Pontfolyamatok definíciója. 5. előadás, március 10. Példák pontfolyamatokra. Pontfolyamatok gyenge konvergenciája
|
|
- Nándor Szabó
- 4 évvel ezelőtt
- Látták:
Átírás
1 Pontfolyamatok definíciója 5. előadás, március 10. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Hasznos eszköz, könnyű a modellek általánosítása a segítségükkel A minta véletlen térbeli pontok (X 1,..., X n ) sorozata, össz-mérték ekkor n N(A): az A Borel halmazba eső megfigyelések száma Formálisan: Legyen E az állapottér (X értékkészlete) - tipikusan R d része, esetleg lehetnek végtelen nagy koordináták. B(E) a Borel-halmazok E-n. A pontfolyamat egy mérhető leképezés: (Ω, F, P) (M p (E), M p (E)) ahol M p (E) a pontmértékek (olyan számlálómérték, melyre m(k ) véges, ha K kompakt) halmaza, M p (E) pedig M p (E) részhalmazainak egy σ-algebrája Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 1 / 22 Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 2 / 22 Példák pontfolyamatokra Pontfolyamatok gyenge konvergenciája A meghaladások pontfolyamata: N n (.) = n ε i/n (.)I(X i > u) i=1 Az extrémumok érdekelnek, ezért az (u, )-be eső megfigyelésekkel foglalkozunk Poisson pontfolyamat: Az egydimenziós Poisson folyamat általánosítása. Tulajdonságok: Tetszőleges diszjunkt A, B halmazokra N(A) és N(B) független λ 0 adott mérték a Borel halmazokon (intenzitás), ezzel N(B) éppen λ(b) paraméterű Poisson eloszlású Homogén a folyamat, ha λ a Lebesgue mérték (ekkor a korlátos B halmazokon nézzük) Legyenek N, N 1,..., N n pontfolyamatok E R d -ben. N n N gyengén, ha a véges dimenziós eloszlások konvergálnak minden olyan A i -re, amelynek a határára N( A i ) = 0. Legyen X 1,..., X n független,azonos eloszlású. Tudjuk, hogy P(max(X 1,..., X n ) < u n ) exp{ τ} pontosan akkor, ha nf(u n ) = E n I {Xi >u n} τ. Ekkor a meghaladások N n pontfolyamata gyengén konvergál a (0, 1]-en a τ intenzitású homogén Poisson pontfolyamathoz. i=1 Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 3 / 22 Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 4 / 22
2 Max-stabilis folyamatok Smith (1990) konstrukciója Legyen T R d egy Borel-halmaz. {Y t : t T } pontosan akkor max-stabilis folyamat, ha előáll folytonos trajektóriájú folyamatok koordinátánkénti (standardizált) extrémumaiként. Ezekre definíció szerint teljesül a max-stabilitás Példa: (r i, s i ) Poisson pontfolyamat (0, )xs halmazon, intenzitásmértéke dr r 2 dh(ω). S tetszőleges Borel halmaz, H mérték S-en. Legyen f olyan, hogy S f (s, t)dh(s) = 1 minden t-re, és Y t = max{r i f (s i, t)}, t T i r i az i-edik vihar erőssége, s i pedig a helye. { { } } f (si, t) P(Y t < y t t T ) = exp max H(ds). S t y t Ebből: Y peremeloszlása standard Frechet Y max-stabilis Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 5 / 22 Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 6 / 22 Példák Példa: szimulált Smith-féle extremális folyamatok T = 1: egydimenziós max-stabilis eloszlás T = {1, 2}, S = [0, 1], H: Lebesgue mérték, { (1 α)s f (s, t) = α, ha t = 1 (1 α)(1 s) α, ha t = 2 éppen a 2 dimenziós logisztikus modell Gauss extrém-érték folyamat (Smith): f (s, t) t-ben az s várható értékű, Σ kovariancia-mátrixú normális eloszlás sűrűségfüggvénye y y x x Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 7 / 22 Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 8 / 22
3 Modell-illesztés Többdimenziós POT modellek 1 dimenziós peremek becslése 2 dimenziós összefüggőség becslése (extremális összefüggőségi függvény): ϑ(z 1 z 2 ), ahol P(Y (z 1 ) < y, Y (z 2 ) < y) = P(Y (z 1 ) < y) ϑ(z 1 z 2 ). Paraméteres (pl. Gauss) modellre közelítő (páronkénti) maximum likelihood számolható. Később még visszatérünk rá Jó lenne több adatot használni Valódi megfigyelések Klasszikus modell: minden koordinátában haladja meg a magas küszöböt. Tulajdonságok: Peremek: GPD Paraméteres modellek egy része átvihető EVD csomag használható De: valójában kevés az adat Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 9 / 22 Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 10 / 22 Alternatív definíció (MGPD II) Minden megfigyelést figyelembe vesz, ami legalább egy koordinátában meghaladja a küszöböt Formálisan: Y = (Y 1,..., Y d ) vektorváltozó, u = (u 1,..., u d ) megfelelően magas küszöb X = Y u = (Y 1 u 1,..., Y d u d ) a meghaladások. A többdimenziós általánosított Pareto eloszlás (MGPD): H(x 1,..., x d ) = 1 log G ( 0,..., 0 ) log ahol G MGEV eloszlású Standard Fréchet marginálisokat kapunk a t i = t i (x i ) = ( ) G x1,..., x d G ( x 1 0,..., x d 0 ), 1 log G ξi,µ i,σ i (x i ) = (1 + ξ i(x i µ i )/σ i ) 1/ξ i, transzformációval, ahol 1 + ξ i (x i µ i )/σ i > 0 és σ i > 0, i = 1,..., d. Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 11 / 22 Alternatív definíció (MGPD II) Az MGPD sűrűségfüggvénye (ha létezik) h(x) = = H (x) = x 1... x d d i=1 t i (x i) ( V t 1 (0),..., t d (0) Nem lesznek a peremek GPD-k ( 1 x 1 x d ) Kevés a jól használható, identifikálható modell log G(x) ) log G(0) V ( t 1 (x 1 ),..., t d (x d ) t 1 t d Becslés R-ben: mgpd csomaggal, de kettőnél több dimenzióban nem könnyű Összehasonlítás: több adat alapján valóban megbízhatóbb becslések adódnak Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 12 / 22 ).
4 Szimmetrikus és aszimmetrikus modellek összehasonlítása Kétfajta 2D modell összehasonlítása BGPD I BGPD II Logistic Psi logistic A(Ψ(t)) = A(t + f (t)), például f ψ1,ψ 2 (t) = ψ 1 (t(1 t)) ψ 2, ha t [0, 1], ahol ψ 1 R és ψ 2 1 aszimmetria paraméterek Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 13 / 22 Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 14 / 22 Bootstrap (Efron, 1979) Bootstrap módszer - bevezetés Újramintavételezési eljárás, a becsléseink szórásának vizsgálatára, modell-illeszkedés ellenőrzésére Számtalan változatát dolgozták ki azóta, az egyik leggyorsabban fejlődő részterülete a statisztikának Előnye: rugalmas a minta (a statisztika) eloszlására vonatkozó feltételek változására X = {X 1,..., X m} visszatevéses mintavétellel az eredeti mintából általában m = n Nehézségek a gyakorlatban: 1 x = ˆP minden modellnél más és más 2 ˆP x a sok ismétlés megterheli a számítógépet Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 15 / 22 Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 16 / 22
5 Az i.i.d. bootstrap Az i.i.d. bootstrap korlátai Legyenek X 1, X 2,... i.i.d. valószínűségi változók, F (ismeretlen) közös eloszlással T n = t n (X n ; F) minket érdeklő val.változó, az eloszlása: G n Cél: G n eloszlásának becslése Bootstrap módszer: Adott X -re, visszatevéssel m elemű mintát veszünk: Xm = {X1,..., X m} az X i -ok közös eloszlása: F n = n 1 T m,n = t m (X m; F n ) Ismétlések Ĝm,n n δ Xi i=1 számításigényes bizonyos esetekben a becslés nem lesz konzisztens Példa (Singh, 1981) Def: {X n }n 1 m-függő valamely m 0 számra, ha {X 1,..., X k } és { X k+m+1,... } függetlenek minden k 0-ra. Jel. σm 2 = Var(X 1 ) + 2 m 1 i=1 Cov(X 1, X 1+i ) Legyen a becsülendő statisztika: T n = n(x n µ) Ennek bootstrap megfelelője: Tn,n = n(x n X n ) Tétel Legyen {X n }n 1 stacionárius m-függő v.v. sorozat, EX 1 = µ, σ 2 = Var(X 1 ) (0, ), m n=1 Cov(X 1, X 1+i ) 0 és σ 2 m 0 Ekkor lim sup P (T n n,n x) P(T n x) 0 m.m. x Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 17 / 22 Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 18 / 22 Alkalmazása az összefüggő esetre Blokkméret kiválasztása (Politis & White) Circular blokk bootstrap (CBB) 1 Y t = X tmod(n) azaz periodikusan kiterjesztjük a mintát 2 Legyen i 1, i 2,... i m minta az {1,..., N} halmazon egyenletes eloszlásból 3 Adott b blokkméretre készítsünk N =mb (N N) pszeudo-megfigyelést: Y (k 1)b+j = Y im+j 1 ahol j = 1,..., b; k = 1,..., m 4 A minket érdeklő statisztika kiszámítása a pszeudo-megfigyelésekből: Y N = (N ) 1 (Y Y N ) Jel. F 0 = {X n : n 0}, Fk = {X n : n k} Def.: {X t : t Z } erősen keverő, ha α X (k) 0 (k ), ahol α X (k) = sup{ P(A B) P(A)P(B) : A F 0, B F k } Tétel : Tegyük fel, hogy E X t 6+δ <, k=1 k 2 (α X (k)) δ 6+δ < valamely δ>0-ra Legyen b = o(n 1/2 ), N esetén b. Ekkor MSE(σ 2 ) = G2 + D b b,x b 2 n + o(b 2 ) + o( b n ) ahol D= 4 3 g2 (0) és G = k R(k) k= g( ): spektrális sűrűségfüggvény R( ): autokovariancia függvény Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 19 / 22 Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 20 / 22
6 Blokkméret kiválasztása (Politis & White) Hivatkozások Optimális blokkméret: b opt = [( 2G2 D )n1/3 ] Kérdés: hogyan becsüljük G-t és D-t ˆD = 4 3ĝ2 (0) Ĝ = M k= M λ( k M ) k ˆR(k) ahol ˆR(k) N k = N 1 (X i X N )(X i+ k X N ) k=1 1 ha t [1, 1/2] λ(t) = 2(1 t ) ha t [1/2, 1] 0 különben M = 2 ˆm, ahol ˆm: ahonnan a korrelogram "lényegében" 0 J.Beirlant, G. Mathys (2000) Quantile estimation for heavy-tailed data R.L. Smith (1990) Max-Stable Processes and Spatial Extremes. Schlather, M. and Tawn, J. (2003) A dependence measure for multivariate and spatial extreme values: Properties and inference. Rootzén, H. and Tajvidi, N. (2006) The multivariate generalized Pareto distribution. Bernoulli 12, p Rakonczai, P.: Multivariate Threshold Models with Applications to Wind Speed Data (Ph.D. dolgozat, 2012) Lahiri, S.N.: Resampling methods for dependent data (Springer, 2003) Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 21 / 22 Zempléni András (ELTE) 5. előadás, március 10 Áringadozások előadás 22 / 22
Max-stabilis folyamatok. 6. előadás, március 29. Smith (1990) konstrukciója. Példák
Max-stabls folyamatok 6. előadás, 2017. márcus 29. Zemplén András Valószínűségelmélet és Statsztka Tanszék Természettudomány Kar Eötvös Loránd Tudományegyetem Árngadozások előadás Legyen T R d egy Borel-halmaz.
RészletesebbenBevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika
Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra
RészletesebbenHatáreloszlástétel a maximumokra. 3. előadás, március 1. A bizonyítás vázlata. Típusok. Tétel (Fisher és Tippet, 1928)
Határeloszlástétel a maximumokra 3. előadás, 2017. március 1. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Tétel
RészletesebbenModern szimulációs módszerek
Modern szimulációs módszerek Zempléni András Valószínűségelméleti és Statisztika Tanszék Matematikai Intézet Eötvös Loránd Tudományegyetem Természettudományi Kar Zempléni András (Val.elm. és Stat.Tsz.)
RészletesebbenA következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenSztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
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:
RészletesebbenMérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik
Mérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik Az A halmazrendszer σ-algebra az Ω alaphalmazon, ha Ω A; A A A c A; A i A, i N, i N A i A. Az A halmazrendszer
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
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
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 :
RészletesebbenElliptikus eloszlások, kopuláik. 7. előadás, 2015. március 25. Elliptikusság tesztelése. Arkhimédeszi kopulák
Elliptiks eloszlások, kopláik 7. előadás, 215. márcis 25. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettdományi Kar Eötös Loránd Tdományegyetem Áringadozások előadás Sűrűségfüggényük
Részletesebben4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O
1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.
RészletesebbenValószínűségelmélet. Pap Gyula. Szegedi Tudományegyetem. Szeged, 2016/2017 tanév, I. félév
Valószínűségelmélet Pap Gyula Szegedi Tudományegyetem Szeged, 2016/2017 tanév, I. félév Pap Gyula (SZTE) Valószínűségelmélet 2016/2017 tanév, I. félév 1 / 125 Ajánlott irodalom: CSÖRGŐ SÁNDOR Fejezetek
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
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.
RészletesebbenGyakorlati kérdések. 2. előadás, február 22. Szimuláció (Chambers, 1976) Michael-féle szórásstabilizált P-P plot
Gyakorlati kérdések 2. előadás, 2017. február 22. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Paraméterbecslés:
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
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
RészletesebbenBevezetés. Valószínűségszámítás 2 előadás III. alk. matematikus szak. Irodalom. Egyéb info., számonkérés. Cél. Alapfogalmak (ismétlés)
Valószínűségszámítás 2 előaás III. alk. matematikus szak 2016/2017 1. félév Zempléni Anrás Bevezetés Iroalom, követelmények A félév célja Alapfogalmak mértékelméleti alapon Kapcsolóás a val.szám. 1-hez
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:
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,
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,
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,
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
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,
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
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
Részletesebben4. előadás. Kiegyenlítő számítások MSc 2018/19 1 / 41
4. előadás Kiegyenlítő számítások MSc 2018/19 1 / 41 Áttekintés Extrém érték elmélet Monte Carlo eljárások 2 / 41 Extrém érték elmélet Bevezetés Alapvető módszerek (GEV és POT) Extrém érték eloszlások
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
RészletesebbenLoss Distribution Approach
Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenCentrális határeloszlás-tétel
13. fejezet Centrális határeloszlás-tétel A valószínűségszámítás legfontosabb állításai azok, amelyek független valószínűségi változók normalizált összegeire vonatkoznak. A legfontosabb ilyen tételek a
RészletesebbenCHT& NSZT Hoeffding NET mom. stabilis. 2011. november 9.
CHT& NSZT Hoeffding NET mom. stabilis Becslések, határeloszlás tételek Székely Balázs 2011. november 9. CHT& NSZT Hoeffding NET mom. stabilis 1 CHT és NSZT 2 Hoeffding-egyenlőtlenség Alkalmazása: Beengedés
RészletesebbenMatematikai statisztika I. témakör: Valószínűségszámítási ismétlés
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
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
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
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
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
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
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
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:
Részletesebben9-10. elıadás április 26. Problémák magas dimenzióban Az idıbeni összefüggıség és a nemstacionaritás szerepe
9-10. elıadás 2013. április 26. Problémák magas dimenzióban Az idıbeni összefüggıség és a nemstacionaritás szerepe Ismétlés Tanultunk Többdimenziós stabilis eloszlásokról Többdimenziós extrém-érték eloszlásokról
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.
RészletesebbenBoros Zoltán február
Többváltozós függvények differenciál- és integrálszámítása (2 3. előadás) Boros Zoltán 209. február 9 26.. Vektorváltozós függvények differenciálhatósága és iránymenti deriváltjai A továbbiakban D R n
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
Részletesebben1/1. Házi feladat. 1. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy
/. Házi feladat. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy mindig igaz. (p (( p) q)) (( p) ( q)). Igazoljuk, hogy minden A, B és C halmazra A \ (B C) = (A \ B) (A \ C) teljesül.
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség
RészletesebbenBarczy Mátyás és Pap Gyula
Barczy Mátyás és Pap Gyula mobidiák könyvtár Barczy Mátyás és Pap Gyula mobidiák könyvtár SOROZATSZERKESZTŐ Fazekas Iván Barczy Mátyás és Pap Gyula Debreceni Egyetem Oktatási segédanyag mobidiák könyvtár
RészletesebbenBemenet modellezése (III.), forgalommodellezés
Bemenet modellezése (III.), forgalommodellezés Vidács Attila 2007. október 31. Hálózati szimulációs technikák, 2007/10/31 1 Modellválasztás A modellezés kedvez esetben leegyszer södik a megfelel eloszlás
Részletesebben1 Y t = X tmod(n) azaz periodikusan kiterjesztjük a mintát. 3 Adott b blokkméretre készítsünk N =mb (N N)
Alkalmazása az összefüggő esetre 7. előadás, 2017. áprls 5. Zemplén András Valószínűségelmélet és Statsztka Tanszék Természettdomány Kar Eötös Loránd Tdományegyetem Árngadozások előadás Crclar blokk bootstrap
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása A csoport
Gazdasági matematika II. vizsgadolgozat megoldása A csoport Definiálja az alábbi fogalmakat!. Egy eseménynek egy másik eseményre vonatkozó feltételes valószínűsége. ( pont) Az A esemény feltételes valószínűsége
RészletesebbenMatematikai statisztika szorgalmi feladatok
Matematikai statisztika szorgalmi feladatok 1. Feltételes várható érték és konvolúció 1. Legyen X és Y független és azonos eloszlású valószín ségi változó véges második momentummal. Mutassuk meg, hogy
Részletesebben1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0
I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)
RészletesebbenTovábbi sajátértékek. 10. előadás, május 3. Megjegyzések. A szűrés hatása a portfólió optimalizálásra
További sajátértékek 10. előadás, 2017. május 3. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Keressük azt az alacsonyabb
RészletesebbenMi 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
RészletesebbenPrincipal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
RészletesebbenStatisztikai becslés
Kabos: Statisztika II. Becslés 1.1 Statisztikai becslés Freedman, D. - Pisani, R. - Purves, R.: Statisztika. Typotex, 2005. Reimann J. - Tóth J.: Valószínűségszámítás és matematikai statisztika. Tankönyvkiadó,
RészletesebbenFraktálok. Hausdorff távolság. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék március 14.
Fraktálok Hausdorff távolság Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék 2015. március 14. TARTALOMJEGYZÉK 1 of 36 Halmazok távolsága ELSŐ MEGKÖZELÍTÉS Legyen (S, ρ) egy metrikus tér, A, B S, valamint
RészletesebbenDr. Karácsony Zsolt. Miskolci Egyetem november
Valószínűségszámítás és Matematikai statisztika Dr. Karácsony Zsolt Miskolci Egyetem, Alkalmazott Matematikai Tanszék 2013-2014 tanév 1. félév Miskolci Egyetem 2013. november 11-18 - 25. Dr. Karácsony
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,
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
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenVillamosmérnök A4 11. hét Kétdimenziós normális eloszlás, cht - Megoldások
Villamosmérnök A 11. hét Kétdimenziós normális eloszlás, cht - Megoldások Kétdimenziós normális összefoglalás Egy kétdimenziós X, Y valószínűségi változó kovariancia mátrixa: VarX CovX, Y CovX, Y VarY
RészletesebbenA valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@cs.elte.hu 2016/2017. tavaszi félév Bevezetés Célok: véletlen folyamatok modellezése; kísérletekb l, felmérésekb
RészletesebbenSTATISZTIKA 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
RészletesebbenStatisztikai 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
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
RészletesebbenMiért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
RészletesebbenMetrikus terek, többváltozós függvények
Metrikus terek, többváltozós függvények 2003.10.15 Készítette: Dr. Toledo Rodolfo és Dr. Blahota István 1. Metrikus terek, metrika tulajdonságai 1.1. A valós, komplex, racionális, természetes és egész
RészletesebbenAlapfogalmak, valós számok Sorozatok, határérték Függvények határértéke, folytonosság A differenciálszámítás Függvénydiszkusszió Otthoni munka
Pintér Miklós miklos.pinter@uni-corvinus.hu Ősz Alapfogalmak Halmazok Definíció Legyen A egy tetszőleges halmaz, ekkor x A (x / A) jelentése: x (nem) eleme A-nak. A B (A B) jelentése: A (valódi) részhalmaza
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása, június 10
Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett
RészletesebbenJármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János
BUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI KAR JÁRMŐELEMEK ÉS HAJTÁSOK TANSZÉK Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János Budapest 2008
RészletesebbenBackhausz Ágnes 1. Bevezetés A valószínűség elemi tulajdonságai... 5
Valószínűségszámítás Földtudomány BSc szak, 2016/2017. őszi félév Backhausz Ágnes agnes@cs.elte.hu Tartalomjegyzék 1. Bevezetés 2 2. A Kolmogorov-féle valószínűségi mező 3 2.1. Klasszikus valószínűségi
RészletesebbenStatisztika 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
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
RészletesebbenANALÍZIS III. ELMÉLETI KÉRDÉSEK
ANALÍZIS III. ELMÉLETI KÉRDÉSEK Szerkesztette: Balogh Tamás 2014. május 15. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenNemparaméteres próbák
Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
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 2 II. A valószínűségi VÁLTOZÓ És JELLEMZÉsE 1. Valószínűségi VÁLTOZÓ Definíció: Az leképezést valószínűségi változónak nevezzük, ha
RészletesebbenGyak. vez.: Palincza Richárd ( Gyakorlatok ideje/helye: CS , QBF10
Intervallumek Matematikai statisztika Gazdaságinformatikus MSc 1. előadás 2018. szeptember 3. 1/53 - Előadó, hely, idő etc. Intervallumek Előadó: Vizer Máté (email: mmvizer@gmail.com) Előadások ideje/helye:
RészletesebbenANALÍZIS III. ELMÉLETI KÉRDÉSEK
ANALÍZIS III. ELMÉLETI KÉRDÉSEK Szerkesztette: Balogh Tamás 2014. március 17. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenKalkulus II. Beugró kérdések és válaszok 2012/2013 as tanév II. félév
Klkulus II. Beugró kérdések és válszok 2012/2013 s tnév II. félév 1. Legyen ], b[ R nemüres, nyílt intervllum, f :], b[ R függvény. Hogyn vn értelmezve z f függvény primitív függvénye? Válsz. Legyen ],
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)
RészletesebbenAdaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
RészletesebbenBiometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok 2. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató 2015/2016. tanév I. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@math.elte.hu fogadóóra: szerda 10-11 és 13-14, D 3-415 2018/2019. tavaszi félév Bevezetés A valószín ségszámítás
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
RészletesebbenIntegr alsz am ıt as. 1. r esz aprilis 12.
Integrálszámítás. 1. rész. 2018. április 12. Területszámítás f : [a, b] IR + korlátos függvény. Mennyi a függvény grafikonja és az x tengely közti terület? Riemann integrál, ismétlés F: Az összes lehetséges
RészletesebbenGyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László
Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,
Részletesebben1. Példa. A gamma függvény és a Fubini-tétel.
. Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +
RészletesebbenSTATISZTIKA 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
Részletesebbenminden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.
Függvények határértéke és folytonossága Egy f: D R R függvényt korlátosnak nevezünk, ha a függvényértékek halmaza korlátos. Ha f(x) f(x 0 ) teljesül minden x D esetén, akkor x 0 -at a függvény maximumhelyének
RészletesebbenKiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.
Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 9. előadás: Paraméteres iterációk, relaxációs módszerek Lócsi Levente ELTE IK Tartalomjegyzék 1 A Richardson-iteráció 2 Relaxált Jacobi-iteráció 3 Relaxált Gauss Seidel-iteráció
RészletesebbenSorozatok. 5. előadás. Farkas István. DE ATC Gazdaságelemzési és Statisztikai Tanszék. Sorozatok p. 1/2
Sorozatok 5. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Sorozatok p. 1/2 A sorozat definíciója Definíció. A természetes számok halmazán értelmezett valós értékű a: N R függvényt
Részletesebben