előadás Idősorok elemzése
|
|
- Natália Borbélyné
- 8 évvel ezelőtt
- Látták:
Átírás
1 Idősorok elemzése előadás október és november 2.
2 Idősor fogalma sokasági szemlélet: elméleti idősor - valószínűségi változók egy indexelt {Y t, t T } családja, avagy időtől függő véletlen mennyiség, azaz egy sztochasztikus folyamat. Pl.: napi záróárfolyamok a tőzsdén, éves gabonatermés, stb. T az időpontok halmaza, ami lehet diszkrét vagy folytonos. minta szemlélet: empírikus idősor egyváltozós idősor: skalárértékű valószínűségi változóból származik többváltozós idősor: vektorértékű valószínűségi változóból származik
3 Idősorelemzési megközelítések Két nagy csoport: időtartománybeli- és a frekvenciatartománybeli elemzések. Determinisztikus elemzés: az idősort alakító tényezők teljeskörűen számbavehetők, ezáltal az idősor alakulása időben tökéletes pontossággal felírható. A véletlen csak a gyakorlatban játszik szerepet. De a véletlen szerepe itt véget is ér, a későbbi időpontokra ennek már nincs hatása. = dekompozíciós modellek: különböző, eltérő tartalmú komponensekre bontott idősor, additív vagy multiplikatív formában felépítve. Pl.: additív esetben Y t = R t + C t + S t + u t, ahol R, C és S a trend, a ciklikus és a periodikus komponens, u pedig a véletlen folyamat. Sztochasztikus elemzés: a véletlen eltérés később is hatással van az idősor alakulására, azaz folyamatépítő szerepe van.
4 Példa 3 x 104 Time domain 160 Frequency domain Amplitude Magnitude (db) Samples Normalized Frequency ( π rad/sample) Figure : Időtartomány vs. frekvencia-tartomány, MOL adatok
5 Példa Példa: legyen α R tetszőleges, és Yt D Yt S ahol u N(0, σ). Ekkor = αt + u t = α + Y S t 1 + u t, Y S 0 = 0 E(Y D t ) =αt és E(Y S t ) = αt D 2 (Y D t ) =σ 2 és D 2 (Y S t ) = tσ 2 tehát a két idősor várható értékben ugyan azonos, de míg Yt D szórása állandó, addig Yt S szórása időben változó (azaz beépülnek a sokkok az idősorba).
6 Példa Y S Y D values time Figure : Determinisztikus és sztochasztikus trend
7 Példa 3 x Figure : MOL napi záróárfolyamok 2005 és 2008 között
8 Stacionaritás Az idősorelemzés legalapvetőbb fogalma - lényegében egy megkötést jelent az idősor valószínűségi struktúrájára nézve az idősor statisztikai kezelhetőségének érdekében. Cél: adott minta alapján az ismeretlen határeloszlás rekonstruálása, azaz az egyes időpontokhoz tartozó valószínűségi változók együttes eloszlását kellene megadnunk. Lehetetlen feladat a gyakorlatban, hiszen csak egyetlen mintánk van! Ezért megkötéseket teszünk az együttes eloszlásra a kezelhetőség érdekében. = STACIONARITÁS FOGALMA
9 Stacionaritás Definíció 1. Az (Y t ) idősor erős értelemben stacionárius, ha minden véges dimenziós vetületének együttes eloszlása eltolásinvariáns. Azaz k 1 esetén t 1,..., t k indexhalmazra (Y t1,..., Y tk ) és (Y t1 +h,..., Y tk +h) eloszlása megyezik bármely h R esetén. Túl sokat követel, a gyakorlatban ellenőrizhetetlen ez a feltétel, így gyengítünk rajta. Definíció 2. Az (Y t ) idősor gyenge értelemben stacionárius, ha első- és második momentuma eltolásinvariáns, azaz EY t = m minden t esetén, és γ(t, s) =Cov(Y t, Y s ) = γ(t s) bármely t, s pár esetén. Nyilvánvaló, hogy gyengén stacionárius idősor esetén D 2 (Y t ) = σ 2 konstans minden t esetén.
10 Példa Figure : Példa stacionárius idősorra az y t = 0, 5y t 1 + 0, 7y t 2 + u t, u t N(0, 3) stacionárius specifikációból
11 Példa Legyen Y t+1 = αy t + ε t, t N, ahol Y 0 = ξ valószínűségi változó, (ε t ) pedig i.i.d. sorozat 0 várható értékkel és konstans σ szórással. Milyen feltételek mellett lesz a folyamat stacionárius? Megoldás: Iterálva az egyenletet adódik, hogy Y t+1 = αy t +ε t = α(αy t 1 +ε t 1 )+ε t =... = Tehát EY t+1 = α t+1 EY 0, t α k ε t k +α t+1 Y 0. k=0 ami akkor lesz t-től független, ha vagy α = 1 vagy EY 0 = 0. Az α = 1 eset a véletlen bolyongás esete, ezzel most nem foglalkozunk. Tehát azt kell feltennünk, hogy EY 0 = 0, és ekkor EY t = 0 minden t esetén.
12 Példa Másrészt és t EYt+1 2 = σ 2 α 2k + α 2t+2 EY0 2 EY 2 t k=0 t 1 = σ 2 α 2k + α 2t EY0 2. k=0 Így az EYt+1 2 = EY t 2 egyenlőség minden t esetén akkor áll fenn, ha α 2t EY 2 0 = α 2t+2 EY σ 2 α 2t, azaz EY0 2 = σ2 1 α 2 feltéve, hogy α < 1. Azaz EY t = 0 és α < 1 szükséges a gyenge stacionaritáshoz, és ekkor EY 2 t = σ2 1 α 2 t T.
13 Példa Vajon elegendő is ez a feltétel a gyenge stacionaritáshoz? Ehhez a γ k = Cov(Y t, Y t+k ) autokovariancia függvény eltolásinvarianciáját kell vizsgálnunk. Mivel így k Y t+k Y t = (α k Y t + α i ε t+k i )Y t, i=1 E(Y t+k Y t ) =α k EY 2 t + E[Y t (ε t+k 1 + αε t+k α k+1 ε t )] = = α k σ 2 1 α 2, ami valóban csak k függvénye, tehát a feltétel elegendő is.
14 Stacionaritási jellemzők becslése a mintából Csak sokasági szemléletben becsülhetők, a mintából történő becslésük reménytelen, ezért fontos a stacionaritás kérdése! várható érték becslése: a szokásos tapasztalati mintaátlag (ˆµ) szórásnégyzet becslése: a szokásos tapasztalati szórásnégyzet ( ˆσ 2 ) kovariancia becslése: az autokovariancia függvény tapasztalati úton való becslésével, azaz Korreláció becslése: a ˆγ k = 1 T k (y t ˆµ)(y t+k ˆµ) T k t=1 ˆρ k = ˆγ k ˆσ 2 tapasztalati autokorreláció (ACF) függvény segítségével.
15 ACF - Korrelogram 1 0,5 0, , Figure : Példa stacionárius idősor autokorreláció függvényére
16 Parciális autokorreláció függvény - PACF Parciális korreláció: két változó közötti kapcsolat erőssége akkor, ha közöttük a megadott változókon keresztül terjedő hatásokat kiszűrjük. A két változónk most két különböző időpont, a kiszűrt változók pedig a két időpont közötti időpontok (mint v.v-k) Figure : Példa stacionárius idősor parciális autokorreláció függvényére
17 ACF szignifikanciájának tesztelése A statisztikai próba hipotétisei: H 0 : ρ k = 0 és H 1 : ρ k 0 Könnyen ellenőrizhető, hogy a normális eloszlással való közelítés megfelelő lesz, így a próbastatisztika Elfogadási tartomány: ˆρ k 1/ T N(0, 1). [ z 1 α/2, z 1 α/2 ] A korrelogram ábrájáról könnyen leolvasható, hogy a kapott autokorrelációs értékek ebbe a sávba esnek-e, vagy sem.
18 ACF szignifikanciájának tesztelése Az előző módszer persze csak egyenkénti vizsgálatra jó! Ha egyszerre tekintjük az összes együttható szignifikanciáját, akkor az elsőfajú hibák kumulálódása miatt erejét veszti a teszt! Helyette tehát összetettebb tesztet kell alkalmaznunk. A statisztikai próba hipotézisei: H 0 : ρ 1 =... = ρ k = 0 és H 1 : i : ρ i 0 A legnépszerűbb statisztikai teszt a fenti nullhipotézis ellenőrzésére az ún. Ljung-Box teszt, melynek tesztstatisztikája és eloszlása: Q = T (T + 2) k i=1 ˆρ i 2 T i χ 2 k
19 MOL ACF Figure : A MOL idősor autokorreláció függvénye
20 Stacionaritás ellenőrzése az idősor grafikus vizsgálata (pl. trendet tartalmazó idősor nyilvánvalóan megsérti a gyenge stacionaritás várható értékének állandóságára vonatkozó feltételét) a korrelogram lecsengésének vizsgálata (stacioner idősorok esetén a korrelogram tipikusan lecsengő, míg nem-stacioner esetben ez nem teljesül) statisztikai tesztek a stacionaritás vizsgálatára (Dickey-Fuller és augmented Dickey-Fuller tesztek) - ezen tesztek tárgyalásával később fogunk foglalkozni
21 Két fő feladat Tehát két fő feladatunk van: 1 Nem-stacionárius idősort alkalmas transzformációval stacionáriussá tenni trend szűrés - determinisztikus és sztochasztikus eset szezonalitás szűrés periodicitás szűrés 2 Stacionárius idősorok modellezése, becslése és előrejelzése Lineáris modellek: AR, MA és ARMA Nemlineáris modellek: ARCH és GARCH
22 Determinisztikus trend szűrése - 1. módszer Mozgó átlagolás: a trendet az eredeti idősor dinamikus átlagaként állítjuk elő. Tegyük fel, hogy idősorunk T hosszú, és legyen k a mozgó ablak szélessége. Képezzük ekkor az Ȳ 1 = Y Y k k Ȳ 2 = Y Y k+1 k. Ȳ T k+1 = Y T k Y T k átlagokat. Az átlagolás hatására eltűnik mind a véletlen hatás, mind a szezonális ingadozás az adatsorból, a mozgó átlagok pedig a trend közelítő értékeit adják. Ezeket az értékeket kivonva az eredeti idősorból a trendhatás megszűnik.
23 Determinisztikus trend szűrése - 2. módszer Analitikus trendszámítás: az idősor grafikonja alapján választjuk a trendfüggvény alakját, majd ennek ismeretlen paramétereit a legkisebb négyzetek módszerével becsüljük. Néhány speciális eset: lineáris trend: ŷ t = b 0 + b 1 t alakban keresendő (egyenletes fejlődés) polinomiális trend: ŷ t = b 0 + b 1 t b n t n alakban keresendő (változó intenzitású fejlődés) exponenciális trend: ŷ t = b 0 b1 t alakban keresendő (relatív változás állandóságának feltételezése esetén) hiperbolikus trend: ŷ t = 1 b 0 +b 1 t alakban keresendő (halálozási arányszámok) logisztikus trend: ŷ t = 1+be alakban keresendő at (népesség-növekedés, gyártási adatsorok) k Összességében a determinisztikus trendet tartalmazó idősorokat trendstacioner folyamatoknak nevezzük.
24 Sztochasztikus trend szűrése Ebben az esetben az előző módszerek már nem működnek. Új trükk: differenciázás művelete, mely egy új, transzformált idősort képez az eredeti idősor t-edik és (t 1)-edik elemének különbségeként. Például, ha az idősorunk Y (S) t = α + Y (S) t 1 + X t, Y 0 = 0 alakú, ahol X t maga stacionárius folyamat, akkor Y t = Y (S) t Y (S) t 1 a differenciázott folyamat, mely már stacionárius lesz.
25 Sztochasztikus trend szűrése Mire jó a differenciázás? Sztochasztikus lineáris trend szűrésére jó, de másfajta trendfüggvényt nem tud kiszűrni az adatokból. Magasabbrendű trendfüggvények kezelésére a többszöri differenciázás művelete lesz a megoldás. Definíció 3. Egy idősort d-ed rendben integrált idősornak nevezünk, ha d-ed rendű differenciázottja már stacionárius idősor. Jele: I(d). Természetesen mint mindent, úgy ezt is, a korábban már említett statisztikai tesztek (DF és ADF tesztek) segítségével igazolni kell. Ezekről majd később lesz szó.
26 Példa Figure : Villamosenergia adatok
27 Szezonális hullámzások szűrése Tegyük fel, hogy idősorunkban trendhatás már nem érvényesül. Ekkor a modellünk Y ij = Ȳ + d j + X ij alakú, ahol X ij stacionárius véletlen hatás, d j a szezonális komponens, és Ȳ = 1 n m Y ij, nm i=1 j=1 ahol n a periódusok száma (pl. évek), m pedig az ezen belüli szakaszok (pl. hónapok, negyedévek) száma. A véletlen hatás kiküszöbölése érdekében szezononként átlagolunk: Ȳ j = 1 n Y ij. n i=1 Ekkor Ȳ j = Ȳ + ˆd j, azaz a szezonális eltérés becslése nem más, mint az Ȳ j Ȳ különbség.
28 LINEÁRIS MODELLEK
29 Lineáris modellek - AR(p) Jelölje z az időeltolás operátorát, azaz zx t = x t 1 bármely t esetén. Ekkor z j x t = x t j, és bármely A(s) = p i=0 α is i polinomra p A(z)x t = α i x t i Tegyük fel mostantól, hogy a folyamat mindig 0 várható értékű. Definíció 4. Az (ε t ), t Z v.v-sorozatot fehérzajnak nevezzük, ha E(ε t ) = 0, D 2 (ε t ) = σ 2 t, és Cov(ε t, ε s ) = 0, ha t s. Definíció 5. i=0 Az (X t, t Z) folyamat AR(p) folyamat, ha előáll X t + α 1 X t α p X t p = ε t, t Z (1) alakban, ahol α 1,..., α p R paraméterek, (ε t ) pedig fehérzaj folyamat.
30 Lineáris modellek - AR(p) Könnyen látható, hogy az A(s) = 1 + α 1 s α p s p jelöléssel a folyamat az A(z)X t = ε t kompakt alakban is felírható, ahol z az időeltolás operátora. Tétel 1. Az (X t, t Z) AR(p) folyamat stacionárius, ha az A(s) polinom gyökei az egységkörön kívülre esnek. Mivel a folyamat 0 várható értékű, így az autokovarianciák kiszámításához csak a Cov(X t k, X t ) = E(X t k X t ) = γ k értékeket kell meghatároznunk k 0 esetén, hiszen γ szimmetrikus, azaz γ k = γ k.
31 Lineáris modellek - AR(p) A folyamatot meghatározó (1) egyenletet megszorozva X t k -val, majd várható értéket véve az alábbi, ún. Yule-Walker egyenletrendszer adódik: k = 0 : γ 0 + α 1 γ α p γ p = σ 2 k = 1 : γ 1 + α 1 γ α p γ p 1 = 0. k = p : γ p + α 1 γ p α p γ 0 = 0 k > p : γ k = α 1 γ k 1... α p γ k p Az egyenletrendszer pontosan akkor oldható meg, ha az A(s) polinomnak nincs 1 abszolútértékű gyöke.
32 Lineáris modellek - AR(p) Series values time ACF values lags Figure : AR(2) folyamat és autokorreláció függvénye
33 Lineáris modellek - MA(q) Fehérzajból egyszerűen kikeverhető folyamatok. Definíció 6. Az (X t, t Z) folyamat MA(q) folyamat, ha előáll X t = β 0 ε t + β 1 ε t β q ε t q, t Z (2) alakban, ahol β 0,..., β q R paraméterek, (ε t ) pedig fehérzaj folyamat. Erős és gyenge értelemben is stacionárius a folyamat, továbbá q k = 0 : γ 0 = 0 < k q : γ k = k > q : γ k = 0 βj 2 j=0 q k j=0 β j β j+k
34 Lineáris modellek - MA(q) Azt kaptuk tehát, hogy a (β 0,..., β q ) paraméterek egyértelműen meghatározzák a (γ 0,..., γ q ) sorozatot. Igaz-e ez fordítva is? Tekintsük ehhez a következő két folyamatot: X t = ε t + βε t 1, t Z, Y t = βε t + ε t 1, t Z. Ekkor nyilván β 1 esetén a két folyamat különbözik, viszont autokovariancia függvényükre ugyanaz a γ 0 = 1 + β 2, γ 1 = β, γ k = 0, k 2 előállítás adódik, tehát az állítás megfordítása már nem igaz.
35 Lineáris modellek - MA(q) Viszgáljuk még egy kicsit az előbbi két folyamatot. Visszafejtve a rekurziókat adódik, hogy egyrészt ε t = X t βε t 1 = X t β(x t 1 βε t 2 ) =... = másrészt ε t = 1 β (Y t ε t 1 ) = 1 β ( 1) k β k X t k, k=0 ( Y t 1 ) β (Y t 1 ε t 2 ) =... = = ( 1) k 1 β k+1 Y t k. k=0 Mindkét esetben akkor létezik az előállítás, ha a jobb oldali sor konvergens. Ez az első esetben a β < 1 feltételt, míg a második esetben a β > 1 feltételt jelenti.
36 Lineáris modellek - MA(q) Azaz β értékétől függ, hogy melyik folyamatból tudjuk a fehérzajt rekonstruálni. Ez a megfigyelés vezet el a mozgóátlag folyamatok egy fontos tulajdonságához. Definíció 7. Az (X t, t Z) MA(q) folyamat invertálható, ha a B(s) = β 0 + β 1 s β q s q polinom gyökei az egységkörön kívülre esnek. Tétel 2 (Wold). Ha valamely (γ 0,..., γ q ) sorozathoz létezik olyan (β 0,..., β q ) sorozat, melyre az autokovariancia egyenletek teljesülnek, akkor létezik olyan MA(q) folyamat, melynek éppen ez a (γ 0,..., γ q ) sorozat az autokovariancia függvénye. Továbbá ha valamely (X t ) folyamatra γ k = 0 k q esetén, akkor (X t ) MA(q) folyamat.
37 Lineáris modellek - MA(q) series values time ACF values lags Figure : MA(3) folyamat és autokorreláció függvénye
38 Lineáris szűrők Definíció 8. Legyen adott egy ψ j, j Z sorozat, melyre j Z ψ j <. Az Y t = Y t (ψ, X) = j= ψ j X t j folyamatot az X t gyengén stacionárius folyamatból a ψ j -k által adott lineáris szűrővel definiált folyamatnak nevezzük. Ha ψ j = 0, j < 0, akkor a szűrő kauzális, avagy fizikailag megvalósítható. Pl.: az MA( ) folyamatok éppen azok, melyek előállnak fehérzajra alkalmazott szűrő kimeneteként.
39 Lineáris szűrők - Példa Tekintsük az alábbi X t+1 = αx t + ε t+1 AR(1) folyamatot, ahol (ε t ) fehérzaj, α < 1. Láthatóan azaz formálisan felírhatjuk, hogy X t = 1 1 αz ε t = (1 αz)x t = ε t, α i z i ε t = α i ε t i i=0 i=0 a geometriai sor összegképletét felhasználva, vagyis megkaptuk az MA( ) előállítást. Ezt a módszert általánosabb folyamatokra is kiterjesztjük, mellyel a mérnöki gyakorlat egyik legfontosabb stacionárius folyamatosztályához jutunk.
40 Lineáris modellek - ARMA(p, q) Definíció 9. Az (X t, t Z) folyamat ARMA(p, q) folyamat, ha előáll X t = α 1 X t α p X t p + β 0 ε t β q ε t q, t Z (3) alakban, ahol α 1,..., α p, β 0,..., β q R paraméterek, (ε t ) pedig fehérzaj folyamat. Könnyen látható, hogy az polinomok segítségével az A(s) = 1 α 1 s... α p s p B(s) = β 0 + β 1 s β q s q kompakt forma adódik. A(z)X t = B(z)ε t
41 Lineáris modellek - ARMA(p, q) A fenti előállítás persze ebben a formában nem egyértelmű, hiszen mindkét oldalra alkalmazva egy alkalmas polinomot, ugyanannak a folyamatnak egy másik előállítását kapjuk. Ennek elkerülése végett feltesszük, hogy A és B relatív prímek a valós együtthatós polinomok számtestje felett. Tétel 3. 1 Ha A(z) gyökei az egységkörön kívülre esnek, akkor létezik a (3) egyenletnek eleget tevő (X t ) folyamat olyan, melynek van kauzális MA( ) előállítása. Az ilyen ARMA folyamatokat stabil folyamatoknak nevezzük. 2 Ha B(z) gyökei az egységkörön kívülre esnek, akkor (X t ) invertálható és létezik AR( ) előállítása.
42 Lineáris modellek - ARMA(p, q) Az autokovarianciák előállításához legyenek c k = E(X t X t k ) és d k = E(X t ε t k ). Ekkor d k = 0, ha k < 0, hiszen X t nem függ a jövőtől, továbbá k = 0 : d 0 = β 0 k = 1 : d 1 = α 1 d 0 + β 1. k = p : d p = α 1 d p α p d 0 + β p és k = 0 : k = 1 : c 0 = α 1 c α p c p + β 0 d β q d q c 1 = α 1 c α p c p 1 + β 1 d β q d q 1. k = q : c q = α 1 c q α p c q p + β q d 0 k > q : c k = α 1 c k α p c k p
43 Lineáris modellek - ARMA(p, q) Series values time ACF values lags Figure : ARMA(2, 3) folyamat és autokorreláció függvénye
Alapfogalmak. Trendelemzés Szezonalitás Modellek. Matematikai statisztika Gazdaságinformatikus MSc október 29. 1/49
Matematikai statisztika Gazdaságinformatikus MSc 8. előadás 2018. október 29. 1/49 alapfogalmak Elméleti idősor - valószínűségi változók egy indexelt {X t, t T } családja, avagy időtől függő véletlen mennyiség.
RészletesebbenIdősorok elemzése november 14. Spektrálelemzés, DF és ADF tesztek. Idősorok elemzése
Spektrálelemzés, DF és ADF tesztek 2017. november 14. SPEKTRÁL-ELEMZÉS Példa - BKV villamosenergia-terhelési görbéje Figure: BKV villamosenergia-terhelési görbéje, negyedóránkénti mérések (2 hét adatai,
RészletesebbenAutoregresszív és mozgóátlag folyamatok. Géczi-Papp Renáta
Autoregresszív és mozgóátlag folyamatok Géczi-Papp Renáta Autoregresszív folyamat Az Y t diszkrét paraméterű sztochasztikus folyamatok k-ad rendű autoregresszív folyamatnak nevezzük, ha Y t = α 1 Y t 1
RészletesebbenAutoregresszív és mozgóátlag folyamatok
Géczi-Papp Renáta Autoregresszív és mozgóátlag folyamatok Autoregresszív folyamat Az Y t diszkrét paraméterű sztochasztikus folyamatok k-ad rendű autoregresszív folyamatnak nevezzük, ha Y t = α 1 Y t 1
RészletesebbenSTATISZTIKA. 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
RészletesebbenDIFFERENCIAEGYENLETEK
DIFFERENCIAEGYENLETEK Példa: elsőrendű állandó e.h. lineáris differenciaegyenlet Ennek megoldása: Kezdeti feltétellel: Kezdeti feltétel nélkül ha 1 és a végtelen összeg (abszolút) konvergens: / 1 Minden
RészletesebbenAz idősorok összetevői Trendszámítás Szezonalitás Prognosztika ZH
Idősorok Idősor Statisztikai szempontból: az egyes időpontokhoz rendelt valószínűségi változók összessége. Speciális sztochasztikus kapcsolat; a magyarázóváltozó az idő Determinisztikus idősorelemzés esetén
RészletesebbenDiagnosztika és előrejelzés
2018. november 28. A diagnosztika feladata A modelldiagnosztika alapfeladatai: A modellillesztés jóságának vizsgálata (idősoros adatok esetén, a regressziónál már tanultuk), a reziduumok fehérzaj voltának
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenA sztochasztikus idősorelemzés alapjai
A sztochasztikus idősorelemzés alapjai Ferenci Tamás BCE, Statisztika Tanszék tamas.ferenci@medstat.hu 2013. november 29. 2 Tartalomjegyzék 1. Az idősorelemzés fogalma, megközelítései 5 1.1. Az idősor
RészletesebbenBevezetés az ökonometriába
Az idősorelemzés alapjai Gánics Gergely 1 gergely.ganics@freemail.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Tizenegyedik előadas Tartalom Stacionaritás kérdései 1 Stacionaritás kérdései 2 3 (Nem)stacionaritás
RészletesebbenExponenciális kisimítás. Üzleti tervezés statisztikai alapjai
Exponenciális kisimítás Üzleti tervezés statisztikai alapjai Múlt-Jelen-Jövő kapcsolat Egyensúlyi helyzet Teljes konfliktus Részleges konfliktus: 0 < α < 1, folytatódik a múlt, de nem változatlanul módosítás:
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
RészletesebbenHipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
RészletesebbenTovábblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás,
Matematikai statisztika. elıadás, 9.5.. Továbblépés Ha nem fogadható el a reziduálisok korrelálatlansága: Lehetnek fel nem tárt periódusok De más kapcsolat is fennmaradhat az egymáshoz közeli megfigyelések
RészletesebbenGAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június
GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén, az ELTE Közgazdaságtudományi Tanszék, az MTA Közgazdaságtudományi
RészletesebbenIdősoros elemzés minta
Idősoros elemzés minta Ferenci Tamás, tamas.ferenci@medstat.hu A felhasznált adatbázisról Elemzésemhez a francia frank árfolyamának 1986.01.03. és 1993.12.31. közötti értékeit használtam fel, mely idősorban
RészletesebbenStatisztika 3. Dr Gősi Zsuzsanna Egyetemi adjunktus Koncentráció mérése Koncentráció általában a jelenségek tömörülését, összpontosulását értjük. Koncentráció meglétéről gyorsan tájékozódhatunk, ha sokaságot
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenGauss-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
RészletesebbenMatematikai statisztikai elemzések 7.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematikai statisztikai elemzések 7. MSTE7 modul Bevezetés az idősorelemzésbe SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői
RészletesebbenNormák, kondíciószám
Normák, kondíciószám A fizika numerikus módszerei I. mf1n1a06- mf1n2a06 Csabai István Lineáris egyenletrendszerek Nagyon sok probléma közvetlenül lineáris egyenletrendszer megoldásával kezelhetı Sok numerikus
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenIdősoros elemzés. Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7.
Idősoros elemzés Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7. A felhasznált adatbázisról Elemzésemhez a tanszéki honlapon rendelkezésre bocsátott TimeSeries.xls idősoros adatgyűjtemény egyik idősorát,
RészletesebbenSzezonális ingadozás. (Stacionárius idősoroknál, ahol nem beszélhetünk trendről, csak a véletlen hatást kell kiszűrni. Ezzel nem foglalkozunk)
Szezonalitás Szezonális ingadozás Rendszeresen ismétlődő, azonos hullámhosszú és szabályos amplitúdóú, többnyire rövid távú ingadozásokat tekintük. Vizsgálatukkor a dekompozíciós modellekből a trend és
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
RészletesebbenFolytonos rendszeregyenletek megoldása. 1. Folytonos idejű (FI) rendszeregyenlet általános alakja
Folytonos rendszeregyenletek megoldása 1. Folytonos idejű (FI) rendszeregyenlet általános alakja A folytonos rendszeregyenletek megoldásakor olyan rendszerekkel foglalkozunk, amelyeknek egyetlen u = u(t)
Részletesebbeny 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
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
Részletesebben(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenIdősorok elemzése előadás. Előadó: Dr. Balogh Péter
Idősorok elemzése előadás Előadó: Dr. Balogh Péter Idősorok elemzése A társadalmi - gazdasági jelenségek időbeli alakulásának törvénszerűségeit kell vizsgálni a változás, a fejlődés tendenciáját. Az idősorokban
Részletesebbenelőadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás
13-14. előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 2016. november 28. és december 5. 13-14. előadás 1 / 35 Bevezetés A diszkrét
RészletesebbenDr. Kalló Noémi. Termelés- és szolgáltatásmenedzsment. egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék. Dr.
Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Ismertesse a legfontosabb előrejelzési módszereket és azok gyakorlati
RészletesebbenHatványsorok, Fourier sorok
a Matematika mérnököknek II. című tárgyhoz Hatványsorok, Fourier sorok Hatványsorok, Taylor sorok Közismert, hogy ha 1 < x < 1 akkor 1 + x + x 2 + x 3 + = n=0 x n = 1 1 x. Az egyenlet baloldalán álló kifejezés
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenFunkcionálanalízis. n=1. n=1. x n y n. n=1
Funkcionálanalízis 2011/12 tavaszi félév - 2. előadás 1.4. Lényeges alap-terek, példák Sorozat terek (Folytatás.) C: konvergens sorozatok tere. A tér pontjai sorozatok: x = (x n ). Ezen belül C 0 a nullsorozatok
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenMatematikai statisztika 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:
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
Részletesebben15. 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
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
Részletesebben5. előadás - Regressziószámítás
5. előadás - Regressziószámítás 2016. október 3. 5. előadás 1 / 18 Kétváltozós eset A modell: Y i = α + βx i + u i, i = 1,..., T, ahol X i független u i -től minden i esetén, (u i ) pedig i.i.d. sorozat
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
Részletesebben12. előadás - Markov-láncok I.
12. előadás - Markov-láncok I. 2016. november 21. 12. előadás 1 / 15 Markov-lánc - definíció Az X n, n N valószínűségi változók sorozatát diszkrét idejű sztochasztikus folyamatnak nevezzük. Legyen S R
RészletesebbenGVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet
GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő
RészletesebbenIdősorok elemzése. Salánki Ágnes
Idősorok elemzése Salánki Ágnes salanki.agnes@gmail.com 2012.04.13. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék 1 Idősorok analízise Alapfogalmak Komponenselemzés
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
RészletesebbenDifferenciálegyenlet rendszerek
Differenciálegyenlet rendszerek (A kezdeti érték probléma. Lineáris differenciálegyenlet rendszerek, magasabb rendű lineáris egyenletek.) Szili László: Modellek és algoritmusok ea+gyak jegyzet alapján
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
RészletesebbenVEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER október 15. Irodalom. További ajánlott feladatok
VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER 2004. október 15. Irodalom A fogalmakat, definíciókat illetően két forrásra támaszkodhatnak: ezek egyrészt elhangzanak az előadáson, másrészt megtalálják
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
Részletesebben1.9. B - SPLINEOK B - SPLINEOK EGZISZTENCIÁJA. numerikus analízis ii. 34. [ a, b] - n legfeljebb n darab gyöke lehet. = r (m 1) n = r m + n 1
numerikus analízis ii 34 Ezért [ a, b] - n legfeljebb n darab gyöke lehet = r (m 1) n = r m + n 1 19 B - SPLINEOK VOLT: Ω n véges felosztás S n (Ω n ) véges dimenziós altér A bázis az úgynevezett egyoldalú
RészletesebbenNumerikus módszerek beugró kérdések
1. Definiálja a gépi számok halmazát (a tanult modellnek megfelelően)! Adja meg a normalizált lebegőpontos szám alakját. (4 pont) Az alakú számot normalizált lebegőpontos számnak nevezik, ha Ahol,,,. Jelöl:
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
Részletesebben6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének
6. Függvények I. Elméleti összefoglaló A függvény fogalma, értelmezési tartomány, képhalmaz, értékkészlet Legyen az A és B halmaz egyike sem üreshalmaz. Ha az A halmaz minden egyes eleméhez hozzárendeljük
RészletesebbenGauss-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.
Részletesebbenlineáris folyamatokkal
Eötvös Loránd Tudományegyetem Természettudományi Kar Modellezés egy- és többdimenziós lineáris folyamatokkal Szakdolgozat Készítette: Zámbó Anita Matematika BSc, Matematikai elemző szakirány Témavezető:
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenDiverzifikáció 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,
RészletesebbenVIZSGADOLGOZAT. I. PÉLDÁK (60 pont)
VIZSGADOLGOZAT (100 pont) A megoldások csak szöveges válaszokkal teljes értékűek! I. PÉLDÁK (60 pont) 1. példa (13 pont) Az egyik budapesti könyvtárban az olvasókból vett 400 elemű minta alapján a következőket
Részletesebben(Diszkrét idejű Markov-láncok állapotainak
(Diszkrét idejű Markov-láncok állapotainak osztályozása) March 21, 2019 Markov-láncok A Markov-láncok anaĺızise főként a folyamat lehetséges realizációi valószínűségeinek kiszámolásával foglalkozik. Ezekben
RészletesebbenGVMST22GNC Statisztika II.
GVMST22GNC Statisztika II. 4. előadás: 9. Kétváltozós korreláció- és regressziószámítás Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Korrelációszámítás
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 2 II. A valószínűségi VÁLTOZÓ És JELLEMZÉsE 1. Valószínűségi VÁLTOZÓ Definíció: Az leképezést valószínűségi változónak nevezzük, ha
RészletesebbenNormális 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
RészletesebbenVektorterek. =a gyakorlatokon megoldásra ajánlott
Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenKOVÁCS BÉLA, MATEMATIKA II.
KOVÁCS BÉLA, MATEmATIkA II 3 III NUmERIkUS SOROk 1 Alapvető DEFInÍCIÓ ÉS TÉTELEk Végtelen sor Az (1) kifejezést végtelen sornak nevezzük Az számok a végtelen sor tagjai Az, sorozat az (1) végtelen sor
RészletesebbenHipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás
STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H
RészletesebbenDifferenciálegyenletek numerikus megoldása
a Matematika mérnököknek II. című tárgyhoz Differenciálegyenletek numerikus megoldása Fokozatos közeĺıtés módszere (1) (2) x (t) = f (t, x(t)), x I, x(ξ) = η. Az (1)-(2) kezdeti érték probléma ekvivalens
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenKOVÁCS 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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
Részletesebben6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió
6. Előadás Megyesi László: Lineáris algebra, 37. 41. oldal. Gondolkodnivalók Lineáris függetlenség 1. Gondolkodnivaló Legyen V valós számtest feletti vektortér. Igazolja, hogy ha a v 1, v 2,..., v n V
Részletesebben3. Lineáris differenciálegyenletek
3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
RészletesebbenA Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
Részletesebben3. fejezet. Lineáris folyamatok Zaj folyamatok. 1. Az ε(t) folyamat független érték zaj, ha a várható értéke 0 és
18 3. fejezet Lineáris folyamatok 3.1. Zaj folyamatok 1. Az ε(t) folyamat független érték zaj, ha a várható értéke 0 és ε(t)-k független, azonos eloszlású valószín ségi változók. 2. Az ε(t) folyamat fehér
RészletesebbenVizsgafeladatok. 1. feladat (3+8+6=17 pont) (2014. január 7.)
Vizsgafeladatok 1. feladat (3+8+6=17 pont) (2014. január 7.) Az elmúlt négy év a 2010. I. és a 2013. IV. negyedéve között csapadék mennyiségének alakulásáról az alábbiakat ismerjük: Időszak Csapadék mennyiéség
RészletesebbenFraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk
Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér
RészletesebbenStatisztika I. 13. előadás Idősorok elemzése. Előadó: Dr. Ertsey Imre
Statisztika I. 13. előadás Idősorok elemzése Előadó: Dr. Ertse Imre A társadalmi - gazdasági jelenségek időbeli alakulásának törvénszerűségeit kell vizsgálni a változás, a fejlődés tendenciáját. Ezek a
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. 2018. november 23. 1. Diszkrét matematika 2. 9. előadás Fancsali Szabolcs Levente nudniq@cs.elte.hu www.cs.elte.hu/ nudniq Komputeralgebra Tanszék 2018. november 23. Diszkrét matematika
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 3. estis képzés 2016. ősz 1. Diszkrét matematika 3. estis képzés 5. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenVektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27
Vektorterek Wettl Ferenc 2015. február 17. Wettl Ferenc Vektorterek 2015. február 17. 1 / 27 Tartalom 1 Egyenletrendszerek 2 Algebrai struktúrák 3 Vektortér 4 Bázis, dimenzió 5 Valós mátrixok és egyenletrendszerek
RészletesebbenJelek és rendszerek MEMO_03. Pletl. Belépő jelek. Jelek deriváltja MEMO_03
Jelek és rendszerek MEMO_03 Belépő jelek Jelek deriváltja MEMO_03 1 Jelek és rendszerek MEMO_03 8.ábra. MEMO_03 2 Jelek és rendszerek MEMO_03 9.ábra. MEMO_03 3 Ha a jelet méréssel kapjuk, akkor a jel következő
Részletesebben