Várható érték:... p Módusz:...
|
|
- Teréz Vassné
- 5 évvel ezelőtt
- Látták:
Átírás
1 NEVEZETES ELOSZLÁSOK. Bernoull-eloszlás: B(, p p ha x = Súlyfüggvény:... P( X = x; p =...ahol: q=-p q ha x = 0 ha p q Várható érték:... p Módusz:... 0 ha p q Varanca:... pq Relatív szórás:... q p. ÁBRA. A Bernoull-eloszlás három alaptípusa q (kudarc 0 és p (sker aránya szernt osztályozva. Bármelyk típusra alapozott Bernoull-kísérletsorozat bnomáls eloszlást eredményez, de csak a harmadk vezet Posson-eloszláshoz. A radoaktív bomlásszámok mérése rendszernt az utóbb kategórához tartozk.. Bnomáls eloszlás: B(n, p Súlyfüggvény:... Várható érték:... n x n x P( X = x; n, p = p q ( x = 0,, Kn... ahol: q=-p x np μ Módusz:... [ μ + p] μ q és ha μ + p egész μ + p ha μ + p nem egész Varanca:... npq = μq Relatív szórás:... q = μ q pn NAGY SÁNDOR: Dstrbutons /4
2 . ÁBRA. A bnomáls eloszlás egészen ks np esetén s jól közelíthető Π(np Possoneloszlással, feltéve, hogy a sker valószínűsége kcs (p 0,. Amnt látjuk, p=0,-re a közelítés egészen tűrhető, p=0,0-ra pedg (l. az. ábrát már sznte tökéletes. (A fent ábrákon np=0. 3. ÁBRA. A bnomáls eloszlás p értékétől függetlenül jól közelíthető N(np, npq eloszlással, ha npq 6. A bemutatott példában n mndössze 59, és npq s csak 0, a közelítés mégs egészen jó. NAGY SÁNDOR: Dstrbutons /4
3 3. Posson-eloszlás: Π(μ x μ μ Súlyfüggvény:... P( X = x; μ = e ( x = 0,,, K x! μ és Várható érték:... μ Módusz:... ha μ egész μ [ μ] ha μ nem egész Varanca:... μ Relatív szórás:... μ 4. ÁBRA. A Π(μ eloszlást μ=00 esetén már sznte tökéletesen közelít az N(μ, μ eloszlás. 4. Exponencáls eloszlás: γ(, λ Kulcsszavak: örökfjúság, emlékezetnélkülség, fáradhatatlanság. Sűrűségfüggvény:... λ e f ( t = 0 λ t ha ha t > 0 t 0 Eloszlásfüggvény:... F( t = e λt Várható érték:... Varanca:... τ λ λ Medán:... T = τ Relatív szórás:... ln λ / 0,7 λ NAGY SÁNDOR: Dstrbutons /4
4 5. ÁBRA. A folytonos vonallal rajzolt F(t exponencáls eloszlásfüggvény a bomlás valószínűségét fejez k a t dőpontg. A szaggatott vonallal rajzolt függvény ezzel szemben annak valószínűségét adja meg, hogy az enttás bomlás nélkül ússza meg a t dőpontg. A sűrűségfüggvény t>0 esetén ez utóbb λ-szorosa. Azonban t 0 esetén a sűrűségfüggvény nem (ll. λ, hanem 0. A Posson-folyamat Ha a t dő alatt észlelt eseményszám Π(μ Posson-eloszlású, akkor az egyes események követés távolsága γ(, μ/t exponencáls eloszlású (ν = μ/t az átlagos követés frekvenca. Ha az egyes események követés távolsága γ(, ν exponencáls eloszlású, akkor a t dő alatt észlelt eseményszám Π(ν t Posson-eloszlású. Emlékezetnélkülség, avagy a budapest tömegközlekedő paradoxonja Egy 0 percenként ndított vllamosjárat nem tudja tartan a menetdőt. A sokadk megállóban az egy órán belül érkezések száma Posson-eloszlású. A követés dők átlaga azonban 0 perc marad. Az utas, ak találomra érkezk a megállóba, arra számít, hogy átlagosan 5 percet kell várakozna a ktett menetrend szernt, mert nylván nem lehet akkora pechje, hogy mnden áldott/átkozott esetben pont előtte ment el a vllamos. Igazából átlagban 0 percre számíthat. NAGY SÁNDOR: Dstrbutons /4
5 6. ÁBRA. 000 darab atom lehetséges sorsa szmulácóval. Az életben maradás valószínűségét p=0,9-nek vettük egy dőegység alatt. A megfgyelt atomok száma monoton csökken egy véletlenszerű lépcsős függvény szernt, mely egy exponencáls görbe ívét követ. 7. ÁBRA. Az tt ábrázolt bomlásszámokat az előző szmulácós ábra lépcsőmagasságaból kaptuk. Vegyük észre, hogy a tapasztalt bomlásszámok korántsem mutatnak monoton csökkenést. Mndazonáltal, ha le-föl ngadozva s, de ugyanazt az exponencáls ívet követk, mnt maguk az atomszámok. NAGY SÁNDOR: Dstrbutons /4
6 8. ÁBRA. Két független radoaktív jelforrás ( Na mpulzusa közt várakozás dő eloszlása féllogartmkus ábrázolásban. (Süvegh Károly mérése. A felratok (pl. erős-erős az dőmérés startjelét, ll. stopjelét szolgáltató forrás erősségét jelzk. Látszk, hogy az egyenesek meredekségét a stopjelet szolgáltató jelforrás közepes frekvencája (azaz a forráserősség szabja meg, noha a startjelek véletlenszerű dőpontokban érkeztek a stopjelek sorozatához képest. Ez az eredmény jól mutatja az exponencáls eloszlás emlékezetnélkülségét. Ezzel azonos kísérletet szoktak ajánlan a PAS mérések esetében ún. fehér zaj (azaz dőben egyenletes eloszlású véletlen jelek generálására. Az eredmény vlágosan mutatja, hogy a kapott zaj csak annyra lehet fehér, amennyre az exponencáls függvény egy rövd szakasza vízszntesnek teknthető. 5. Gamma-eloszlás: γ(r, ν Interpretácó: Ha X -k független γ(, ν eloszlásúak, akkor az X + X + + X n összeg γ(n, ν eloszlású. Sűrűségfüggvény :... f r ( t = ( ν t r Γ( r 0 ν e ν t ha ha t > 0 t 0 0 x r ν Teljes gamma függvény:.. Γ( r e x dx Közepes jelfrekvenca:... τ r = r r Várható érték:... τ r Módusz:... ν r Varanca:... ν Relatív szórás:... r ν r A sűrűségfüggvényben r és ν poztív valós szám, Γ(r pedg a teljes gamma-függvény. NAGY SÁNDOR: Dstrbutons /4
7 9. ÁBRA. Különböző egészrendű gamma-eloszlások sűrűségfüggvénye ugyanazzal a ν= paraméterrel. Az r= rendhez az exponencáls eloszlás jellegzetes aszmmetrkus sűrűségfüggvénye tartozk, de a rend növekedésével az aszmmetra csökken, és r=6-ra már tűrhető az egyezés a megfelelő várható értékű és varancájú N(r/ν, r/ν most: N(6, 6 normáls eloszlással. A gamma-eloszlás a szkélermpulzusok közt várakozás dő jellemző eloszlása, ahol r a leosztás szám, ν pedg a leosztatlan mpulzusok közepes frekvencája. 0. ÁBRA. Radoaktív preparátum mérése esetén Posson-folyamatról lévén szó a számláló tzedes számjegye a helyértéknek megfelelő gamma-eloszlású várakozás dő után ugranak a következő értékre. Keskenyebb eloszlás egyenletesebb váltás rtmust jelent. A sűrűségfüggvényeket úgy normáltuk, hogy mndegyk esetben azonos legyen a görbe alatt geometra terület. NAGY SÁNDOR: Dstrbutons /4
8 6. Normáls eloszlás: N(μ, σ Sűrűségfüggvény :... f ( x = f σ 0 x μ = σ x μ Eloszlásfüggvény:... F( x = F0 = σ exp πσ + erf x Hbafüggvény:... erf x = erf( x = exp( t Várható érték, medán, módusz, szmmetracentrum:.μ π 0 x x μ σ dt μ σ Varanca:...σ Várható absz. eltérés:... / π σ 0, 798σ Kvartls terjedelem:...,348σ Az f nflexós pontja:...μ±σ Félértékszélesség (FWHM: Full Wdth at Half of the Maxmum:.. ln σ, 355σ. ÁBRA. Standard normáls N(0, eloszlás sűrűségfüggvénye (f 0 és eloszlásfüggvénye (F 0, valamnt a hbafüggvény (erf. A μ±σ, μ±σ, μ±3σ hbasávoknak tt a 0±, 0±, 0±3 zónák felelnek meg. f 0 és F 0 az N(0, (standard normáls eloszlás sűrűségfüggvénye, ll. eloszlásfüggvénye. NAGY SÁNDOR: Dstrbutons /4
9 7. A χ -eloszlás: χ (k Interpretácó: Ha X -k független N(0, eloszlásúak, akkor az X + X + + X k négyzetösszeg χ (k eloszlású. x ( x = k / x / k / Γ( k / Sűrűségfüggvény:... f k e ha 0 ha x > 0 x 0 Várható érték:...k Módusz:... k- Varanca:...k Relatív szórás:... k. ÁBRA. A χ -eloszlás már ks (k=50 szabadság fok esetén s jól helyettesíthető N(k, k eloszlással. NAGY SÁNDOR: Dstrbutons /4
10 8. Cauchy-eloszlás: C(m, γ Az eddg említett eloszlások mndegyke beleesk a normáls eloszlás (centráls határeloszlástételen keresztül érvényesülő vonzáskörébe, még a normáls eloszlástól annyra különböző Bernoull-eloszlás vagy az egészen ferde exponencáls eloszlás s. Az tt bemutatott Cauchyeloszlás ellenkező példával szolgál: olyan eloszlásról van szó, amelyk alakjában emlékeztet ugyan a normálsra (l. a 4. ábrát, de sem várható értéke, sem (véges szórása nncsen. Sűrűségfüggvény:... f ( x = πγ x m + γ x m Eloszlásfüggvény:... F( x = + arctg π γ Várható érték, varanca, szórás:... Medán, módusz, szmmetracentrum:...m Félértékszélesség (FWHM, kvartls terjedelem:...γ A sűrűségfüggvény nflexós pontja:... m ± γ / 3 3. ÁBRA. Azonos félértékszélességű (HWHM= Cauchy- és normáls eloszlású véletlen számok összehasonlítása. A Cauchy-féle adatok némelyke 500 körül van ebben a véletlen sorozatban. Ezzel szemben a normáls adatok mndegyke a 3σ-nak megfelelő 0±,5-es szűk sávba esk. NAGY SÁNDOR: Dstrbutons /4
11 Érdekesség: Γ τ=ħ τ: dőbzonytalanság konkrétan: szórás, mely az exponencáls élettartam-eloszlás esetében megegyezk a várható értéket jellemző közepes élettartammal Γ: energabzonytalanság konkrétan: a Cauchy-eloszlás félértékszélessége, Γ=γ, tehát nem a szórása, mnthogy az nem létezk 4. ÁBRA. A C(0, Cauchy-eloszlás sűrűségfüggvénye (vastag vonal három különböző Gauss-görbével összehasonlítva. A szaggatott vonallal jelölt görbék -re normált területű normáls sűrűségfüggvények. Egyknek a magassága (h C, másknak a szélessége (γ C van azonosra véve a Cauchy-eloszlás sűrűségfüggvényével. A vékony folytonos vonal olyan 0,678-ra normált területű Gauss-görbét mutat, melynek mnd magassága, mnd szélessége megegyezk a Lorentz-görbéével (γ C,h C. Ezen a görbén a legszembeszökőbb a két eloszlás különbsége: a Lorentz-görbe sokkal lassabban tart a 0-hoz, mnt a Gauss-görbe, am megmagyarázza a várható érték és a szórás hányát a Cauchy-eloszlás esetében. NAGY SÁNDOR: Dstrbutons /4
12 ADDÍCIÓS TÉTELEK Az alábbak az X és X valószínűség változó függetlensége esetén állnak. Úgy kell a sorokat olvasn, hogy ha X eloszlása lyen, és X leoszlása olyan, akkor X + X eloszlása amolyan. X X X + X eloszlása eloszlása eloszlása B(n, p B(n, p B(n + n, p Π(μ Π(μ Π(μ + μ γ(r, ν γ(r, ν γ(r + r, ν N(μ, σ N(μ, σ N(μ + μ, σ + σ χ (k χ (k χ (k + k C(m, γ C(m, γ C(m + m, γ + γ HATÁRELOSZLÁSOK Úgy kell a sorokat olvasn, hogy ha X eloszlása lyen, és ez és ez teljesül, akkor X eloszlása közelíthető az alább határeloszlással. X X Feltétel eloszlása határeloszlása B(n, p p 0, Π(np n 0 B(n, p npq 6 N(np, npq q (-p Π(μ μ 0 N(μ, μ γ(r, ν r 30 N(r/ν, r/ν χ (k k 50 N(k, k NAGY SÁNDOR: Dstrbutons /4
13 NUKLEÁRIS SPEKTRUMOK 5. ÁBRA. Adott csatornában a spektrumot sokszor felvéve normáls szórásra számíthatunk a μ várható érték körül. Hosszabb mérés dő esetén μ arányosan nagyobb lesz, ezért σ rel = / μ matt javul a statsztka. Vízszntesen Mössbauer-spektrumról lévén szó a Cauchy-eloszlás az lletékes, t. a μ(x, a llesztő függvény Lorentz-görbékből áll. SPEKTRUMILLESZTÉS A maxmum lkelhood elv (a legnagyobb esély elve szernt: k Y μ( x ; a L ( Y = ; a exp k = σ πσ = Ebből adódk a súlyozott legksebb négyzetek módszere: maxmum χ k = Y μ( x ; aˆ σ mnmum Ha Y -k normálsak (márpedg azok, akkor az X -k X Y = μ ( x ; aˆ σ N(0, eloszlásúak, ezért a χ négyzetösszeg χ (k eloszlású, ll. közelítőleg N(k, k eloszlású lesz, hszen a k csatornaszám akár több ezer s lehet. NAGY SÁNDOR: Dstrbutons /4
14 A HOLTIDŐ HATÁSA A gyakorlat spektrumkértékelés során khasználjuk, hogy a Posson-eloszlás örökségeképp: σ = μ Y és ezért a mnmumfeladatot praktkus okok matt így szoktuk átfogalmazn: χ k = Y μ( x ; aˆ σ k = ( Y μ( x ; aˆ Y mnmum A Posson-folyamatnál láttuk, hogy az adott t dő alatt mért beütésszámok akkor és csak akkor Posson-eloszlásúak, ha a jelek közt várakozás dők exponencáls eloszlásúak. A holtdő vszont elrontja a várakozás dők exponencáls eloszlását, t. lyenkor az -edk várakozás dő így adható meg: Z =Θ + T ahol Z a teljes várakozás dő két jel közt, Θ a (véletlenszerű vagy konstans holtdő, és T az exponencáls eloszlású várakozás dő. Az utóbb eloszlását (a 8. ábra, ll. az exponencáls eloszlás emlékezetnélkülsége szernt a holtdő bektatása által okozott dőcsonkolás egyáltalán nem befolyásolja. Ellenben Z eloszlása már korántsem lesz exponencáls, hanem eloszlását Θ és T eloszlásának konvolúcója adja. Ebből adódóan, ha azt kérdezzük, hogy t dőtartam alatt hány jel jön be, akkor a válaszként kapott N t beütésszám (lyenek szerepelnek Y gyanánt a mnmumfeladatban s a felújítás folyamatok körében tárgyalt valószínűség változó sem lehet Posson-eloszlású. Ha történetesen konstans θ holtdővel számolunk, akkor: D ( N t = θ ( θν E( N t E( N ahol az egyenlőség csak θν θ << esetén teljesül. Tehát a mért beütésszámok szórásának Posson-becslése (amkor s a varancát a várható értékkel helyettesítjük általában túlbecsül a tényleges szórást. Ez esetben közelebb járunk az gazsághoz, ha a kapott, holtdővel torzított χ -et (-θνθ - tel osztjuk, ahol θν θ a százalékos holtdő század része. χ = χ θ = ( θνθ α χ θ θ Ha a holtdő nem smert, de mégs sejten lehet, hogy ez áll az rreálsan ks χ hátterében, akkor a bekeretezett egyenlet alapján következtethetünk az α θ korrekcós faktorra, hszen nylván: α θ ( θν θ E( Nt = D ( N Például egy transzmsszós Mössbauer-spektrum esetében ez azt jelent, hogy képezn kell az alapvonalhoz tartozó csatornatartalmak átlagát [E(N t becslése] és emprkus szórásnégyzetét [D (N t becslése]. Ezek aránya ugyans a fent egyenlet szernt a keresett korrekcós faktor becslésének teknthető. t t θ NAGY SÁNDOR: Dstrbutons /4
e (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:
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
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
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
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,
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
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
RészletesebbenVariancia-analízis (ANOVA) Mekkora a tévedés esélye? A tévedés esélye Miért nem csinálunk kétmintás t-próbákat?
Varanca-analízs (NOV Mért nem csnálunk kétmntás t-próbákat? B Van különbség a csoportok között? Nncs, az eltérés csak véletlen! Ez a nullhpotézs. és B nncs különbség Legyen, B és C 3 csoport! B és C nncs
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:
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:
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
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.
Részletesebbens n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
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,
Részletesebben4 2 lapultsági együttható =
Leíró statsztka Egy kísérlet végeztével általában tetemes mennységű adat szokott összegyűln. Állandó probléma, hogy mt s kezdjünk - lletve mt tudunk kezden az adatokkal. A statsztka ebben segít mnket.
RészletesebbenFolyadékszcintillációs spektroszkópia jegyz könyv
Folyadékszcintillációs spektroszkópia jegyz könyv Zsigmond Anna Julia Fizika MSc I. Mérés vezet je: Horváth Ákos Mérés dátuma: 2010. október 21. Leadás dátuma: 2010. november 8. 1 1. Bevezetés A mérés
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:
RészletesebbenStatisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.
Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan
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.
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
RészletesebbenRegresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
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
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,
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
RészletesebbenVéletlenszám generátorok. 6. előadás
Véletlenszám generátorok 6. előadás Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes
RészletesebbenA valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
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
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
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 +
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenTáblázatok 4/5. C: t-próbát alkalmazunk és mivel a t-statisztika értéke 3, ezért mind a 10%-os, mind. elutasítjuk a nullhipotézist.
1. Az X valószínőség változó 1 várható értékő és 9 szórásnégyzető. Y tıle független várható értékkel és 1 szórásnégyzettel. a) Menny X + Y várható értéke? 13 1 b) Menny X -Y szórásnégyzete? 13 1 összesen
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
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
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
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 =
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
RészletesebbenA sokaság/minta eloszlásának jellemzése
3. előadás A sokaság/mnta eloszlásának jellemzése tpkus értékek meghatározása; az adatok különbözőségének vzsgálata, a sokaság/mnta eloszlásgörbéjének elemzése. Eloszlásjellemzők Középértékek helyzet (Me,
RészletesebbenA mérési eredmény megadása
A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk meg: a determinisztikus és a véletlenszerű
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
RészletesebbenNEVEZETES FOLYTONOS ELOSZLÁSOK
Bodó Beáta - MATEMATIKA II 1 NEVEZETES FOLYTONOS ELOSZLÁSOK EXPONENCIÁLIS ELOSZLÁS 1. A ξ valószínűségi változó eponenciális eloszlású 80 várható értékkel. (a) B Adja meg és ábrázolja a valószínűségi változó
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
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 :
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
RészletesebbenVéletlenszám generátorok és tesztelésük. Tossenberger Tamás
Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél
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
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenMinősítéses mérőrendszerek képességvizsgálata
Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek
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,
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,
RészletesebbenMETROLÓGIA ÉS HIBASZÁMíTÁS
METROLÓGIA ÉS HIBASZÁMíTÁS Metrológa alapfogalmak A metrológa a mérések tudománya, a mérésekkel kapcsolatos smereteket fogja össze. Méréssel egy objektum valamlyen tulajdonságáról számszerű értéket kapunk.
RészletesebbenSegítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
RészletesebbenA statisztikai vizsgálat tárgyát képező egyedek összességét statisztikai sokaságnak nevezzük.
Statisztikai módszerek. BMEGEVGAT01 Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudomáyi Egyetem Gépészméröki Kar Hidrodiamikai Redszerek Taszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
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
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Életta Aatóma Kéma Lehet kérdés?? Statsztka! Az orvos dötéseket hoz! Mkor jó egy dötés? Meyre helyes egy dötés? Mekkora a tévedés lehetősége? Példa: test hőmérséklet
RészletesebbenCompton-effektus. Zsigmond Anna. jegyzıkönyv. Fizika BSc III.
Compton-effektus jegyzıkönyv Zsigmond Anna Fizika BSc III. Mérés vezetıje: Csanád Máté Mérés dátuma: 010. április. Leadás dátuma: 010. május 5. Mérés célja A kvantumelmélet egyik bizonyítékának a Compton-effektusnak
RészletesebbenMatematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József
Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Matematika III. 5. : Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP
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
RészletesebbenModern Fizika Labor Fizika BSC
Modern Fizika Labor Fizika BSC A mérés dátuma: 2009. május 4. A mérés száma és címe: 9. Röntgen-fluoreszencia analízis Értékelés: A beadás dátuma: 2009. május 13. A mérést végezte: Márton Krisztina Zsigmond
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
Részletesebbeni p i p 0 p 1 p 2... i p i
. vizsga, 06--9, Feladatok és megoldások. (a) Adja meg az diszkrét eloszlás várható értékének a definícióját! i 0... p i p 0 p p... i p i (b) Tegyük fel, hogy a rigófészkekben található tojások X száma
RészletesebbenMatematikai statisztika
Matematka statsztka 8. elıadás http://www.math.elte.hu/~arato/matstat0.htm Kétmtás eset: függetle mták + + + = + ) ( ) ( ) ( Y Y X X Y X m m m t m Ha smert a szórás: (X elemő, σ szórású, Y m elemő, σ szórású),
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)
Részletesebben14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull
14 A Black-choles-Merton modell Copyright John C. Hull 01 1 Részvényárak viselkedése (feltevés!) Részvényár: μ: elvárt hozam : volatilitás Egy rövid Δt idő alatt a hozam normális eloszlású véletlen változó:
RészletesebbenVARIANCIAANALÍZIS (szóráselemzés, ANOVA)
VARIANCIAANAÍZIS (szóráselemzés, ANOVA) Varancaanalízs. Varancaanalízs (szóráselemzés, ANOVA) Adott: egy vagy több tetszőleges skálájú független változó és egy legalább ntervallum skálájú függő változó.
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
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
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.
RészletesebbenVillamosmérnök A4 11. hét Kétdimenziós normális eloszlás, cht - Megoldások
Villamosmérnök A 11. hét Kétdimenziós normális eloszlás, cht - Megoldások Kétdimenziós normális összefoglalás Egy kétdimenziós X, Y valószínűségi változó kovariancia mátrixa: VarX CovX, Y CovX, Y VarY
RészletesebbenBiomatematika 13. Varianciaanaĺızis (ANOVA)
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
RészletesebbenMatematikai alapok és valószínőségszámítás. Normál eloszlás
Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak
RészletesebbenA Mössbauer-effektus vizsgálata
A Mössbauer-effektus vizsgálata Tóth ence fizikus,. évfolyam 006.0.0. csütörtök beadva: 005.04.0. . A mérés célja három minta: lágyvas, nátrium-nitroprusszid és rozsdamentes acél Mössbauereffektusának
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenDarupályák ellenőrző mérése
Darupályák ellenőrző mérése A darupályák építésére, szerelésére érvényes 15030-58 MSz szabvány tartalmazza azokat az előírásokat, melyeket a tervezés, építés, műszak átadás során be kell tartan. A geodéza
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
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenALAKOS KÖRKÉS PONTOSSÁGI VIZSGÁLATA EXCEL ALAPÚ SZOFTVERREL OKTATÁSI SEGÉDLET. Összeállította: Dr. Szabó Sándor
MISKOLCI EGYETEM Gépgyártástechnológa Tanszék Mskolc - Egyetemváros ALAKOS KÖRKÉS PONTOSSÁGI VIZSGÁLATA EXCEL ALAPÚ SZOFTVERREL OKTATÁSI SEGÉDLET Összeállította: Dr. Szabó Sándor A orgácsoló megmunkálásokhoz
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
RészletesebbenBékefi Zoltán. Közlekedési létesítmények élettartamra vonatkozó hatékonyság vizsgálati módszereinek fejlesztése. PhD Disszertáció
Közlekedés létesítmények élettartamra vonatkozó hatékonyság vzsgálat módszerenek fejlesztése PhD Dsszertácó Budapest, 2006 Alulírott kjelentem, hogy ezt a doktor értekezést magam készítettem, és abban
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
RészletesebbenBiostatisztika VIII. Mátyus László. 19 October
Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
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.
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
Részletesebben1. Gauss-eloszlás, természetes szórás
1. Gauss-eloszlás, természetes szórás A Gauss-eloszlásnak megfelelő függvény: amely egy σ szélességű, µ középpontú, 1-re normált (azaz a teljes görbe alatti terület 1) görbét ír le. A természetben a centrális
RészletesebbenNehézségi gyorsulás mérése megfordítható ingával
Nehézségi gyorsulás mérése megfordítható ingával (Mérési jegyzőkönyv) Hagymási Imre 2007. április 21. (hétfő délelőtti csoport) 1. A mérés elmélete A nehézségi gyorsulás mérésének egy klasszikus módja
RészletesebbenZ v 1 (t)v 2 (t τ)dt. R 12 (τ) = 1 R 12 (τ) = lim T T. ill. periódikus jelekre:
1 Korrelációs fügvények Hasonlóság mértéke a két függvény szorzatának integrálja Időbeli változások esetén lehet vizsgálni a hasonlóságot a τ relatív időkülönbség szerint: Keresztkorrelációs függvény:
RészletesebbenFizika labor zh szept. 29.
Fzka laor zh 6. szept. 9.. Mar nén évek óta a sark pékségen vesz magának 8 dkg-os rozskenyeret. Hazaérve mndg lemér, hány dkg-os kenyeret kapott aznap, és statsztkát készít a kenyerek tömegének eloszlásáról.
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
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
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
Részletesebben2. Hangfrekvenciás mechanikai rezgések vizsgálata jegyzőkönyv. Zsigmond Anna Fizika Bsc II. Mérés dátuma: Leadás dátuma:
2. Hangfrekvenciás mechanikai rezgések vizsgálata jegyzőkönyv Zsigmond Anna Fizika Bsc II. Mérés dátuma: 2008. 09. 24. Leadás dátuma: 2008. 10. 01. 1 1. Mérések ismertetése Az 1. ábrán látható összeállításban
Részletesebbend(f(x), f(y)) q d(x, y), ahol 0 q < 1.
Fxponttétel Már a hétköznap életben s gyakran tapasztaltuk, hogy két pont között a távolságot nem feltétlenül a " kettő között egyenes szakasz hossza" adja Pl két település között a távolságot közlekedés
Részletesebben(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
RészletesebbenA gyakorlat célja a fehér és a színes zaj bemutatása.
A gyakorlat célja a fehér és a színes zaj bemutatása. 1.@. FFT begyakorlása n = [:9]; % Harminc minta x = cos(*pi*n/1); % 1 mintát veszünk periodusonként N1 = 64; % Három módon számoljuk az FFT-t N = 18;
RészletesebbenTanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.
8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral
RészletesebbenIII. Képességvizsgálatok
Képességvizsgálatok 7 A folyamatképesség vizsgálata A 3 fejezetben láttuk, hogy ahhoz, hogy egy folyamat jellemzıjét a múltbeli viselkedése alapján egy jövıbeni idıpontra kiszámíthassuk (pontosabban, hogy
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
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
Részletesebben