Módszertani hozzájárulás

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Módszertani hozzájárulás"

Átírás

1 dc_39_ Módszertani hozzájárulás a szegénység többváltozós statisztikai méréséhez MTA Doktori értekezés Hajdu Ottó Budapest, 0.

2 Hajdu Ottó dc_39_ Tartalomjegyzék Bevezetés A szegénység statisztikai mérésének operacionalizálása A kompozit szemléletű egydimenziós szegénységi index A Fuzzy szemléletű, többdimenziós szegénységi index A relatív deprivációs szegénységi index A deprivációs függvény A szegénység depriváció-érzékeny mértéke A reprezentatív szegény jövedelmének meghatározása Relatív depriváció a szegények körében....5 Deprivációs hányad típusú Q mértékek....6 A szegénység deprivációs hányad típusú mértéke A deprivációs hányad transzferérzékenysége Aszimmetria a szegények körében A depriváció-averzió gamma-eloszlású becslése A Lorenz-görbe aszimmetriája Általánosított variancia egyenlőtlenség és szegénység A Theil pszeudo R A Theil kovariancia felbontás Az általánosított Theil variancia A Theil variancia csoportközi felbontása A kiterjesztett Theil mátrix Magyar háztartások példája Theil variancia szegénységi mértékek A relatív deprivációs szegénységi küszöb rétegspecifikus becslése Egzakt logisztikus regresszió a szegénységi prediktorok szelektálásában Az előrejelző modell Hipotézisvizsgálat Egzakt paraméterbecslés Empirikus példák A feltétel nélküli aszimptotikus MLE becslés nem létezik Az egzakt és aszimptotikus p-értékek különbözősége A rétegspecifikus tengelymetszetek kiszűrése Ellentmondó teszt eredmények... 67

3 dc_39_ MTA doktori értekezés 6. A szegénységmérés SEM modelljei A szegénység, depriváció, társadalmi kirekesztés strukturális kapcsolata Strukturális egyenletek path-modellje Identifikálás, paraméterbecslés Illeszkedésvizsgálat, modellszelekció Nemcentralitás-szempontú illeszkedésvizsgálat Heurisztikus goodness-of-fit indexek Egy kiterjesztett modell Konfirmatív SEM alkalmazások A korrelálatlanság hipotézise a faktormodellben A multitrait - multimethod hipotézis tesztelése Heteroszkedaszticitás a SEM mérési modelljében A küszöb alá csúszás kockázatának korrespondencia ábrázolása A korrespondencia-koordináták tulajdonságai Illeszkedésvizsgálat Többszörös korrespondencia analízis (MCA) A szegénység, lecsúszás, stabilitás CA kontrasztja... 3 Összefoglalás Irodalom

4 Hajdu Ottó dc_39_ BEVEZETÉS Történelmi alkalom volt, hogy az 990. évben a Szerző összefoglalást adhatott elsőként - a hazai tudományos módszertani érdeklődés számára a Statisztikai Szemlében (Hajdu: 990) majd a kandidátusi értekezésében (Hajdu: 99) - a nemzetközi szegénységi irodalom addigi statisztikai, módszertani eredményeiről. Jelen értekezés a Szerző ezt követő új eredményeit, a területhez tett hozzájárulásait mutatja be. A disszertáció statisztikai témájú és módszertani érdeklődésű. A cél a szegénység és - hozzá kapcsolódóan - a depriváció és kirekesztés jelenségek társadalmi szintű mérésével kapcsolatos statisztikai módszertani kérdések felvetése, megválaszolása. A szegénység számos vetületben van jelen, ezért az alkalmazott módszertani megközelítés többdimenziós. Bár a kérdések főként a jövedelmi szegénység tekintetében fogalmazódnak meg, de egyéb dimenziókkal való kapcsolatukban pl. a fogyasztás, kiadás, vagyoni helyzet - is tárgyalásra kerülnek. Továbbá, tekintet nélkül a dimenziók számára akár az egydimenziós esetben is a mérés megvalósítása, technikája alapvetően többváltozós jellegű. Megfigyelési egységként az egyén, vagy a háztartás szerepel az éppen tárgyalt módszertani tartalomnak megfelelően. A szegényvolt klasszifikálása alapvetően objektív probléma, de szubjektív kérdéseket is felvet, melyek más társadalmi jelenségek - így a relatív depriváció és a társadalmi kirekesztés mérésének az igényéhez is elvezetnek, ahol a mérést célszerű az Igen/Nem elhatárolás helyett fuzzy jellegű alapokra helyezni. Az értekezés kétféle tartalomban ad eredményeket:. egyfelől új formulákat és elveket dolgoz ki, diszkutálja és javasolja alkalmazásra,. másfelől új statisztikai problémákat vet fel, melyek megoldását többváltozós statisztikai módszerek megfelelő alkalmazására vezeti vissza. A tárgyalt módszertanok összefoglaló bemutatása az értekezés járulékos eredménye. Az értekezés ezért két részre tagolódik. Az alapkutatások a. és 3., az alkalmazások pedig a 4-7. fejezetekben szerepelnek. Az első fejezet tartalmazza azon fogalmak tömör áttekintését, melyek az alapkutatási eredmények érdekében szükségesek. Később, különösen a standard többváltozós statisztikai eljárások kapcsán diszkriminancia analízis, kvantilis és logisztikus regresszió, latens változók, korrespondencia analízis az alapok ismeretét az értekezés feltételezi. 4

5 dc_39_ MTA doktori értekezés Az értekezés az újonnan javasolt mérőszámok viselkedésének a vizsgálatához modell példákat alkalmaz. Ahol az eredmények valósághű nagyságrendje érdekes, ott empirikus számítások szerepelnek. Az egyes fejezetek tartalma rendre a következő.. A szegénységmérés operacionalizálása. Ismerteti azon fogalmakat, formulákat, melyek a mérés módszertanának megértését és továbbvitelét megalapozzák.. A relatív depriváció mérése, és a mérés eredményének beépítése a szegénységi indexbe. Ennek során az értekezés bevezet egy új relatív deprivációs elvet, diszkutálja, majd az új elvnek megfelelő relatív deprivációs mérőszámokat javasol, végül egy olyan új szegénységi index konstrukciót javasol, mely érzékeny a relatív deprivációban történt elmozdulásokra is. A fejezet a relatív deprivációval szembeni averzió mérése során felveti a szegénységi küszöb alatti sokaság aszimmetrikus volta értelmezésének és mérésének szükségét, amit jelen értekezés a gamma eloszlású változó hatványozására és a Lorenz-görbe alakjának a jellemzésére vezet vissza. 3. Az egyenlőtlenség-mérés egy új, általánosított variancia megalapozású módszerének a kidolgozása, definiálása, diszkutálása, majd annak a csoportközi dekompozícióban, végül a szegénység mérésében történő alkalmazása. 4. Kvantilis regresszió alkalmazása a szegénységi küszöb rétegspecifikus becslésében. Ennek során prediktor jellegű rétegképző ismérvek függvényében becsüljük az adott rétegben várható alsó és felső decilis értékét, mint szegénységi, vagy gazdagsági küszöböt. E relatív megközelítésben bármely rendű kvantilis értéke becsülhető. 5. A logisztikus regresszió alkalmazásának kismintás problémái. A szegény vagy nem szegény mivolt Igen/Nem jellegű klasszifikálása problematikus. Valaki kevésbé, más pedig inkább szegény, illetve kevésbé érzi magát szegénynek, más pedig inkább. E fuzzy megközelítés érvényesítését szolgálja a logisztikus regresszió módszere. 6. A SEM (Structural Equation Modelling) kauzalitási modell alkalmazása a szegénységdepriváció-kirekesztés strukturális rendszerben. A modell ezen latens változók között az ok-okozati irányultságokat hipotézisként kezeli, teszteli, majd becsli a strukturális koefficienseket. A hipotézisek tesztelésének kimenete a megfelelő empirikus manifeszt változók kiválasztásán alapul. 7. Korrespondencia analízis alkalmazása a szegénységi kockázattal (küszöb alá csúszással) asszociáló változók és a kategóriák egymással való megfeleléseinek a feltárásában. Az értekezés önálló eredményei a fejezetek szerint haladva - a következők...fejezet: Az irodalomban ismert szegénységi mérőszámok bemutatása, a kompozit szegénységi index szerkesztési elveinek keretbe foglalása. (Hajdu: 997a)..fejezet: A regresszív jövedelmi transzfer hatásának vizsgálata a relatív depriváció egyéni és társadalmi szintű fokára, és erre érzékeny új deprivációs mutatók megadása, kidolgozása. (Hajdu: 996, 999) 3..fejezet: Új szegénységi mutató konstrukció definiálása, mely érzékeny a szegények körében mért relatív deprivációs változásokra. (Hajdu: 997b, 999) 4..fejezet: A deprivációs averzió becslése a gamma-eloszlású jövedelem hatványkitevő paramétere alapján. (Hajdu: 008) 5

6 Hajdu Ottó dc_39_ 5..fejezet: A Lorenz-görbe aszimmetriájának mint a szegénységi mérték egy faktoraként való - értelmezése és mérése. (Hajdu: 004c) 6. 3.fejezet: Egy új, csoporthatásokra dezaggregálható, információelméleti megalapozású egyenlőtlenségi módszer kidolgozása. Elsőként a Pályázó MTA doktori értekezésében publikálva fejezet: Az új redundancia alapú egyenlőtlenségi módszer alkalmazása a szegénység mérésében. Elsőként a Pályázó MTA doktori értekezésében publikálva fejezet: Rétegzett sokaság esetén a réteg-specifikus deprivációs küszöb rétegen belüli becslése kvantilis regresszió alkalmazásával, a rétegképző változók értékei függvényében. Elsőként a Pályázó MTA doktori értekezésében publikálva fejezet: Rétegzés esetén a küszöbalatti kismintás esetből adódó becslési és tesztelési problémák egzakt mintavételi módszerrel való kezelése - a logisztikus regresszió prediktor változóinak a szelektálása során. (Hajdu: 004b, 006) 0. 6.fejezet: A szegénység-depriváció-kirekesztettség kauzalitási rendszer tesztelése a SEM (Structural Equation Modelling) modell MIMIC (Multiple Indicator Multiple Cause) módszerének alkalmazásával. (Hajdu: 009). 6.fejezet: Háztartások jövedelmezőségének, kiadási hajlandóságának és fogyasztási színvonalának vizsgálata különböző méretdefiníciók mellett az MTMM (Multitrait- Multimethod) modell alapján, a CFA (konfirmatív faktoranalízis) alkalmazásával. (Hajdu: 004a). 6.fejezet: A SEM módszer ADF (Asymptotically Distribution Free) becslésének az alkalmazása a homoszkedaszticitási hipotézis tesztelésére a hibafaktorok kovariancia mátrixára vonatkozóan a faktormodellben. (Hajdu: 004d) 3. 7.fejezet: Diszkretizált változók kategóriáinak az elhelyezése a prediktív térképen, a szegénységi küszöb alá süllyedésre utaló, asszociáló kategóriákat kereső modellben, a többszörös korrespondencia analízis alkalmazásával. (Hajdu: 00) Az új formulák verifikálását szolgáló számítások a Szerző önálló programozási eredményei. Egyébként standard statisztikai programcsomagok kerültek alkalmazásra. Végül fölhívjuk a figyelmet, hogy bár a jelölésrendszer törekszik a konzisztenciára, az egyes fejezetek saját jelölésrendszert alkalmaznak. 6

7 dc_39_ MTA doktori értekezés. A SZEGÉNYSÉG STATISZTIKAI MÉRÉSÉNEK OPERACIONALIZÁLÁSA A társadalmi szegénység fokának megadásakor alapvető mozzanat a szegények arányának, és a szegénység eloszlásának a vizsgálata. Az eloszlás egy jellemzője a centrális tendenciának a szegénységi küszöbhöz való viszonya, a szegénység intenzitása. Másfelől - úttörő munkájában Sen(976) hívta fel a figyelmet - hogy a szegénység mérésekor figyelmet kell szentelnünk a szegények körében értelmezett szóródás mértékének is. A szóródását első megközelítésben kézenfekvő egyenlőtlenségként kezelni, és mérni.. A KOMPOZIT SZEMLÉLETŰ EGYDIMENZIÓS SZEGÉNYSÉGI INDEX A szegénység társadalmi szintű mérésének első lépéseként elhatároljuk a szegények körét a nem szegényektől, majd a szegényekről rendelkezésre álló információt aggregáljuk egy P kompozit index értékében. Tekintsük az n tagú társadalom jövedelmi vektorát, melyben a rögzített z szegénységi küszöb alá eső q számú személyt szegényként, a többi (n-q) számú egyént pedig mint nem szegényt klasszifikáljuk: Z Z... Z < z Z Z... Z. (.) q q+ q+ n A szegénységi mérték kalkulálása előbb egy identifikálási, majd egy aggregálási lépést foglal magában. Identifikálás Az identifikálás alapvető kérdései, melyek eltérő klasszifikációra vezethetnek, az alábbiak. A megfigyelés egysége A megfigyelés egysége lehet az egyén, a háztartás, vagy a család. A család és a háztartás nem esik mindig egybe, és a családon, háztartáson belül élhetnek szegényként azért, hogy mások a küszöb fölött éljenek. A családon, háztartáson belüli egyenlőtlenség jelentős is lehet. Bár a szegénységet egyéni szinten értelmezzük, empirikusan a háztartások tekintetében mérjük. A hiány tárgya Kérdés, hogy milyen jellegű szükséglet, jószág tekintetében szegény a társadalom egy tagja. Jövedelmi szegény, fogyasztásában szegény, küszöb alatti kiadású, vagy nincs vagyona. Lehet egy alulfogyasztó a fogyasztásában küszöb alatti, miközben jövedelme küszöb feletti, de vagyonát felélve, vagy hitelből fedezve fogyaszthat küszöb felett, bár a jövedelme küszöb alatti. A kiadás lehet a fogyasztás proxy változója, de értelemszerűen nem esik azzal egybe. 7

8 Hajdu Ottó dc_39_ A vetítési alap Az összehasonlíthatóság érdekében a háztartás fogyasztói létszámának a megadásakor az ekvivalencia skála lehet a taglétszám, vagy a fogyasztási egység. Egyféle fogyasztási egység séma például az első felnőtt egység, minden további felnőtt 0.7 egység, a 6 év alatti gyerekek pedig 0.5 egységet képviselnek. Az elhatárolás A szegényvolt megítélése történhet objektív küszöb alapján. A küszöb megállapítására abszolút és relatív módszerek is kínálkoznak. Relatív módszer pl. az alsó decilis értékének az alkalmazása, vagy a medián jövedelem adott százaléka. Ezzel szemben az abszolút módszer egy minimális fogyasztói kosár költségének a kalkulálásán alapul. Valamely módszer szerint a szegénység megszüntethető a társadalomban, míg más módszer szerint nem. Szubjektív ítélet szerint szegénynek érezheti magát valaki a környezete viszonylatában, ha relatív értelemben deprivált valamely jószág tekintetében. Ez az érzés jelentkezik, ha nem bír a jószággal, de másokat lát akik rendelkeznek vele, szeretné a jószágot, és megvalósíthatónak tartja a birtoklását. Végül egy kényszerű kirekesztés elszenvedése valamely társadalmi funkcionalitásból is a szegénysorba jutás irányába mutathat. A városi vagy vidéki lét, a nemhez való tartozás, fizikai vagy mentális fogyatékosság kizárnak bizonyos lehetőségekből, és a szegényvolt okozói lehetnek. A core-axiómák Az alábbi axiómák alapvető elvárásokat támasztanak a P szegénységi indexszel szemben: Fókusz: a szegénységi index érzéketlen a nem szegények jövedelmeiben történt változásokra. Monotonitás: egy küszöb alatti személy jövedelmének a csökkenése c.p. a szegénységi index értékét növeli. Szimmetria: a szegénységi index értéke invariáns a társadalom tagjainak a sorrendjére a jövedelmi eloszlásban. Ismétlés invariancia: egy társadalom többszöri ismétlésével a szegénységi index értéke nem változik. Folytonosság: a küszöbközeli jövedelmi változások csak kismértékű változást okoznak a szegénységi index értékében. Emelkedő küszöb: a küszöb szint emelésével a szegénységi index értéke nő. Regresszív transzfer: a szegények körében történő regresszív, de statusőrző transzfer (mind a szegényebb adó, mind a gazdagabb kapó a transzfer után is szegény marad) hatására a P-index értéke nő. Transzferérzékenység: a szegénységi index transzferérzékeny, ha a szegények körében történő regresszív, de statusőrző transzfer hatására az értéke nő, és ez a növekmény a transzfert adó szegényebb jövedelmének a csökkenésével növekvő. Alcsoport konzisztencia: szegmentált társadalomban egy alcsoport szegénységi értékének a növekedése hatására c.p. a globális szegénységi index is nő. 8

9 dc_39_ MTA doktori értekezés Aggregálás A kompozit P indexben való aggregálás érdekében a fókusz axiómának megfelelendő - a jövedelmeket a z küszöb szinten felülről cenzoráljuk. A censored jövedelmi eloszlás a társadalom minden tagjára értelmezett: { i } ( ) Z c = min Z, z, i =,,..., n (.) i ahol a küszöb fölött lévők jövedelmeit magával a küszöbbel helyettesítjük. Részletesen írva: {...,,..., q } c Z = Z Z Z z z z (.3) Az aggregálási lépésben az egyedi szegénységi résekben lévő, az egyedi depriváltság fokát leíró g = z Z c (.4) i poverty-gap információt tömörítjük a kompozit P indexbe. A küszöbszintet egységnyiként kezelve a normalizált szegénységi rés i g z i c Zi = = r i =,,..., n i z ( ) (.5) ahol a rés értéke a nemszegények körében zéró. Követelmény, hogy P növekvőleg reagáljon az alábbi faktorok c.p. növekedésére: Head-count ratio, mint a szegénység kiterjedtsége: H = q (.6) n Income-gap ratio, mint a szegénység intenzitása: I W Z (.) = W z (.7) ahol Z W (.) a reprezentatív jövedelmi szint, mellyel mindenki jövedelmét helyettesítve az aktuális eloszlásban, az eloszlás W társadalmi jóléti szintje változatlan marad. A reprezentatív jövedelem megfelelő W(.) jóléti függvény választás mellett transzferérzékeny, de ha a jóléti függvény speciálisan az átlagos jövedelem, akkor I érzéketlen a jövedelmi transzferre a szegények körében, és ekkor ennek hangsúlyozására a W alsó indexet elhagyjuk. 9

10 Hajdu Ottó dc_39_ Welfare-gap ratio, mint jóléti veszteség: W I W(.) = W( z) (.8) ahol (.) a vizsgált, aktuális eloszlást jelöli. Inequality, mint az Egyenlőtlenség intenzitása: 0 E (.) (.9) Elvárás, hogy Min legyen P értéke, ha nincsenek szegények a társadalomban, és Max értékkel jelezze, ha mindenki jövedelme zéró. A Min és Max értékeket a (0;) határokba konvertálva: 0 P (.0) Ésszerű normalizálási követelmény, hogy ha minden szegény jövedelme egyenlő, akkor a H arány és a küszöb alatti átlagos jövedelmi szint együtt elegendő információt tartalmaz: HI q z Z n z = z (.) A HI mutató a normalizált szegénységi érték, mely a küszöböt mindenkinek biztosító alap azon hányada, mellyel minden szegényt a küszöb szintjére lehetne emelni, tehát a szegénység (statikusan, c.p.) eliminálható lenne. Kompozit szegénységi indexet a cenzorált censored, vagy a csonkolt truncated eloszláson szerkeszthetünk. Mivel a teljes népesség cenzorált eloszlása implicite tartalmazza a szegények létszámarányát, ezért esetében a H mutató explicit beépítése a formulába nem szükségszerű. A csonkolt eloszlás a küszöb fölötti jövedelmeket elhagyja az eloszlásból, tehát a H mutató számítása és beépítése a P index formulájába elengedhetetlen. A szegénységi mérőszámok konstrukciós elveit az.. tábla foglalja össze. A csonkolt eloszláson mérve a szegénységet, a Sen-index átalakítása nyomán a P index alábbi konstrukciós elvei rajzolódnak ki. A normalizáltság, és a (0,) intervallumra való normáltság nem elengedhetetlen követelmények. A z alsó index arra utal, hogy az illető mértéket a küszöb alatt számítottuk. 0

11 dc_39_ MTA doktori értekezés. tábla Szegénységi mérőszámok konstruálása Norm Definíció i i ( i ) súly f rés (, ) z Átlag H HI E E z c Egyenlőtlenségi: E ( Z ) Inflált: HI + E ( rés ) Etikai: HI W Jövedelmi rés-arány: Jóléti veszteség: W I I W A szegénységi indexhez felhasznált eloszlás Csonkolt Cenzorált Sen, Thon, Kakwani, Foster et al., abszolút g réssel Robusztus (Gini, mértani) Blackorby et al. (Atkinson, számtani) Sen (Gini, számtani) Clark et al. (Atkinson), Sen (Gini) g abszolút rés Blackorby et al., Sen * A jobb alsó index az átlagszámításban alkalmazott súlyt jelöli. A súlyozott szegénységi rések elve: Sen-Shorrocks-Thon (SST), relatív r réssel Takayama (Gini) SST (Gini) r relatív rés Clark et al., Hagenaars Chakravarty, Foster et al., Watts, Hagenaars,3 A Sen-index az abszolút szegénységi rések súlyozott, normálizált összege, ahol a súlyok a megfelelő rangszámok, és a normalizálási faktor biztosítja, hogy S=H I, ha zéró az egyenlőtlenség a küszöb alatt: q S = q i gi ( q ) + + nz i = w (.) Itt változtatható a súlyrendszer, és változtatható a normalizálási alap. Az átlagos egyenlőtlenségi rés elv: A HI W mértékben I W a totális egyenlőtlenség felső határának, és a szegény jövedelmek Gini indexének a súlyozott átlaga az I és az (-I) súlyok alkalmazásával: i S = H I + I Gini ( ) ( ) Z z q q+ (.3) Cserélhető a Gini formula, és alkalmazható az abszolút és a relatív rések egyenlőtlenségére is.

12 Hajdu Ottó dc_39_ Az egyenlőtlenséggel inflált HI elv: Az (+Gini) inflátor faktor nyújtja a Sen-index HIIF elvű megfogalmazását, ahol a HI inflátor faktor a g abszolút szegénységi rések Gini indexének a hatásával inflál. ( ( )) g S = H I + Gini (.4) Változtatható az egyenlőtlenség mérőszáma, és annak argumentuma is. Az I W jóléti rés HI W etikai elve: S = H Z z ( w) z (.5) Most a társadalmi jóléti függvény a szegény jövedelmek w rangszámokkal súlyozott számtani átlaga, és ennek a z küszöbtől való relatív elmaradása a jóléti veszteség. Változtatási lehetőség a jóléti függvény w súlyának, és formulájának a cseréje. A H és HI határok átlaga: Ha q elegendően magas, akkor a Sen-index az ( ) S H Gini + H I Gini (.6) ( Z ) ( Z ) z formában is írható. Ebben az értelmezésben S a szegénység H felső határának és HI alsó határának a súlyozott átlaga, súlyként az egyenlőtlenséget és komplementerét használva. Itt is cserélhető a Gini-formula. Bár a Sen-index elveket alapoz meg, lényeges axiómáknak nem tesz eleget. Ezek rendre: ismétlés invariancia, alcsoport konzisztencia, regresszív transzfer, folytonosság, érzékenység a transzfer helyére. Az axiómáknak való megfelelést szolgálja a Sen-Shorrocks-Thon (SST) index kidolgozása, mely átvezet a cenzorált jövedelmi eloszlás alkalmazásához. A cenzorált eloszláson mérve a szegénységet, a következő elveket emeljük ki. Az átlagos relatív rés elv Az SST index a teljes cenzorált Z c eloszláson a relatív szegénységi rések súlyozott átlaga, súlyként az első (n-) páratlan számokat alkalmazva. Ezzel a transzfer, folytonossági és ismétlés invariancia axiómák teljesülnek: z

13 dc_39_ MTA doktori értekezés n c SST( Z ) = ( n i+ ) r (.7) i n i= Az SST index felírható multiplikatív módon, az inflált HI elv alapján is: ( ) c ( ) ( r) SST Z = HI + Gini (.8) Az inflátor faktorban a cenzorált jövedelmek relatív szegénységi réseinek Gini indexe kap helyet. A Dalton-féle jóléti veszteség A veszteség mértéke a küszöbszint viszonylatában: c ( ) ( ) q ( ) ( ) ( ) ( ) i i= nu( z) U Z nu z U Z n q U z D= = U z q q U( Z ) i U( Z ) i = H n = i= U( z) q i= U( z) (.9) ahol U(.) hasznosságot mér. Additív módon csoporthatásokra bontható viszonyszám. A mutató értéke a hasznossági függvény aktuális megválasztásán múlik, amely birtokában az ismert indexek rendre:. Chakravarty:. Foster et al.: 3. Watts: 4. Clark et al.: 5. Hagenaars: C ( q ) ( / ) ( < e< ) h = i= i n (.0) F q ( ) [ / ] ( α α = 0) i= i n (.) q W = z Z (.) i= n ( ln ln ) i CHU β = Z z z n β i= i (.3) n ( ) ( { }) ( β< ) / min, q ln( Z ) i Hag = i= n ln( z) (.4) 3

14 Hajdu Ottó dc_39_ A cenzorált jövedelmek egyenlőtlenségi mértéke Végül a szegénységi index Takayama-féle számítási módja a szegénység mértékét a cenzorált jövedelmek Gini egyenlőtlenségeként definiálja. A Gini-index helyett más formulát véve más P indexekhez jutunk.. A FUZZY SZEMLÉLETŰ, TÖBBDIMENZIÓS SZEGÉNYSÉGI INDEX A társadalom tagjai egyidejűleg több dimenzióban is lehetnek szegények, és szegénységük nem az Igen/Nem bináris módon klasszifikálandó, hanem egy latens, szegénységi tengelyen való helyzettel jellemzett, ahol valaki inkább vagy kevésbé tehát fuzzy (talán) szegény. A probléma egyféle megközelítését ismerteti a fejezet. A vizsgált dimenziók az F,F,,F k fogyasztások, melyekben az egyéni fogyasztások értékei i=,,,n fogyasztó esetén: melyek súlyai rendre: (,,...,,..., ) x = x x x x (.5) i i i ij ik (,,..., j,..., k) w= w w w w (.6) A µ ún. tagsági függvény a j fogyasztás tekintetében három pozíciót különböztet meg az m j küszöb rögzítésével:. Biztosan szegény j tekintetében: ( x ) x 0, µ = = (.7) j ij ij. Lehetséges (fuzzy) szegény j tekintetében: θ j m x µ = < < j ij ( x ) 0 x m, j ij ij j m j (.8) 3. Biztosan nem szegény j tekintetében: ( ) 0 µ x = x m (.9) j ij ij j Az átfogó, többdimenziós, fuzzy szegénységi index az individuális fuzzy-score értékek átlaga, amely score értékekben az egyes fogyasztások rendre w j súllyal szerepelnek: n k P X w x n i = j = (, µ ) = j µ j( ij) (.30) 4

15 dc_39_ MTA doktori értekezés A társadalmi kirekesztés mérése Kirekesztés alatt most azt értjük, hogy valaki valamilyen társadalmi funkcionalitásban nem vehet részt. A többdimenziós fuzzy szemléletben itt a fogyasztás helyére a funkció lép, és a tagsági függvény bináris, Igen/Nem kimenetű. Az egyéni kirekesztettségi profil ahol (,,...,,..., ) x = x x x x (.3) i i i ij ik x ij : kirekesztett = 0 : résztvevő (.3) Az egyéni deprivációs score k (.33) D = w x = w i j ij j j= j Fi A deprivációs score ismeretében a kompozit társadalmi kirekesztettségi indexek különböző formulái / θ θ θ Exc= D i = H D i n q i D i D / θ (.34) illetve az ún. Gini-súlyozással ExcGini= D n i+ n i( ) (.35) i D Az értekezés hozzájárulása a szegénység és egyenlőtlenség mérése módszertanához a fenti keret tükrében értelmezendő. 5

16 Hajdu Ottó dc_39_. A RELATÍV DEPRIVÁCIÓS SZEGÉNYSÉGI INDEX A szegénység társadalmi fokának megadásakor a szegények H aránya alapvető információ. A másik meghatározó faktor a szegények jövedelmi eloszlása. A jövedelmi eloszlás helyzeti jellemzője a küszöb alatti közepes jövedelmi szint, illetve annak a szegénységi küszöbhöz való viszonya, a szóródási jellemző pedig rendszerint valamely egyenlőtlenségi mérték. Az eloszlásfüggő jellemzők eredője az I W mérték. A szegények jövedelmei színvonalának és különbségeinek a jellemzésére az egyenlőtlenség mellett kézenfekvően a relatív depriváció is kínálkozik. Jelen fejezet egy olyan szegénységi mérőszám konstrukciós elvet javasol, mely a szegénységi mértékben a relatív depriváció fokára is reagál. A relatív depriváció tárgya bármely jószág lehet. A relatív depriváció két hatás eredőjeként alakul. Az egyik a depriváció érzete, a másik pedig annak relatív megítélése. Egy adott jószág tekintetében deprivált személy Runciman-féle kritériumai (mint korábban):. nem rendelkezik az illető jószággal,. más személyeket lát, akik ezen jószág birtokában vannak, 3. birtokolni akarja ezt a jószágot, 4. megvalósíthatónak tartja, hogy e jószág birtokába jusson. A depriváció érzetét az () és (3) kritériumok, míg a koncepció relatív voltát a () és (4) kritériumok adják. Szemben az egyenlőtlenséggel, a relatív deprivációs megközelítés magában foglalja, hogy az emberek inkább a társadalom adott csoportjaihoz, és nem a társadalom egészéhez viszonyítják magukat. Azon egyének körét, akikhez i viszonyítja magát, i referencia csoportjának nevezzük. A relatív depriváció tárgya egy konkrét jövedelmi szint is lehet. Ekkor az Y i jövedelemmel bíró személy deprivált mindazon referencia személyekkel szemben, akiknek a jövedelme nagyobb mint Y i. E tényt az i j J Z < Z (.) i i j reláció jelzi, ahol J i az i referencia csoportját jelöli. A referencia csoportba nem tartozókkal szembeni depriváltság definíció szerint zérus. 6

17 dc_39_ MTA doktori értekezés Realitás, hogy az egyenlőtlenséget növelő regresszív transzfer nyomán a relatív depriváció egyéni mértéke (érzete) csökkenhet a referencia csoportokhoz való viszonyok módosulása szerint. Egy kompozit deprivációs metrika a csökkentő hatásokat is figyelembe veszi, melyek eredőjeként a globális depriváció kevésbé emelkedik, vagy - konstrukciójától függően, adott esetben csökkenhet is. Célunk olyan P szegénységi index megadása, mely a relatív depriváció csökkenését a küszöb alatt, mint szegénységet csökkentő faktort kezeli. A küszöb alatt kétféle deprivácót értelmezünk:. a küszöbbel szemben,. a többi szegénnyel szemben érzett depriváltságot.. A DEPRIVÁCIÓS FÜGGVÉNY Tekintsük a z szegénységi küszöb alatti q tagú társadalom egyedeinek a jövedelmeit, ahol az egyes jövedelmek nemcsökkenő sorba rendezve követik egymást Z Z... Z q (.) Az i deprivációs függvényét a Z j referencia jövedelem viszonylatában úgy definiáljuk, hogy. magasabb referencia jövedelemmel szemben magasabb legyen a depriváltság érzete,. a határdepriváltság a jövedelmi szint növekedésével csökkenjen, 3. a határdepriváció csökkenése a jövedelmi szint növekedésével egyre nagyobb legyen. A relatív depriváció mérésére az alábbiakban két megközelítést alkalmazunk:. A Q deprivációs hányad elvet,. a Delta kommunalitás elvet. A Q elv szerint az i szegény deprivációs hányada a Z j referencia jövedelem tekintetében r Zi Q = Z < Z Z j Q ij i j r ij = 0 egyébként r (.3) ahol r deprivációs averzió paraméter, növekvő értékkel a szegényebb szegény depriváltságát hangsúlyozva. 7

18 Hajdu Ottó dc_39_ Pozitív depriváció csak gazdagabbal szemben jelentkezik, értéke egyébként zéró. A Q ij típusú depriváció zéró Z jövedelmek esetén is értelmezett, számítható. Q jelentése r= esetén: a referencia jövedelem ekkora hányada (százaléka) hiányzik ahhoz, hogy a referencia személy tekintetében a depriváltság megszűnjön. Másik megközelítésben a depriváció fokát a ( ij ) r r δ = Q (.4) ij delta mutatóval is mérhetjük mindaddig, míg a tört értelmezve van. Delta jelentése az r= esetben a referencia jövedelem szintje, ha a deprivált jövedelem. Itt a deprivációs hányad Q ij (.5) komplementere kommunalitás értelmű, mert i ilyen hányadban eliminálta a j deprivációt.. A SZEGÉNYSÉG DEPRIVÁCIÓ-ÉRZÉKENY MÉRTÉKE Definiáljuk a P=HI W típusú szegénységi indexet úgy, hogy az Ι W küszöbalattiság faktort a küszöb és a reprezentatív deprivált szegény jövedelme közötti deprivációs réssel mérjük:. előbb a reprezentatív szegény jövedelmét kalkuláljuk, mely a küszöbbel szembeni globális deprivációt reprezentálja,. ebből kapjuk a reprezentatív deprivált szegény jövedelmét, mely a szegények egymás közötti globális deprivációját reprezentálja. A fenti szegénységi index konstrukciója ahol. ẑ : a reprezentatív szegény jövedelmi szintje, ˆ( ) P = H z (.6). : a reprezentatív deprivált szegény deprivációja: akivel szemben senki sem deprivált, reprezentálja a gazdagabb szegénnyel szembeni deprivációt, kétfős redukcióban, 3. a reprezentatív deprivált szegény jövedelme a reprezentatív szegényéből való részesedés: ˆz ( ) (.7) 4. végül a reprezentatív deprivált szegény deprivációs szegénységi - rése: 8

19 dc_39_ MTA doktori értekezés ˆ( ) z (.8) Minél tágabb a deprivációs rés, annál magasabb a P szegénységi index, mely láthatóan. értelmezve van a zéró jövedelmekre,. normált: 0 P, 3. érzékeny a regresszív transzfer relatív deprivációt csökkentő faktoraira is, 4. transzferérzékenysége a ẑ és a metrikák megválasztásán múlik. Például, ha a küszöb alattiak aránya 30%, a küszöbbel szembeni depriváció átlagosan 50%, és a szegények egymással szembeni depriváltsága globálisan 40%, akkor a szegénységi index értéke: ( ( )( )) P = = 0. (.9).3 A REPREZENTATÍV SZEGÉNY JÖVEDELMÉNEK MEGHATÁROZÁSA Deprivációs jövedelmi hányad megközelítésben Q-elven - a Z jövedelmek r= deprivációi a z küszöb viszonylatában, rendre Z Z... Z q z z z (.0) ahol Z i /z=-q i a jövedelem küszöbbel szembeni kommunalitását adja, komplementere pedig azt adja, hogy a küszöb mennyi hányada hiányzik az i jövedelem küszöb szintre emeléséhez. Alacsonyabb kommunalitás értelemszerűen magasabb deprivációt eredményez. Legyen most az átlagos depriváció a küszöbbel szemben ( r) Q z q = q i= r r Z i z (.) Ebben a megközelítésben a reprezentatív szegény jövedelme ( ) ( ) ˆ z r r = Q (.) Q z Speciálisan ( ) z a kommunalitások számtani átlaga. ˆQ 9

20 Hajdu Ottó dc_39_ Másik megközelítésben, a reprezentatív szegény jövedelme - a kommunalitások r-rendű momentumára alapozva ( r) ˆ = δ q z Qi q i= ( ) r r (.3) Ekkor speciálisan ( ) z a kommunalitások számtani, ˆδ ( ) ˆz pedig a kommunalitások harmonikus átlaga. Mivel a harmonikus átlag kisebb (nem nagyobb) mint az aritmetikai átlag, ezért c.p. ( ) ˆz alkalmazása praktikusan magasabb fokú szegénységet jelez, mint δ δ ( ) z alkalmazása. A harmonikus átlagolás alkalmazása esetén - értelmét tekintve a z= küszöbbel szemben vett egyedi ˆδ... Q Q Q q (.4) deprivációk aritmetikai átlaga szerepel a harmonikus átlag nevezőjében. Modellpélda Illusztrálva a reprezentatív szegény jövedelmének a kalkulálását, tekintsük a szegények egy q=30 fős körét, Z=[,, 3,, 8, 9, 30] jövedelmeikkel, z=35 küszöb rögzítése mellett. Ekkor r= averzió mellett, alapesetben: a kommunalitások: (-Q)=[0.09, 0.057, 0.086,, 0.800, 0.89, 0.857], a deprivációs hányadok: Q=[0.97, 0.943, 0.94,, 0.00, 0.7, 0.43], a reciprok kommunalitások pedig: /(-Q)=[35, 7.5,.667,,.5,.07,.67]. Ebből, most már r=. averzió mellett:. a kommunalitások r=. paraméteres átlaga: ,. a deprivációs hányadok r=. paraméteres átlaga: , 3. a reciprok kommunalitások r=. paraméteres átlaga: Innen a reprezentatív szegénység jövedelme: 4. a kommunalitások r=. paraméteres átlagával: , 5. a deprivációs hányadok r=. paraméteres átlagával: ( ) = , 6. a reciprok kommunalitások r=. paraméteres átlagával: / =

21 dc_39_ MTA doktori értekezés.4 RELATÍV DEPRIVÁCIÓ A SZEGÉNYEK KÖRÉBEN Hajtsunk végre egy regresszív transzfert a P szegényebb szegénytől a gazdagabb R szegény felé úgy, hogy ami jövedelmet a szegényebb elveszt, azt a gazdagabb kapja, és mind a ketten a küszöb alatt maradnak. A transzfer a populációt két csoportra bontja: a transzfer által nem érintett, és a transzfert adó P donor, és a transzfert kapó R címzett egyének kétfős csoportjára. Azok körén belül, akiknek a jövedelmét a transzfer nem érinti, mind az egyenlőtlenség, mind a relatív depriváció foka változatlan marad, ugyanakkor a donor P és a címzett R között mind az egyenlőtlenség, mind a relatív depriváció foka növekszik. A transzfer egyenlőtlenségi hatását tekintve, a két csoport közötti egyenlőtlenség esetünkben változatlan marad, mivel a transzfer az érintett P és R személyek jövedelmeinek az összegét változatlanul hagyja. Lévén az egyenlőtlenség az átlagos csoporton belüli, és a csoportközi egyenlőtlenség eredője, a regresszív transzfer nyomán a teljes populációban az egyenlőtlenség foka növekszik. Nem egyértelmű a helyzet a relatív depriváció érzete esetében, mikor a donort és a címzettet a transzfer által érintetlen jövedelmek tulajdonosaival hasonlítjuk össze. Ekkor ugyanis mind a donor és a címzett által, mind a velük szemben érzett depriváltság mértéke változik. E változások eredőjére természetesen az is befolyással van, hogy a transzfer eredményeként megváltozik-e a referencia csoportok struktúrája. Tekintsünk el a referencia csoportok megváltozásától: a donor jövedelme nem süllyed nála szegényebbé alá, a címzetté pedig nem emelkedik nála gazdagabbé fölé. Ekkor a P donorral szemben, és a címzett R által érzett depriváltságok csökkennek, viszont a címzettel szemben, illetve a donor által érzett deprivációk nőnek. E hatások eredőjeként egy regresszív transzfer nyomán a relatív depriváció foka várhatóan nő, de csökkenhet is. Vegyük végül, hogy a transzferrel P nála szegényebb alá, vagy R nála gazdagabb fölé kerül a jövedelmi rangsorban, amivel vagy a donor referencia csoportja bővül, vagy a címzetté szűkül. Akik bekerülnek P referencia csoportjába, megszűnik a P szegénnyel szembeni és megjelenik P velük szembeni deprivációja. Ezzel megjelenik azok R szegénnyel szembeni deprivációja, akik kiesnek R referencia csoportjából, miközben eltűnik R velük szemben érzett depriváltsága. Látható tehát, hogy a jövedelmi transzfer deprivációt növelő vagy csökkentő hatása attól is függ, hogy a transzfer után a jövedelmi rangsorban P mennyivel kerül lejjebb, és R mennyivel feljebb.

22 Hajdu Ottó dc_39_.5 DEPRIVÁCIÓS HÁNYAD TÍPUSÚ Q MÉRTÉKEK Az alább definiált Q mértékek elvi alapja azonos, lényegileg az átlagolásuk vetítési alapjában különböznek. A Zéró deprivációs hányad Első megközelítésben legyen az i szegény relatív minden más szegénnyel szembeni átlagos - depriváltsági értéke: ( r) Q 0i q = Q q j= r ij (.5) Ez az egyéni mérték az átlagolás során a zéró deprivációk számát is tartalmazza. Ezt jelzi a 0 alsó index, és erre utal a mutató megnevezése is. Ebből az átfogó kompozit, paraméteres Q 0 index az egyéni depriváltságok átlaga q ( r) ( r) Q = 0 Q0 q i i= (.6) Láthatóan ( r) 0 Q < (.7) 0 A Q 0 depriváció zéró, ha minden szegény jövedelme egyenlő, és (q-)/q az értéke pszeudo egyenlőség esetén: A pszeudo egyenlőség szituációja, mikor csak egyvalaki jövedelme különbözik az összes többi egymással egyenlő jövedelemtől: ha az eltérés extrém, akkor az egyenlőség kisebb, ha kevésbé extrém, akkor magasabb. Ebből következően Q 0 értéke akkor is zéró közeli, ha egyvalaki birtokolja a teljes jövedelmet és mindenki más jövedelme zéró. A Q 0 index a szegények körét virtuálisan két főre redukálja, ahol a szegényebb személy a gazdagabb jövedelem 00Q 0 százalékával szemben deprivált. A Pozitív deprivációs hányad Második megközelítésben legyen az i szegény (átlagos) relatív depriváltsági értéke r averzió mellett

23 dc_39_ MTA doktori értekezés ( r) Q i ( r) Q i = q i q j= Q r ij = 0 q = 0 i (.8) ahol q i az i szegény által érzett pozitív deprivációk száma. Ily módon a kompozit pozitív Q az egyéni depriváltságok átlaga q ( r) ( r) Q = Q q i i= (.9) Most a határok ( r) 0 Q q q (.0) ahol zéró a depriváció, ha minden szegény jövedelme egyenlő, és (q-)/q mikor perfekt az egyenlőtlenség (pszeudo egyenlőség) a szegények között. Adott r averzió mellett a reláció szükségszerűen teljesül. A Globális deprivációs hányad ( r) ( r) Q Q (.) 0 Harmadikként vezessük be a globális deprivációs hányad mutatót, mely a Q ij deprivációs hányadosokat minden pozitív deprivációs viszonyban átlagolja, tekintet nélkül arra, hogy kihez tartozik: ( r) Q q q r = Q ij i= j= NQ r (.) ahol N Q a pozitív deprivációk száma, minden páronkénti viszonylatot figyelembe véve. Míg Q az egyéni Q i pozitív deprivációs hányadok súlyozatlan, addig Q a súlyozott számtani átlaga. 3

24 Hajdu Ottó dc_39_ Modellpélda A szegények q=30 fős körének Z=[,, 3,, 8, 9, 30] jövedelmeit vizsgáló modell példát folytatva, r=. averzió mellett: q. (.) (.) Q = Q = = 0 q i i= 30 (.3) majd q. (.) (.) Q = Q = = q i i= 30 (.4) végül. (.) Q = ( ) = (.5) 30 9 Számítási módjából adódóan a deprivációs hányad típusú indexek között ez utóbbi értéke a legmagasabb. A szegényebb szegények a gazdagabb szegényekkel szemben rendre 6.73%, % és % hányadot nem tudtak eliminálni attól függően, hogy a zéró deprivációk hatását miként vesszük figyelembe az átlagolás során..6 A SZEGÉNYSÉG DEPRIVÁCIÓS HÁNYAD TÍPUSÚ MÉRTÉKE A különböző deprivációs hányadokat felhasználva, a deprivációs P szegénységi index értékei rendre a következők. A reprezentatív szegény jövedelem mellett, különböző deprivációs hányadokra: ( ( )) P = = (.6) ( ( )) P = = 0.47 (.7) ( ( )) P = = 0.90 (.8) A reprezentatív szegény jövedelem mellett, különböző deprivációs hányadokra: 4

25 dc_39_ ( ( )) MTA doktori értekezés P = = (.9) ( ( )) P = = (.30) ( ( )) P = = 0.35 (.3) A 0.05 reprezentatív szegény jövedelem mellett, különböző deprivációs hányadokra: ( ( )) P = = 0.55 (.3) ( ( )) P = = (.33) ( ( )) P = = (.34).7 A DEPRIVÁCIÓS HÁNYAD TRANSZFERÉRZÉKENYSÉGE Az alábbiakban azt vizsgáljuk, hogy a globális deprivációs hányad milyen körülmények között csökkenhet egy regresszív transzfer hatására - az egyszerűség kedvéért - r= averzió mellett. Tekintsük a Z =[, 4, 0, 0, 35] jövedelmi eloszlást, melyre ( ) Q = 0.75, valamint a Z =[, 4, 0, 34, 35] eloszlást, melyre ( ) Q = Módosítsuk az eloszlásokat különböző d nagyságú transzferekkel, a tulajdonosok valamennyi párosítását tekintve. A transzferált eloszlások deprivációs hányadait Z esetén a.. tábla, Z esetén pedig a.. tábla közli. A táblákban a deprivációs hányadok d növelése mellett addig kerültek kiszámításra, míg a donor jövedelme nem vált negatívvá, és aláhúzás határolja el d azon tartományát, amely mellett a jövedelmi rangsor változatlan marad. Közben kiemelten jelenik meg azon kritikus d c érték, mely a deprivációs hányadnak a d=0 eredeti állapothoz képest magasabb értékét az alacsonyabbtól elválasztja. A.. és.. táblák eredményei alapján az alábbi tendenciák rajzolódnak ki. Mindaddig, míg a transzfer a jövedelmi rangsort változatlanul hagyja: 5

26 Hajdu Ottó dc_39_. Ha a donornál nincsenek szegényebbek a jövedelmi rangsorban, akkor a deprivációs hányad értéke a transzfer növekedésével együtt minden esetben nő, de a növekedés annál csekélyebb mértékű, minél közelebb van a rangsorban a donor a címzetthez.. Ha a donor nem a legszegényebb, akkor a deprivációs hányad csökkenése is lehetséges, mégpedig kétféle módon. Egyrészt úgy, hogy d fokozatos növelésével először a deprivációs hányad is nő, majd elérve egy maximumot, attól kezdve csökken a d=0 eredeti állapothoz tartozó szintre, majd az eredeti állapothoz képest is csökken. Ez a helyzet pl. a.. táblában (P,R)=(,3),(,4),(,5) transzfer pozícióknál a d<=3 tartományon, a (P,R)=(3,4),(3,5) relációkban a d<=6 tartományon, végül a (P,R)=(4,5) párosításban a d<=0 tartományon. Másrészt a deprivációs hányad a d=0 szintről indulva, d növelésével rögtön elkezdhet csökkenni. Ez történik a.. táblában a (P,R)=(3,4), d<= tartományon. 3. Minél közelebb van a rangsorban a donor a címzetthez, annál szélesebb d azon tartománya, amelyre a deprivációs hányad értéke az eredeti állapothoz képest csökken. 4. Mikor a transzfer nagysága miatt a tulajdonosok rangpozíciója megváltozik, a deprivációs hányad növekedése és csökkenése d függvényében váltogathatja egymást, tehát a csökkenés a transzfer nagyságának több tartományán is bekövetkezhet. Ezt tapasztaljuk a.. táblában a (P,R)=(3,4) párosításban, a d>=8 tartományon. Mint látható, adott jövedelmi helyzetben egy d mértékű regresszív transzfer hatására a relatív depriváció globális mértéke csökkenhet, és a deprivációs hányad mutató ezt érzékeli. Kiindulásként megállapítjuk, hogy ha a donornál nincsenek szegényebbek, akkor a donorral szemben nem léphet fel deprivációs csökkenés, miközben a címzett által érzett deprivációs csökkenést kiegyenlíti a donor által a címzett referencia csoportjával szembeni növekedés, tehát a deprivációs hányad értéke biztosan nő ez esetben, függetlenül a címzett pozíciójától. Ha viszont vannak depriváltak a donorral szemben, akkor a deprivációs hányad változásának irányát és mértékét mozgató tényezők a következők:. a transzfer d mértéke,. P és R rangpozíciói a jövedelmi rangsorban, 3. P és R jövedelmeinek az egymáshoz való viszonya. Részleteiben (lásd Hajdu:996):. Rögzített P és R szegények közötti d transzfer mellett, a deprivációs hányad változásának az irányát a Z P és Z R jövedelmek egymáshoz való viszonya szabályozza, mert adottnak véve a Z P jövedelmi szintet, a Z R jövedelem kisebb/nagyobb viszonya - a deprivációs hányad változás iránya szempontjából kritikus Z Rc érték tekintetében - az irányt esetlegesen átválthatja. 6

27 dc_39_ MTA doktori értekezés a. Legyen a donor eliminációs egyenlege definíció szerint: a donor irányában eliminált deprivációk egyenlege a donor által eliminált deprivációkkal szemben, kivéve az összehasonlításból a címzett referencia csoportját. b. Ha a donor eliminációs egyenlege nem pozitív, akkor Z R értéke közömbös a változás iránya szempontjából: a változás irányát most csak d mértéke dönti el. c. Ha a donor eliminációs egyenlege pozitív, akkor Z R Z Rc esetén a deprivációs hányad alacsonyabb a transzfer előtti szintnél, és d növelésével gyorsuló ütemben csökkenő, amíg a transzfer nem okoz rangpozíció változást. d. Ha a donor eliminációs egyenlege pozitív, de Z R <Z Rc, akkor a deprivációs hányad változásának az iránya a transzfer d mértékének a kritikus d c szinthez való kisebb vagy nagyobb viszonyától függ.. Mikor a deprivációs jövedelmi hányad a transzfer nyomán alacsonyabb az eredeti szintjénél, d növelése a relatív depriváció fokát tovább csökkenti. 3. A transzfer d méretének a hatása a d c kritikus értékhez való viszonyának a függvénye: d<d c esetén d növelése előbb növeli, majd csökkenti a relatív depriváció fokát, míg d>=d c esetén d növelése egyértelműen csökkenti azt. 4. A transzfer által nem érintettek oldaláról - rögzített d transzfer mellett a deprivációs hányad csökkenését növeli, ha minél több olyan személy van, aki a donorral szemben deprivált, ha e személyek minél kevésbé depriváltak a donorral szemben, és ha a donor és címzett szomszédos helyet foglalnak el a jövedelmi rangsorban. 5. A transzfer által nem érintettek oldaláról - rögzített d transzfer mellett a deprivációs hányad csökkenését növeli a donor jövedelmének csökkenése, és a címzett jövedelmének a növekedése, c.p. 6. Ha a transzfer nagysága a referencia csoportok struktúrájának a megváltozását eredményezi, akkor minél nagyobb transzfer mellett következik ez be, annál inkább a relatív depriváció fokának a növekedése várható. Mindazonáltal, ha a regresszív transzfer deprivációt csökkentő faktorai esetleg enyhén túl is szárnyalják a növelő faktorokat, ez várhatóan csak tompítja a szegénységi index növekedését a transzfer nyomán, mert a reprezentatív küszöb a súlyozási mód megfelelő megválasztása mellett biztosan csökken. 7

28 Hajdu Ottó dc_39_. tábla: A regresszív transzfer hatása a Q () indexre Z esetén Z = [, 4, 0, 0, 35]: Q () = 0.75 A transzfert adó és kapó személyek (P_R ) d 3 _4 _5 _3 _4 _5 3_4 3_5 4_

29 dc_39_ MTA doktori értekezés. tábla: A regresszív transzfer hatása a Q () indexre Z esetén Z = [, 4, 0, 34, 35]: Q () = A transzfert adó és kapó személyek (P_R ) d 3 _4 _5 _3 _4 _5 3_4 3_5 4_

30 Hajdu Ottó dc_39_.8 ASZIMMETRIA A SZEGÉNYEK KÖRÉBEN A küszöb alatti eloszlásban nem csak a helyzet és a szóródási mérték a szegénységi jellemzők, hanem az eloszlás aszimmetriája is. Az alábbiakban az aszimmetria hatást jellemezzük kétféle irányból:. Előbb a szegények eloszlását közelítjük a balra modális gamma-eloszlás módosításával,. majd az átlagalattiság hatását vizsgáljuk a Lorenz-görbe aszimmetriájának a mérésével..8. A DEPRIVÁCIÓ-AVERZIÓ GAMMA-ELOSZLÁSÚ BECSLÉSE Az eloszlás ferdesége, kurtozisa, szegénységi jellemzők. Zéró közeli modális jövedelem értelemszerűen magasabb szegénységi averziót okoz a küszöb alatt, mint a küszöbhöz közelebbi módusz. A depriváció-averzió becslésére a gamma eloszlást alkalmazzuk, hatvány paraméterrel bővítve. A jövedelmi struktúra matematikai eloszlással történő megadása az információsűrítés eszköze. A specifikálásakor becsüljük az eloszlás paramétereit, jellemezzük a mintához való illeszkedését, és kiválasztjuk a megfelelő függvénytípust. Bemutatjuk, hogy adott jövedelmi változó megfelelő transzformálása (esetünkben hatványozása) útján olyan mesterséges változó nyerhető, melynek valamely nevezetes elméleti valószínűség eloszlása - most a gamma eloszlás - alkalmazása révén az eloszlás lefutása (sűrűségfüggvénye) rugalmasan alakítható, így egy empirikus jövedelmi eloszláshoz jobban illeszthető. Továbblépési irányok tehát a transzformáció és az elméleti eloszlás alkalmas megválasztása. Legyen az X folytonos véletlen változó sűrűségfüggvénye f(.), eloszlásfüggvénye pedig F(.). Tekintsük az / r = ( > 0) Y X r változó g(.) sűrűség és G(.) eloszlás függvényét ( ) = Pr ( < ) = Pr ( < r r ) = ( ) G x Y x X x F x (.35) ahonnan r r r ( ) = ( ) = ' ( ) = ( ) g x G x F x r x f x (.36) Legyen X>0 gamma-eloszlású α > 0 alakparaméterrel és β > 0 helyzetparaméterrel f ( x) x e x α β α ( ) = β Γ α (.37) 30

31 dc_39_ MTA doktori értekezés Ekkor az Y transzformált változó sűrűségfüggvénye az x helyen (behelyettesítés és összevonás után) ahol a teljes gamma-függvény r α x r r β g x = x e (.38) β Γ α ( ) α ( ) α x Γ ( α ) = x e dx (.39) 0 és (Γ(α)=( α-)!=( α-) Γ(α ) ha α integer. A.. ábrán három gamma-eloszlás szerepel, r=.05, r= és r=0.95 kitevőkkel, Alfa= és Béta=00 paraméterek rögzítése mellett. Az r-averzió növekedésével a módusz csökken, a csúcsosság nő, a szóródás pedig csökken. Az r= esethez képest az eloszlásfüggvény értéke az x jövedelmi szinten az r> vagy r< relációnak megfelelően nagyobb, vagy kisebb.. ábra Gamma(r)-likelihoodok Alfa=, Béta=00 mellett Gamma sűrűségfüggvények r = r =.00 Likelihood r = X A momentumok tekintetében az X változó r. momentuma definíció szerint ( ) E X r r Γ α + r = β ( ) Γ α ( ) (.40) 3

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

Módszertani hozzájárulás

Módszertani hozzájárulás Módszertani hozzájárulás a szegénység többváltozós statisztikai méréséhez MTA doktori értekezés tézisei Hajdu Ottó Budapest, 2011. MTA Doktori értekezés tézisei Bevezetés Történelmi alkalom volt, hogy

Részletesebben

A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA

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

Részletesebben

A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA

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

Részletesebben

Vélemény: Hajdu Ottó: Módszertani hozzájárulás a szegénység többváltozós statisztikai méréséhez Budapest, 2011. c. MTA Doktori pályázatáról.

Vélemény: Hajdu Ottó: Módszertani hozzájárulás a szegénység többváltozós statisztikai méréséhez Budapest, 2011. c. MTA Doktori pályázatáról. Vélemény: Hajdu Ottó: Módszertani hozzájárulás a szegénység többváltozós statisztikai méréséhez Budapest, 2011. c. MTA Doktori pályázatáról. A statisztika tudományterületén az utolsó MTA doktori védés

Részletesebben

Hajdú Ottó: Módszertani hozzájárulás a szegénység többváltozós statisztikai méréséhez című MTA Doktori értekezéséről (Budapest, 2011.

Hajdú Ottó: Módszertani hozzájárulás a szegénység többváltozós statisztikai méréséhez című MTA Doktori értekezéséről (Budapest, 2011. Vélemény Hajdú Ottó: Módszertani hozzájárulás a szegénység többváltozós statisztikai méréséhez című MTA Doktori értekezéséről (Budapest, 2011.) I. A tudományos teljesítmény mérésének megvannak az objektív

Részletesebben

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

Matematikai statisztika c. tárgy oktatásának célja és tematikája

Matematikai statisztika c. tárgy oktatásának célja és tematikája Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1 Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában

Részletesebben

Statisztika elméleti összefoglaló

Statisztika elméleti összefoglaló 1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11

Részletesebben

VÁLTOZÁSOK A SZEGÉNYSÉG STRUKTÚRÁJÁBAN

VÁLTOZÁSOK A SZEGÉNYSÉG STRUKTÚRÁJÁBAN Tematikus nap az egyenlőtlenség g vizsgálatáról, l, mérésérőlm Budapest,, 2011. január r 25. VÁLTOZÁSOK A SZEGÉNYSÉG STRUKTÚRÁJÁBAN Vastagh Zoltán Életszínvonal-statisztikai felvételek osztálya zoltan.vastagh@ksh.hu

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,

Részletesebben

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris

Részletesebben

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

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése 4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól

Részletesebben

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

A maximum likelihood becslésről

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

Részletesebben

A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA

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

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus

Részletesebben

Bevezető Adatok rendezése Adatok jellemzése Időbeli elemzés

Bevezető Adatok rendezése Adatok jellemzése Időbeli elemzés Gazdaságstatisztika 2. előadás Egy ismérv szerinti rendezés Kóczy Á. László KGK VMI Áttekintés Gyakorisági sorok Grafikus ábrázolásuk Helyzetmutatók Szóródási mutatók Az aszimmetria mérőszámai Koncentráció

Részletesebben

Statisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus

Statisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus Statisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus Gyakorisági sorok Mennyiségi ismérv jellemző rangsor készítünk. (pl. napi jegyeladások száma) A gyakorisági sor képzése igazából tömörítést jelent Nagyszámú

Részletesebben

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus. Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza

Részletesebben

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból

Részletesebben

Korrelációs kapcsolatok elemzése

Korrelációs kapcsolatok elemzése Korrelációs kapcsolatok elemzése 1. előadás Kvantitatív statisztikai módszerek Két változó közötti kapcsolat Független: Az X ismérv szerinti hovatartozás ismerete nem ad semmilyen többletinformációt az

Részletesebben

2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!

2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az

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

A hazai jövedelmi egyenlőtlenségek főbb jellemzői az elmúlt évtizedekben (módszertani tanulságok)

A hazai jövedelmi egyenlőtlenségek főbb jellemzői az elmúlt évtizedekben (módszertani tanulságok) A hazai jövedelmi egyenlőtlenségek főbb jellemzői az elmúlt évtizedekben (módszertani tanulságok) Éltető Ödön Havasi Éva Az 1963-88 években végrehajtott jövedelmi felvételek főbb jellemzői A minták területi

Részletesebben

Bevezető Adatok rendezése Adatok jellemzése Időbeli elemzés. Gazdaságstatisztika KGK VMI

Bevezető Adatok rendezése Adatok jellemzése Időbeli elemzés. Gazdaságstatisztika KGK VMI Gazdaságstatisztika 2. előadás Egy ismérv szerinti rendezés Kóczy Á. László KGK VMI Áttekintés Gyakorisági sorok Grafikus ábrázolásuk Helyzetmutatók Szóródási mutatók Az aszimmetria mérőszámai Koncentráció

Részletesebben

4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis

4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis 1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb

Részletesebben

KÖZPONTI STATISZTIKAI HIVATAL. Szóbeli vizsgatevékenység

KÖZPONTI STATISZTIKAI HIVATAL. Szóbeli vizsgatevékenység KÖZPONTI STATISZTIKAI HIVATAL A vizsgarészhez rendelt követelménymodul azonosító száma, megnevezése: 2144-06 Statisztikai szervezői és elemzési feladatok A vizsgarészhez rendelt vizsgafeladat megnevezése:

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

Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév

Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,

Részletesebben

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett

Részletesebben

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

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

Részletesebben

A társadalmi egyenlőtlenségek, a szegénység

A társadalmi egyenlőtlenségek, a szegénység A társadalmi egyenlőtlenségek, a szegénység A., Alapfogalmak I. Egyenlőség egyenlőtlenség 1. társadalmi egyenlőtlenség a., a társadalmi pozíciók közötti egyenlőtlenség b., a társadalmi pozícióba jutás

Részletesebben

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes

Részletesebben

STATISZTIKA. Mit nevezünk idősornak? Az idősorok elemzésének módszertana. Az idősorelemzés célja. Determinisztikus idősorelemzés

STATISZTIKA. Mit nevezünk idősornak? Az idősorok elemzésének módszertana. Az idősorelemzés célja. Determinisztikus idősorelemzés Mit nevezünk idősornak? STATISZTIKA 10. Előadás Idősorok analízise Egyenlő időközökben végzett megfigyelések A sorrend kötött, y 1, y 2 y t y N N= időpontok száma Minden időponthoz egy adat, reprodukálhatatlanság

Részletesebben

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

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

Részletesebben

A valószínűségszámítás elemei

A valószínűségszámítás elemei A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:

Részletesebben

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás

Részletesebben

Matematikai geodéziai számítások 10.

Matematikai geodéziai számítások 10. Matematikai geodéziai számítások 10. Hibaellipszis, talpponti görbe és közepes ponthiba Dr. Bácsatyai, László Matematikai geodéziai számítások 10.: Hibaellipszis, talpponti görbe és Dr. Bácsatyai, László

Részletesebben

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Mi az adat? Az adat elemi ismeret. Az adatokból információkat Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás

Részletesebben

Több valószínűségi változó együttes eloszlása, korreláció

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

Részletesebben

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz

Részletesebben

A GDP hasonlóképpen nem tükrözi a háztartások közötti munka- és termékcseréket.

A GDP hasonlóképpen nem tükrözi a háztartások közötti munka- és termékcseréket. FŐBB MUTATÓK A regionális GDP adatok minősége alapvetően 3 tényezőtől függ: az alkalmazott számítási módszertől a felhasznált adatok minőségétől a vizsgált területi egység nagyságától. A TERÜLETI EGYENLŐTLENSÉGEK

Részletesebben

HAJDU OTTÓ A relatív deprivációs szegénységi küszöb rétegspecifikus, kvantilis regressziós becslése

HAJDU OTTÓ A relatív deprivációs szegénységi küszöb rétegspecifikus, kvantilis regressziós becslése HAJDU OTTÓ A relatív deprivációs szegénységi küszöb rétegspecifikus, kvantilis regressziós becslése Kivonat A szegénységi küszöb relatív rögzítésének alapvető statisztikai módszere adott rendű kvantilist

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

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat

Részletesebben

Statisztikai módszerek a skálafüggetlen hálózatok

Statisztikai módszerek a skálafüggetlen hálózatok Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti

Részletesebben

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak

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

Pontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.

Pontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20. Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom

Részletesebben

A települési szegregáció mérőszámai

A települési szegregáció mérőszámai A települési szegregáció mérőszámai Dusek Tamás egyetemi tanár Széchenyi István Egyetem Nagyvárad, 2016. szeptember 16. A szegregáció, mint területi jelenség Elsősorban, de nem kizárólag települési szinten

Részletesebben

Feladatok: pontdiagram és dobozdiagram. Hogyan csináltuk?

Feladatok: pontdiagram és dobozdiagram. Hogyan csináltuk? Feladatok: pontdiagram és dobozdiagram Hogyan csináltuk? Alakmutatók: ferdeség, csúcsosság Alakmutatók a ferdeség és csúcsosság mérésére Ez eloszlás centrumát (középérték) és az adatok centrum körüli terpeszkedését

Részletesebben

Kutatásmódszertan és prezentációkészítés

Kutatásmódszertan és prezentációkészítés Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I

Részletesebben

Logisztikus regresszió

Logisztikus regresszió Logisztikus regresszió 9. előadás Kvantitatív statisztikai módszerek Dr. Szilágyi Roland Függő változó (y) Nem metrikus Metri kus Gazdaságtudományi Kar Független változó () Nem metrikus Metrikus Kereszttábla

Részletesebben

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

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

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek tesztelése I.

Többváltozós lineáris regressziós modell feltételeinek tesztelése I. Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát

Részletesebben

Gyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016

Gyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016 Gyakorlat 8 1xANOVA Dr. Nyéki Lajos 2016 A probléma leírása Azt vizsgáljuk, hogy milyen hatása van a család jövedelmének a tanulók szövegértés teszten elért tanulmányi eredményeire. A minta 59 iskola adatait

Részletesebben

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H

Részletesebben

3. Fuzzy aritmetika. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI

3. Fuzzy aritmetika. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI 3. Fuzzy aritmetika Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Intervallum-aritmetika 2 Fuzzy intervallumok és fuzzy számok Fuzzy intervallumok LR fuzzy intervallumok

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

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Nagy 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

Részletesebben

Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás

Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x

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

2012. október 2 és 4. Dr. Vincze Szilvia

2012. október 2 és 4. Dr. Vincze Szilvia 2012. október 2 és 4. Dr. Vincze Szilvia Tartalomjegyzék 1.) Az egyváltozós valós függvény fogalma, műveletek 2.) Zérushely, polinomok zérushelye 3.) Korlátosság 4.) Monotonitás 5.) Szélsőérték 6.) Konvex

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek

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

Részletesebben

Integrálszámítás. a Matematika A1a-Analízis nevű tárgyhoz november

Integrálszámítás. a Matematika A1a-Analízis nevű tárgyhoz november Integrálszámítás a Matematika Aa-Analízis nevű tárgyhoz 009. november Tartalomjegyzék I. Feladatok 5. A határozatlan integrál (primitív függvények........... 7.. A definíciók egyszerű következményei..................

Részletesebben

A Statisztika alapjai

A Statisztika alapjai A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati

Részletesebben

y ij = µ + α i + e ij

y ij = µ + α i + e ij Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai

Részletesebben

Normális eloszlás tesztje

Normális eloszlás tesztje Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra

Részletesebben

A mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015

A mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015 A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel

Részletesebben

Függetlenségvizsgálat, Illeszkedésvizsgálat

Függetlenségvizsgálat, Illeszkedésvizsgálat Varga Beatrix, Horváthné Csolák Erika Függetlenségvizsgálat, Illeszkedésvizsgálat 4. előadás Üzleti statisztika A sokaság/minta több ismérv szerinti vizsgálata A statisztikai elemzés egyik ontos eladata

Részletesebben

Logisztikus regresszió

Logisztikus regresszió Logisztikus regresszió Kvantitatív statisztikai módszerek Dr. Szilágyi Roland Függő változó (y) Nem metrikus Metri kus Gazdaságtudományi Kar Független változó (x) Nem metrikus Metrikus Kereszttábla elemzés

Részletesebben

STATISZTIKA I. Centrális mutatók. Helyzeti középértékek. Középértékek. Bimodális eloszlás, U. Módusz, Mo. 4. Előadás.

STATISZTIKA I. Centrális mutatók. Helyzeti középértékek. Középértékek. Bimodális eloszlás, U. Módusz, Mo. 4. Előadás. Centrális mutatók STATISZTIKA I. 4. Előadás Centrális mutatók 1/51 2/51 Középértékek Helyzeti középértékek A meghatározása gyakoriság vagy sorszám alapján Számítás nélkül Az elemek nagyság szerint rendezett

Részletesebben

I. BESZÁLLÍTÓI TELJESÍTMÉNYEK ÉRTÉKELÉSE

I. BESZÁLLÍTÓI TELJESÍTMÉNYEK ÉRTÉKELÉSE I. BESZÁLLÍTÓI TELJESÍTMÉNYEK ÉRTÉKELÉSE Komplex termékek gyártására jellemző, hogy egy-egy termékbe akár több ezer alkatrész is beépül. Ilyenkor az alkatrészek általában sok különböző beszállítótól érkeznek,

Részletesebben

A leíró statisztikák

A leíró statisztikák A leíró statisztikák A leíró statisztikák fogalma, haszna Gyakori igény az, hogy egy adathalmazt elemei egyenkénti felsorolása helyett néhány jellemző tulajdonságának megadásával jellemezzünk. Ezeket az

Részletesebben

Diszkriminancia-analízis

Diszkriminancia-analízis Diszkriminancia-analízis az SPSS-ben Petrovics Petra Doktorandusz Diszkriminancia-analízis folyamata Feladat Megnyitás: Employee_data.sav Milyen tényezőktől függ a dolgozók beosztása? Nem metrikus Független

Részletesebben

Adatok statisztikai értékelésének főbb lehetőségei

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

Részletesebben

Konvexitás, elaszticitás

Konvexitás, elaszticitás DIFFERENCIÁLSZÁMÍTÁS ALKALMAZÁSAI Konveitás, elaszticitás Tanulási cél A másodrendű deriváltat vizsgálva milyen következtetéseket vonhatunk le a üggvény konveitására vonatkozóan. Elaszticitás ogalmának

Részletesebben

Méréselmélet MI BSc 1

Méréselmélet MI BSc 1 Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok

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

SHk rövidítéssel fogunk hivatkozni.

SHk rövidítéssel fogunk hivatkozni. Nevezetes függvény-határértékek Az alábbiakban a k sorszámú függvény-határértékek)re az FHk rövidítéssel, a kompozíció határértékéről szóló első, illetve második tételre a KL1, illetve a KL rövidítéssel,

Részletesebben

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési

Részletesebben

Loss Distribution Approach

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

Részletesebben

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze. Célja: - a sokaságot

Részletesebben

Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével

Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási

Részletesebben

Közgazdaságtan 1. ELTE TáTK Közgazdaságtudományi Tanszék. 4. hét A KERESLETELMÉLET ALKALMAZÁSAI

Közgazdaságtan 1. ELTE TáTK Közgazdaságtudományi Tanszék. 4. hét A KERESLETELMÉLET ALKALMAZÁSAI KÖZGAZDASÁGTAN I. ELTE TáTK Közgazdaságtudományi Tanszék Közgazdaságtan 1. A KERESLETELMÉLET ALKALMAZÁSAI Bíró Anikó, K hegyi Gergely, Major Klára Szakmai felel s: K hegyi Gergely 2010. június Vázlat

Részletesebben

Egyszempontos variancia analízis. Statisztika I., 5. alkalom

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

Részletesebben

A Markowitz modell: kvadratikus programozás

A Markowitz modell: kvadratikus programozás A Markowitz modell: kvadratikus programozás Losonczi László Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar Debrecen, 2011/12 tanév, II. félév Losonczi László (DE) A Markowitz modell 2011/12 tanév,

Részletesebben

STATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai

STATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai Változékonyság (szóródás) STATISZTIKA I. 5. Előadás Szóródási mutatók A középértékek a sokaság elemeinek értéknagyságbeli különbségeit eltakarhatják. A változékonyság az azonos tulajdonságú, de eltérő

Részletesebben

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Exponenciális és Logaritmikus kifejezések

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Exponenciális és Logaritmikus kifejezések MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Eponenciális és Logaritmikus kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szoálhatnak fontos információval

Részletesebben

1. tétel. 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója 7 cm. Mekkora a háromszög átfogója? (4 pont)

1. tétel. 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója 7 cm. Mekkora a háromszög átfogója? (4 pont) 1. tétel 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója cm. Mekkora a háromszög átfogója? (4 pont). Adott az ábrán két vektor. Rajzolja meg a b, a b és az a b vektorokat! (6 pont)

Részletesebben

A sokaság elemei közül a leggyakrabban előforduló érték. diszkrét folytonos

A sokaság elemei közül a leggyakrabban előforduló érték. diszkrét folytonos Középérték Középérték A középérték a statisztikai adatok tömör számszerű jellemzése. helyzeti középérték: módusz medián számított középérték: számtani átlag kronológikus átlag harmonikus átlag mértani

Részletesebben

Gazdasági fejlődés a világban (trendek, felzárkózás vagy leszakadás?)

Gazdasági fejlődés a világban (trendek, felzárkózás vagy leszakadás?) Gazdasági fejlődés a világban (trendek, felzárkózás vagy leszakadás?) Dr. Dombi Ákos (dombi@finance.bme.hu) Jövedelmi (GDP/fő) diszparitások a világban Stilizált tények: 1. Jelentős különbségek már a 20.

Részletesebben

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Exponenciális és Logaritmikus kifejezések

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Exponenciális és Logaritmikus kifejezések MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Eponenciális és Logaritmikus kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos

Részletesebben

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum

Részletesebben