Valószínűségszámítás és statisztika a fizikában február 16.
|
|
- Ida Papné
- 5 évvel ezelőtt
- Látták:
Átírás
1 számítás és statisztika a fizikában február 16.
2 Technikai információk Palla Gergely / pallag@hal.elte.hu / ELTE TTK Biológiai Fizika Tanszék, Északi Tömb, szoba Fogadó óra: hétfő, Az előadás fóliái letölthetők innen: Vizsga: szóbeli, előfeltétel a gyakorlati jegy.
3 Tematika Bevezetés Feltételes és függetlenség i változó és eloszlás Eloszlások jellemzése Korreláció Nevezetes eloszlások Normálisból származtatott eloszlások Nagy számok törvényei Központi határeloszlás tételek Statisztika sokaság Statisztikai becslések Statisztikai próbák Regresszió Sztochasztikus folyamatok
4 Tételek 1. ek, eseménytér, műveletek eseményekkel. Gyakoriság és, a axiómái. A mértéke és tulajdonságai, a i fogalma. A klasszikus meghatározása. 2. A alapvető összefüggései., feltételes. A teljes tétele, Bayes tétele. Események függetlensége. 3. A i változó fogalma, folytonos és diszkrét változók. eloszlás, eloszlásfüggvény és sűrűségfüggvény. i változók és eloszlások transzformációi. 4. Együttes eloszlás és többváltozós eloszlások. Peremeloszlás és feltételes eloszlás. i változók függetlensége. i változók összegének és szorzatának eloszlása. 5. Integrális jellemzők: várható érték, szórás, magasabb momentumok, medián, kvantilis. Feltételes várható érték. Markovés Csebisev- egyenlőtlenség, relatív szórás. 6. Generátorfüggvény és Karakterisztikus függvény. Kovariancia, korrelációs együttható.
5 Tételek 7. Nevezetes eloszlások: geometriai eloszlás és egyéb urna modellek, egyenletes-, binomiális-, exponenciális és Poisson eloszlás. 8. Normális eloszlás és a normálisból származtatott eloszlások: lognormális eloszlás, χ 2 - és χ-eloszlás, Student- és Cauchy eloszlás. 9. Nagy számok törvényei. Konvergencia fogalmak. A nagy számok gyenge törvényei. A Bernoulli tétel és általánosítása. A nagy számok erős törvényei. 10. Határeloszlás tételek: De Moivre-Laplace tétel, a centrális határeloszlás tétel. Lèvi-stabil eloszlások. 11. Statisztikus sokaság, minta. Torzítatlan becslés, hatásos becslés fogalma. Empirikus eloszlás- és sűrűségfüggvény. Empirikus várható érték és szórásnégyzet, korrigált empirikus szórásnégyzet. Maximum likelihood módszer. 12. Paraméterek intervallum becslései (konfidencia intervallum, konfidencia szint). Statisztikai próbák: u-próba, t-próba, χ 2 -próba, függetlenség vizsgálat. Regresszió, főkomponens analízis. 13. Sztochasztikus folyamatok. Markov-tulajdonság. Wiener-folyamat, fehér zaj. Véletlenszám generálás. A Monte-Carlo-módszer alapjai. Markov folyamatok, Fokker-Planck-egyenlet.
6 Ajánlott irodalom Prékopa András: számítás műszaki alkalmazásokkal, Műszaki Könyvkiadó, 1962 Bognár J., Mogyoródi J., Prékopa A., Rényi A., Szász D., számítási feladatgyűjtemény, Typotex, 2001 Rényi Alfréd: számítás, Tankönyvkiadó, 1968 B. V. Gnedenko: The Theory of Probability, Mir Piblishers, 1976 Paul R. Halmos: Mértékelmélet, Gondolat 1984 B. V. Gnedenko, A. N. Kolmogorov: Független i változók összegeinek határeloszlásai, Akadémiai kiadó, 1951
7 Bevezetés Történelmi áttekintés Példák Jelölések Bevezetés február 16.
8 Bevezetés Történelmi áttekintés Példák Jelölések TÖRTÉNELMI ÁTTEKINTÉS
9 Gerolamo Cardano (1526) Bevezetés Történelmi áttekintés Példák Jelölések Liber de ludo aleae (Könyv a szerencsejátékokról)
10 Blaise Pascal és Pierre de Fermat (1654) Bevezetés Történelmi áttekintés Példák Jelölések Blaise Pascal Pierre de Fermat Levelezésükben tárgyalták a következő nyereményelosztási problémát: Tegyük fel, hogy két játékos egyforma tétet tett be a játék elején, és egyforma eséllyel gyűjtik a pontokat a játék során. A játék végén a győztes mindent visz. Hogyan kell igazságosan elosztani a nyereményt (a már megszerzett pontok függvényében), ha valamiért nem tudják befejezni a játékot?
11 de Méré lovag feladványa Bevezetés Történelmi áttekintés Példák Jelölések Antoine Gombaud, Chevalier de Méré, francia író, szerencsejátékos kedvenc fogadásai: I. 1 kockával dobva 4 dobásból legalább egy 6-os. II. 2 kockával dobva 24 dobásból legalább egy 6-os pár. A II. fogadáson nagy összegeket veszített, ezért Pascalhoz fordult segítségért. Műveiben később leírta az imént tárgyalt nyeremény elosztási problémát is: L honnête homme (A becsületes ember) Discours de la vraie honnêteté (Értekezés az igazi becsületességről)
12 Andrej Nyikolájevics Kolmogorov (1932) Bevezetés Történelmi áttekintés Példák Jelölések A számítás axiomatikus megalapozása. (, i mérték, stb.)
13 Bevezetés Történelmi áttekintés Példák Jelölések PÉLDÁK A VALÓSZÍNŰSÉGSZÁMÍTÁS ALKALMAZÁSI TERÜLETEIRE
14 Szerencsejáték Bevezetés Történelmi áttekintés Példák Jelölések Rulett, póker, lottó, kocka, stb. ¼
15 Tőzsde, gazdaság Bevezetés Történelmi áttekintés Példák Jelölések Árfolyam, tőzsdeindex, kamat, stb.
16 Biztosítás Bevezetés Történelmi áttekintés Példák Jelölések Balesetbiztosítás, lakásbiztosítás, életbiztosítás, stb.
17 Meteorológia Bevezetés Történelmi áttekintés Példák Jelölések Időjárás előrejelzés, viharok, stb.
18 Tömegtermelés Bevezetés Történelmi áttekintés Példák Jelölések Mino ségelleno rzés, mintavételezés, stb. ¼
19 Sorbanállás Bevezetés Történelmi áttekintés Példák Jelölések Várakozási idő, sorhossz, torlódás, stb. (Internet, call center, közlekedés, stb.)
20 Info-kommunikáció Bevezetés Történelmi áttekintés Példák Jelölések Kódolás, zajszűrés, kódfejtés, stb.
21 Bevezetés Történelmi áttekintés Példák Jelölések AZ ELŐADÁSON HASZNÁLT JELÖLÉSEK
22 Az előadás fóliákon használt jelölések Bevezetés Történelmi áttekintés Példák Jelölések Definíció A fontosabb definíciók ilyen színű keretet kapnak. Állítás, tétel A fontosabb állítások, tételek ilyen színű keretet kapnak. Példa A fontosabb példák ilyen színű keretet kapnak. Máshonnan vett állítás Ritkán előfordulnak olyan tételek/definíciók, melyek alapvetően más tantárgyak anyagát képezik, ezek ilyen színű keretet kapnak és a vizsgán nem kerülnek számonkérésre.
23 i e Unió e ESEMÉNYTÉR
24 i Definíció: A véletlen kísérlet olyan kísérlet, (folyamat), melynek kimenetelét az általunk figyelembe vett feltételek nem határozzák meg egyértelműen. e Példák Kockadobás, kártyahúzás, stb. Folyó vízállása délben, lájkolók száma a weblapon éjfélkor, stb. Unió e
25 i Definíció: A véletlen kísérlet olyan kísérlet, (folyamat), melynek kimenetelét az általunk figyelembe vett feltételek nem határozzák meg egyértelműen. e Példák Kockadobás, kártyahúzás, stb. Folyó vízállása délben, lájkolók száma a weblapon éjfélkor, stb. Unió e
26 i Definíció: A véletlen kísérlet olyan kísérlet, (folyamat), melynek kimenetelét az általunk figyelembe vett feltételek nem határozzák meg egyértelműen. e Példák Kockadobás, kártyahúzás, stb. Folyó vízállása délben, lájkolók száma a weblapon éjfélkor, stb. Unió e
27 Hiányzó okok elve i /... Be van fejezve a nagy mű, igen. A gép forog, az alkotó pihen. Évmilliókig eljár tengelyén, Míg egy kerékfogát ujítni kell..../ (Madách Imre, Az ember tragédiája, Első szín) an: mindennek oka van, csak nem ismerjük ezeket az okokat elég pontosan, ezért tűnik egy kísérlet kimenetele véletlennek. e Unió e Kvantumosan: nincsenek hiányzó okok, bizonyos folyamatok véletlenszerűek és kész.
28 Elemi esemény i Elemi esemény Definíció: Valamely kísérlettel kapcsolatban a kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. e Unió e Példák Kockadobásnál 6 kimenetel lehetséges, kártyahúzásnál 32 (vagy 52). Folyó vízállása cm-ben, lájkok száma. (Elvileg végtelen sok kimenetel lehetséges).
29 Elemi esemény i Elemi esemény Definíció: Valamely kísérlettel kapcsolatban a kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. e Unió e Példák Kockadobásnál 6 kimenetel lehetséges, kártyahúzásnál 32 (vagy 52). Folyó vízállása cm-ben, lájkok száma. (Elvileg végtelen sok kimenetel lehetséges).
30 Elemi esemény i Elemi esemény Definíció: Valamely kísérlettel kapcsolatban a kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. e Unió e Példák Kockadobásnál 6 kimenetel lehetséges, kártyahúzásnál 32 (vagy 52). Folyó vízállása cm-ben, lájkok száma. (Elvileg végtelen sok kimenetel lehetséges).
31 i Definíció: Ha a kísérlet lehetséges kimenetelei ω 1, ω 2,..., ω n, akkor az elemei események összessége az eseménytér: Ω = {ω 1, ω 2,..., ω n}. e Unió e Esemény Definíció: Az eseménytér egy A Ω részhalmazát eseménynek hívjuk. Példák Biztos esemény: A = Ω. Lehetetlen esemény: A =. Kockadobás: ω 1 = {1}, ω 2 = {2},..., ω 6 = {6} Ω = {{1}, {2},..., {6}} A esemény pl. páros szám dobása: A = {{2}, {4}, {6}}. Lájkok száma: {0db}, {1db},... A esemény pl.: több mint 100db.
32 i Definíció: Ha a kísérlet lehetséges kimenetelei ω 1, ω 2,..., ω n, akkor az elemei események összessége az eseménytér: Ω = {ω 1, ω 2,..., ω n}. e Unió e Esemény Definíció: Az eseménytér egy A Ω részhalmazát eseménynek hívjuk. Példák Biztos esemény: A = Ω. Lehetetlen esemény: A =. Kockadobás: ω 1 = {1}, ω 2 = {2},..., ω 6 = {6} Ω = {{1}, {2},..., {6}} A esemény pl. páros szám dobása: A = {{2}, {4}, {6}}. Lájkok száma: {0db}, {1db},... A esemény pl.: több mint 100db.
33 i Definíció: Ha a kísérlet lehetséges kimenetelei ω 1, ω 2,..., ω n, akkor az elemei események összessége az eseménytér: Ω = {ω 1, ω 2,..., ω n}. e Unió e Esemény Definíció: Az eseménytér egy A Ω részhalmazát eseménynek hívjuk. Példák Biztos esemény: A = Ω. Lehetetlen esemény: A =. Kockadobás: ω 1 = {1}, ω 2 = {2},..., ω 6 = {6} Ω = {{1}, {2},..., {6}} A esemény pl. páros szám dobása: A = {{2}, {4}, {6}}. Lájkok száma: {0db}, {1db},... A esemény pl.: több mint 100db.
34 i Definíció: Ha a kísérlet lehetséges kimenetelei ω 1, ω 2,..., ω n, akkor az elemei események összessége az eseménytér: Ω = {ω 1, ω 2,..., ω n}. e Unió e Esemény Definíció: Az eseménytér egy A Ω részhalmazát eseménynek hívjuk. Példák Biztos esemény: A = Ω. Lehetetlen esemény: A =. Kockadobás: ω 1 = {1}, ω 2 = {2},..., ω 6 = {6} Ω = {{1}, {2},..., {6}} A esemény pl. páros szám dobása: A = {{2}, {4}, {6}}. Lájkok száma: {0db}, {1db},... A esemény pl.: több mint 100db.
35 eseményekkel i eseményekkel A következő alap műveleteket értelmezzük az eseményeken: A és B közül legalább az egyik bekövetkezik (vagy): A B, A + B. Mind A mind B bekövetkezik (és): A B, AB. A nem következik be (neg.): A, A c. A maga után vonja C-t: A C. A bekövetkezik, de B nem: A B = A B. ω 0 ω 1 ω 2 Ω e Unió e ω 4 ω 8 ω 3 ω 5 ω 9 ω 7 ω 6
36 eseményekkel i eseményekkel A következő alap műveleteket értelmezzük az eseményeken: A és B közül legalább az egyik bekövetkezik (vagy): A B, A + B. Mind A mind B bekövetkezik (és): A B, AB. A nem következik be (neg.): A, A c. A maga után vonja C-t: A C. A bekövetkezik, de B nem: A B = A B. ω 0 ω 1 ω 2 Ω e Unió e ω 4 ω 8 ω 3 ω 5 ω 6 ω 9 A ω 7
37 eseményekkel i eseményekkel A következő alap műveleteket értelmezzük az eseményeken: A és B közül legalább az egyik bekövetkezik (vagy): A B, A + B. Mind A mind B bekövetkezik (és): A B, AB. A nem következik be (neg.): A, A c. A maga után vonja C-t: A C. A bekövetkezik, de B nem: A B = A B. ω 0 ω 1 B ω 2 Ω e Unió e ω 4 ω 8 ω 3 ω 5 ω 9 ω 7 ω 6
38 eseményekkel i eseményekkel A következő alap műveleteket értelmezzük az eseményeken: A és B közül legalább az egyik bekövetkezik (vagy): A B, A + B. Mind A mind B bekövetkezik (és): A B, AB. A nem következik be (neg.): A, A c. A maga után vonja C-t: A C. A bekövetkezik, de B nem: A B = A B. ω 0 ω 1 B ω 2 Ω e Unió e ω 4 ω 8 ω 3 ω 5 ω 6 ω 9 A ω 7
39 eseményekkel i e Unió e eseményekkel A következő alap műveleteket értelmezzük az eseményeken: A és B közül legalább az egyik bekövetkezik (vagy): A B, A + B. Mind A mind B bekövetkezik (és): A B, AB. A nem következik be (neg.): A, A c. A maga után vonja C-t: A C. A bekövetkezik, de B nem: A B = A B. ω 0 AB ω 1 ω 4 Ω B ω 2 ω 8 ω ω 3 5 ω 9 A ω 7 ω 6
40 eseményekkel i e Unió e eseményekkel A következő alap műveleteket értelmezzük az eseményeken: A és B közül legalább az egyik bekövetkezik (vagy): A B, A + B. Mind A mind B bekövetkezik (és): A B, AB. A nem következik be (neg.): A, A c. A maga után vonja C-t: A C. A bekövetkezik, de B nem: A B = A B. Ω ω 1 ω 0 ω 2 ω 4 ω 8 ω 3 ω 5 ω 6 A ω 9 A ω 7
41 eseményekkel i eseményekkel A következő alap műveleteket értelmezzük az eseményeken: A és B közül legalább az egyik bekövetkezik (vagy): A B, A + B. Mind A mind B bekövetkezik (és): A B, AB. A nem következik be (neg.): A, A c. A maga után vonja C-t: A C. A bekövetkezik, de B nem: A B = A B. ω 0 ω 1 ω 2 Ω e Unió e ω 4 ω 8 ω 3 ω 5 ω 6 ω 9 A ω 7
42 eseményekkel i eseményekkel A következő alap műveleteket értelmezzük az eseményeken: A és B közül legalább az egyik bekövetkezik (vagy): A B, A + B. Mind A mind B bekövetkezik (és): A B, AB. A nem következik be (neg.): A, A c. A maga után vonja C-t: A C. A bekövetkezik, de B nem: A B = A B. ω 0 ω 1 ω 2 Ω e Unió e ω 4 ω 8 ω 3 ω 5 ω 6 ω 9 C ω 7
43 eseményekkel i eseményekkel A következő alap műveleteket értelmezzük az eseményeken: A és B közül legalább az egyik bekövetkezik (vagy): A B, A + B. Mind A mind B bekövetkezik (és): A B, AB. A nem következik be (neg.): A, A c. A maga után vonja C-t: A C. A bekövetkezik, de B nem: A B = A B. ω 0 ω 1 B ω 2 Ω e Unió e ω 4 ω 8 ω 3 ω 5 ω 9 A B ω 7 ω 6
44 Műveleti azonosságok i Műveleti azonosságok ÉS A B = B A A A = A A (B C) = (A B) C A A = A = A Ω = A VAGY A B = B A A A = A A (B C) = (A B) C A A = Ω A = A A Ω = Ω e Unió e A (B C) = (A B) (A C) A (A B) = A A (B C) = (A B) (A C) A B = A B A B = A B
45 Műveleti azonosságok Gyakorló példa i Ha adott egy tetszőleges A és B esemény, akkor milyen X eseményre teljesül az alábbi összefüggés? X A X A = (A B) B e Unió e
46 Műveleti azonosságok Gyakorló példa i e Unió e Ha adott egy tetszőleges A és B esemény, akkor milyen X eseményre teljesül az alábbi összefüggés? X A X A = (A B) B Használva a műveleti azonosságokat: (X A) (X A) = (A B) B X (X A) (A X) (A A) = (A B) B X (A A) X X (A A) = (A B) (B B) Ω X X = X = A B
47 i Egymást kizáró események Definíció: A és B egymást kizáró események ha A B = Definíció: A 1, A 2,..., A n teljes t alkotnak, ha minden k = 1,..., n-re a) A k, b) A j A k = ha j k, c) A 1 A 2... A n = Ω. e Unió e
48 i e Egymást kizáró események Definíció: A és B egymást kizáró események ha A B = Definíció: A 1, A 2,..., A n teljes t alkotnak, ha minden k = 1,..., n-re a) A k, b) A j A k = ha j k, c) A 1 A 2... A n = Ω. Szemléltetés: Ω Unió e
49 i e Unió e Egymást kizáró események Definíció: A és B egymást kizáró események ha A B = Definíció: A 1, A 2,..., A n teljes t alkotnak, ha minden k = 1,..., n-re a) A k, b) A j A k = ha j k, c) A 1 A 2... A n = Ω. Szemléltetés: A 3 A 2 A 1 Ω A 4 A 5 A 6
50 Események és halmazok i Az eseményeket tehát az Ω eseménytér részhalmazaival modellezzük, (melyek elemi eseményekből állnak össze). Megfeleltetés az eseményeken értelmezett műveletek és a halmaz műveletek között: ÉS, AB, metszet, A B VAGY, A + B unió, A B NEM, A komplementer, A c DE NEM, A B különbség, A B e Unió e
51 Események és halmazok i Az eseményeket tehát az Ω eseménytér részhalmazaival modellezzük, (melyek elemi eseményekből állnak össze). Megfeleltetés az eseményeken értelmezett műveletek és a halmaz műveletek között: ÉS, AB, metszet, A B VAGY, A + B unió, A B NEM, A komplementer, A c DE NEM, A B különbség, A B e Unió e
52 Események és halmazok i Az eseményeket tehát az Ω eseménytér részhalmazaival modellezzük, (melyek elemi eseményekből állnak össze). Megfeleltetés az eseményeken értelmezett műveletek és a halmaz műveletek között: ÉS, AB, metszet, A B VAGY, A + B unió, A B NEM, A komplementer, A c DE NEM, A B különbség, A B e Unió e
53 Események és halmazok i Az eseményeket tehát az Ω eseménytér részhalmazaival modellezzük, (melyek elemi eseményekből állnak össze). Megfeleltetés az eseményeken értelmezett műveletek és a halmaz műveletek között: ÉS, AB, metszet, A B VAGY, A + B unió, A B NEM, A komplementer, A c DE NEM, A B különbség, A B -Mi az összes események halmaza? e Unió e
54 Események és halmazok i Az eseményeket tehát az Ω eseménytér részhalmazaival modellezzük, (melyek elemi eseményekből állnak össze). Megfeleltetés az eseményeken értelmezett műveletek és a halmaz műveletek között: ÉS, AB, metszet, A B VAGY, A + B unió, A B NEM, A komplementer, A c DE NEM, A B különbség, A B -Mi az összes események halmaza? Az Ω hatványhalmaza, P(Ω). e Unió e
55 Események és halmazok i e Az eseményeket tehát az Ω eseménytér részhalmazaival modellezzük, (melyek elemi eseményekből állnak össze). Megfeleltetés az eseményeken értelmezett műveletek és a halmaz műveletek között: ÉS, AB, metszet, A B VAGY, A + B unió, A B NEM, A komplementer, A c DE NEM, A B különbség, A B -Mi az összes események halmaza? Az Ω hatványhalmaza, P(Ω). -Ha az elemi események száma n, mennyi az összes események száma? Unió e
56 Események és halmazok i e Az eseményeket tehát az Ω eseménytér részhalmazaival modellezzük, (melyek elemi eseményekből állnak össze). Megfeleltetés az eseményeken értelmezett műveletek és a halmaz műveletek között: ÉS, AB, metszet, A B VAGY, A + B unió, A B NEM, A komplementer, A c DE NEM, A B különbség, A B -Mi az összes események halmaza? Az Ω hatványhalmaza, P(Ω). -Ha az elemi események száma n, mennyi az összes események száma? 2 n Unió e
57 Események és halmazok i e Unió e Az eseményeket tehát az Ω eseménytér részhalmazaival modellezzük, (melyek elemi eseményekből állnak össze). Megfeleltetés az eseményeken értelmezett műveletek és a halmaz műveletek között: ÉS, AB, metszet, A B VAGY, A + B unió, A B NEM, A komplementer, A c DE NEM, A B különbség, A B -Mi az összes események halmaza? Az Ω hatványhalmaza, P(Ω). -Ha az elemi események száma n, mennyi az összes események száma? 2 n -Vajon P(Ω) zárt a fenti műveletekre nézve?
58 Események és halmazok i e Unió e Az eseményeket tehát az Ω eseménytér részhalmazaival modellezzük, (melyek elemi eseményekből állnak össze). Megfeleltetés az eseményeken értelmezett műveletek és a halmaz műveletek között: ÉS, AB, metszet, A B VAGY, A + B unió, A B NEM, A komplementer, A c DE NEM, A B különbség, A B -Mi az összes események halmaza? Az Ω hatványhalmaza, P(Ω). -Ha az elemi események száma n, mennyi az összes események száma? 2 n -Vajon P(Ω) zárt a fenti műveletekre nézve? Igen, szerencsére egy σ-algebrát alkot.
59 Halmazgyűrű i e Halmazgyűrű R halmazgyűrű, ha minden E, F R esetén a) E F R, b) E F R, azaz az unió és különbség műveletekre nézve zárt. Következmény: Mivel E F = F (F E), a metszetre nézve is zárt. Unió e
60 Halmazgyűrű i e Halmazgyűrű R halmazgyűrű, ha minden E, F R esetén a) E F R, b) E F R, azaz az unió és különbség műveletekre nézve zárt. Következmény: Mivel E F = F (F E), a metszetre nézve is zárt. Unió e
61 Halmazalgebra i e Halmazalgebra A halmazalgebra, ha a) E, F A esetén E F A, b) E A esetén E c A, azaz az unió és komplementer műveletekre nézve zárt. Következmény: Mivel E F = E F c = (E c F) c, a különbségre nézve is zárt. Unió e
62 Halmazalgebra i e Halmazalgebra A halmazalgebra, ha a) E, F A esetén E F A, b) E A esetén E c A, azaz az unió és komplementer műveletekre nézve zárt. Következmény: Mivel E F = E F c = (E c F) c, a különbségre nézve is zárt. Unió e
63 σ-gyűrű, σ-algebra i e Unió e σ-gyűrű R σ-gyűrű, ha a) E, F R esetén E F R, b) E i, i = 1, 2,... esetén E i R, i=1 σ-algebra A σ-algebra, ha a) E A esetén E c A, b) E i, i = 1, 2,... esetén E i A, i=1
64 σ-gyűrű, σ-algebra i e Unió e σ-gyűrű R σ-gyűrű, ha a) E, F R esetén E F R, b) E i, i = 1, 2,... esetén E i R, i=1 σ-algebra A σ-algebra, ha a) E A esetén E c A, b) E i, i = 1, 2,... esetén E i A, i=1
65 Összefoglalás i e A véletlen kísérlet lehetséges kimenetelei az elemi események, ezek halmaza az Ω eseménytér. Az összes esemény halmaza az Ω hatványhalmaza, P(Ω). A P(Ω) egy σ-algebrát alkot, azaz zárt a VAGY (unió), ÉS (metszet), NEM (komplementer) és DE NEM (különbség) műveletekre. OK, de mi az események VALÓSZÍNŰSÉGE? Unió e
66 Összefoglalás i e A véletlen kísérlet lehetséges kimenetelei az elemi események, ezek halmaza az Ω eseménytér. Az összes esemény halmaza az Ω hatványhalmaza, P(Ω). A P(Ω) egy σ-algebrát alkot, azaz zárt a VAGY (unió), ÉS (metszet), NEM (komplementer) és DE NEM (különbség) műveletekre. OK, de mi az események VALÓSZÍNŰSÉGE? Unió e
67 i e Unió e VALÓSZÍNŰSÉG
68 i Egy kísérletet egymástól függetlenül megismételhetünk többször is. Pl: kockadobás, folyó vízállásának mérése évről évre ugyanazon a napon, stb. e Ha adott A esemény (pl. páros dobás) bekövetkezéseinek száma k A és összesen n kísérlet volt, akkor A relatív gyakorisága k A/n. Hogyan néz ki a relatív gyakoriság n függvényében? Unió e
69 i Egy kísérletet egymástól függetlenül megismételhetünk többször is. Pl: kockadobás, folyó vízállásának mérése évről évre ugyanazon a napon, stb. e Ha adott A esemény (pl. páros dobás) bekövetkezéseinek száma k A és összesen n kísérlet volt, akkor A relatív gyakorisága k A/n. Hogyan néz ki a relatív gyakoriság n függvényében? Unió e
70 i Egy kísérletet egymástól függetlenül megismételhetünk többször is. Pl: kockadobás, folyó vízállásának mérése évről évre ugyanazon a napon, stb. e Ha adott A esemény (pl. páros dobás) bekövetkezéseinek száma k A és összesen n kísérlet volt, akkor A relatív gyakorisága k A/n. Hogyan néz ki a relatív gyakoriság n függvényében? Unió e
71 i Egy kísérletet egymástól függetlenül megismételhetünk többször is. Pl: kockadobás, folyó vízállásának mérése évről évre ugyanazon a napon, stb. e Ha adott A esemény (pl. páros dobás) bekövetkezéseinek száma k A és összesen n kísérlet volt, akkor A relatív gyakorisága k A/n. Hogyan néz ki a relatív gyakoriság n függvényében? Unió e
72 i Egy kísérletet egymástól függetlenül megismételhetünk többször is. Pl: kockadobás, folyó vízállásának mérése évről évre ugyanazon a napon, stb. e Ha adott A esemény (pl. páros dobás) bekövetkezéseinek száma k A és összesen n kísérlet volt, akkor A relatív gyakorisága k A/n. Hogyan néz ki a relatív gyakoriság n függvényében? Unió e
73 i Egy kísérletet egymástól függetlenül megismételhetünk többször is. Pl: kockadobás, folyó vízállásának mérése évről évre ugyanazon a napon, stb. e Ha adott A esemény (pl. páros dobás) bekövetkezéseinek száma k A és összesen n kísérlet volt, akkor A relatív gyakorisága k A/n. Hogyan néz ki a relatív gyakoriság n függvényében? Unió e
74 Nagy számok törvénye i e Unió e k n n A relatív gyakoriság n függvényében egy ingadozó függvény. Az ingadozások mértéke azonban csökken n-el, és elég nagy n-re a függvény ráhúzódik egy jól meghatározott értékre.
75 Nagy számok törvénye i e Unió e k n n A relatív gyakoriság n függvényében egy ingadozó függvény. Az ingadozások mértéke azonban csökken n-el, és elég nagy n-re a függvény ráhúzódik egy jól meghatározott értékre.
76 Nagy számok törvénye i e Unió e k n n A relatív gyakoriság n függvényében egy ingadozó függvény. Az ingadozások mértéke azonban csökken n-el, és elég nagy n-re a függvény ráhúzódik egy jól meghatározott értékre.
77 Mi a? (an) i e Unió e
78 Mi a? (an) i A az eseményekhez rendelt szám, amely körül az adott esemény bekövetkezésének relatív gyakorisága ingadozik. e Unió e
79 i e Unió e A klasszikus definíciója Példa Véges eseménytér. Minden elemi esemény egyforma gyakorisággal következik be. Adott A esemény e: P(A) kedvező esetek száma összes esetek száma, (ahol a kedvező esetek száma az A-ban foglalt elemi események száma.) Páros dobás e kockadobás esetén: P = {2, 4, 6} {1, 2, 3, 4, 5, 6} = 3 6 = 1 2.
80 i e Unió e A klasszikus definíciója Példa Véges eseménytér. Minden elemi esemény egyforma gyakorisággal következik be. Adott A esemény e: P(A) kedvező esetek száma összes esetek száma, (ahol a kedvező esetek száma az A-ban foglalt elemi események száma.) Páros dobás e kockadobás esetén: P = {2, 4, 6} {1, 2, 3, 4, 5, 6} = 3 6 = 1 2.
81 i e Unió e A klasszikus definíciója Példa Véges eseménytér. Minden elemi esemény egyforma gyakorisággal következik be. Adott A esemény e: P(A) kedvező esetek száma összes esetek száma, (ahol a kedvező esetek száma az A-ban foglalt elemi események száma.) Páros dobás e kockadobás esetén: P = {2, 4, 6} {1, 2, 3, 4, 5, 6} = 3 6 = 1 2.
82 i e Unió e A klasszikus definíciója Példa Véges eseménytér. Minden elemi esemény egyforma gyakorisággal következik be. Adott A esemény e: P(A) kedvező esetek száma összes esetek száma, (ahol a kedvező esetek száma az A-ban foglalt elemi események száma.) Páros dobás e kockadobás esetén: P = {2, 4, 6} {1, 2, 3, 4, 5, 6} = 3 6 = 1 2.
83 de Méré lovag feladványa i 1 kockával dobva 4 dobásból legalább egy 6-os: e Unió e
84 de Méré lovag feladványa i 1 kockával dobva 4 dobásból legalább egy 6-os: Összes eset: 6 4. e Unió e
85 de Méré lovag feladványa i 1 kockával dobva 4 dobásból legalább egy 6-os: Összes eset: 6 4. Azon esetek, amikor nincs 6-os: 5 4. e Unió e
86 de Méré lovag feladványa i 1 kockával dobva 4 dobásból legalább egy 6-os: Összes eset: 6 4. Azon esetek, amikor nincs 6-os: 5 4. Ezért P = e Unió e
87 de Méré lovag feladványa i 1 kockával dobva 4 dobásból legalább egy 6-os: Összes eset: 6 4. Azon esetek, amikor nincs 6-os: 5 4. Ezért P = kockával dobva 24 dobásból legalább egy 6-os pár: e Unió e
88 de Méré lovag feladványa i 1 kockával dobva 4 dobásból legalább egy 6-os: Összes eset: 6 4. Azon esetek, amikor nincs 6-os: 5 4. Ezért P = kockával dobva 24 dobásból legalább egy 6-os pár: Összes eset: e Unió e
89 de Méré lovag feladványa i 1 kockával dobva 4 dobásból legalább egy 6-os: Összes eset: 6 4. Azon esetek, amikor nincs 6-os: 5 4. Ezért P = kockával dobva 24 dobásból legalább egy 6-os pár: Összes eset: Azon esetek, amikor nincs 6-os pár: e Unió e
90 de Méré lovag feladványa i e 1 kockával dobva 4 dobásból legalább egy 6-os: Összes eset: 6 4. Azon esetek, amikor nincs 6-os: 5 4. Ezért P = kockával dobva 24 dobásból legalább egy 6-os pár: Összes eset: Azon esetek, amikor nincs 6-os pár: Ezért P = Unió e
91 számítása kombinatorikusan i Bolyongás számegyenesen: Az origóból indulva n lépést megtéve mi a e, hogy pont k-ban leszünk? e Unió e
92 számítása kombinatorikusan i Bolyongás számegyenesen: Az origóból indulva n lépést megtéve mi a e, hogy pont k-ban leszünk? p k = p k; legyen k 0 e Unió e
93 számítása kombinatorikusan i Bolyongás számegyenesen: e Az origóból indulva n lépést megtéve mi a e, hogy pont k-ban leszünk? p k = p k; legyen k 0 k + n k 2 = n+k 2 jobbra, n k 2 balra n közül, Unió e
94 számítása kombinatorikusan i e Unió e Bolyongás számegyenesen: Az origóból indulva n lépést megtéve mi a e, hogy pont k-ban leszünk? p k = p k; legyen k 0 k + n k 2 = n+k 2 jobbra, n k 2 balra n közül, ( n n k 2 ) féle módon választható ki. Ezért p k = 1 ( n 2 n n k 2 )
95 számítása kombinatorikusan i Statisztikus Fizikában fontosak az ún. betöltési problémák: n golyót (könyvet, atomot, stb.) szétosztunk N dobozba (polcra, cellába, stb.). a) Mi a e, hogy az 1. dobozban k 1 golyó, a 2.-ban k 2,..., N.-ben k N lesz? b) Mi a e, hogy egy kiválasztott dobozban k darab golyó lesz? e Unió e
96 számítása kombinatorikusan i e Statisztikus Fizikában fontosak az ún. betöltési problémák: n golyót (könyvet, atomot, stb.) szétosztunk N dobozba (polcra, cellába, stb.). a) Mi a e, hogy az 1. dobozban k 1 golyó, a 2.-ban k 2,..., N.-ben k N lesz? b) Mi a e, hogy egy kiválasztott dobozban k darab golyó lesz? Ha a golyók megkülönböztethetőek: n N Unió e
97 számítása kombinatorikusan i e Unió e Statisztikus Fizikában fontosak az ún. betöltési problémák: n golyót (könyvet, atomot, stb.) szétosztunk N dobozba (polcra, cellába, stb.). a) Mi a e, hogy az 1. dobozban k 1 golyó, a 2.-ban k 2,..., N.-ben k N lesz? b) Mi a e, hogy egy kiválasztott dobozban k darab golyó lesz? Ha a golyók megkülönböztethetőek: n N a) összes eset: n N, egy leosztás:, tehát k 1!k 2! k N! n! 1 P(n 1 = k 1, n 2 = k2,..., n N = k N) = (Maxwell-Boltzmann). n! k 1!k 2! k N! N n
98 számítása kombinatorikusan i e Unió e Statisztikus Fizikában fontosak az ún. betöltési problémák: n golyót (könyvet, atomot, stb.) szétosztunk N dobozba (polcra, cellába, stb.). a) Mi a e, hogy az 1. dobozban k 1 golyó, a 2.-ban k 2,..., N.-ben k N lesz? b) Mi a e, hogy egy kiválasztott dobozban k darab golyó lesz? Ha a golyók megkülönböztethetőek: n N a) összes eset: n N, egy leosztás:, tehát k 1!k 2! k N! n! 1 P(n 1 = k 1, n 2 = k2,..., n N = k N) = (Maxwell-Boltzmann). b) P(n i = k) = 1 N k (1 1 N )n k ( n k ) n! k 1!k 2! k N! N n
99 számítása kombinatorikusan i Statisztikus Fizikában fontosak az ún. betöltési problémák: n golyót (könyvet, atomot, stb.) szétosztunk N dobozba (polcra, cellába, stb.). a) Mi a e, hogy az 1. dobozban k 1 golyó, a 2.-ban k 2,..., N.-ben k N lesz? b) Mi a e, hogy egy kiválasztott dobozban k darab golyó lesz? És ha a golyók megkülönbözhetetlenek (pl. atomok)? e Unió e
100 számítása kombinatorikusan i e Unió e Statisztikus Fizikában fontosak az ún. betöltési problémák: n golyót (könyvet, atomot, stb.) szétosztunk N dobozba (polcra, cellába, stb.). a) Mi a e, hogy az 1. dobozban k 1 golyó, a 2.-ban k 2,..., N.-ben k N lesz? b) Mi a e, hogy egy kiválasztott dobozban k darab golyó lesz? És ha a golyók megkülönbözhetetlenek (pl. atomok)? 0 N n
101 számítása kombinatorikusan i e Unió e Statisztikus Fizikában fontosak az ún. betöltési problémák: n golyót (könyvet, atomot, stb.) szétosztunk N dobozba (polcra, cellába, stb.). a) Mi a e, hogy az 1. dobozban k 1 golyó, a 2.-ban k 2,..., N.-ben k N lesz? b) Mi a e, hogy egy kiválasztott dobozban k darab golyó lesz? És ha a golyók megkülönbözhetetlenek (pl. atomok)? 0 N n a) összes eset: ( N+n 1 ), ezért n P(n 1 = k 1, n 2 = k 2,..., n N = k n) = 1 ( N+n 1 n (n+n 1)! (Bose-Einstein). ) = n!(n 1)!
102 számítása kombinatorikusan i e Unió e Statisztikus Fizikában fontosak az ún. betöltési problémák: n golyót (könyvet, atomot, stb.) szétosztunk N dobozba (polcra, cellába, stb.). a) Mi a e, hogy az 1. dobozban k 1 golyó, a 2.-ban k 2,..., N.-ben k N lesz? b) Mi a e, hogy egy kiválasztott dobozban k darab golyó lesz? És ha a golyók megkülönbözhetetlenek (pl. atomok)? 0 N n a) összes eset: ( N+n 1 ), ezért n P(n 1 = k 1, n 2 = k 2,..., n N = k n) = 1 ( N+n 1 n (n+n 1)! (Bose-Einstein). ) = n!(n 1)! b) N 1 cellába kell n k-t szétosztani: P(n i = k) = (N+n k 2 ) n k. ( N+n 1 ) n
103 számítása kombinatorikusan i e Statisztikus Fizikában fontosak az ún. betöltési problémák: n golyót (könyvet, atomot, stb.) szétosztunk N dobozba (polcra, cellába, stb.). a) Mi a e, hogy az 1. dobozban k 1 golyó, a 2.-ban k 2,..., N.-ben k N lesz? b) Mi a e, hogy egy kiválasztott dobozban k darab golyó lesz? És ha a golyók megkülönbözhetetlenek és 1 cellában egyszerre max. csak 1 lehet? Unió e
104 számítása kombinatorikusan i e Unió e Statisztikus Fizikában fontosak az ún. betöltési problémák: n golyót (könyvet, atomot, stb.) szétosztunk N dobozba (polcra, cellába, stb.). a) Mi a e, hogy az 1. dobozban k 1 golyó, a 2.-ban k 2,..., N.-ben k N lesz? b) Mi a e, hogy egy kiválasztott dobozban k darab golyó lesz? És ha a golyók megkülönbözhetetlenek és 1 cellában egyszerre max. csak 1 lehet? a) összes eset ( N 1 ), tehát P(n1 = k1, n2 = k2,..., nn = kn) = n ( N n ) (Fermi-Dirac).
105 számítása kombinatorikusan i e Unió e Statisztikus Fizikában fontosak az ún. betöltési problémák: n golyót (könyvet, atomot, stb.) szétosztunk N dobozba (polcra, cellába, stb.). a) Mi a e, hogy az 1. dobozban k 1 golyó, a 2.-ban k 2,..., N.-ben k N lesz? b) Mi a e, hogy egy kiválasztott dobozban k darab golyó lesz? És ha a golyók megkülönbözhetetlenek és 1 cellában egyszerre max. csak 1 lehet? a) összes eset ( N 1 ), tehát P(n1 = k1, n2 = k2,..., nn = kn) = n ( N n ) (Fermi-Dirac). b) P(n i = 0) = 1 n N, P(ni = 1) = n N.
106 Mi a helyzet, ha az eseménytér nem véges? i e Unió e
107 Mi a helyzet, ha az eseménytér nem véges? i okat ilyenkor is lehet mérni. e Unió e
108 A relatív gyakoriság tulajdonságai i A relatív gyakoriság nem negatív és maximum 1: 0 k A/n 1 A biztos esemény relatív gyakorisága 1: k Ω /n = 1. Ha A és B egymást kizáró események akkor k A+B/n = k A/n + k B/n. A axiómáit ezen tulajdonságok alapján állítjuk fel. e Unió e
109 A relatív gyakoriság tulajdonságai i A relatív gyakoriság nem negatív és maximum 1: 0 k A/n 1 A biztos esemény relatív gyakorisága 1: k Ω /n = 1. Ha A és B egymást kizáró események akkor k A+B/n = k A/n + k B/n. A axiómáit ezen tulajdonságok alapján állítjuk fel. e Unió e
110 A relatív gyakoriság tulajdonságai i A relatív gyakoriság nem negatív és maximum 1: 0 k A/n 1 A biztos esemény relatív gyakorisága 1: k Ω /n = 1. Ha A és B egymást kizáró események akkor k A+B/n = k A/n + k B/n. A axiómáit ezen tulajdonságok alapján állítjuk fel. e Unió e
111 A relatív gyakoriság tulajdonságai i A relatív gyakoriság nem negatív és maximum 1: 0 k A/n 1 A biztos esemény relatív gyakorisága 1: k Ω /n = 1. Ha A és B egymást kizáró események akkor k A+B/n = k A/n + k B/n. A axiómáit ezen tulajdonságok alapján állítjuk fel. e Unió e
112 A axiómái (Kolmogorov) i e Unió e A axiómái Ha adott egy Ω eseménytér, akkor az Ω részhalmazain értelmezett P(A) függvényt nek nevezzük, ha K1 0 P(A) 1 A Ω, K2 P(Ω) = 1, K3 Ha A 1, A 2,... véges- vagy végtelen számú, páronként egymást kizáró események, akkor P( k A k) = P(A k). k Ezek alapján a P nem más, mint egy mérték az események σ-algebráján. A P-t hívjuk eloszlásnak, vagy röviden nek.
113 A axiómái (Kolmogorov) i e Unió e A axiómái Ha adott egy Ω eseménytér, akkor az Ω részhalmazain értelmezett P(A) függvényt nek nevezzük, ha K1 0 P(A) 1 A Ω, K2 P(Ω) = 1, K3 Ha A 1, A 2,... véges- vagy végtelen számú, páronként egymást kizáró események, akkor P( k A k) = P(A k). k Ezek alapján a P nem más, mint egy mérték az események σ-algebráján. A P-t hívjuk eloszlásnak, vagy röviden nek.
114 A axiómái (Kolmogorov) i e Unió e A axiómái Ha adott egy Ω eseménytér, akkor az Ω részhalmazain értelmezett P(A) függvényt nek nevezzük, ha K1 0 P(A) 1 A Ω, K2 P(Ω) = 1, K3 Ha A 1, A 2,... véges- vagy végtelen számú, páronként egymást kizáró események, akkor P( k A k) = P(A k). k Ezek alapján a P nem más, mint egy mérték az események σ-algebráján. A P-t hívjuk eloszlásnak, vagy röviden nek.
115 A axiómái (Kolmogorov) i e Unió e A axiómái Ha adott egy Ω eseménytér, akkor az Ω részhalmazain értelmezett P(A) függvényt nek nevezzük, ha K1 0 P(A) 1 A Ω, K2 P(Ω) = 1, K3 Ha A 1, A 2,... véges- vagy végtelen számú, páronként egymást kizáró események, akkor P( k A k) = P(A k). k Ezek alapján a P nem más, mint egy mérték az események σ-algebráján. A P-t hívjuk eloszlásnak, vagy röviden nek.
116 A axiómái (Kolmogorov) i e Unió e A axiómái Ha adott egy Ω eseménytér, akkor az Ω részhalmazain értelmezett P(A) függvényt nek nevezzük, ha K1 0 P(A) 1 A Ω, K2 P(Ω) = 1, K3 Ha A 1, A 2,... véges- vagy végtelen számú, páronként egymást kizáró események, akkor P( k A k) = P(A k). k Ezek alapján a P nem más, mint egy mérték az események σ-algebráján. A P-t hívjuk eloszlásnak, vagy röviden nek.
117 i e Definíció: Az (Ω, A, P) hármas Kolmogorov-féle i, ha Ω az elemi események halmaza, A az események σ-algebrája Ω felett, P az A-n értelmezett (i) mérték, melyre P(Ω) = 1. Unió e
118 A meghatározása geometriai módszerekkel i Ω geometriai alakzat (egyenes, görbe, sík, tér egy tartománya) mint halmaz egy A részhalmazának véletlen kiválasztása. P(A) = µ(a) µ(ω). e Unió e Pl. Tegyük fel, hogy véletlenszerűen választunk két pontot a [0, d] intervallumban. Mi a e, hogy a kapott három szakaszból háromszög szerkeszthető? x y 0 d
119 A meghatározása geometriai módszerekkel i Ha x < y: x, y x, d y x + (y x) > d y y > d/2 x + (d y) > y x y < x + d/2 (y x) + (d y) > x x < d/2 Ha y < x: y, x y, d x y + (x y) > d x x > d/2 y + (d x) > x y x < y + d/2 (x y) + (d x) > y y < d/2 e Unió e
120 A meghatározása geometriai módszerekkel i Ha x < y: x, y x, d y x + (y x) > d y y > d/2 x + (d y) > y x y < x + d/2 (y x) + (d y) > x x < d/2 Ha y < x: y, x y, d x y + (x y) > d x x > d/2 y + (d x) > x y x < y + d/2 (x y) + (d x) > y y < d/2 e Unió e
121 A meghatározása geometriai módszerekkel i e Unió e Ha x < y: x, y x, d y x + (y x) > d y y > d/2 x + (d y) > y x y < x + d/2 (y x) + (d y) > x x < d/2 Ha y < x: y, x y, d x y + (x y) > d x x > d/2 y + (d x) > x y x < y + d/2 (x y) + (d x) > y y < d/2 y d d/ d/2 d x
122 Valószínu ségi mezo Mu veletek Valószínu ség valószínu ség Valószínu ségi mezo valószínu ség valószínu sége Unió valószínu sége A VALÓSZÍNU SÉG ALAPVETO ÖSSZEFÜGGÉSEI ¼
123 A lehetetlen esemény i Mi a lehetetlen esemény e? e Unió e
124 A lehetetlen esemény i Mi a lehetetlen esemény e? A lehetetlen esemény e 0. A = A, A = P(A) = P(A ) = K3 P(A) + P( ) P( ) = 0 e Unió e
125 i Egy A 1, A 2,..., A n teljes re i P(A i) = 1. Ha teljes t alkotnak, akkor A i A k =, és i A i = Ω. Mivel P(Ω) = 1, a (K3) miatt i P(A i) = 1. e Unió e Következmény a komplementer esemény ére vonatkozóan: Az A e P(A) = 1 P(A). (A és A együtt egy teljes t alkotnak)
126 i Egy A 1, A 2,..., A n teljes re i P(A i) = 1. Ha teljes t alkotnak, akkor A i A k =, és i A i = Ω. Mivel P(Ω) = 1, a (K3) miatt i P(A i) = 1. e Unió e Következmény a komplementer esemény ére vonatkozóan: Az A e P(A) = 1 P(A). (A és A együtt egy teljes t alkotnak)
127 i Egy A 1, A 2,..., A n teljes re i P(A i) = 1. Ha teljes t alkotnak, akkor A i A k =, és i A i = Ω. Mivel P(Ω) = 1, a (K3) miatt i P(A i) = 1. e Unió e Következmény a komplementer esemény ére vonatkozóan: Az A e P(A) = 1 P(A). (A és A együtt egy teljes t alkotnak)
128 Események uniójának (összegének) e i Részhalmaz e Ha A maga után vonja B-t, azaz A B, akkor P(B A) = P(B) P(A). Mivel A B, a B-t felírhatjuk így is: B = A (B A). Mivel A (B A) =, a (K3) miatt P(B) = P(A) + P(B A). e Unió e Események uniójának e Bármely tetszőleges A és B eseményre P(A B) = P(A) + P(B) P(A B). Mivel A B = A (B (A B)) és A (B (A B)) =, a (K3) miatt P(A B) = P(A) + P[B (A B)]. Mivel (A B) B, az előző állítás szerint P[B (A B)] = P(B) P(A B), ezt behelyettesítve a fenti állításra jutunk.
129 Események uniójának (összegének) e i Részhalmaz e Ha A maga után vonja B-t, azaz A B, akkor P(B A) = P(B) P(A). Mivel A B, a B-t felírhatjuk így is: B = A (B A). Mivel A (B A) =, a (K3) miatt P(B) = P(A) + P(B A). e Unió e Események uniójának e Bármely tetszőleges A és B eseményre P(A B) = P(A) + P(B) P(A B). Mivel A B = A (B (A B)) és A (B (A B)) =, a (K3) miatt P(A B) = P(A) + P[B (A B)]. Mivel (A B) B, az előző állítás szerint P[B (A B)] = P(B) P(A B), ezt behelyettesítve a fenti állításra jutunk.
130 Események uniójának (összegének) e i Részhalmaz e Ha A maga után vonja B-t, azaz A B, akkor P(B A) = P(B) P(A). Mivel A B, a B-t felírhatjuk így is: B = A (B A). Mivel A (B A) =, a (K3) miatt P(B) = P(A) + P(B A). e Unió e Események uniójának e Bármely tetszőleges A és B eseményre P(A B) = P(A) + P(B) P(A B). Mivel A B = A (B (A B)) és A (B (A B)) =, a (K3) miatt P(A B) = P(A) + P[B (A B)]. Mivel (A B) B, az előző állítás szerint P[B (A B)] = P(B) P(A B), ezt behelyettesítve a fenti állításra jutunk.
131 Események uniójának (összegének) e i Részhalmaz e Ha A maga után vonja B-t, azaz A B, akkor P(B A) = P(B) P(A). Mivel A B, a B-t felírhatjuk így is: B = A (B A). Mivel A (B A) =, a (K3) miatt P(B) = P(A) + P(B A). e Unió e Események uniójának e Bármely tetszőleges A és B eseményre P(A B) = P(A) + P(B) P(A B). Mivel A B = A (B (A B)) és A (B (A B)) =, a (K3) miatt P(A B) = P(A) + P[B (A B)]. Mivel (A B) B, az előző állítás szerint P[B (A B)] = P(B) P(A B), ezt behelyettesítve a fenti állításra jutunk.
132 Események uniójának (összegének) e i Részhalmaz e Ha A maga után vonja B-t, azaz A B, akkor P(B A) = P(B) P(A). Mivel A B, a B-t felírhatjuk így is: B = A (B A). Mivel A (B A) =, a (K3) miatt P(B) = P(A) + P(B A). e Unió e Események uniójának e Bármely tetszőleges A és B eseményre P(A B) = P(A) + P(B) P(A B). Mivel A B = A (B (A B)) és A (B (A B)) =, a (K3) miatt P(A B) = P(A) + P[B (A B)]. Mivel (A B) B, az előző állítás szerint P[B (A B)] = P(B) P(A B), ezt behelyettesítve a fenti állításra jutunk.
133 Események uniójának (összegének) e i Részhalmaz e Ha A maga után vonja B-t, azaz A B, akkor P(B A) = P(B) P(A). Mivel A B, a B-t felírhatjuk így is: B = A (B A). Mivel A (B A) =, a (K3) miatt P(B) = P(A) + P(B A). e Unió e Események uniójának e Bármely tetszőleges A és B eseményre P(A B) = P(A) + P(B) P(A B). Mivel A B = A (B (A B)) és A (B (A B)) =, a (K3) miatt P(A B) = P(A) + P[B (A B)]. Mivel (A B) B, az előző állítás szerint P[B (A B)] = P(B) P(A B), ezt behelyettesítve a fenti állításra jutunk.
134 Események uniójának e i Szemléltetés: A B A B A B e Unió e A B
135 Események uniójának e i e Unió e Fontos következmény: Tetszőleges A 1, A 2,..., A n eseményre P ( n A i) n P(A i). i=1 i=1 Bizonyítás: indukcióval. 2 eseményre igaz. Tegyük fel, hogy n-re igaz. P ( n+1 A i) = P ([ n A i] A n+1) i=1 i=1 P ( n A i) + P(A n+1) i=1 n P(A i) + P(A n+1). i=1
136 Események uniójának e i e Unió e Fontos következmény: Tetszőleges A 1, A 2,..., A n eseményre P ( n A i) n P(A i). i=1 i=1 Bizonyítás: indukcióval. 2 eseményre igaz. Tegyük fel, hogy n-re igaz. P ( n+1 A i) = P ([ n A i] A n+1) i=1 i=1 P ( n A i) + P(A n+1) i=1 n P(A i) + P(A n+1). i=1
137 Három esemény uniójának e i e Unió e Három esemény uniójának e Bármely tetszőleges A, B, C eseményekre P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C). Bizonyítás: Alkalmazva a 2 esemény összegére vonatkozó állítást: P(A B C) = P((A B) C) = P(A B) + P(C) P((A B) C) = P(A) + P(B) P(A B) + P(C) P[(A C) (B C)] = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P((A C) (B C) ). A B C
138 Három esemény uniójának e i e Unió e Három esemény uniójának e Bármely tetszőleges A, B, C eseményekre P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C). Bizonyítás: Alkalmazva a 2 esemény összegére vonatkozó állítást: P(A B C) = P((A B) C) = P(A B) + P(C) P((A B) C) = P(A) + P(B) P(A B) + P(C) P[(A C) (B C)] = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P((A C) (B C) ). A B C
139 Általánosítás i e Unió e n esemény uniójának e A 1, A 2,..., A n tetszőleges esemény uniójának e: S 1 = n i=1 P(A i) S 2 = P(A i A j) 1 i<j n S 3 = P(A i A j A k) 1 i<j<k n S n = P(A 1 A 2 A n) P ( n A i) = S 1 S 2 + S ( 1) n 1 S n. i=1
140 Általánosítás i e Unió e Bizonyítás: indukcióval Tegyük fel, hogy n-re igaz. Ilyenkor P(A 1... A n A n+1) = P(A 1... A n) + P(A n+1) P[(A 1 A n+1)... (A n A n+1)] A jobb oldalon a II. és III. kifejezésekre alkalmazva az indukciós feltevést a tagok összevonhatók: S II 1 + P(A n+1) = S I 1 S II 2 + S III 1 = S I 2 S II 3 + S III 2 = S I 3 S III n = S I n+1
141 Általánosítás i e Unió e Bizonyítás: indukcióval Tegyük fel, hogy n-re igaz. Ilyenkor P(A 1... A n A n+1) I = P(A 1... A n) +P(A n+1) II P[(A 1 A n+1)... (A n A n+1)] III A jobb oldalon a II. és III. kifejezésekre alkalmazva az indukciós feltevést a tagok összevonhatók: S II 1 + P(A n+1) = S I 1 S II 2 + S III 1 = S I 2 S II 3 + S III 2 = S I 3 S III n = S I n+1
142 Általánosítás i e Unió e Példa Tegyük fel, hogy n számozott golyót húzunk ki egy urnából. Mi a e, hogy a golyók sorrendjében egyik golyó sem a rajta lévő számnak megfelelő helyen van? Ha A i az az esemény, hogy az i-vel számozott golyó az i-edik helyen van, akkor mi az 1 P(A 1 A 2 A n) et keressük. Az iménti általános szabállyal lehet P(A 1 A 2 A n)-t meghatározni! Határozzuk meg S 1-et: Összesen n! féle sorrend lehetséges, ha az i golyó az i. helyen van, az (n 1)! módon történhet, így P(A i) = (n 1)! n! = 1 n, S1 = n 1 n = 1.
143 Általánosítás i e Unió e Példa Tegyük fel, hogy n számozott golyót húzunk ki egy urnából. Mi a e, hogy a golyók sorrendjében egyik golyó sem a rajta lévő számnak megfelelő helyen van? Ha A i az az esemény, hogy az i-vel számozott golyó az i-edik helyen van, akkor mi az 1 P(A 1 A 2 A n) et keressük. Az iménti általános szabállyal lehet P(A 1 A 2 A n)-t meghatározni! Határozzuk meg S 1-et: Összesen n! féle sorrend lehetséges, ha az i golyó az i. helyen van, az (n 1)! módon történhet, így P(A i) = (n 1)! n! = 1 n, S1 = n 1 n = 1.
144 Általánosítás i e Unió e Példa Tegyük fel, hogy n számozott golyót húzunk ki egy urnából. Mi a e, hogy a golyók sorrendjében egyik golyó sem a rajta lévő számnak megfelelő helyen van? Ha A i az az esemény, hogy az i-vel számozott golyó az i-edik helyen van, akkor mi az 1 P(A 1 A 2 A n) et keressük. Az iménti általános szabállyal lehet P(A 1 A 2 A n)-t meghatározni! Határozzuk meg S 1-et: Összesen n! féle sorrend lehetséges, ha az i golyó az i. helyen van, az (n 1)! módon történhet, így P(A i) = (n 1)! n! = 1 n, S1 = n 1 n = 1.
145 Általánosítás i e Unió e Példa Határozzuk meg S 2-t: Az, hogy pont i és j van a helyén: P(A i A j) = Mivel összesen ( n ) féle pár van, 2 (n 2)! n! = 1 n(n 1). S 2 = ( n 2 ) 1 n(n 1) = 1 2!. Hasonló módon, a 3-as metszetekre P(A i A j A k) = (n 3)! n! = 1 n(n 1)(n 2), S 3 = ( n 3 ) 1 n(n 1)(n 2) = 1 3!.
146 Általánosítás i e Unió e Példa Határozzuk meg S 2-t: Az, hogy pont i és j van a helyén: P(A i A j) = Mivel összesen ( n ) féle pár van, 2 (n 2)! n! = 1 n(n 1). S 2 = ( n 2 ) 1 n(n 1) = 1 2!. Hasonló módon, a 3-as metszetekre P(A i A j A k) = (n 3)! n! = 1 n(n 1)(n 2), S 3 = ( n 3 ) 1 n(n 1)(n 2) = 1 3!.
147 Általánosítás i e Unió e Példa Ez alapján P(A 1 A 2 A n) = 1 1 2! + 1 n 3! + 1 ( 1)n 1 n! = ( 1) k 1 1 k!, és a keresett n 1 P(A 1 A 2 A n) = 1 ( 1) k 1 n 1 k! = ( 1) k 1 k! k=1 k=0 k=1 n e 1.
148 Általánosítás i e Unió e Példa Ez alapján P(A 1 A 2 A n) = 1 1 2! + 1 n 3! + 1 ( 1)n 1 n! = ( 1) k 1 1 k!, és a keresett n 1 P(A 1 A 2 A n) = 1 ( 1) k 1 n 1 k! = ( 1) k 1 k! k=1 k=0 k=1 n e 1.
x, 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.
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:
RészletesebbenValószín ségszámítás. Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes 2018/2019.
Valószín ségszámítás Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes agnes@cs.elte.hu 2018/2019. szi félév A valószín ségszámítás kurzus céljai a statisztika megalapozása: a véletlen
Részletesebben1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.
1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét
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.
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)
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
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:
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.
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
RészletesebbenGazdasági matematika II. Tantárgyi útmutató
Módszertani Intézeti Tanszék Gazdálkodási és menedzsment, pénzügy és számvitel szakok távoktatás tagozat Gazdasági matematika II. Tantárgyi útmutató 2016/17 tanév II. félév 1/6 A KURZUS ALAPADATAI Tárgy
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
Részletesebben1. A kísérlet naiv fogalma. melyek közül a kísérlet minden végrehajtásakor pontosan egy következik be.
IX. ESEMÉNYEK, VALÓSZÍNŰSÉG IX.1. Események, a valószínűség bevezetése 1. A kísérlet naiv fogalma. Kísérlet nek nevezzük egy olyan jelenség előidézését vagy megfigyelését, amelynek kimenetelét az általunk
RészletesebbenMatematika III. 2. Eseményalgebra Prof. Dr. Závoti, József
Matematika III. 2. Eseményalgebra Prof. Dr. Závoti, József Matematika III. 2. : Eseményalgebra Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP - 4.1.2-08/1/A-2009-0027 Tananyagfejlesztéssel
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 :
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
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.
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok II. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok II. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
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:
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
RészletesebbenGazdasági matematika II. tanmenet
Gazdasági matematika II. tanmenet Mádi-Nagy Gergely A hivatkozásokban az alábbi tankönyvekre utalunk: T: Tóth Irén (szerk.): Operációkutatás I., Nemzeti Tankönyvkiadó 1987. Cs: Csernyák László (szerk.):
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
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
RészletesebbenAz ész természetéhez tartozik, hogy a dolgokat nem mint véletleneket, hanem mint szükségszerűeket szemléli (Spinoza: Etika, II. rész, 44.
Dr. Vincze Szilvia Az ész természetéhez tartozik, hogy a dolgokat nem mint véletleneket, hanem mint szükségszerűeket szemléli (Spinoza: Etika, II. rész, 44. tétel) Környezetünkben sok olyan jelenséget
RészletesebbenA valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
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:
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
RészletesebbenTantárgy kódja Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2
Tantárgy neve Alkalmazott matematika II. Tantárgy kódja MT003 Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2 Számonkérés módja gyakorlati jegy Előfeltétel (tantárgyi kód) MT002 Tantárgyfelelős
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:
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
RészletesebbenPélda a report dokumentumosztály használatára
Példa a report dokumentumosztály használatára Szerző neve évszám Tartalomjegyzék 1. Valószínűségszámítás 5 1.1. Események matematikai modellezése.............. 5 1.2. A valószínűség matematikai modellezése............
RészletesebbenKörnyezet statisztika
Környezet statisztika Permutáció, variáció, kombináció k számú golyót n számú urnába helyezve hányféle helykitöltés lehetséges, ha a golyókat helykitöltés Minden urnába akárhány golyó kerülhet (ismétléses)
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
RészletesebbenVALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA
VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA A VALÓSZÍNŰSÉGI SZEMLÉLET ALAPOZÁSA 1-6. OSZTÁLY A biztos, a lehetetlen és a lehet, de nem biztos események megkülünböztetése Valószínűségi játékok, kísérletek események
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
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
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,
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
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
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:
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
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 7. Bevezetés a valószínűségszámításba Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés 2 Definíciók, tulajdonságok Példák Valószínűségi mező
RészletesebbenTerületi sor Kárpát medence Magyarország Nyugat-Európa
Területi sor Terület megnevezése Magyarok száma 2011.01.01. Kárpát medence 13 820 000 Magyarország 10 600 00 Nyugat-Európa 1 340 000 HIV prevalence (%) in adults in Africa, 2005 2.5 Daganatos halálozás
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
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségszámítási alapok
Matematikai alapok és valószínőségszámítás Valószínőségszámítási alapok Bevezetés A tudományos életben vizsgálódunk pontosabb megfigyelés, elırejelzés, megértés reményében. Ha egy kísérletet végzünk, annak
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș-Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika 1.3 Intézet Magyar Matematika és Informatika 1.4 Szakterület
RészletesebbenValószínűségszámítás és statisztika
Valószínűségszámítás és statisztika Programtervező informatikus szak esti képzés Varga László Valószínűségelméleti és Statisztika Tanszék Matematikai Intézet Természettudományi Kar Eötvös Loránd Tudományegyetem
RészletesebbenMatematika III. 3. A valószínűségszámítás elemei Prof. Dr. Závoti, József
Matematika III. 3. A valószínűségszámítás elemei Prof. Dr. Závoti, József Matematika III. 3. : A valószínűségszámítás elemei Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP - 4.1.2-08/1/A-2009-0027
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,
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
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,
RészletesebbenVéletlen bolyongás. Márkus László március 17. Márkus László Véletlen bolyongás március / 31
Márkus László Véletlen bolyongás 2015. március 17. 1 / 31 Véletlen bolyongás Márkus László 2015. március 17. Modell Deníció Márkus László Véletlen bolyongás 2015. március 17. 2 / 31 Modell: Egy egyenesen
RészletesebbenBiometria az orvosi gyakorlatban. Számítógépes döntéstámogatás
SZDT-01 p. 1/23 Biometria az orvosi gyakorlatban Számítógépes döntéstámogatás Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Gyakorlat SZDT-01 p.
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
RészletesebbenMatematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József
Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Matematika III. 4. : A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul
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
RészletesebbenNyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 3. MA3-3 modul. A valószínűségszámítás elemei
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof Dr Závoti József Matematika III 3 MA3-3 modul A valószínűségszámítás elemei SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról szóló 1999
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 =
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
Részletesebben4. A negatív binomiális eloszlás
1 / 7 2011.03.17. 14:27 Virtuális laboratóriumok > 10. Bernoulli kísérletek > 1 2 3 4 5 6 4. Alapelmélet Tételezzük fel, hogy a véletlen kísérletünk, amit végrehajtunk Bernoulli kísérleteknek egy X = (X
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
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
RészletesebbenMatematikai statisztika Tómács Tibor
Matematikai statisztika Tómács Tibor Matematikai statisztika Tómács Tibor Publication date 2011 Szerzői jog 2011 Hallgatói Információs Központ Copyright 2011, Educatio Kht., Hallgatói Információs Központ
RészletesebbenMindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé.
HA 1 Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) HA 2 Halmazok HA 3 Megjegyzések A halmaz, az elem és az eleme fogalmakat nem definiáljuk, hanem alapfogalmaknak
RészletesebbenYBL - SGYMMAT2012XA Matematika II.
YBL - SGYMMAT2012XA Matematika II. Tantárgyfelelős: Dr. Joós Antal Tárgyelőadó: Dr. Joós Antal Tantárgyi leírás Oktatási cél: Azoknak a matematikai alapoknak a megszerzése, melyek a szaktárgyak elsajátításához
RészletesebbenMindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 1
Halmazok 1 Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 2 A fejezet legfontosabb elemei Halmaz megadási módjai Halmazok közti műveletek (metszet,
RészletesebbenNyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 4. MA3-4 modul. A valószínűségi változó és jellemzői
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematika III. 4. MA3-4 modul A valószínűségi változó és jellemzői SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról
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
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
RészletesebbenMatematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
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,
RészletesebbenTartalomjegyzék Szitaformulák Példák a szitaformulára Mintavételezés Bayes-tétel... 17
Valószínűségszámítás Földtudomány szak, 2015/2016. tanév őszi félév Backhausz Ágnes (ELTE TTK Valószínűségelméleti és Statisztika Tanszék)1 Tartalomjegyzék 1. Valószínűségi mező 3 1.1. Példák valószínűségi
RészletesebbenEloszlások jellemzése. Momentumok. Medián és kvantilis. Karakterisztikus függvény
Karakterisztikus függvény Eloszlások jellemzése Momentumok Karakterisztikus függvény Medián és kvantilis Medián Kvantilis Módusz Hogyan lehetne általánosítani a generátorfüggvényt folytonos okra? Karakterisztikus
Részletesebben1. Kombinatorikai bevezetés
1. Kombinatorikai bevezetés 1.1. Permutációk Adott n különböző elem ismétlés nélküli permutációján az elemek egy meghatározott sorrendjét értjük. Az n különböző elem összes permutációinak számát P n -nel
Részletesebben3. Egy szabályos dobókockával háromszor dobunk egymás után. Legyen A az az esemény, hogy
Valószínűségszámítás. zárthelyi dolgozat 009. október 5.. Egy osztályba 3-an járnak. Minden fizikaórán a a többi órától függetlenül a tanár kisorsol egy felelőt, véletlenszerűen, egyenletesen, azaz mindig
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
RészletesebbenKözlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta
Közlemény Biostatisztika és informatika alajai. előadás: Az orvostudományban előforduló nevezetes eloszlások 6. szetember 9. Veres Dániel Statisztika és Informatika tankönyv (Herényi Levente) már kaható
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre
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
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
RészletesebbenGRADUÁLIS BIOSTATISZTIKAI KURZUS február hó 22. Dr. Dinya Elek egyetemi docens
GRADUÁLIS BIOSTATISZTIKAI KURZUS 2012. február hó 22. Dr. Dinya Elek egyetemi docens Biometria fogalma The active pursuit of biological knowledge by quantitative methods Sir R. A. Fisher, 1948 BIOMETRIA
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.
RészletesebbenNéhány kockadobással kapcsolatos feladat 1 P 6
Néhány kockadobással kapcsolatos feladat Feldobunk egy kockát. Az eseménytér: ; 2; ; ; ; Az összes esetek száma:. Feldobunk egy kockát. Mi a valószínűsége, hogy hatost dobunk? A kedvező esetek száma: (hatost
RészletesebbenMatematika A4 I. gyakorlat megoldás
Matematika A I. gyakorlat megoldás 1. Kombinatorikus módszer ismétlés nélküli ismétléses permutáció n! n! k 1!k 2!...k r! n futó beérkezésének sorrendje n golyót ennyiféleképpen állíthatunk sorba, ha k
RészletesebbenOsztályozóvizsga követelményei
Osztályozóvizsga követelményei Képzés típusa: Tantárgy: Nyolcosztályos gimnázium Matematika Évfolyam: 12 Emelt óraszámú csoport Emelt szintű csoport Vizsga típusa: Írásbeli Követelmények, témakörök: Emelt
RészletesebbenA biomatematika alapjai és a kapcsolódó feladatok megoldása számítógép segítségével Abonyi-Tóth Zsolt, 2005-2006 készült Harnos Andrea, Reiczigel Jenő zoológus előadásainak valamint Fodor János és Solymosi
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
RészletesebbenValószínűségszámítás. Tómács Tibor. F, P ) egy valószínűségi mező, A P (A). Ha ϱ n az A gyakorisága, kísérletek száma, akkor minden ε. p(1 p) nε 2.
Tómács Tibor Valószínűségszámítás F, P egy valószínűségi mező, A P (A. Ha ϱ n az A gyakorisága, kísérletek száma, akkor minden ε én ( ϱ n P n p ε p(1 p nε 2. Matematikai és Informatikai Intézet Tómács
RészletesebbenHalmazelmélet. 1. előadás. Farkas István. DE ATC Gazdaságelemzési és Statisztikai Tanszék. Halmazelmélet p. 1/1
Halmazelmélet 1. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Halmazelmélet p. 1/1 A halmaz fogalma, jelölések A halmaz fogalmát a matematikában nem definiáljuk, tulajdonságaival
RészletesebbenBizonytalan tudás kezelése
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Bizonytalan tudás kezelése Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz Valószínűségi
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenA sorozat fogalma. függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet. az értékkészlet a komplex számok halmaza, akkor komplex
A sorozat fogalma Definíció. A természetes számok N halmazán értelmezett függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet a valós számok halmaza, valós számsorozatról beszélünk, mígha az
RészletesebbenElemi statisztika fizikusoknak
1. oldal Elemi statisztika fizikusoknak Pollner Péter Biológiai Fizika Tanszék pollner@elte.hu Az adatok leírása, megismerése és összehasonlítása 2-1 Áttekintés 2-2 Gyakoriság eloszlások 2-3 Az adatok
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,
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
Részletesebben24. tétel A valószínűségszámítás elemei. A valószínűség kiszámításának kombinatorikus modellje.
24. tétel valószíűségszámítás elemei. valószíűség kiszámításáak kombiatorikus modellje. GYORISÁG ÉS VLÓSZÍŰSÉG meyibe az egyes adatok a sokaságo belüli részaráyát adjuk meg (törtbe vagy százalékba), akkor
RészletesebbenValószínűségszámítás
Valószínűségszámítás Pap Gyula Szegedi Tudományegyetem 2010/2011 tanév, II. félév Pap Gyula (SZE) Valószínűségszámítás 2010/2011 tanév, II. félév 1 / 122 Ajánlott irodalom: RÉNYI ALFRÉD Valószínűségszámítás
Részletesebben2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben
1 feladatsor 1 Egy dobozban 20 fehér golyó van Egy szabályos dobókockával dobunk, majd a következ t tesszük: ha a dobott szám 1,2 vagy 3, akkor tíz golyót cserélünk ki pirosra; ha a dobott szám 4 vagy
Részletesebben