Üdvözlet!

5 éves oktatói pályafutásom emlékhelyén (PPKE, BCE, BKF)

Személyes honlap oktatási és kutatási anyagokkal kiegészítve

Daróczi Gergely

egyetemi tanársegéd

Következő fogadóóra: -

Személyes honlap oktatási és kutatási anyagokkal kiegészítve



Az oldalt utoljára szerkesztette Daróczi Gergely 2011. szeptember hó 24. napján 23:32-kor

Egy érdekes poszter:


Az oldalt utoljára szerkesztette Daróczi Gergely 2011. június hó 21. napján 22:01-kor

Két független változó térbeli megjelenítése nem okozhat problémát, ehhez vegyünk egy egyszerű példát:

Forrás: saját készítésű ábra R-ben (katt a képre a nagyításhoz!)

Az ábrán két folytonos változót látunk különböző gépkocsikra vonatkoztatva: a sebesség és a féktávolság (fixme!). Ránézésre egyértelműnek tűnik az a megállapítás, hogy gyorsabb gépjárműhöz nagyobb féktávolság tartozik. Ezt szeretnénk alátámasztani a kovariancia/korreláció meghatározásával.

Első körben nézzük meg a változók szórását. A fenti ábrán két kiragadott gépkocsi adatainak a távolságát jelölik a kék és piros szakaszok az átlagos értékektől (fekete vonalak). Amennyiben minden esetben meghatározzuk ezeket a távolságokat, közelebb kerülünk az empirikus szórás meghatározásához:

Forrás: saját készítésű ábra R-ben (katt a képre a nagyításhoz!)

Az átlagtól mért távolságok összegzése során a negatív és pozitív értékek “kioltják egymást”, így a szórás meghatározása során általában az eltérés négyzetével vagy olykor azok abszolútértékével számolunk: $$S^{*}=\sqrt{\frac{\sum_{i=1}^n (x_i-\bar{x})^2}{n-1}}$$

Amennyiben az egyes tengelyeket (változóterekben) az átlagtól való négyzetes eltérések átlagát (magyarán: szórást) ábrázoljuk, úgy független változók esetében az együttes szórást is könnyen meghatározhatjuk:

Forrás: John D. Cock

Lévén, hogy a két változó független, a két szórás által bezárt szög az ábrán 90 fok, így az ismert tétel alapján: $$VAR(X+Y) = VAR(X) + VAR(Y)$$

Amely összefüggés elméleti úton is könnyen bizonyítható: független változók esetében a kovariancia minden esetben 0, így annak nincs módosító hatása a fenteb bemutatott varianciára.

Összefüggést mutató változók estében azonban az ábra módosul és a Pitagorasz-tétel nem alkalmazható:

Forrás: John D. Cock

Így a közös variancia meghatározása is módosul. További részletekkel kapcsolatban lásd az eredeti forrást!


Az oldalt utoljára szerkesztette Daróczi Gergely 2011. június hó 10. napján 12:25-kor

Két mátrix szorzása esetén … olykor nem a helyes megoldás tűnik fel egy-egy dolgozatban:

Forrás: http://automorphism.wordpress.com


Az oldalt utoljára szerkesztette Daróczi Gergely 2011. április hó 6. napján 1:03-kor

A Medián Közvélemény- és Piackutató Intézet tavaly júliusban egy izgalmas kérdőívet kérdezhetett le, amely alapján egy érdekesnek tűnő változót vizsgáltak. Ezen elemzésbe kukkanthatunk bele a következő ábra segítségével:

Forrás: median.hu

A kedves hallgató/látogató mit gondol a kérdéshez tartozó válaszlehetőségekről? Következő kérdőívszerkesztéssel kapcsolatos órámon tuti Zh beugró kérdés lesz! :)


Az oldalt utoljára szerkesztette Daróczi Gergely 2011. március hó 23. napján 1:47-kor