LINEÁRIS MODELLBEN május. 1. Lineáris modell, legkisebb négyzetek elve
|
|
- Brigitta Orosz
- 4 évvel ezelőtt
- Látták:
Átírás
1 BECSLÉS ÉS HIPOTÉZISVIZSGÁLAT LINEÁRIS MODELLBEN Móri Tamás ELTE TTK Valószínűségelméleti és Statisztika Tanszék 2008 május Lineáris modell, legkisebb négyzetek elve Tegyük fel, hogy egy bizonyos pl fizikai) mennyiség más, ismert mennyiségek lineáris kombinációja: y = a x + + a p x p Az a,, a p együtthatókat nem ismerjük, ezeket szeretnénk becsülni Ennek érdekében n mérést végzünk, nem feltétlenül azonos körülmények között A mérések során az x,, x p változók értékét ami mérésről-mérésre változhat) pontosan ismerjük, de az y mennyiséget csak véletlen hibával terhelten tudjuk mérni Tehát az i-edik mérés eredménye y i = x i, a + x i,2 a x i,p a p + ε i, ahol a ε i hibákról feltesszük, hogy 0 várható értékűek, ismeretlen) σ szórásúak és korrelálatlanok Az a j együtthatókat úgy akarjuk becsülni, hogy az ˆε i = y i x i, â + x i,2 â x i,p â p ) úgynevezett reziduálisok négyzetösszege minimális legyen történő becslésnek Ez az eljárás Gausstól származik Ezt nevezzük a legkisebb négyzetek elvén Mielőtt a legkisebb négyzetes becslést kiszámítanánk, írjuk fel a modellt tömörebb alakban Legyen y = y y 2 y n, X = x, x,2 x,p x 2, x 2,2 x 2,p x n, x n,2 x n,p, a = a a 2 a p, ε = ε ε 2 ε n Ekkor a lineáris modell: y = Xa + ε, ahol y és ε n-dimenziós véletlen vektorok, Eε) = 0, Σ ε) = σ 2 Id n, X n p méretű ismert együtthatómátrix, a R p paramétervektor Keressük azt az â becslést, amelyre ˆε 2 := y Xâ 2 minimális Definíció A fenti tulajdonságú â becslést a legkisebb négyzetes LN ) becslésének nevezzük 2 Tétel Gauss-féle normálegyenlet) Az â vektor pontosan akkor minimalizálja y Xâ 2 -et, ha megoldása a következő lineáris egyenletrendszernek: X X â = X y Bizonyítás Xâ az Im X altér azon eleme, amely a legközelebb van y-hoz, vagyis y merőleges vetülete Im X-re Ez azzal ekvivalens, hogy y Xâ merőleges Im X-re, azaz benne van a Ker X altérben: X y Xâ) = 0
2 2 MÓRI TAMÁS A tételből az is következik, hogy a Gauss-féle normálegyenletnek mindig van megoldása, de természetesen csak akkor egyértelmű, ha X X invertálható Ez pedig pontosan akkor következik be, ha a rangja p Mivel rang X X = rang X, ehhez az kell, hogy az X mátrix oszlopai lineárisan függetlenek legyenek Legyen r = rang X Ha r = p, teljes rangú esetről beszélünk Ekkor tehát és könnyen látható, hogy â = X X) X y, Eâ = X X) X Xa = a, Σ â) = X X) X σ 2 Id n ) XX X) = σ 2 X X) Mivel tetszőleges y R n esetén Xâ = XX X) X y, ezért az Im X-re való ortogonális projekció operátora P X = XX X) X 3 Megjegyzés Ha r < p, akkor a Gauss-féle normálegyenletnek végtelen sok megoldása van, ezek egy p r dimenziós hipersíkot alkotnak Az egyenletrendszer legkisebb normájú megoldása: â = X X) X y, ahol X X) az X X mátrix Moore Penrose-féle pszeudoinverze Ezt a következőképpen lehet kiszámítani: tekintsük a mátrix X X = UΛU spektrálfelbontását, ahol Λ = diagλ,, λ p ) az X X mátrix sajátértékeit tartalmazó nemnegatív elemű) diagonális mátrix, U pedig ortonormált mátrix, amelynek oszlopai a sajátértékekhez tartozó ortonormált sajátvektorok Ekkor X X) = UΛ U, Λ = diagλ,, λ p ), ahol λ i = /λ i, ha λ i 0, és 0 különben Hangsúlyozzuk, hogy bár â nem egyértelmű a nem teljes rangú esetben, de Xâ = P X y már igen Ezért természetesen P X = XX X) X Bontsuk fel R n -et ortogonális alterek direkt összegére: R n = L X L R, ahol L X = Im X, L R = L X Az alterek dimenziója: n = r + n r) Ennek megfelelően az y megfigyelésvektor ortogonális felbontása: y = Xâ + ˆε 4 Definíció Az L R altér neve reziduális altér, a Q R = ˆε 2 mennyiség neve reziduális négyzetösszeg, az s 2 R = Q R mennyiség pedig a reziduális szórásnégyzet n r 5 Tétel Az s 2 R reziduális szórásnégyzet torzítatlan becslés σ2 -re Bizonyítás Jelölje P R a reziduális altérre való merőleges vetítés operátorát Ekkor nyilvánvalóan P R X = 0, továbbá EQ R = E P R y 2 = E y P R P R y ) Mint tudjuk, egy négyzetes mátrix pontosan akkor projekció, ha szimmetrikus és idempotens Ezért, felhasználva a trace függvény linearitását és ciklikus invarianciáját, EQ R = E y P R y ) = E tr y P R y ) = E tr P R yy ) = tr P R Eyy ) ) = = tr P R Σ y) + Ey Ey ) = tr P R σ 2 Id n + Xaa X ) = σ 2 tr P R Egy projekciónak csak 0 és sajátértékei lehetnek, ezért a nyoma, amely a sajátértékek összege, megegyezik a nem 0 sajátértékei számával, azaz a képterének a dimenziójával Tehát EQ R = σ 2 n r), és ebből Es 2 R = σ2
3 LINEÁRIS MODELL 3 6 Definíció Legyen a C mátrix q p mértetű Az a paraméter ψ = Ca alakú lineáris függvényét becsülhetőnek mondjuk, ha létezik torzítatlan lineáris becslése, azaz létezik olyan B q n méretű mátrix, hogy EBy) = ψ 7 Tétel ψ = Ca pontosan akkor becsülhető, ha előáll C = BX alakban, más szóval, ha C sorai benne vannak az X sorai által kifeszített altérben, az úgynevezett fázistérben Bizonyítás A By lineáris becslés pontosan akkor torzítatlan ψ-re, ha minden a R p esetén EBy) = BXa = Ca, vagyis C = BX A következő tétel a legkisebb négyzetes becslések optimalitásáról szól 8 Tétel Gauss Markov-tétel ) Legyen ψ = Ca becsülhető Ekkor a) tetszőleges â legkisebb négyzetes becslésből kiindulva a ˆψ = Câ becslés mindig ugyanaz lesz, b) ez a ˆψ becslés lineáris és torzítatlan, c) ˆψ az egyetlen optimális azaz minimális szórású) a torzítatlan lineáris becslések között A ˆψ becslést is legkisebb négyzetes becslésnek nevezzük Bizonyítás a) C = BX, ezért ˆψ = BXâ = BP X y valóban nem függ â választásától b) Látható, hogy ˆψ lineáris becslés, és E ˆψ = EBP X y) = BP X Ey = BP X Xa = BXa = ψ c) Legyen By tetszőleges torzítatlan lineáris becslés, akkor C = BX, és ezzel a B-vel is ˆψ = BP X y Mivel By = BP X + P R )y = BP X y + BP R y, ezért Σ By) = covbp X y + BP R y, BP X y + BP R y) = = Σ BP X y) + covbp X y, BP R y) + covbp R y, BP X y) + Σ BP R y) A keresztkovarianciák értéke 0, mert P X P R = P R P X = 0 Például Tehát covbp X y, BP R y) = BP X Σ y)p R B = σ 2 BP X P R B = 0 Σ By) = Σ BPX y) + Σ BPR y) Σ BPX y) Egyenlőség csak akkor állhat fenn, ha Σ BP R y) = 0, azaz BP R y = EBP R y) = 0, vagyis valószínűséggel By = BP X y = ˆψ Egyébként a torzítatlan lineáris becslések osztálya konvex, és a négyzetes veszteségfüggvény szigorúan konvex, ebből is következik az optimális becslés egyértelműsége) 9 Megjegyzés A teljes rangú esetben a paraméter minden lineáris függvénye becsülhető, mégpedig ψ = Ca legkisebb négyzetes becslése ˆψ = CX X) X y, és Σ ˆψ) = σ 2 CX X) C 2 Lineáris hipotézis normális lineáris modellben Ebben a részben normális lineáris modellel foglalkozunk, azaz feltesszük, hogy a véletlen hibák ε vektora normális eloszlású Ekkor tehát y N n Xa, σ 2 Id n ), és az y = Xâ + ˆε ortogonális felbontásban az összeadandók függetlenek, továbbá mivel Ey L R, ezért Q R σ 2 χ 2 n r Legyen B q p méretű mátrix, b Im B, és tekintsük a H 0 : Ba = b lineáris hipotézist az ellenhipotézis H : Ba b) Elegendő azzal az esettel foglalkoznunk, amikor b = 0, az általános eset ugyanis átparaméterezéssel visszavezethető erre: legyen a 0 R p olyan, hogy Ba 0 = b, és legyen az új paraméter ā = a a 0, továbbá ȳ = y Xa 0 Ezzel ȳ = Xā + ε ismét normális lineáris modell, amelyben H 0 a Bā = 0 alakot ölti H 0 teszteléséhez az ún általánosított likelihood-hányados próbát alkalmazzuk Az X, B, P = {P ϑ : ϑ Θ}) statisztikai mezőn tekintsük a Θ = Θ 0 Θ hipotézisvizsgálati feladatot Általánosított likelihood-hányados statisztika alatt a következő mennyiséget értjük: T X) = sup{f ϑx) : ϑ Θ} sup{f ϑ X) : ϑ Θ 0 }
4 4 MÓRI TAMÁS Ha a nullhipotézis teljesül, akkor ez közel van -hez, míg ha nem, akkor a számláló jóval nagyobb a nevezőnél, ezért a hányados nagy A nullhipotézis tesztelése tehát úgy történhet, hogy ha az általánosított likelihood-hányados statisztika nagyobb, mint valamely kritikus érték, akkor H 0 -t elvetjük, ha kisebb, akkor H 0 -t elfogadjuk, egyenlőség esetén pedig, ha szükséges, randomizálunk Ha mind a nullhipotézis, mind az ellenhipotézis egyszerű, azaz a hipotézisünk szerint a sűrűségfüggvény f 0, az ellenhipotézis szerint pedig f, akkor a T X) statisztika a következő alakot ölti: max{f 0 X), f X)} f 0 X) { = max, f X) } f 0 X) Itt a második tag a Neyman Pearson lemmából ismerős likelihood-hányados, vagyis a klasszikus likelihood-hányados próbát kapjuk, ha a kritikus érték nagyobb -nél Bár a Neyman Pearson lemmában a mintanagyság növekedtével a kritikus érték exponenciális sebességgel 0-hoz tart, de ez azért van, mert ott a két hipotézis,,el van választva : DP 0 P ) > 0, míg az általánosított likelihood-hányados próbát olyan feladatokban szokták alkalmazni, ahol a hipotézisek érintkeznek, ezért a kritikus érték tipikusan nagy) Jelen esetben a paraméter a, σ), és az y megfigyelések likelihood-függvénye f a,σ y) = 2π) n/2 σ n exp 2σ 2 y Xa 2) Látható, hogy tetszőleges rögzített σ esetén az a-ban való maximalizálás azzal ekvivalens, hogy a kitevőben az y Xa 2 reziduális négyzetösszeget minimalizáljuk: a statisztika számlálójához a teljes R p -n, a nevezőhöz pedig csak a nullhipotézisnek megfelelő Ker B altéren: T y) = sup{f a,σy) : a R p sup, σ > 0} sup{f a,σ y) : a Ker B, σ > 0} = σ>0 sup σ>0 σ n exp ) 2σ 2 y Xâ 2 σ n exp ), 2σ 2 y Xã 2 ahol â a legkisebb négyzetes becslés, ã pedig a Ker B altér olyan a eleme, amelyre y Xa 2 minimális Maximalizáljunk most σ-ban! A maximalizálandó kifejezés mind a számlálóban, mind a nevezőben σ n exp C ) 2σ 2 alakú Logaritmálás után deriválva a n σ + C σ 3 = 0 egyenletet kapjuk, azaz σ2 = C n, és a szuprémum σ n exp C ) ) n/2 Ce 2σ 2 = n Tehát az általánosított likelihood-hányados statisztika T y) = y Xã n y Xâ n Legyen L 0 = {Xa : Ba = 0}, és L = L X L 0, azaz R n = L 0 L L R ortogonális alterek direkt összege Jelölje L 0 dimenzióját r 0, akkor L dimenziója r r 0 Világos, hogy Xã az y merőleges vetülete az L 0 altérre, tehát az y vektor ortogonális felbontása: y = y 0 + y + y R, ahol y 0 = Xã, y = Xâ Xã, és y R = ˆε E három komponens független nemcentralitási paraméter értéke Vezessük be a Q = y 2 és az s 2 = Q /r r 0 ) jelölést Q eloszlása σ 2 χ 2 r r 0 [λ ], ahol a λ λ = Ey 2 σ 2 Világos, hogy H 0 pontosan akkor teljesül, ha Ey = Xa L 0, azaz Ey = Ey) = 0, vagyis λ = 0 A Pitagorasz-tétel szerint y Xã 2 = y + y R 2 = y 2 + y R 2 = Q + Q R,
5 LINEÁRIS MODELL 5 tehát T y) = + Q ) n 2 Q R Nyilvánvaló, hogy T y) helyett használhatnánk bármely szigorúan monoton növő függvényét is próbastatisztika céljára A gyakorlatban az F y) = s2 s 2 = n r T y) 2/n ) R r r 0 statisztikát szokták használni Ez H 0 teljesülése esetén F r r0, n r)-eloszlású Tehát a lineáris hipotézis tesztelésére F -próbát alkalmazhatunk, mégpedig egyoldalit, mert ha H 0 nem teljesül, a próbastatisztika eloszlása úgynevezett nemcentrális F -eloszlás, ami a centrálisnak is nevezett hagyományos F -eloszlástól csak abban különbözik, hogy a számlálójában álló χ 2 -eloszlás nemcentrális A nemcentrális χ 2 és a nemcentrális F sztochasztikusan nagyobb a centrális párjánál, ezért H 0 nem teljesülése esetén az F y) statisztika inkább nagyobb értékeket vesz fel Tehát kimondhatjuk az alábbi tételt: 2 Tétel A H 0 : Ba = 0 lineáris hipotézis tesztelésére az általánosított likelihood-próba a következőképpen hajtható végre: az F y) = s2 s 2 R próbastatisztikával r r 0, n r) szabadságfokú egyoldali F -próbát végzünk A próba gyakorlati végrehajtásához szükség lenne s 2 explicit alakjára A következő tétel ezt adja meg abban az esetben, ha rang B = q, azaz maximális Ezt mindig feltehetjük, hiszen B-ből elegendő csak olyan sorokat megtartani, amelyek lineáris kombinációjaként az összes többi sor kifejezhető 22 Tétel Tegyük fel, hogy rang X = p és rang B = q Ekkor a) A := BX X) B q q méretű pozitív definit szimmetrikus mátrix, b) ã = [ Id p X X) B A B ] â = [ X X) X X) B A BX X) ] X y, c) ha H 0 teljesül, akkor Eã = a és Σ ã) = σ 2[ X X) X X) B A BX X) ], d) Q = â B A Bâ, továbbá r 0 = p q, tehát r r 0 = q Bizonyítás a) A = CC, ahol C = BX X) /2, tehát rang A = rang C = rang B = q b) y L 0 Xâ ã) X Ker B â ã) X X Ker B = 0 X Xâ ã) Ker B, tehát X Xâ ã) = B z valamilyen z R q vektorra Ezért â ã = X X) B z, így Bâ = Bâ ã) = Az Következésképpen z = A Bâ, és végül â ã = X X) B A Bâ, amiből a bizonyítandó már közvetlenül adódik c) A b) állítás első egyenlőségéből Eã = [ Id p X X) B A B ] a = a, továbbá Σ ã) = σ 2[ Id p X X) B A B ] X X) [ Idp X X) B A B ] = = σ 2[ X X) X X) B A BX X) X X) B A BX X) + + X X) B A BX X) B A BX X) ] = }{{} A = σ 2[ X X) X X) B A BX X) ] d) X injektív, ezért r 0 = dim X Ker B ) = dim Ker B = p q Végül Q = y 2 = â ã) X X â ã) = = â B A B X X) X X X X) B A B â = }{{} A = â B A B â
6 6 MÓRI TAMÁS 23 Következmény Tegyük fel ismét, hogy rang X = p és rang B = q A H 0 : Ba = b általános lineáris hipotézis tesztelésénél csak annyi a változás a b = 0 esethez képest, hogy az F y) statisztika számlálójában Q = Bâ b) A Bâ b) Bizonyítás Az ā = a a 0 átparaméterezés után Q = ā B A B ā = â a 0 ) B A B â a 0 ) = Bâ b) A Bâ b) Amikor B sorvektor, a hipotézis arról szól, hogy a paraméterek egy bizonyos lineáris kombinációja milyen értéket vesz fel Ekkor q =, tehát A pozitív skalármennnyiség, és a 23 Következményből az alábbit kapjuk 24 Következmény Tegyük fel, hogy rang X = p, és legyen a hipotézisünk H 0 : b a = β Ekkor F y) számlálójában s 2 = b â β) 2 b X X) b, és a nullhipotézis teljesülése esetén a próbastatisztika F, n p) -eloszlású 25 Megjegyzés Az F, n p) -eloszlás a t n p -eloszlás négyzete, ezért nem tűnik túl merésznek az a feltételezés, hogy a b â β ty) = s R b X X) b statisztika eloszlása a nullhipotézis teljesülése, azaz b a = β esetén t n p -eloszlású van: b â N b a, σ 2 b X X) b ), s 2 R függvénye, ezért független ˆε-tól, így s R -től is Ez valóban így σ2 n p χ2 n p, és mivel b â = b X X) X Xâ az Xâ Ennek alapján lehetőség nyílik a H 0 : b a = β nullhipotézist a H : b a > β egyoldali ellenhipotézis ellenében is tesztelni
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
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,
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.
Részletesebbenazonosságot minden 1 i, l n, 1 j k, indexre teljesítő együtthatókkal, amelyekre érvényes a = c (j) i,l l,i
A Cochran Fisher tételről A matematikai statisztika egyik fontos eredménye a Cochran Fisher tétel, amely a variancia analízisben játszik fontos szerepet. Ugyanakkor ez a tétel lényegét tekintve valójában
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,
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
RészletesebbenÖsszeállította: dr. Leitold Adrien egyetemi docens
Skaláris szorzat az R n vektortérben Összeállította: dr. Leitold Adrien egyetemi docens 2008.09.08. 1 Vektorok skaláris szorzata Két R n -beli vektor skaláris szorzata: Legyen a = (a 1,a 2,,a n ) és b
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:
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
RészletesebbenKvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla
Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,
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
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:
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
RészletesebbenSaj at ert ek-probl em ak febru ar 26.
Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre
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
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,
RészletesebbenStatisztika Elıadások letölthetık a címrıl
Statisztika Elıadások letölthetık a http://www.cs.elte.hu/~arato/stat*.pdf címrıl Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább 1-α valószínőséggel
RészletesebbenLineáris leképezések (előadásvázlat, szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla
Lineáris leképezések (előadásvázlat, 2012. szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla Ennek az előadásnak a megértéséhez a következő fogalmakat kell tudni: homogén lineáris egyenletrendszer és
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:
RészletesebbenVektorok, mátrixok, lineáris egyenletrendszerek
a Matematika mérnököknek I. című tárgyhoz Vektorok, mátrixok, lineáris egyenletrendszerek Vektorok A rendezett valós számpárokat kétdimenziós valós vektoroknak nevezzük. Jelölésükre latin kisbetűket használunk.
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
RészletesebbenLineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31
Lineáris leképezések Wettl Ferenc 2015. március 9. Wettl Ferenc Lineáris leképezések 2015. március 9. 1 / 31 Tartalom 1 Mátrixleképezés, lineáris leképezés 2 Alkalmazás: dierenciálhatóság 3 2- és 3-dimenziós
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
RészletesebbenNorma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei
Indukált mátrixnorma Definíció A. M : R n n R mátrixnormát a. V : R n R vektornorma által indukált mátrixnormának nevezzük, ha A M = max { Ax V : x V = 1}. Az indukált mátrixnorma geometriai jelentése:
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
RészletesebbenNumerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások
Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások 1. Feladat. (6p) Jelöljön. egy tetszőleges vektornormát, ill. a hozzá tartozó indukált mátrixnormát! Igazoljuk, hogy ha A
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.
RészletesebbenAlkalmazott algebra - SVD
Alkalmazott algebra - SVD Ivanyos Gábor 20 sz Poz. szemidenit mátrixok spektrálfelbontásának általánosítása nem feltétlenül négyzetes mátrixokra LSI - mögöttes szemantikájú indexelés "Közelít " webkeresés
RészletesebbenLegkisebb négyzetek módszere, Spline interpoláció
Közelítő és szimbolikus számítások 10. gyakorlat Legkisebb négyzetek módszere, Spline interpoláció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján
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
RészletesebbenHaladó lineáris algebra
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Haladó lineáris algebra BMETE90MX54 Lineáris leképezések 2017-02-21 IB026 Wettl Ferenc
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
RészletesebbenNagy-György Judit. Szegedi Tudományegyetem, Bolyai Intézet
Többváltozós statisztika Szegedi Tudományegyetem, Bolyai Intézet Többváltozós módszerek Ezek a módszerek több változó együttes vizsgálatára vonatkoznak. Alapvető típusaik: többdimenziós eloszlásokra vonatkozó
RészletesebbenLINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40
LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard
RészletesebbenSzinguláris érték felbontás Singular Value Decomposition
Szinguláris érték felbontás Singular Value Decomposition Borbély Gábor 7. április... Tétel (teljes SVD. Legyen A C m n mátrix (valósra is jó, ekkor léteznek U C m m és V C n n unitér mátrixok (valósban
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
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
RészletesebbenLNM folytonos Az interpoláció Lagrange interpoláció. Lineáris algebra numerikus módszerei
Legkisebb négyzetek módszere, folytonos eset Folytonos eset Legyen f C[a, b]és h(x) = a 1 φ 1 (x) + a 2 φ 2 (x) +... + a n φ n (x). Ekkor tehát az n 2 F (a 1,..., a n ) = f a i φ i = = b a i=1 f (x) 2
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
RészletesebbenANOVA,MANOVA. Márkus László március 30. Márkus László ANOVA,MANOVA március / 26
ANOVA,MANOVA Márkus László 2013. március 30. Márkus László ANOVA,MANOVA 2013. március 30. 1 / 26 ANOVA / MANOVA One-Way ANOVA (Egyszeres ) Analysis of Variance (ANOVA) = szóráselemzés A szórásokat elemezzük,
Részletesebben1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak
1. Generátorrendszer Generátorrendszer. Tétel (Freud, 4.3.4. Tétel) Legyen V vektortér a T test fölött és v 1,v 2,...,v m V. Ekkor a λ 1 v 1 + λ 2 v 2 +... + λ m v m alakú vektorok, ahol λ 1,λ 2,...,λ
RészletesebbenA szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
RészletesebbenLikelihood, deviancia, Akaike-féle információs kritérium
Többváltozós statisztika (SZIE ÁOTK, 2011. ősz) 1 Likelihood, deviancia, Akaike-féle információs kritérium Likelihood függvény Az adatokhoz paraméteres modellt illesztünk. A likelihood függvény a megfigyelt
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
RészletesebbenBevezetés az algebrába 2
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Bevezetés az algebrába 2 BMETE91AM37 Mátrixfüggvények H607 2018-05-02 Wettl Ferenc
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
Részletesebben1. feladatsor Komplex számok
. feladatsor Komplex számok.. Feladat. Kanonikus alakban számolva határozzuk meg az alábbi műveletek eredményét. (a) i 0 ; i 8 ; (b) + 4i; 3 i (c) ( + 5i)( 6i); (d) i 3+i ; (e) 3i ; (f) ( +3i)(8+i) ( 4
RészletesebbenVIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja
VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag 2019. március 21. Mátrix rangja 1. Számítsuk ki az alábbi mátrixok rangját! (d) 1 1 2 2 4 5 1 1 1 1 1 1 1 1 2 1 2 1 1 0 1 1 2 1 0 1 1 1 1 2 3 1 3
Részletesebben11. Előadás. 11. előadás Bevezetés a lineáris programozásba
11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez
RészletesebbenMátrixok 2017 Mátrixok
2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4
RészletesebbenTestek. 16. Legyen z = 3 + 4i, w = 3 + i. Végezzük el az alábbi. a) (2 4), Z 5, b) (1, 0, 0, 1, 1) (1, 1, 1, 1, 0), Z 5 2.
Vektorok. Melyek egyenlőek az alábbi vektorok közül? (a) (, 2, 0), (b) az (, 0, ) pontból a (2, 2, ) pontba mutató vektor, (c) ( 2,, ) ( 2,, 2), (d) [ 2 0 ], (e) 2. 0 2. Írjuk fel az x + y + 2z = 0 és
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
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
Részletesebbenegyetemi jegyzet Meskó Balázs
egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.
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,
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
Részletesebben9. Előadás. (9. előadás) Lineáris egyr.(3.), Sajátérték április / 35
9. Előadás (9. előadás) Lineáris egyr.(3.), Sajátérték 2019. április 24. 1 / 35 Portfólió-analízis Tegyük fel, hogy egy bank 4 különböző eszközbe fektet be (réz, búza, arany és kakaó). Az ügyfeleinek ezen
RészletesebbenBevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek
Bevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek Algebra Tanszék B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E
RészletesebbenLineáris regressziós modellek 1
Lineáris regressziós modellek 1 Ispány Márton és Jeszenszky Péter 2016. szeptember 19. 1 Az ábrák C.M. Bishop: Pattern Recognition and Machine Learning c. könyvéből származnak. Tartalom Bevezető példák
RészletesebbenGyakorló feladatok I.
Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,
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
RészletesebbenLineáris algebra. =0 iє{1,,n}
Matek A2 (Lineáris algebra) Felhasználtam a Szilágyi Brigittás órai jegyzeteket, néhol a Thomas féle Kalkulus III könyvet. A hibákért felelosséget nem vállalok. Hiányosságok vannak(1. órai lin algebrai
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
Részletesebben4. Előadás. A legkisebb négyzetek problémája a következő optimalizálási alapfeladat: Minimalizáljuk
OPTIMALIZÁLÁSI ELJÁRÁSOK 4. Előadás Matematika MSc hallgatók számára Előadó: Hajnal Péter Jegyzetelő: Magyari Nikolett 2011. március 2. 1. A legkisebb négyzetek probléma A legkisebb négyzetek problémája
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
RészletesebbenA KroneckerCapelli-tételb l következik, hogy egy Bx = 0 homogén lineáris egyenletrendszernek
10. gyakorlat Mátrixok sajátértékei és sajátvektorai Azt mondjuk, hogy az A M n mátrixnak a λ IR szám a sajátértéke, ha létezik olyan x IR n, x 0 vektor, amelyre Ax = λx. Ekkor az x vektort az A mátrix
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
RészletesebbenA többváltozós lineáris regresszió III. Főkomponens-analízis
A többváltozós lineáris regresszió III. 6-7. előadás Nominális változók a lineáris modellben 2017. október 10-17. 6-7. előadás A többváltozós lineáris regresszió III., Alapok Többváltozós lineáris regresszió
RészletesebbenMegoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1
Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =
Részletesebben10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak
10. Előadás Megyesi László: Lineáris algebra, 98. 108. oldal. Gondolkodnivalók Mátrix inverze 1. Gondolkodnivaló Igazoljuk, hogy invertálható trianguláris mátrixok inverze is trianguláris. Bizonyítás:
RészletesebbenBevezetés az algebrába 2 Vektor- és mátrixnorma
Bevezetés az algebrába 2 Vektor- és mátrixnorma Wettl Ferenc Algebra Tanszék B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M 2016.
Részletesebben1. Homogén lineáris egyenletrendszer megoldástere
X HOMOGÉN LINEÁRIS EGYENLET- RENDSZEREK 1 Homogén lineáris egyenletrendszer megoldástere Homogén lineáris egyenletrendszer definíciója már szerepelt Olyan lineáris egyenletrendszert nevezünk homogénnek,
RészletesebbenSzinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28
Szinguláris értékek Wettl Ferenc 2015. április 3. Wettl Ferenc Szinguláris értékek 2015. április 3. 1 / 28 Tartalom 1 Szinguláris érték 2 Alkalmazások 3 Norma 4 Mátrixnorma Wettl Ferenc Szinguláris értékek
RészletesebbenMatematika (mesterképzés)
Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,
RészletesebbenAz impulzusnyomatékok általános elmélete
Az impulzusnyomatékok általános elmélete November 27, 2006 Az elemi kvantummechanika keretében tárgyaltuk már az impulzusnyomatékot. A továbbiakban általánosítjuk az impulzusnyomaték fogalmát a kvantummechanikában
RészletesebbenIlleszkedésvizsgálati módszerek összehasonlítása
Eötvös Loránd Tudományegyetem Természettudományi Kar Illeszkedésvizsgálati módszerek összehasonlítása Szakdolgozat Készítette: Tóth Alexandra Matematika BSc. Matematikai Elemző szakirány Témavezető: Zempléni
RészletesebbenTöbbváltozós lineáris regresszió 3.
Többváltozós lineáris regresszió 3. Orlovits Zsanett 2018. október 10. Alapok Kérdés: hogyan szerepeltethetünk egy minőségi (nominális) tulajdonságot (pl. férfi/nő, egészséges/beteg, szezonális hatások,
RészletesebbenMatematika III. harmadik előadás
Matematika III. harmadik előadás Kézi Csaba Debreceni Egyetem, Műszaki Kar Debrecen, 2013/14 tanév, I. félév Kézi Csaba (DE) Matematika III. harmadik előadás 2013/14 tanév, I. félév 1 / 13 tétel Az y (x)
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
Részletesebben1. zárthelyi,
1. zárthelyi, 2009.10.20. 1. Írjuk fel a tér P = (0,2,4) és Q = (6, 2,2) pontjait összekötő szakasz felezőmerőleges síkjának egyenletét. 2. Tekintsük az x + 2y + 3z = 14, a 2x + 6y + 10z = 24 és a 4x+2y
Részletesebben9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, mátrixegyenlet
9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Határozzuk meg a p valós paraméter értékétől függően a következő mátrix rangját: p 3 1 2 2
RészletesebbenNormális eloszlás paramétereire vonatkozó próbák
Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású
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
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
Részletesebben9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, Leontyev-modell
9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Tegyük fel, hogy egy elemi bázistranszformáció kezdetekor a sor- és oszlopindexek sorban helyezkednek
RészletesebbenLineáris algebra Gyakorló feladatok
Lineáris algebra Gyakorló feladatok. október.. Feladat: Határozzuk meg a, 4b, c és a b c vektorokat, ha a = (; ; ; ; b = (; ; ; ; c = ( ; ; ; ;.. Feladat: Határozzuk meg a, 4b, a, c és a b; c + b kifejezések
RészletesebbenLineáris algebra mérnököknek
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Lineáris algebra mérnököknek BMETE93BG20 Sajátérték, sajátvektor, sajátaltér Kf87 2017-11-21
RészletesebbenHadamard-mátrixok Előadó: Hajnal Péter február 23.
Szimmetrikus kombinatorikus struktúrák MSc hallgatók számára Hadamard-mátrixok Előadó: Hajnal Péter 2012. február 23. 1. Hadamard-mátrixok Ezen az előadáson látásra a blokkrendszerektől független kombinatorikus
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria Bódis Emőke 2016. 04. 25. J J 9 Korrelációanalízis Regresszióanalízis: hogyan változik egy vizsgált változó értéke egy másik változó változásának függvényében. Korrelációs
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
RészletesebbenMátrixfüggvények. Wettl Ferenc április 28. Wettl Ferenc Mátrixfüggvények április / 22
Mátrixfüggvények Wettl Ferenc 2016. április 28. Wettl Ferenc Mátrixfüggvények 2016. április 28. 1 / 22 Tartalom 1 Diagonalizálható mátrixok függvényei 2 Mátrixfüggvény a Jordan-alakból 3 Mátrixfüggvény
RészletesebbenÖsszeállította: dr. Leitold Adrien egyetemi docens
Az R n vektortér Összeállította: dr. Leitold Adrien egyetemi docens 2008.09.08. R n vektortér/1 Vektorok Rendezett szám n-esek: a = (a 1, a 2,, a n ) sorvektor a1 a = a2 oszlopvektor... a n a 1, a 2,,
RészletesebbenLin.Alg.Zh.1 feladatok
Lin.Alg.Zh. feladatok 0.. d vektorok Adott három vektor ā (0 b ( c (0 az R Euklideszi vektortérben egy ortonormált bázisban.. Mennyi az ā b skalárszorzat? ā b 0 + + 8. Mennyi az n ā b vektoriális szorzat?
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
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
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,
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 :
RészletesebbenSHk 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,
RészletesebbenLeíró 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