Gyakorlati kérdések. 2. előadás, február 22. Szimuláció (Chambers, 1976) Michael-féle szórásstabilizált P-P plot
|
|
- Andrea Farkasné
- 5 évvel ezelőtt
- Látták:
Átírás
1 Gyakorlati kérdések 2. előadás, február 22. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Paraméterbecslés: elvileg a maximum likelihood a leghatásosabb (konfidencia intervallum is konstruálható), de nagyon lassú Illeszkedésvizsgálat Sűrűségfv. becslésből: paraméteres vs. nemparaméteres ("középen" jó) PP plot QQ plot (általában előnyösebb, mert az eloszlás széleit is mutatja, de ezek itt eltúlzottak lehetnek) Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 1 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 2 / 30 Michael-féle szórásstabilizált P-P plot Szimuláció (Chambers, 1976) A PP plotnál a szélső pontok szórása kicsi (a QQ plotnál általában a középsőké) S = 2 arcsin(u 1/2 )/π : sűrűségfüggvénye sin(πx)- szel arányos, a rendezett minta elemeinek szórása aszimptotikusan azonos. Az ábrázolandó pontok: r i = (2/π) arcsin[(i 0.5)/n 1/2 ] s i = (2/π) arcsin[f 1/2 (y i m)/s] Tesztstatisztika is számolható: max r i s i Legyen U egyenletes [0, π], W pedig exponenciális eloszlású λ = 1 paraméterrel és függetlenek. Ekkor Z = sin(αu) cos U 1/α { cos((α 1)U) (α,0) paraméterű szimmetrikus stabilis eloszlású. Legyen U 0 = arctan(β tan(πα/2))/α és Z = sin(α(u 0 + U)) (cos(αu 0 ) cos U) 1/α W } (1 α)/α { cos(αu0 + α 1)U) W } (1 α)/α pedig (α,β) paraméterű stabilis eloszlású (ha α 1). Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 3 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 4 / 30
2 Illusztráció: részvény-idősorok Havi aggregálás Daily log returns of a stock (%) Monthly aggregation of daily log returns of a stock (%) Frequency Frequency Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 5 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 6 / 30 Becslés kvantilis módszerrel Legyen x p, a p-kvantilise a becsülendő eloszlásnak, ˆx p pedig a mintáé. Legyen ν α = x 0.95 x 0.05 x 0.75 x 0.25, ez független γ-tól és δ-tól és szigorúan csökkenő α függvényében. Ennek megfelelően ˆν α = ˆx 0.95 ˆx 0.05 ˆx 0.75 ˆx 0.25 konzisztens becslése lesz ν α -nak Legyen ν β = x x x 0.5 x 0.75 x 0.25 és ˆν β tapasztalati érték az előzőek szerint ν β becslése, mely szintén független γ-tól és δ-tól, és szigorúan monoton növő β-ban. A ν α és ν β függvények α és β függvényei, invertálva α és β becsléseit adják. Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 7 / 30 Becslés kvantilis módszerrel/2 Az inverz függvények zárt alakban nem adhatóak meg. Bizonyos pontokban kiszámoljuk az értékeiket, és a köztes értékeket interpolációval kaphatjuk meg. A γ és δ paraméterek becslése: Lemma Legyen X S(α, β, γ, δ) és Z S(α, β) és legyen x p és z p rendre X és Z p-kvantilise. Ekkor bármely 0 < p 1, p 2 < 1-re, ahol p 1 p 2 teljesül, hogy Ezek alapján a konzisztens becslések γ = x p 2 x p1 z p2 z p1 és δ = x p1 γz p1. (1) ˆγ = ˆx 0.75 ˆx 0.25 ẑ 0.75 ẑ 0.25, ˆδ = ˆx0.5 ˆγẑ 0.5, Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 8 / 30
3 Klasszikus tétel többdimenzióban Többdimenziós stabilis eloszlások A klasszikus esetben (X 1, X 2,..., X n,... iid, véges szórású) többdimenziós normális eloszlás a standardizált összeg határeloszlása: n i=1 X i µ n N(0, Σ) ahol µ = E(X) és Σ = cov(x). Segédeszköz: többdimenziós karakterisztikus függvény φ X (t) := E(e itt X ) Egy d dimenziós stabilis eloszlás karakterisztikus függvénye: ahol φ(t) = exp{ I(t) + it T µ} I(t) = ψ(t T s)γ(ds). S d S d a d-dimenziós egységgömb felszíne, Γ véges mérték S d -n, µ d-dimenziós vektor és { u ψ(u) = α (1 isign(u) tan{πα/2}) : α 1 u(1 2isign(u) ln(u)/π : α = 1 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 9 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 10 / 30 Tulajdonságok Kapcsolat az eloszlással 1 dimenziós vetületek (u T X) eloszlása stabilis eloszlás, ugyanazzal az α paraméterrel. Ezek meghatározzák a d-dimenziós eloszlást X µ- re már µ = 0, tehát ez feltehető Független komponensű esetben Γ = γ 1 δ(s 1 ) + + γ d δ(s d ) ( ) (u T X) skálája u függvényében γ(u) = S ut d s α dγ(s) az ún. skálafüggvény a többi paraméter-függvény is meghatározható Legyen C(A) az A által generált kúp: Ekkor C(A) = {ra : r > 0, a A}, A S d P(X C(A), X > r) lim = Γ(A) r P( X > r) Γ(S d ) Azaz aszimptotikusan az r-nél nagyobb megfigyelések A irányba esésének valószínűsége megegyezik az irány Γ-szerinti valószínűségével Konkrét számítások az inverziós formulával végezhetőek Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 11 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 12 / 30
4 Szimuláció Nemparaméteres becslés Véges sok pontra koncentrált spektrálmértéknél egydimenziós stabilisokból. Nagyon sok megfigyelés kell a jó illeszkedéshez! 10 6 megfigyelésből a sűrűségfv kontúrjai: Magas dimenzióban egyelőre túl nagy a számításigény - és nem elég az adatok mennyisége (a tipikus pénzügyi alkalmazásoknál) Kétdimenzióban: A kúpok valószínűségéből becsülhető Γ(A) Empirikus karakterisztikus fv-ből I becsülhető, ezután (a véges tartójú esetre) a lineáris egyenletrendszer megoldásából kapjuk a becslést Γ-ra. Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 13 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 14 / 30 Paraméteres családok Modellezés a gyakorlatban Elliptikus stabilis eloszlások: a skálafüggvényük γ(u) = {uru T } α/2, ahol R pozitív definit d d mátrix. Másik karakterizáció: X S 1/2 Z, ahol S (α/2, 1, γ, 0) stabilis, Z N(0, R). Előnyük: 2 + d(d + 1)/2 paraméterrel megadhatók Γ = γ i is lehet jó modell, ahol γ i paraméteres eloszlás S-en Egydimenziós vetületekre stabilis eloszlások illesztése Ha elfogadható az illeszkedés, akkor a következő lépés a a paramétereik vizsgálata Feltétel: α azonos kell, hogy legyen minden irányban Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 15 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 16 / 30
5 Határeloszlástétel a maximumokra Tétel (Fisher és Tippet, 1928) Legyen X 1, X 2,..., X n,... független, azonos eloszlású, M n = max(x 1, X 2,..., X n ). Ha vannak {a n } és {b n } > 0 sorozatok, hogy ( Mn a n P b n ) z G(z) ha n valamilyen nem-elfajuló G eloszlással, akkor ez a G szükségképpen max-stabilis (vagy más néven extrém-érték eloszlás) { } ( G(x) = exp 1 + ξ x µ ) 1 ξ, σ ahol 1 + ξ x µ σ > 0 ha ξ 0. ξ = 0 esetén G(x) = exp( exp( x)). A max-stabilitás: minden n-hez létezik a n, b n, hogy F (n) (x) = F(a n x + b n ). Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 17 / 30 Típusok A normalizált maximumok lehetséges határeloszlásainak az eloszlásfüggvényei: Frechet: Φ α (x) = exp( x α ) (x>0) α pozitív paraméter. Weibull: Ψ α (x) = exp( ( x) α ) (x<0) Gumbel: Λ(x) = exp( exp( x)) Kapcsolat az eloszlások között: X Φ α ln X α Λ X 1 Ψ α A normáló tényezők (legyen X max-stabilis): Frechet: M n n 1/α X Weibull: M n n 1/α X Gumbel: M n X + ln n. Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 18 / 30 A bizonyítás vázlata Egy kis történelem [max(x 1, X 2,..., X n ) a n ]/b n eloszlásfve: F n (b n x + a n ) F n (b n x + a n ) G(x) pontosan akkor, ha n log(f(b n x + a n )) log(g(x)) Ebből differenciálegyenlet Megoldás visszahelyettesítése Eredeti tétel a max-stabilis eloszlásokról: Fisher-Tippet (1928) Általánosított extrém-érték eloszlás: Jenkinson (1953): { ( G(x) = exp 1 + γ x a ) } 1/γ, b ha ( 1 + γ x a ) b > 0. Frechet(α) (Φ α ) megfelelője: GEV(1/γ) Vonzási tartományok karakterizációja: Gnedenko (1943) 1 F(x) x γ L(x) a GEV(1/γ) vonzási tartományába tartozik Megjegyzés: ha a minimumok eloszlására vagyunk kiváncsiak, akkor tekintsük az ellentettek maximumát Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 19 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 20 / 30
6 Megjegyzések A normálhatóság feltétele Az eredmények hasonlóak a stabilis eloszlások karakterisztikus függvényeihez. Érdekes kérdés: adott F eloszlásfügvény esetén melyik határeloszláshoz konvergál az F eloszlású minta normalizált maximuma? Nem minden esetben lehet normálni: Diszkrét eloszlásokra oszcillálhat a maximum eloszlása. Folytonos eloszlásra ellenpélda: F(x) = exp x sinx Folytonos eloszlásokra az eloszlásfüggvény reguláris viselkedése szükséges a felső végpont közelében (teljesül minden fontos eloszlásra): F a γ paraméterű Fréchet eloszlás max-vonzási tartományához tartozik (F MDA(F γ )), akkor és csak akkor, ha 1 F( x) x γ L(x) (L lassú változású függvény: L(cx)/L(x) 1 ha x ). Példa: Cauchy F MDA(W α ), akkor és csak akkor, ha x F < és 1 F(x F 1/x) x α L(x). Példa: U[0; 1] A Gumbel MDA jellemzése bonyolultabb, lényegében az exponenciális lecsengésű eloszlások tartoznak ide (példa: exponenciális, normális). Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 21 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 22 / 30 Néhány példa VaR, visszatérési szint GEV p-kvantilise: z p = { µ σ 1 y γ p, γ 0 µ σ log(y p ), γ = 0 ahol y p = log(1 p), G(z p ) = 1 p az az érték, amelyet átlagosan 1/p megfigyelésenként egyszer halad meg az adatsor. Annak valószínűsége, hogy 1/p -nél előbb megjelenik, nagyobb 1/2-nél! Ha γ < 0, akkor az eloszlás becsült felső végpontja µ σ/γ. ábra: GEV eloszlások sűrűségfüggvénye Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 23 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 24 / 30
7 Paraméterbecslés Illusztráció: árvíz-idősorok Maximum likelihood: Nincs explicit megoldása A szokásos aszimptotikus tulajdonságokkal (optimalitás, normalitás) rendelkezik, ha γ > 0, 5. γ < 1 esetén nincs lokális maximuma a sűrűségfüggvénynek, a maximális mintaelem a globális maximum - ez konzisztens. Alternatív módszerek: probability-weighted-moments Rendezett mintán alapuló eljárások Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 25 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 26 / 30 Konfidencia tartomány Profil likelihood A (számunkra érdekes) reguláris esetekben aszimptotikusan jó a normális határeloszlás alkalmazása De: a konvergencia általában nem túl gyors - különösen a legfontosabb, VaR esetén általában nem pontos Ezért célszerű alternatív módszerek alkalmazása Kis mintákra sokkal jobb tulajdonságú lehet a klasszikus, normalitáson alapuló módszernél A háttér itt is aszimptotikus eredmény: a reguláris esetben {ϑ : 2(l( ˆϑ) l(ϑ)) h 1 α,k } aszimptotikusan 1 α megbízhatóságú konfidencia intervallum. h 1 α,k a k szabadságfokú chi-négyzet eloszlás kvantilise, k pedig a vizsgált paraméterek száma (tipikusan k = 1). Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 27 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 28 / 30
8 Alkalmazás: árvíz-idősorok Hivatkozások Michael, P.: The stabilized probability plot (1983) Nolan, J. P.: Modeling financial data with stable distributions (2005) Nolan, J.P.: An overview of multivariate stable distributions(2008) Rachev, S.T.(ed): Handbook of Heavy Tailed Distributions (2003) Embrechts, Klüppelberg, Mikosch: Modelling Extremal Events. for Insurance and Finance (2000) Smith. R.L.: Maximum likelihood in a class of nonregular cases. Biometrika (1985). Profil likelihood: 001/docs/lectures/lecture11.htm#marginal Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 29 / 30 Zempléni András (ELTE) 2. előadás, február 22. Áringadozások előadás 30 / 30
Határeloszlástétel 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
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
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
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,
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
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.
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:
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
RészletesebbenMajoros Szabolcs. Stabilis eloszlások és alkalmazásuk a pénzügyekben. Eötvös Loránd Tudományegyetem Természettudományi Kar.
Eötvös Loránd Tudományegyetem Természettudományi Kar Majoros Szabolcs Stabilis eloszlások és alkalmazásuk a pénzügyekben BSc Matematikai Elemz Szakdolgozat Témavezet : Dr. Zempléni András Valószín ségelméleti
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:
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
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
RészletesebbenHorvat Anna. Konvergencia-sebesség az extrémérték modellekben
Eötvös Loránd Tudományegyetem Természettudományi Kar Horvat Anna Konvergencia-sebesség az extrémérték modellekben BSc Elemz Matematikus Szakdolgozat Témavezet : Dr. Zempléni András Valószín ségelméleti
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
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
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 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
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
RészletesebbenPontfolyamatok definíciója. 5. előadás, március 10. Példák pontfolyamatokra. Pontfolyamatok gyenge konvergenciája
Pontfolyamatok definíciója 5. előadás, 2016. március 10. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Hasznos eszköz,
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
RészletesebbenMatematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 5. gyakorlat 013/14. tavaszi félév 1. Folytonos eloszlások Eloszlásfüggvény és sűrűségfüggvény Egy valószínűségi változó, illetve egy eloszlás eloszlásfüggvényének egy
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
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
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
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.
RészletesebbenÁringadozások elıadás Kvantitatív pénzügyek szakirány 2012/13 2. félév
Árigadozások elıadás Kvatitatív pézügyek szakiráy 01/13. félév Heti óra elıadás + óra gyakorlat Elıadás: fıleg modellek, elemzési módszerek Gyakorlat: R programmal, alkalmazások Számokérés 50%: beadadó
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 +
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
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
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.
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
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.,
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:
RészletesebbenGazdasági matematika II. vizsgadolgozat, megoldással,
Gazdasági matematika II. vizsgadolgozat, megoldással, levelező képzés Definiálja az alábbi fogalmakat! 1. Kvadratikus mátrix invertálhatósága és inverze. (4 pont) Egy A kvadratikus mátrixot invertálhatónak
RészletesebbenLINEÁRIS MODELLBEN május. 1. Lineáris modell, legkisebb négyzetek elve
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)
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.
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
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
Részletesebbenf(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva
6. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 6.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási
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
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
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
RészletesebbenFeladatok a Gazdasági matematika II. tárgy gyakorlataihoz
Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb
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
RészletesebbenModellek és Algoritmusok - 2.ZH Elmélet
Modellek és Algoritmusok - 2.ZH Elmélet Ha hibát elírást találsz kérlek jelezd: sellei_m@hotmail.com A fríss/javított változat elérhet : people.inf.elte.hu/semsaai/modalg/ 2.ZH Számonkérés: 3.EA-tól(DE-ek)
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
RészletesebbenEgymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
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
Részletesebben2. SZÉLSŽÉRTÉKSZÁMÍTÁS. 2.1 A széls érték fogalma, létezése
2 SZÉLSŽÉRTÉKSZÁMÍTÁS DEFINÍCIÓ 21 A széls érték fogalma, létezése Azt mondjuk, hogy az f : D R k R függvénynek lokális (helyi) maximuma (minimuma) van az x 0 D pontban, ha van olyan ε > 0 hogy f(x 0 )
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
RészletesebbenFeladatok és megoldások a 13. hétre
Feladatok és megoldások a. hétre Építőkari Matematika A. Az alábbi függvények melyike lehet eloszlásfüggvény? + e x, ha x >, (a F(x =, ha x, (b F(x = x + e x, ha x, (c F(x =, ha x, x (d F(x = (4 x, ha
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:
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
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
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
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 :
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
Részletesebben3. előadás Stabilitás
Stabilitás 3. előadás 2011. 09. 19. Alapfogalmak Tekintsük dx dt = f (t, x), x(t 0) = x 0 t (, ), (1) Jelölje t x(t; t 0, x 0 ) vagy x(.; t 0, x 0 ) a KÉF megoldását. Kívánalom: kezdeti állapot kis megváltozása
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
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
RészletesebbenDifferenciálegyenlet rendszerek
Differenciálegyenlet rendszerek (A kezdeti érték probléma. Lineáris differenciálegyenlet rendszerek, magasabb rendű lineáris egyenletek.) Szili László: Modellek és algoritmusok ea+gyak jegyzet alapján
RészletesebbenA fontosabb definíciók
A legfontosabb definíciókat jelöli. A fontosabb definíciók [Descartes szorzat] Az A és B halmazok Descartes szorzatán az A és B elemeiből képezett összes (a, b) a A, b B rendezett párok halmazát értjük,
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
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 =
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
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
Részletesebben1.7. Elsőrendű lineáris differenciálegyenlet-rendszerek
7 Elsőrendű lineáris differenciálegyenlet-rendszerek Legyen n N, I R intervallum és A: I M n n (R), B: I R n folytonos függvények, és tekintsük az { y (x) = A(x)y(x) + B(x) y(ξ) = η kezdeti érték problémát,
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
Részletesebbensin x = cos x =? sin x = dx =? dx = cos x =? g) Adja meg a helyettesítéses integrálás szabályát határozott integrálokra vonatkozóan!
Matematika előadás elméleti kérdéseinél kérdezhető képletek Analízis II Határozatlan integrálszámítás g) t = tg x 2 helyettesítés esetén mivel egyenlő sin x = cos x =? g) t = tg x 2 helyettesítés esetén
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
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
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,
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenVolatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére
Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére Zubor Zoltán MNB - Biztosításfelügyeleti főosztály MAT Tavaszi Szimpózium 2016. május 7. 1 Háttér Bit. 99. : folyamatos
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
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:
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)
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.
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
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
RészletesebbenExplicit hibabecslés Maxwell-egyenletek numerikus megoldásához
Explicit hibabecslés Maxwell-egyenletek numerikus megoldásához Izsák Ferenc 2007. szeptember 17. Explicit hibabecslés Maxwell-egyenletek numerikus megoldásához 1 Vázlat Bevezetés: a vizsgált egyenlet,
Részletesebben36 0,3. Mo.: 36 0,19. Mo.: 36 0,14. Mo.: 32 = 0,9375 32 = 0,8125 32 = 0,40625. Mo.: 32 = 0,25
Valószínűségszámítás I. Kombinatorikus valószínűségszámítás. BKSS 4... Egy szabályos dobókockát feldobva mennyi annak a valószínűsége, hogy a -ost dobunk; 0. b legalább 5-öt dobunk; 0, c nem az -est dobjuk;
RészletesebbenMatematika II. 1 sin xdx =, 1 cos xdx =, 1 + x 2 dx =
Matematika előadás elméleti kérdéseinél kérdezhető képletek Matematika II Határozatlan Integrálszámítás d) Adja meg az alábbi alapintegrálokat! x n 1 dx =, sin 2 x dx = d) Adja meg az alábbi alapintegrálokat!
RészletesebbenMODELLEK ÉS ALGORITMUSOK ELŐADÁS
MODELLEK ÉS ALGORITMUSOK ELŐADÁS Szerkesztette: Balogh Tamás 214. december 7. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenMATEMATIKA 2. dolgozat megoldása (A csoport)
MATEMATIKA. dolgozat megoldása (A csoport). Definiálja az alábbi fogalmakat: (egyváltozós) függvény folytonossága, differenciálhatósága, (többváltozós függvény) iránymenti deriváltja. (3x8 pont). Az f
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:
RészletesebbenNagy károk modellezése
Nagy károk modellezése Diplomamunka Írta: Szalai András Alkalmazott matematikus szak Témavezet : Zempléni András, egyetemi docens Matematikai intézet Eötvös Loránd Tudományegyetem, Természettudományi Kar
RészletesebbenVéletlen bolyongás. 2. rész. Márkus László jegyzete alapján Tóth Tamás december 10.
2. rész 2012. december 10. Határeloszlás tételek a bolyongás funkcionáljaira 1 A bolygó pont helyzete: EX i = 0, D 2 X i = EX 2 = 1 miatt i ES n = 0, D 2 S n = n, és a centrális határeloszlás tétel (CHT)
RészletesebbenIlleszkedésvizsgálati módszerek összehasonlítása
Eötvös Loránd Tudományegyetem Természettudományi Kar Illeszkedésvizsgálati módszerek összehasonlítása Szakdolgozat Készítette: Tóth Alexandra Matematika BSc. Matematikai Elemző szakirány Témavezető: Zempléni
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,
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.)
RészletesebbenSzámítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
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
Részletesebben0,1 P(X=1) = p p p(1-p) Egy p vszgő esemény bekövetkezik-e.
Egy kis emlékeztetı X val.változó értékek F(x) eloszlásfv. valségek P(a X
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
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
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
RészletesebbenSTATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
RészletesebbenSzélsőérték feladatok megoldása
Szélsőérték feladatok megoldása A z = f (x,y) függvény lokális szélsőértékének meghatározása: A. Szükséges feltétel: f x (x,y) = 0 f y (x,y) = 0 egyenletrendszer megoldása, amire a továbbiakban az x =
Részletesebben