha egy sor első elee negatív, akkor a sor előjelét váltsuk át. Így végül a G átrixhoz jutunk, elynek első oszlopában az eleek rendere: g j1 (j=1,,...,p). Ha a faktorok száa, akkor a legkevésbé koplex változót g j1 =(1/) 1/ jelzi, és hozzá rendeljük a legnagyobb súlyt, ely egységnyi. Az általános w jj súlyt pedig úgy definiáljuk, hogy ebből a helyzetből elozdulva a g j1 =0 és g j1 =1 esetekben az illető indikátorhoz zéró súlyt kapjunk. A w jj súlyokat a W diagonális átrixba foglalva a rotálást a WG átrixon hajtjuk végre. A Variax(WG)=V rotálás a súlyozott Variax eljárást jelenti, elynek végső L egoldását úgy kapjuk eg, hogy V sorainak eredeti előjelét visszaállítjuk, és sorait denoralizáljuk. Korrelált faktorok kiszűrése érdekében az eljárást egy Proax forgatás zárhatja. Súlyozott oblique forgatást közvetlenül is végrehajthatunk például az Obliin(WG) forgatást végrehajtva (Lorenzo Seva [000]). Ilyenkor a transzforációs átrix ( ) 1 = P P P L. IRODALOM BENLER, P. M. WINGARD, J. A. [1977]: Function invariant and paraeter scale-free transforation ethods. Psychoetrika. 4. évf.. sz old. BENLER, P.M. [1977]: Factor siplicity index and transforations. Psychoetrika. 4. évf.. sz old. CAROLL, J. B. [1953]: An analytical solution for approxiating siple structure in factor analysis. Psychoetrika old. CLARKSON, D. B. JENNRICH, R. I. [1988]: Quartic rotation criteria and algoriths. Psychoetrika old. CUREON, E. E. MULAIK, S. A. [1975]: he weighted variax rotation and the proax rotation. Psychoetrika. 40. évf.. sz. HARRIS, C. W. KAISER, H. F. [1964]: Oblique factor analytic solutions by orthogonal transforations. Psychoetrika. 9. évf. 4. sz old. HAYASHI, K.-BENLER, P. [000]: On the relations aong regular, equal unique variances, and iage factor analysis odels. Psychoetrika. 65. évf. 1. sz old. HENDRICKSON, A. E. WHIE, P. O. [1964]: Proax: A quick ethod for rotation to oblique siple structure. British Journal of Statistical Psychology old. JENNRICH, R. I. - SAMPSON, P. F. [1966]: Rotation for siple loadings. Psychoetrika. 31. évf. 3. sz old. JENNRICH, R. I. [1979]: Adissible values of γ in direct obliin rotation. Psychoetrika. 44. évf.. sz old. JENNRICH, R. I. [001]: A siple general procedure for orthogonal rotation. Psychoetrika. 66. évf.. sz old. KAISER, H. F. [1958]: he variax criterion for analytic rotation in factor analysis. Psychoetrika old. KAISER, H. F. [1974]: An index of factorial siplicity. Psychoetrika. 39. évf. 1. sz old. KAISER, H. F. [1990]: Outline of EPIC, a new ethod for factoring a reduced correlation atrix. Paper presented at Society of Multivariate Experiental Psychology. Providence, RI. KIERS, H. A. L. [1994]: SIMPLIMAX: Oblique rotation to an optial target with siple strucrure. Psychoetrika. 59. évf. 4. sz old. LORENZO-SEVA, U. [000]: he weighted obliin rotation. Psychoetrika. 65. évf. 3. sz old.

13 990 DR. HAJDU: ROÁCIÓ AZ EGYSZERŰ FAKORSRUKÚRÁÉR LORENZO-SEVA, U. [003]: A factor siplicity index. Psychoetrika. 68. évf. 1. sz old. NEUHAUS, J. O. WRIGLEY, C. [1954]: he quartiax ethod: an analytic approach to orthogonal siple structure. British Journal of Statistical Psychology old. NEVELS, K. [1986]: A direct solution for pairwise rotations in Kaiser s variax ethod. Psychoetrika old. EN BERGE, J. M. F. [1984]: A joint treatent of VARIMAX rotation and the proble of diagonalizing syetric atrices siultaneously in the least-squares sense. Psychoetrika. 49. évf. 3. sz old. EN BERGE, J. M. F. [1995]: Suppressing perutations or rigid planar rotations: A reedy against nonoptial variax rotations. Psychoetrika old. WHERRY, R. J. [1984]: Contributions to correlational analysis. Acadeic Press. New York. SUMMARY he article gives a coprehensive overview of the syste of the factor rotation technics, siplicity criteria and indices, including both the orthogonal and the oblique procedures. Besides, the weighted algoriths (weighted Variax and Obliin) are also discussed.

Principal Component Analysis

Principal 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

Részletesebben

Faktoranalízis az SPSS-ben

Faktoranalízis az SPSS-ben Faktoranalízis az SPSS-ben Kvantitatív statisztikai módszerek Petrovics Petra Feladat Megnyitás: faktor.sav Fogyasztók materialista vonásai (Richins-skála) Forrás: Sajtos-Mitev, 250.oldal Faktoranalízis

Részletesebben

Faktoranalízis az SPSS-ben

Faktoranalízis az SPSS-ben Faktoranalízis az SPSS-ben = Adatredukciós módszer Petrovics Petra Doktorandusz Feladat Megnyitás: faktoradat_msc.sav Forrás: Sajtos-Mitev 250.oldal Fogyasztók materialista vonásai (Richins-skála) Faktoranalízis

Részletesebben

A KroneckerCapelli-tételb l következik, hogy egy Bx = 0 homogén lineáris egyenletrendszernek

A KroneckerCapelli-tételb l következik, hogy egy Bx = 0 homogén lineáris egyenletrendszernek 10. gyakorlat Mátrixok sajátértékei és sajátvektorai Azt mondjuk, hogy az A M n mátrixnak a λ IR szám a sajátértéke, ha létezik olyan x IR n, x 0 vektor, amelyre Ax = λx. Ekkor az x vektort az A mátrix

Részletesebben

Szinguláris érték felbontás Singular Value Decomposition

Szinguláris érték felbontás Singular Value Decomposition Szinguláris érték felbontás Singular Value Decomposition Borbély Gábor 7. április... Tétel (teljes SVD. Legyen A C m n mátrix (valósra is jó, ekkor léteznek U C m m és V C n n unitér mátrixok (valósban

Részletesebben

A multikollinearitás vizsgálata lineáris regressziós modellekben

A multikollinearitás vizsgálata lineáris regressziós modellekben A ultikollinearitás vizsgálata lineáris regressziós odellekben Kovács Péter, a Szegedi Tudoányegyete egyetei adjunktusa E-ail: pepe@eco.u-szeged.hu Epirikus elezéseknél gyakori eset, hogy a vizsgálat szepontjából

Részletesebben

Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek

Miért 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,

Részletesebben

Standardizálás, transzformációk

Standardizálás, transzformációk Standardizálás, transzformációk A transzformációk ugynúgy mennek, mint egyváltozós esetben. Itt még fontosabbak a linearitás miatt. Standardizálás átskálázás. Centrálás: kivonjuk minden változó átlagát,

Részletesebben

II. Két speciális Fibonacci sorozat, szinguláris elemek, természetes indexelés

II. Két speciális Fibonacci sorozat, szinguláris elemek, természetes indexelés II. Két speciális Fibonacci sorozat, szinguláris elemek, természetes indexelés Nagyon könnyen megfigyelhetjük, hogy akármilyen két számmal elindítunk egy Fibonacci sorozatot, a sorozat egymást követő tagjainak

Részletesebben

Kvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla

Kvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,

Részletesebben

Vektorterek. =a gyakorlatokon megoldásra ajánlott

Vektorterek. =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,

Részletesebben

Saj at ert ek-probl em ak febru ar 26.

Saj at ert ek-probl em ak febru ar 26. Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre

Részletesebben

11. Előadás. 11. előadás Bevezetés a lineáris programozásba

11. Előadás. 11. előadás Bevezetés a lineáris programozásba 11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez

Részletesebben

Vektorok, mátrixok, lineáris egyenletrendszerek

Vektorok, mátrixok, lineáris egyenletrendszerek a Matematika mérnököknek I. című tárgyhoz Vektorok, mátrixok, lineáris egyenletrendszerek Vektorok A rendezett valós számpárokat kétdimenziós valós vektoroknak nevezzük. Jelölésükre latin kisbetűket használunk.

Részletesebben

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, Leontyev-modell

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, Leontyev-modell 9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Tegyük fel, hogy egy elemi bázistranszformáció kezdetekor a sor- és oszlopindexek sorban helyezkednek

Részletesebben

1. Az adott kifejezést egyszerűsítse és rajzolja le a lehető legkevesebb elemmel, a legegyszerűbben.

1. Az adott kifejezést egyszerűsítse és rajzolja le a lehető legkevesebb elemmel, a legegyszerűbben. 1 1. z adott kifejezést egyszerűsítse és rajzolja le a lehető legkevesebb eleel, a legegyszerűbben. F függvény 4 változós. MEGOLÁS: legegyszerűbb alak egtalálása valailyen egyszerűsítéssel lehetséges algebrai,

Részletesebben

LINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40

LINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard

Részletesebben

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, mátrixegyenlet

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, mátrixegyenlet 9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Határozzuk meg a p valós paraméter értékétől függően a következő mátrix rangját: p 3 1 2 2

Részletesebben

JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ

JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ Fizika középszint 08 ÉRESÉGI VIZSGA 008. ájus 4. FIZIKA KÖZÉPSZINŰ ÍRÁSBELI ÉRESÉGI VIZSGA JAVÍÁSI-ÉRÉKELÉSI ÚMUAÓ OKAÁSI ÉS KULURÁLIS MINISZÉRIUM A dolgozatokat az útutató utasításai szerint, jól követhetően

Részletesebben

Komplex számok. Wettl Ferenc előadása alapján Wettl Ferenc előadása alapján Komplex számok / 18

Komplex számok. Wettl Ferenc előadása alapján Wettl Ferenc előadása alapján Komplex számok / 18 Komplex számok Wettl Ferenc előadása alapján 2015.09.23. Wettl Ferenc előadása alapján Komplex számok 2015.09.23. 1 / 18 Tartalom 1 Számok A számfogalom bővülése 2 Algebrai alak Trigonometrikus alak Egységgyökök

Részletesebben

Matematikai geodéziai számítások 5.

Matematikai geodéziai számítások 5. Matematikai geodéziai számítások 5 Hibaterjedési feladatok Dr Bácsatyai László Matematikai geodéziai számítások 5: Hibaterjedési feladatok Dr Bácsatyai László Lektor: Dr Benedek Judit Ez a modul a TÁMOP

Részletesebben

Bevezetés az algebrába 2

Bevezetés az algebrába 2 B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Bevezetés az algebrába 2 BMETE91AM37 Mátrixfüggvények H607 2018-05-02 Wettl Ferenc

Részletesebben

Mátrixok 2017 Mátrixok

Mátrixok 2017 Mátrixok 2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4

Részletesebben

Többváltozós empirikus elemzéseknél az egyik leggyakrabban alkalmazott modell az

Többváltozós empirikus elemzéseknél az egyik leggyakrabban alkalmazott modell az ADATÁLLOMÁNYOK REDUNDANCIÁJÁNAK MÉRÉSE KOVÁCS PÉTER PETRES TIBOR TÓTH LÁSZLÓ Nagy ennyiségű adatokat tartalazó álloányok gyakran kevés inforációt hordoznak. Ennek oka az adatálloány adatait tartalazó változók

Részletesebben

Matematikai geodéziai számítások 6.

Matematikai geodéziai számítások 6. Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre

Részletesebben

KÖZBESZERZÉSI ADATBÁZIS

KÖZBESZERZÉSI ADATBÁZIS 14. elléklet a 44/2015. (XI. 2.) MvM rendelethez KÖZBESZERZÉSI DTBÁZIS Összegezés az ajánlatok elbírálásáról I. szakasz: kérő I.1) Név és cíek 1 (jelölje eg az eljárásért felelős összes ajánlatkérőt) Hivatalos

Részletesebben

15. LINEÁRIS EGYENLETRENDSZEREK

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

Részletesebben

1.1. Vektorok és operátorok mátrix formában

1.1. Vektorok és operátorok mátrix formában 1. Reprezentáció elmélet 1.1. Vektorok és operátorok mátrix formában A vektorok és az operátorok mátrixok formájában is felírhatók. A végtelen dimenziós ket vektoroknak végtelen sok sort tartalmazó oszlopmátrix

Részletesebben

Gauss-Seidel iteráció

Gauss-Seidel iteráció Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS

Részletesebben

Problémás regressziók

Problémás regressziók Universitas Eotvos Nominata 74 203-4 - II Problémás regressziók A közönséges (OLS) és a súlyozott (WLS) legkisebb négyzetes lineáris regresszió egy p- változós lineáris egyenletrendszer megoldása. Az egyenletrendszer

Részletesebben

Szinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28

Szinguláris 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

Részletesebben

Főkomponens és Faktor analízis

Főkomponens és Faktor analízis Főkomponens és Faktor analízis Márkus László 2017. december 5. Márkus László Főkomponens és Faktor analízis 2017. december 5. 1 / 35 Bevezetés - Főkomponens és Faktoranalízis A főkomponens és faktor analízis

Részletesebben

Matematikai geodéziai számítások 6.

Matematikai geodéziai számítások 6. Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi

Részletesebben

Matematika A2 vizsga mgeoldása június 4.

Matematika A2 vizsga mgeoldása június 4. Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont

Részletesebben

Matematika (mesterképzés)

Matematika (mesterképzés) Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,

Részletesebben

1.1. Definíció. Azt mondjuk, hogy a oszója b-nek, vagy más szóval, b osztható a-val, ha létezik olyan x Z, hogy b = ax. Ennek jelölése a b.

1.1. Definíció. Azt mondjuk, hogy a oszója b-nek, vagy más szóval, b osztható a-val, ha létezik olyan x Z, hogy b = ax. Ennek jelölése a b. 1. Oszthatóság, legnagyobb közös osztó Ebben a jegyzetben minden változó egész számot jelöl. 1.1. Definíció. Azt mondjuk, hogy a oszója b-nek, vagy más szóval, b osztható a-val, ha létezik olyan x Z, hogy

Részletesebben

Főkomponens és Faktor analízis

Főkomponens és Faktor analízis Főkomponens és Faktor analízis Márkus László 2014. december 4. Márkus László Főkomponens és Faktor analízis 2014. december 4. 1 / 34 Bevezetés - Főkomponens és Faktoranalízis A főkomponens és faktor analízis

Részletesebben

Szinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35

Szinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35 Szinguláris értékek Wettl Ferenc 2016. április 12. Wettl Ferenc Szinguláris értékek 2016. április 12. 1 / 35 Tartalom 1 Szinguláris érték 2 Norma 3 Mátrixnorma 4 Alkalmazások Wettl Ferenc Szinguláris értékek

Részletesebben

Lineáris leképezések (előadásvázlat, szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla

Lineáris leképezések (előadásvázlat, szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla Lineáris leképezések (előadásvázlat, 2012. szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla Ennek az előadásnak a megértéséhez a következő fogalmakat kell tudni: homogén lineáris egyenletrendszer és

Részletesebben

10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak

10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak 10. Előadás Megyesi László: Lineáris algebra, 98. 108. oldal. Gondolkodnivalók Mátrix inverze 1. Gondolkodnivaló Igazoljuk, hogy invertálható trianguláris mátrixok inverze is trianguláris. Bizonyítás:

Részletesebben

Gauss-eliminációval, Cholesky felbontás, QR felbontás

Gauss-eliminációval, Cholesky felbontás, QR felbontás Közelítő és szimbolikus számítások 4. gyakorlat Mátrix invertálás Gauss-eliminációval, Cholesky felbontás, QR felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei

Részletesebben

8. Egyenletek, egyenlőtlenségek, egyenletrendszerek II.

8. Egyenletek, egyenlőtlenségek, egyenletrendszerek II. 8 Egyenletek, egyenlőtlenségek, egyenletrendszerek II Elméleti összefoglaló Az a + b+ c, a egyenletet másodfokú egyenletnek nevezzük A D b ac kifejezést az egyenlet diszkriminánsának nevezzük Ha D >, az

Részletesebben

352 Nevezetes egyenlôtlenségek. , az átfogó hossza 81 cm

352 Nevezetes egyenlôtlenségek. , az átfogó hossza 81 cm 5 Nevezetes egyenlôtlenségek a b 775 Legyenek a befogók: a, b Ekkor 9 + $ ab A maimális ab terület 0, 5cm, az átfogó hossza 8 cm a b a b 776 + # +, azaz a + b $ 88, tehát a keresett minimális érték: 88

Részletesebben

Szélsőérték feladatok megoldása

Szélsőérték feladatok megoldása Szélsőérték feladatok megoldása A z = f (x,y) függvény lokális szélsőértékének meghatározása: A. Szükséges feltétel: f x (x,y) = 0 f y (x,y) = 0 egyenletrendszer megoldása, amire a továbbiakban az x =

Részletesebben

Néhány mozgás kvantummechanikai tárgyalása

Néhány mozgás kvantummechanikai tárgyalása Néhány ozgás kvantuechanikai tárgyalása Mozzanatok: A Schrödinger-egyenlet felírása ĤΨ EΨ Hailton-operátor egállapítása a kinetikus energiaoperátor felírása, vagy 3 dienziós ozgásra, Descartes-féle koordinátarendszerben

Részletesebben

Matematikai geodéziai számítások 5.

Matematikai geodéziai számítások 5. Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr Bácsatyai László Matematikai geodéziai számítások 5 MGS5 modul Hibaterjedési feladatok SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról

Részletesebben

3. 1 dimenziós mozgások, fázistér

3. 1 dimenziós mozgások, fázistér Drótos G.: Fejezetek az eléleti echanikából 3. rész 3. dienziós ozgások, fázistér 3.. Az dienziós ozgások leírása, a fázistér fogala dienziós ozgás alatt egy töegpont olyan ozgását értjük ebben a jegyzetben,

Részletesebben

Változó tömegű test dinamikája

Változó tömegű test dinamikája Dr. Cvetityanin Lívia Változó töegű test inaikája Bevezetés Az iőben változó paraéteres rezgésék eghatározásával sok tuós foglalkozott lás pl. Meshchersky Bessonov Cveticanin 34. A változó paraéteres rezgésék

Részletesebben

Infobionika ROBOTIKA. X. Előadás. Robot manipulátorok II. Direkt és inverz kinematika. Készült a HEFOP P /1.0 projekt keretében

Infobionika ROBOTIKA. X. Előadás. Robot manipulátorok II. Direkt és inverz kinematika. Készült a HEFOP P /1.0 projekt keretében Infobionika ROBOTIKA X. Előadás Robot manipulátorok II. Direkt és inverz kinematika Készült a HEFOP-3.3.1-P.-2004-06-0018/1.0 projekt keretében Tartalom Direkt kinematikai probléma Denavit-Hartenberg konvenció

Részletesebben

karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja

karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja Mátrixok hasonlósága, karakterisztikus mátrix, karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja 1.Mátrixok hasonlósága, karakterisztikus mátrix, karakterisztikus

Részletesebben

BIOMATEMATIKA ELŐADÁS

BIOMATEMATIKA ELŐADÁS BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség

Részletesebben

Mágneses momentum, mágneses szuszceptibilitás

Mágneses momentum, mágneses szuszceptibilitás Mágneses oentu, ágneses szuszceptibilitás A olekuláknak (atooknak, ionoknak) elektronszerkezetüktől függően lehet állandóan eglévő, azaz peranens ágneses oentua (ha van bennük párosítatlan elektron, azaz

Részletesebben

KOVÁCS BÉLA, MATEMATIKA I.

KOVÁCS BÉLA, MATEMATIKA I. KOVÁCS BÉLA MATEmATIkA I 6 VI KOmPLEX SZÁmOk 1 A komplex SZÁmOk HALmAZA A komplex számok olyan halmazt alkotnak amelyekben elvégezhető az összeadás és a szorzás azaz két komplex szám összege és szorzata

Részletesebben

Matematika III előadás

Matematika III előadás Matematika III. - 2. előadás Vinczéné Varga Adrienn Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Előadáskövető fóliák Vinczéné Varga Adrienn (DE-MK) Matematika III. 2016/2017/I 1 / 23 paramétervonalak,

Részletesebben

Gazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Faktoranalízis előadás. Kvantitatív statisztikai módszerek

Gazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Faktoranalízis előadás. Kvantitatív statisztikai módszerek Faktoranalízis 6.-7. előadás Kvantitatív statisztikai módszerek Faktoranalízis Olyan többváltozós statisztikai módszer, amely adattömörítésre, a változók számának csökkentésére, az adatstruktúra feltárására

Részletesebben

JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ

JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ Fizika középszint 81 ÉRETTSÉGI VIZSGA 9. ájus 1. FIZIKA KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ OKTATÁSI ÉS KULTURÁLIS MINISZTÉRIUM A dolgozatokat az útutató utasításai szerint,

Részletesebben

6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján

6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján Közelítő és szimbolikus számítások 6. gyakorlat Sajátérték, Gersgorin körök Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján . Mátrixok sajátértékei

Részletesebben

Lineáris algebra 2. Filip Ferdinánd december 7. siva.banki.hu/jegyzetek

Lineáris algebra 2. Filip Ferdinánd december 7. siva.banki.hu/jegyzetek Lineáris algebra 2 Filip Ferdinánd filipferdinand@bgkuni-obudahu sivabankihu/jegyzetek 2015 december 7 Filip Ferdinánd 2016 februar 9 Lineáris algebra 2 1 / 37 Az el adás vázlata Determináns Determináns

Részletesebben

FIZIKA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ

FIZIKA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ Fizika középszint 4 ÉRETTSÉGI VIZSGA 04. október 7. FIZIKA KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ EMBERI ERŐFORRÁSOK MINISZTÉRIUMA A dolgozatokat az útutató utasításai szerint,

Részletesebben

Első zárthelyi dolgozat megoldásai biomatematikából * A verzió

Első zárthelyi dolgozat megoldásai biomatematikából * A verzió Első zárthelyi dolgozat megoldásai biomatematikából * A verzió Elméleti kérdések: E. Mikor nevezünk egy gráfot gyengén és mikor erősen összefüggőnek? Adjon példát gyengén összefüggő de erősen nem összefüggő

Részletesebben

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek

Részletesebben

VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja

VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag 2019. március 21. Mátrix rangja 1. Számítsuk ki az alábbi mátrixok rangját! (d) 1 1 2 2 4 5 1 1 1 1 1 1 1 1 2 1 2 1 1 0 1 1 2 1 0 1 1 1 1 2 3 1 3

Részletesebben

9. Előadás. (9. előadás) Lineáris egyr.(3.), Sajátérték április / 35

9. Előadás. (9. előadás) Lineáris egyr.(3.), Sajátérték április / 35 9. Előadás (9. előadás) Lineáris egyr.(3.), Sajátérték 2019. április 24. 1 / 35 Portfólió-analízis Tegyük fel, hogy egy bank 4 különböző eszközbe fektet be (réz, búza, arany és kakaó). Az ügyfeleinek ezen

Részletesebben

3. előadás Stabilitás

3. előadás Stabilitás Stabilitás 3. előadás 2011. 09. 19. Alapfogalmak Tekintsük dx dt = f (t, x), x(t 0) = x 0 t (, ), (1) Jelölje t x(t; t 0, x 0 ) vagy x(.; t 0, x 0 ) a KÉF megoldását. Kívánalom: kezdeti állapot kis megváltozása

Részletesebben

Egészrészes feladatok

Egészrészes feladatok Kitűzött feladatok Egészrészes feladatok Győry Ákos Miskolc, Földes Ferenc Gimnázium 1. feladat. Oldjuk meg a valós számok halmazán a { } 3x 1 x+1 7 egyenletet!. feladat. Bizonyítsuk be, hogy tetszőleges

Részletesebben

5. előadás - Regressziószámítás

5. 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

Részletesebben

3. Előadás. Megyesi László: Lineáris algebra, oldal. 3. előadás Lineáris egyenletrendszerek

3. Előadás. Megyesi László: Lineáris algebra, oldal. 3. előadás Lineáris egyenletrendszerek 3. Előadás Megyesi László: Lineáris algebra, 47. 50. oldal. Gondolkodnivalók Determinánsok 1. Gondolkodnivaló Determinánselméleti tételek segítségével határozzuk meg a következő n n-es determinánst: 1

Részletesebben

Arany Dániel Matematikai Tanulóverseny 2012/2013-as tanév 1. forduló haladók III. kategória

Arany Dániel Matematikai Tanulóverseny 2012/2013-as tanév 1. forduló haladók III. kategória Bolyai János Matematikai Társulat Arany Dániel Matematikai Tanulóverseny 0/03-as tanév. forduló haladók III. kategória Megoldások és javítási útmutató. Egy kör kerületére felírjuk -től 3-ig az egészeket

Részletesebben

A többváltozós lineáris regresszió III. Főkomponens-analízis

A többváltozós lineáris regresszió III. Főkomponens-analízis A többváltozós lineáris regresszió III. 6-7. előadás Nominális változók a lineáris modellben 2017. október 10-17. 6-7. előadás A többváltozós lineáris regresszió III., Alapok Többváltozós lineáris regresszió

Részletesebben

Sajátértékek és sajátvektorok. mf1n1a06- mf1n2a06 Csabai István

Sajátértékek és sajátvektorok. mf1n1a06- mf1n2a06 Csabai István Sajátértékek és sajátvektorok A fizika numerikus módszerei I. mf1n1a06- mf1n2a06 Csabai István Lineáris transzformáció Vektorok lineáris transzformációja: általános esetben az x vektor iránya és nagysága

Részletesebben

1 Lebegőpontos számábrázolás

1 Lebegőpontos számábrázolás Tartalom 1 Lebegőpontos számábrázolás... 2 2 Vektornormák... 4 3 Indukált mátrixnormák és tulajdonságaik... 5 4 A lineáris rendszer jobboldala hibás... 6 5 A kondíciószám és tulajdonságai... 7 6 Perturbációs

Részletesebben

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

ELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi

Részletesebben

Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások

Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások 1. Feladat. (6p) Jelöljön. egy tetszőleges vektornormát, ill. a hozzá tartozó indukált mátrixnormát! Igazoljuk, hogy ha A

Részletesebben

Diverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet

Diverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 11. Előadás Portfólió probléma Portfólió probléma Portfólió probléma Adott részvények (kötvények,tevékenységek,

Részletesebben

Hullámtan. A hullám fogalma. A hullámok osztályozása.

Hullámtan. A hullám fogalma. A hullámok osztályozása. Hullátan A hullá fogala. A hulláok osztályozása. Kísérletek Kis súlyokkal összekötött ingasor elején keltett rezgés átterjed a többi ingára is [0:6] Kifeszített guikötélen keltett zavar végig fut a kötélen

Részletesebben

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz

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

Részletesebben

Differenciálegyenletek. Vajda István március 4.

Differenciálegyenletek. Vajda István március 4. Analízis előadások Vajda István 2009. március 4. Függvényegyenletek Definíció: Az olyan egyenleteket, amelyekben a meghatározandó ismeretlen függvény, függvényegyenletnek nevezzük. Függvényegyenletek Definíció:

Részletesebben

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott

Részletesebben

Módszertani hozzájárulás a Szegénység

Módszertani hozzájárulás a Szegénység Módszertani hozzájárulás a Szegénység Többváltozós Statisztikai Méréséhez MTA doktori értekezés főbb eredményei Hajdu ottó BCE KTK Statisztika Tanszék BME GTK Pénzügyek Tanszék Hajdu Ottó 1 Egyváltozós

Részletesebben

Függvény fogalma, jelölések 15

Függvény fogalma, jelölések 15 DOLGO[Z]ZATOK 9.. 1. Függvény fogalma, jelölések 1 1. Az alábbi hozzárendelések közül melyek függvények? a) A magyarországi megyékhez hozzárendeljük a székhelyüket. b) Az egész számokhoz hozzárendeljük

Részletesebben

Gauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei

Gauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.

Részletesebben

Vektorterek. Több esetben találkozhattunk olyan struktúrával, ahol az. szabadvektorok esetében, vagy a függvények körében, vagy a. vektortér fogalma.

Vektorterek. Több esetben találkozhattunk olyan struktúrával, ahol az. szabadvektorok esetében, vagy a függvények körében, vagy a. vektortér fogalma. Vektorterek Több esetben találkozhattunk olyan struktúrával, ahol az összeadás és a (valós) számmal való szorzás értelmezett, pl. a szabadvektorok esetében, vagy a függvények körében, vagy a mátrixok esetében.

Részletesebben

Az impulzusnyomatékok általános elmélete

Az impulzusnyomatékok általános elmélete Az impulzusnyomatékok általános elmélete November 27, 2006 Az elemi kvantummechanika keretében tárgyaltuk már az impulzusnyomatékot. A továbbiakban általánosítjuk az impulzusnyomaték fogalmát a kvantummechanikában

Részletesebben

Statisztika I. 12. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 12. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 1. előadás Előadó: Dr. Ertsey Imre Regresszió analízis A korrelációs együttható megmutatja a kapcsolat irányát és szorosságát. A kapcsolat vizsgálata során a gyakorlatban ennél messzebb

Részletesebben

Elméleti összefoglaló a Valószín ségszámítás kurzushoz

Elméleti 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

Részletesebben

Matematika elméleti összefoglaló

Matematika elméleti összefoglaló 1 Matematika elméleti összefoglaló 2 Tartalomjegyzék Tartalomjegyzék... 2 1. Sorozatok jellemzése, határértéke... 3 2. Függvények határértéke és folytonossága... 5 3. Deriválás... 6 4. Függvényvizsgálat...

Részletesebben

Szalai Péter. April 17, Szalai Péter April 17, / 36

Szalai Péter. April 17, Szalai Péter April 17, / 36 Szociális hálók Szalai Péter April 17, 2015 Szalai Péter April 17, 2015 1 / 36 Miről lesz szó? 1 Megfigyelések Kis világ Power-law Klaszterezhetőség 2 Modellek Célok Erdős-Rényi Watts-Strogatz Barabási

Részletesebben

Összeállította: dr. Leitold Adrien egyetemi docens

Összeállította: dr. Leitold Adrien egyetemi docens Skaláris szorzat az R n vektortérben Összeállította: dr. Leitold Adrien egyetemi docens 2008.09.08. 1 Vektorok skaláris szorzata Két R n -beli vektor skaláris szorzata: Legyen a = (a 1,a 2,,a n ) és b

Részletesebben

Diszkrét matematika II., 8. előadás. Vektorterek

Diszkrét matematika II., 8. előadás. Vektorterek 1 Diszkrét matematika II., 8. előadás Vektorterek Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2007.??? Vektorterek Legyen T egy test (pl. R, Q, F p ). Definíció.

Részletesebben

Regressziós vizsgálatok

Regressziós vizsgálatok Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga

Részletesebben

Numerikus módszerek II. zárthelyi dolgozat, megoldások, 2014/15. I. félév, A. csoport. x 2. c = 3 5, s = 4

Numerikus módszerek II. zárthelyi dolgozat, megoldások, 2014/15. I. félév, A. csoport. x 2. c = 3 5, s = 4 Numerikus módszerek II. zárthelyi dolgozat, megoldások, 204/5. I. félév, A. csoport. Feladat. (6p) Alkalmas módon választva egy Givens-forgatást, határozzuk meg az A mátrix QR-felbontását! Oldjuk meg ennek

Részletesebben

1. feladatsor Komplex számok

1. feladatsor Komplex számok . feladatsor Komplex számok.. Feladat. Kanonikus alakban számolva határozzuk meg az alábbi műveletek eredményét. (a) i 0 ; i 8 ; (b) + 4i; 3 i (c) ( + 5i)( 6i); (d) i 3+i ; (e) 3i ; (f) ( +3i)(8+i) ( 4

Részletesebben

MATEMATIKA TANMENET SZAKKÖZÉPISKOLA. 9. Nyelvi előkészítő osztály

MATEMATIKA TANMENET SZAKKÖZÉPISKOLA. 9. Nyelvi előkészítő osztály MINŐSÉGIRÁNYÍTÁSI ELJÁRÁS MELLÉKLET Tanmenetborító Azonosító: ME-III.1./1 Változatszám: 2 Érvényesség 2013. 01. 01. kezdete: Oldal/összes: 1/6 Fájlnév: ME- III.1.1.Tanmenetborító SZK- DC-2013 MATEMATIKA

Részletesebben

Matematika 8. osztály

Matematika 8. osztály ELTE Apáczai Csere János Gyakorló Gimnázium és Kollégium Hat évfolyamos Matematika 8. osztály I. rész: Algebra Készítette: Balázs Ádám Budapest, 2018 2. Tartalomjegyzék Tartalomjegyzék I. rész: Algebra................................

Részletesebben

Többváltozós lineáris regresszió 3.

Többváltozós lineáris regresszió 3. Többváltozós lineáris regresszió 3. Orlovits Zsanett 2018. október 10. Alapok Kérdés: hogyan szerepeltethetünk egy minőségi (nominális) tulajdonságot (pl. férfi/nő, egészséges/beteg, szezonális hatások,

Részletesebben

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

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

Részletesebben

A multikollinearitás vizsgálata lineáris regressziós modellekben A PETRES-féle Red-mutató vizsgálata

A multikollinearitás vizsgálata lineáris regressziós modellekben A PETRES-féle Red-mutató vizsgálata Szegedi Tudoányegyete Gazdaságtudoányi Kar Közgazdaságtudoányi Doktori Iskola A ultikollinearitás vizsgálata lineáris regressziós odellekben A PETRES-féle Red-utató vizsgálata Doktori értekezés tézisei

Részletesebben

A szinuszosan váltakozó feszültség és áram

A szinuszosan váltakozó feszültség és áram A szinszosan váltakozó feszültség és ára. A szinszos feszültség előállítása: Egy téglalap alakú vezető keretet egyenletesen forgatnk szögsebességgel egy hoogén B indkciójú ágneses térben úgy, hogy a keret

Részletesebben

1. feladatsor: Vektorfüggvények deriválása (megoldás)

1. feladatsor: Vektorfüggvények deriválása (megoldás) Matematika A gyakorlat Energetika és Mechatronika BSc szakok 016/17 ősz 1. feladatsor: Vektorfüggvények deriválása megoldás) 1. Tekintsük azt az L : R R lineáris leképezést ami az 1 0) vektort az 1 0 )

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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

Részletesebben