Valószínűségszámítás és statisztika a fizikában március 12.
|
|
- László Németh
- 5 évvel ezelőtt
- Látták:
Átírás
1 Valószínűségszámítás és statisztika a fizikában március 12.
2 MOMENTUMOK, GENERÁTORFÜGGVÉNY, KARAKTERISZTIKUS FÜGGVÉNY
3 általános definíciója Definíció: A X valószínűségi változó k-adik momentuma: X k = x k = x k ρ X(x)dx. A X valószínűségi változó k-adik centrális momentuma: µ k = (X X ) k = (x x ) k = (x x ) k ρ X(x)dx. Mi X első momentuma? Mi X második centrális momentuma?
4 általános definíciója Definíció: A X valószínűségi változó k-adik momentuma: X k = x k = x k ρ X(x)dx. A X valószínűségi változó k-adik centrális momentuma: µ k = (X X ) k = (x x ) k = (x x ) k ρ X(x)dx. Mi X első momentuma? Mi X második centrális momentuma?
5 általános definíciója Definíció: A X valószínűségi változó k-adik momentuma: X k = x k = x k ρ X(x)dx. A X valószínűségi változó k-adik centrális momentuma: µ k = (X X ) k = (x x ) k = (x x ) k ρ X(x)dx. Mi X első momentuma? A várható érték! Mi X második centrális momentuma?
6 általános definíciója Definíció: A X valószínűségi változó k-adik momentuma: X k = x k = x k ρ X(x)dx. A X valószínűségi változó k-adik centrális momentuma: µ k = (X X ) k = (x x ) k = (x x ) k ρ X(x)dx. Mi X első momentuma? A várható érték! Mi X második centrális momentuma?
7 általános definíciója Definíció: A X valószínűségi változó k-adik momentuma: X k = x k = x k ρ X(x)dx. A X valószínűségi változó k-adik centrális momentuma: µ k = (X X ) k = (x x ) k = (x x ) k ρ X(x)dx. Mi X első momentuma? A várható érték! Mi X második centrális momentuma? A szórásnégyzet!
8 Definíció: Ha X diszkrét valószínűségi változó, mely nem negatív egész számokat vehet fel a P(X = 0) = p 0, P(X = 1) = p 1, P(X = k) = p k, eloszlással, akkor a hozzá tartozó generátor: azaz formálisan G X(z) = z X. G X(z) = p kz k, k=0
9 és momentumok Ha G(z) = p kz k, akkor k=0 Mi lesz G(1)? Hogyan lehet p k-t a G(z) segítségével kifejezni? Hogyan lehet a X = k várható értéket G(z) segítségével kifejezni?
10 és momentumok Ha G(z) = p kz k, akkor k=0 Mi lesz G(1)? Hogyan lehet p k-t a G(z) segítségével kifejezni? Hogyan lehet a X = k várható értéket G(z) segítségével kifejezni? és momentumok G(1) = 1, p k = 1 k! X = k = d k G(z), dz k z=0 k=0 X n = k n = k=0 kp k = dg(z) = G (1), dz z=1 k n p k = [z z ] n G(z) z=1
11 és momentumok és momentumok A várható érték és szórás kifejezése a generátor segítségével: X = k = kp k = dg(z) = G (1), dz z=1 k=0 σ 2 (X) = X 2 X 2 = [z z ] 2 G(z) z=1 G (1) 2 = [z z ] zg (1) G (1) 2 = G (1) + G (1) G (1) 2. z=1
12 és momentumok eloszlás a a momentumok generátor Az összes momentum ismerete egyenlő az eloszlás ismeretével!
13 Példák Példa Korábban láttuk, hogy a binomiális eloszlás számos fontos problémánál felbukkan, (pl. valszám vizsgát sikeresen lerakó hallgatók száma, véletlen gráf fokszámeloszlása, stb.). Mi lesz a binomiális eloszlás generátore? Bernoulli problémája Binomiális eloszlás I. Várható érték Szórás Binomiális eloszlás II.
14 Példák Példa Korábban láttuk, hogy a binomiális eloszlás számos fontos problémánál felbukkan, (pl. valszám vizsgát sikeresen lerakó hallgatók száma, véletlen gráf fokszámeloszlása, stb.). Mi lesz a binomiális eloszlás generátore? P(X = k) = p k = ( N k )pk (1 p) N k, G X(z) = N k=0 N ( N k )pk (1 p) N k z k = ( N k )(pz)k (1 p) N k = k=0 (pz + 1 p) N = (1 p(1 z)) N. Bernoulli problémája Binomiális eloszlás I. Várható érték Szórás Binomiális eloszlás II.
15 Példák Példa Korábban láttuk, hogy a binomális eloszlást nagy N-ek esetén Poisson eloszlással szoktuk közelíteni. Mi lesz a Poisson eloszlás generátore? Poisson eloszlás I. Poisson eloszlás II.
16 Példák Példa Korábban láttuk, hogy a binomális eloszlást nagy N-ek esetén Poisson eloszlással szoktuk közelíteni. Mi lesz a Poisson eloszlás generátore? P(X = k) = p k = λk e λ G X(z) = k=0 = e λ(z 1). k! λ k e λ z k (λz) k e λ = k! k! k=0 = e λ e λz (λz) k e λz k=0 k! 1 Poisson eloszlás I. Poisson eloszlás II.
17 Összeg generátore Ha X és Y független, akkor miként lehet a Z = X + Y változó generátorét kifejezni a X és Y generátoreivel? Összeg eloszlása
18 Összeg generátore Ha X és Y független, akkor miként lehet a Z = X + Y változó generátorét kifejezni a X és Y generátoreivel? p (Z) k = i G Z(z) = k G Z(z) = i p (X) i p (Y) k i, p (Z) k p (X) i z k = k z i j i p (X) i p (Y) k i zk = p (Y) j z j = G X(z)G Y(z). k i p (X) i p (Y) k i zi z k i = Összeg eloszlása
19 Összeg generátore Ha X és Y független, akkor miként lehet a Z = X + Y változó generátorét kifejezni a X és Y generátoreivel? p (Z) k = i G Z(z) = k G Z(z) = i p (X) i p (Y) k i, p (Z) k p (X) i z k = k z i j i p (X) i p (Y) k i zk = p (Y) j z j = G X(z)G Y(z). k i p (X) i p (Y) k i zi z k i = Összeg generátore Ha X 1, X 2,..., X n független valószínűségi változók és Y = X 1 + X X n, akkor Y generátore: G Y(z) = G X1 +X 2 + +X n (z) = z X 1+X 2 + +X n = z X 1 z X 2 z Xn = z X 1 z X 2 z Xn = G X1 (z)g X2 (z) G Xn (z). Összeg eloszlása
20 Több dimenziós eset több dimenzióban Definíció: Ha a X valószínűségi változó komponensei nem negatív egész számokat vehetnek fel, a P( X = k) = P(X 1 = k 1, X 2 = k 2,..., X n = k n) = p k1,k 2,...,k n eloszlással, akkor a hozzá tartozó generátor: G X( z) = G X(z 1, z 2,..., z n) = k 1 =0 k 2 =0 k n=0 p k1,k 2,...,k n z k 1 1 zk 2 2 zkn n.
21 Több dimenziós eset és G( z) Az i-edik komponens várható értéke: X i = k 1 =0 k 2 =0 k n=0 A magasabb momentumok és a szórás: (X i) r = k 1 =0 k 2 =0 k n=0 k ip k1,k 2,...,k n = G( z). z i z=1 k r i p k1,k 2,...,k n = [z i ] z i r G( z), z=1 σ 2 (X i) = X 2 i X i 2 2 = [z i ] G( z) [ G( z) z i z=1 2 G( z) + G( z) [ G( z) 2 ] z 2 i z z=1 i z=1 z i z=1 z i z=1 2 ] =
22 Ez az alfejezet semmilyen formában nem kerül számonkérésre... De egy érdekes példát mutat generátorek alkalmazására.
23 Ez az alfejezet semmilyen formában nem kerül számonkérésre... De egy érdekes példát mutat generátorek alkalmazására.
24 Összefüggő komponens egy : olyan rész hálózat, melyben a kapcsolatokon (éleken) keresztül eljuthatunk akármelyik csomópontból (csúcsból) akármelyik másik csomópontba. Óriás komponens: aminek s 1 mérete a teljes rendszerméret, N mellett sem elhanyagolható, s 1 > 0 akkor is, ha N. N Óriás komponens jelenléte vagy hiánya drasztikusan megváltoztatja a hálózat viselkedését. Mikor jelenik meg/tűnik el az óriás komponens? PERKOLÁCIÓ
25 Összefüggő komponens egy : olyan rész hálózat, melyben a kapcsolatokon (éleken) keresztül eljuthatunk akármelyik csomópontból (csúcsból) akármelyik másik csomópontba. Óriás komponens: aminek s 1 mérete a teljes rendszerméret, N mellett sem elhanyagolható, s 1 > 0 akkor is, ha N. N Óriás komponens jelenléte vagy hiánya drasztikusan megváltoztatja a hálózat viselkedését. Mikor jelenik meg/tűnik el az óriás komponens? PERKOLÁCIÓ
26 Összefüggő komponens egy : olyan rész hálózat, melyben a kapcsolatokon (éleken) keresztül eljuthatunk akármelyik csomópontból (csúcsból) akármelyik másik csomópontba. Óriás komponens: aminek s 1 mérete a teljes rendszerméret, N mellett sem elhanyagolható, s 1 > 0 akkor is, ha N. N Óriás komponens jelenléte vagy hiánya drasztikusan megváltoztatja a hálózat viselkedését. Mikor jelenik meg/tűnik el az óriás komponens? PERKOLÁCIÓ
27 Összefüggő komponens egy : olyan rész hálózat, melyben a kapcsolatokon (éleken) keresztül eljuthatunk akármelyik csomópontból (csúcsból) akármelyik másik csomópontba. Óriás komponens: aminek s 1 mérete a teljes rendszerméret, N mellett sem elhanyagolható, s 1 > 0 akkor is, ha N. N Óriás komponens jelenléte vagy hiánya drasztikusan megváltoztatja a hálózat viselkedését. Mikor jelenik meg/tűnik el az óriás komponens? PERKOLÁCIÓ
28 Perkoláció szabályos rácson Perkoláció szabályos rácson egy rácspont (vagy él) betöltött p valószínűséggel, a kritikus p c-nél megjelenik a perkoláló klaszter. s S= 1 N (Barabási A.-L. fóliáiról)
29 Pl. a véletlen csúcs (vagy él) meghibásodások felfoghatók úgy, mint egy inverz perkolációs folyamat. (Barabási A.-L. fóliáiról)
30 Célkitűzés Hol van a perkoláció kritikus pontja egy véletlen? Feltevéseink: ismerjük a fokszámeloszlást: p(k) = P( egy v.v. csúcsnak k kapcsolata van ), a kritikus pontot a széttöredezett fázis felől közelítjük: a hálózat még elég ritka és elég véletlen ahhoz, hogy lokálisan fa szerű legyen.
31 Perkoláció és generátorek Bevezetünk néhány diszkrét eloszlást: p(k) k p(k) = P(v.v csúcsnak k éle van ). (Ezt hívják fokszámeloszlásnak). I(k) S=k I(k) = P(v.v. csúcs egy k méretű komponensben van). H(k) S=k Σ S=k H(k) = P(v.v. él egyik végén egy k méretű komponens van). H (k) m m H m(k) = P(v.v. m darab élek egyik végein található komponensek összmérete k).
32 Perkoláció és generátorek Alapötlet: I(k) = p(0)h 0 (k 1) + p(1)h 1 (k 1) + p(2)h 2 (k 1) p(m)h m(k 1) +... = p(m)h m(k 1) m=0 Vesszük mindkét oldal generátorét: G I (x) = = p(m)h m(k 1)x k = k=0 m=0 1 d k 1 p(m) k=0 m=0 (k 1)! dx k 1 G x H,m(x) x=0 k
33 Perkoláció és generátorek Alapötlet: I(k) = p(0)h 0 (k 1) + p(1)h 1 (k 1) + p(2)h 2 (k 1) p(m)h m(k 1) +... = p(m)h m(k 1) m=0 Vesszük mindkét oldal generátorét: G I (x) = = p(m)h m(k 1)x k = k=0 m=0 1 d k 1 p(m) k=0 m=0 (k 1)! dx k 1 G x H,m(x) x=0 k
34 Perkoláció és generátorek Alapötlet: I(k) = p(0)h 0 (k 1) + p(1)h 1 (k 1) + p(2)h 2 (k 1) p(m)h m(k 1) +... = p(m)h m(k 1) m=0 Vesszük mindkét oldal generátorét: G I (x) = = p(m)h m(k 1)x k = k=0 m=0 1 d k 1 p(m) k=0 m=0 (k 1)! dx k 1 G x H,m(x) x=0 k
35 Perkoláció és generátorek A G H,m(x) kifejezhető G H(x)-el: S=k Σ S=k G H,m (x) = [G H (x)] m H(k) m H (k) m G I (x) = = 1 d k 1 p(m) k=0 m=0 (k 1)! dx k 1 G x H,m(x) x=0 k 1 d k 1 p(m) k=0 m=0 (k 1)! dx k 1 [G H(x)] m x x=0 k p(m) [G H (x)] m x = xg(g H (x)), m=0 ahol G(x) a p(k) fokszámeloszlás generátore.
36 Perkoláció és generátorek A G H,m(x) kifejezhető G H(x)-el: S=k Σ S=k G H,m (x) = [G H (x)] m H(k) m H (k) m G I (x) = = 1 d k 1 p(m) k=0 m=0 (k 1)! dx k 1 G x H,m(x) x=0 k 1 d k 1 p(m) k=0 m=0 (k 1)! dx k 1 [G H(x)] m x x=0 k p(m) [G H (x)] m x = xg(g H (x)), m=0 ahol G(x) a p(k) fokszámeloszlás generátore.
37 Perkoláció és generátorek I(k) = P(v.v csúcs egy k méretű komponensben van). Egy v.v csúcs komponensének várható mérete: S = G I(1) = [xg(g H (x)] x=1 = G(G I (1)) + G (1)G H(1) = = 1 + k G H(1), ahol G (1) = k a fokszám várható értéke. Hogyan lehetne G H(1)-et meghatározni?
38 Perkoláció és generátorek I(k) = P(v.v csúcs egy k méretű komponensben van). Egy v.v csúcs komponensének várható mérete: S = G I(1) = [xg(g H (x)] x=1 = G(G I (1)) + G (1)G H(1) = = 1 + k G H(1), ahol G (1) = k a fokszám várható értéke. Hogyan lehetne G H(1)-et meghatározni?
39 Perkoláció és generátorek I(k) = P(v.v csúcs egy k méretű komponensben van). Egy v.v csúcs komponensének várható mérete: S = G I(1) = [xg(g H (x)] x=1 = G(G I (1)) + G (1)G H(1) = = 1 + k G H(1), ahol G (1) = k a fokszám várható értéke. Hogyan lehetne G H(1)-et meghatározni?
40 Perkoláció és generátorek G H(1) meghatározásához egy újabb eloszlást kell bevezetnünk: q(k) Ötlet: } k q(k) = P(v.v él egyik végén k további élekre lehet tovább menni). H(k) = q(0)h 0 (k 1) + q(1)h 1 (k 1) + q(2)h 2 (k 1) q(m)h m(k 1) +... = q(m)h m(k 1) m=0 Megint vesszük mindkét oldal generátorét.
41 Perkoláció és generátorek G H(1) meghatározásához egy újabb eloszlást kell bevezetnünk: q(k) Ötlet: } k q(k) = P(v.v él egyik végén k további élekre lehet tovább menni). H(k) = q(0)h 0 (k 1) + q(1)h 1 (k 1) + q(2)h 2 (k 1) q(m)h m(k 1) +... = q(m)h m(k 1) m=0 Megint vesszük mindkét oldal generátorét.
42 Perkoláció és generátorek G H(1) meghatározásához egy újabb eloszlást kell bevezetnünk: q(k) Ötlet: } k q(k) = P(v.v él egyik végén k további élekre lehet tovább menni). H(k) = q(0)h 0 (k 1) + q(1)h 1 (k 1) + q(2)h 2 (k 1) q(m)h m(k 1) +... = q(m)h m(k 1) m=0 Megint vesszük mindkét oldal generátorét.
43 Perkoláció és generátorek G H(1) meghatározásához egy újabb eloszlást kell bevezetnünk: q(k) Ötlet: } k q(k) = P(v.v él egyik végén k további élekre lehet tovább menni). H(k) = q(0)h 0 (k 1) + q(1)h 1 (k 1) + q(2)h 2 (k 1) q(m)h m(k 1) +... = q(m)h m(k 1) m=0 Megint vesszük mindkét oldal generátorét.
44 Perkoláció és generátorek G H (x) = = = = q(m)h m(k 1)x k = k=0 m=0 1 d k 1 q(m) k=0 m=0 (k 1)! dx k 1 G x H,m(x) x=0 k 1 d k 1 q(m) k=0 m=0 (k 1)! dx k 1 [G H(x)] m x x=0 k q(m) [G H (x)] m x = xg q(g H (x)) m=0 G H(1) = G q(g H (1)) + G q(1)g H(1) = 1 + G q(1)g H(1) G H(1) = 1 1 G q(1)
45 Perkoláció és generátorek Visszahelyettesítve: A kritikus pont: S = 1 + k G H(1) = 1 + G q(1) = 1 k 1 G q(1) A G q(x)-t ki tudjuk fejezni a fokszámeloszlás segítségével: q(k) = P(v.v él egyik végén k + 1 fokszámú csúcs), kn k kp(k) P(él végén k fokszámú csúcs) = k k = N k k k p(k ) = q(k) = k + 1 p(k + 1) k = kp(k) k G q(x) = 1 (k + 1)p(k + 1)x k = 1 lp(l)x l 1 = G (x) k k=0 k l=1 k
46 Perkoláció és generátorek Visszahelyettesítve: A kritikus pont: S = 1 + k G H(1) = 1 + G q(1) = 1 k 1 G q(1) A G q(x)-t ki tudjuk fejezni a fokszámeloszlás segítségével: q(k) = P(v.v él egyik végén k + 1 fokszámú csúcs), kn k kp(k) P(él végén k fokszámú csúcs) = k k = N k k k p(k ) = q(k) = k + 1 p(k + 1) k = kp(k) k G q(x) = 1 (k + 1)p(k + 1)x k = 1 lp(l)x l 1 = G (x) k k=0 k l=1 k
47 Perkoláció és generátorek Visszahelyettesítve: A kritikus pont: S = 1 + k G H(1) = 1 + G q(1) = 1 k 1 G q(1) A G q(x)-t ki tudjuk fejezni a fokszámeloszlás segítségével: q(k) = P(v.v él egyik végén k + 1 fokszámú csúcs), kn k kp(k) P(él végén k fokszámú csúcs) = k k = N k k k p(k ) = q(k) = k + 1 p(k + 1) k = kp(k) k G q(x) = 1 (k + 1)p(k + 1)x k = 1 lp(l)x l 1 = G (x) k k=0 k l=1 k
48 Perkoláció és generátorek Visszahelyettesítve: A kritikus pont: S = 1 + k G H(1) = 1 + G q(1) = 1 k 1 G q(1) A G q(x)-t ki tudjuk fejezni a fokszámeloszlás segítségével: q(k) = P(v.v él egyik végén k + 1 fokszámú csúcs), kn k kp(k) P(él végén k fokszámú csúcs) = k k = N k k k p(k ) = q(k) = k + 1 p(k + 1) k = kp(k) k G q(x) = 1 (k + 1)p(k + 1)x k = 1 lp(l)x l 1 = G (x) k k=0 k l=1 k
49 Perkoláció és generátorek A G q(1) a másodszomszédok számának várható értékével áll nagyon szoros kapcsolatban. Bevezetjük: q m(k) m k q m(k) = P(m darab v.v. élek egyik végein összesen k további élekre lehet továbbmenni). n 2(k) = P(egy v.v. csúcs másodszomszédainak száma k). n 2(k) = p(0)q 0(k) + p(1)q 1(k) + p(2)q 2(k) p(m)q m(k) +... = p(m)q m(k) m=0 (Megint vesszük mindkét oldal generátorét).
50 Perkoláció és generátorek A G q(1) a másodszomszédok számának várható értékével áll nagyon szoros kapcsolatban. Bevezetjük: q m(k) m k q m(k) = P(m darab v.v. élek egyik végein összesen k további élekre lehet továbbmenni). n 2(k) = P(egy v.v. csúcs másodszomszédainak száma k). n 2(k) = p(0)q 0(k) + p(1)q 1(k) + p(2)q 2(k) p(m)q m(k) +... = p(m)q m(k) m=0 (Megint vesszük mindkét oldal generátorét).
51 Perkoláció és generátorek A G q(1) a másodszomszédok számának várható értékével áll nagyon szoros kapcsolatban. Bevezetjük: q m(k) m k q m(k) = P(m darab v.v. élek egyik végein összesen k további élekre lehet továbbmenni). n 2(k) = P(egy v.v. csúcs másodszomszédainak száma k). n 2(k) = p(0)q 0(k) + p(1)q 1(k) + p(2)q 2(k) p(m)q m(k) +... = p(m)q m(k) m=0 (Megint vesszük mindkét oldal generátorét).
52 Perkoláció és generátorek A G q(1) a másodszomszédok számának várható értékével áll nagyon szoros kapcsolatban. Bevezetjük: q m(k) m k q m(k) = P(m darab v.v. élek egyik végein összesen k további élekre lehet továbbmenni). n 2(k) = P(egy v.v. csúcs másodszomszédainak száma k). n 2(k) = p(0)q 0(k) + p(1)q 1(k) + p(2)q 2(k) p(m)q m(k) +... = p(m)q m(k) m=0 (Megint vesszük mindkét oldal generátorét).
53 Perkoláció és generátorek G n,2 (x) = = = = p(m)q m(k)x k = k=0 m=0 p(m) 1 d k k=0 m=0 k! dx k Gm,q(x) x k = x=0 p(m) 1 d k k=0 m=0 k! dx k [Gq(x)]m x x=0 k = p(m) [G q(x)] m = G(G q(x)) m=0 z 2 = n 2 = G n,2 (1) = G (1)G q(1) = k G q(1) G q(1) = z 2 k = z 2 z 1
54 Perkoláció és generátorek A perkoláció kritikus pontja Ez alapján a komponensméret várható értéke S = 1 + k 1 G q(1) = 1 + k 1 z 2 / k = = 1 + k 2 k z 2 = 1 + z 2 1 z 1 z 2 Ez a következőket jelenti: z 1 > z 2 pici, izolált klaszterek z 1 = z 2 KRITIKUS PONT! z 1 < z 2 óriás komponens
55 Perkoláció és generátorek A perkoláció kritikus pontja Ez alapján a komponensméret várható értéke S = 1 + k 1 G q(1) = 1 + k 1 z 2 / k = = 1 + k 2 k z 2 = 1 + z 2 1 z 1 z 2 Ez a következőket jelenti: z 1 > z 2 pici, izolált klaszterek z 1 = z 2 KRITIKUS PONT! z 1 < z 2 óriás komponens
56 Perkoláció és generátorek Perkoláció az Erdős Rényi modellben Mit kapunk pl. Erdős Rényi féle véletlen gráfra? A fokszámeloszlás binomiális, ami jól közelíthető Poisson-eloszlással: p(k) = ( N k )pk (1 p) N k k k k! e k, G(x) = e k (z 1) G q(x) = G (x) k = e k (z 1) = G(x), azaz a kritikus pontra, azt kapjuk, hogy G q(1) = G (1) = k = 1. (Ez egy híres eredmény, ami teljes precizitással, az általunk használt közelítő feltevések nélkül is bebizonyítható).
57 Perkoláció és generátorek Perkoláció az Erdős Rényi modellben Mit kapunk pl. Erdős Rényi féle véletlen gráfra? A fokszámeloszlás binomiális, ami jól közelíthető Poisson-eloszlással: p(k) = ( N k )pk (1 p) N k k k k! e k, G(x) = e k (z 1) G q(x) = G (x) k = e k (z 1) = G(x), azaz a kritikus pontra, azt kapjuk, hogy G q(1) = G (1) = k = 1. (Ez egy híres eredmény, ami teljes precizitással, az általunk használt közelítő feltevések nélkül is bebizonyítható).
58 Perkoláció és generátorek Perkoláció az Erdős Rényi modellben Mit kapunk pl. Erdős Rényi féle véletlen gráfra? A fokszámeloszlás binomiális, ami jól közelíthető Poisson-eloszlással: p(k) = ( N k )pk (1 p) N k k k k! e k, G(x) = e k (z 1) G q(x) = G (x) k = e k (z 1) = G(x), azaz a kritikus pontra, azt kapjuk, hogy G q(1) = G (1) = k = 1. (Ez egy híres eredmény, ami teljes precizitással, az általunk használt közelítő feltevések nélkül is bebizonyítható).
59 Perkoláció és generátorek
60 Hogyan lehetne általánosítani a generátort folytonos eloszlásokra?
61 Definíció: egy X folytonos valószínűségi változó karakterisztikus e: ϕ(t) = e itx = e itx = e itx ρ(x)dx. A generátor általánosításának felel meg: Ha X diszkrét és nem negatív egészeken fut végig, akkor ρ(x) = ϕ(t) = k=0 P(X = k)δ(x k) = p kδ(x k), k=0 e itx p kδ(x k)dx = k=0 p ke itk = G(z = e it ). k=0
62 Definíció: egy X folytonos valószínűségi változó karakterisztikus e: ϕ(t) = e itx = e itx = e itx ρ(x)dx. A generátor általánosításának felel meg: Ha X diszkrét és nem negatív egészeken fut végig, akkor ρ(x) = ϕ(t) = k=0 P(X = k)δ(x k) = p kδ(x k), k=0 e itx p kδ(x k)dx = k=0 p ke itk = G(z = e it ). k=0
63 és momentumok és momentumok A ρ(x) sűrűség és az összes momentum meghatározható a karakterisztikus segítségével: ρ(x) = 1 2π e itx ϕ(t)dt, X n = x n = 1 n ϕ i n t = [ 1 n n t=0 i t ] ϕ(t). t=0 A ρ(x) egyenleténél kihasználtuk, hogy 1 2π e itx ϕ(t)dt = 1 2π e itx 1 2π e itx ρ(x )dx dt = e it(x x) dt ρ(x )dx = ρ(x). δ(x x)
64 és momentumok eloszlás a a momentumok karakterisztikus Az összes momentum ismerete egyenlő az eloszlás ismeretével!
65 Összeg karakterisztikus e Ha X és Y függetlenek, akkor mi lesz a Z = X + Y változó karakterisztikus e? Összeg eloszlása
66 Összeg karakterisztikus e Ha X és Y függetlenek, akkor mi lesz a Z = X + Y változó karakterisztikus e? ρ Z(x) = ρ X(x y)ρ Y(y)dy ϕ Z(t) = dx dyρ X(x y)ρ Y(y)e itx = ϕ Z(t) = dx dyρ X(x y)ρ Y(y)e it(x y) e ity = ϕ Z(t) = dzρ X(z)e itz dyρ Y(y)e ity = ϕ X(t)ϕ Y(t). Összeg eloszlása
67 Összeg karakterisztikus e Összeg karakterisztikus e Összeg karakterisztikus e a karakterisztikus ek szorzata: Ha X 1, X 2,..., X n független valószínűségi változók és Y = X 1 + X X n, akkor Y karakterisztikus e: ϕ Y(t) = Z X1 +X 2 + +X n (t) = e it(x 1+X 2 + +X n) = e itx 1 e itx 2 e itxn = e itx 1 e itx 2 e itxn = ϕ X1 (t)ϕ X2 (t) ϕ Xn (t). χ 2 -eloszlás
68 Összeg karakterisztikus e Összeg karakterisztikus e Összeg karakterisztikus e a karakterisztikus ek szorzata: Ha X 1, X 2,..., X n független valószínűségi változók és Y = X 1 + X X n, akkor Y karakterisztikus e: ϕ Y(t) = Z X1 +X 2 + +X n (t) = e it(x 1+X 2 + +X n) = e itx 1 e itx 2 e itxn = e itx 1 e itx 2 e itxn = ϕ X1 (t)ϕ X2 (t) ϕ Xn (t). χ 2 -eloszlás
69 MEDIÁN ÉS KVANTILIS
70 Hol van egy eloszlás közepe? Általában a várható értéket szoktuk az eloszlás közepének gondolni... Ez a x -re szimmetrikus ρ(x) esetén teljesen OK, pl. normális eloszlás: ρ( x) µ =2, σ =1 µ =7, σ = x
71 Hol van egy eloszlás közepe? Előfordulnak azonban olyan eloszlások is, ahol ρ(x) erősen aszimmetrikus. Pl. Tegyük fel, hogy egy előadó 200 csokit oszt ki 50 hallgató közt különböző módokon: mindenkinek 4-et, teljesen véletlenszerűen, (minden egyes csokinál véletlenszerűen kiválaszt egy hallgatót, függetlenül az előző választásoktól), a ZH pontszám alapján elért helyezés szerint -az első 5 hallgató 20 csokit kap fejenként, -a 6. helyezéstől a 10.-ig 10-et fejenként, -a 11. helyezéstől a 20.-ig 4-et fejenként, -a 21. helyezéstől a 31.-ig 1-et fejenként. A 4 legstréberebb hallgatónak ad csokit (Az egy hallgatónak adott csokik számának várható értéke minden esetben 200/50=4).
72 Hol van egy eloszlás közepe? Az első két esetben az eloszlás (közel) szimmetrikus és a várható érték tényleg az eloszlás közepén van : 1 ρ( x) <x> x
73 Hol van egy eloszlás közepe? A másik két esetben viszont egy tipikus hallgató kevesebb csokival rendelkezik mint az átlag: 1 ρ( x) <x> x
74 Az erősen aszimmetrikus eloszlások esetén ahol nagy kiugró értékek fordulnak elő, a várható érték helyett sokszor szemléletesebb az eloszlás mediánja. Definíció: egy eloszlás mediánja az az m érték, ahol az eloszlás F(x = m) = 1 2. Szemléletes jelentése: - az eloszlás közepén van abból a szempontból, hogy annak valószínűsége, hogy X < m illetve, hogy X > m egyaránt ha elég nagy számú mintát veszünk az eloszlásból, akkor nagyjából ugyanannyi lesz alatta mint felette.
75 Előfordulhatnak olyan esetek, amikor pontosítani kell a definíción: Ha F(x) = 1 teljesül egy egész [x1, x2] szakaszon keresztül, akkor 2 m = (x 1 + x 2)/2 a szakasz közepén van. F(x) m x
76 Előfordulhatnak olyan esetek, amikor pontosítani kell a definíción: Ha F(x) átugorja az 1 értéket, azaz F(x) = 1 -nek nincs 2 2 megoldása, akkor van egy x 0, melyre P(X < x 0) < 1 és 2 P(X > x 0) < 1. Ilyenkor m = x0. 2 F(x) m x
77 Példák Példa A csokoládé osztogatós példánál a medián: ρ( x) <x> x
78 Példák Példa Mi az exponenciális eloszlás mediánja? F(x) = 1 e λx, ρ(x) = λe λx
79 Példák Példa Mi az exponenciális eloszlás mediánja? F(x) = 1 e λx, Sűrűség alapján: ρ(x) = λe λx m m ρ(x)dx = ρ(x)dx = λe λx dx = 0 m 0 m λe λx dx = 1 2 [ e λx ] m 0 = [ e λx ] m = 1 e λm = e λm = 1 2 m = 1 λ ln 2 Eloszlás alapján: F(x = m) = 1 e λm = 1 2 e λm = 1 2 m = 1 λ ln 2
80 Példák Példa A lognormális eloszlásnál: 1.4 ρ( x) m µ=0, σ=0.3 µ=0, σ= <x> 0.2 m <x> x
81 várható érték Ha a sűrűség szimmetrikus X -re, akkor m = X. Miért?
82 várható érték Ha a sűrűség szimmetrikus X -re, akkor m = X. Ilyenkor a szimmetria miatt x ρ(x)dx = x ρ(x)dx = 1 2.
83 A medián definícióját általánosíthatjuk úgy, hogy az eloszlás, F(x) értékkészletét két nem egyforma nagyságú tartományra osztjuk szét: Definíció: egy eloszlás p-ed rendű e az az Q p érték, melyre F(x = Q p) = p. Fontos ek: - a Q 1 2 a medián, - a Q 1 4 az alsó kvartilis, a Q 3 4 a felső kvartilis. A Q 3 Q 1 az interkvartilis terjedelem ami pl. a szóráshoz hasonlóan 4 4 azt jellemzi, hogy milyen széles egy eloszlás.
84 A medián definícióját általánosíthatjuk úgy, hogy az eloszlás, F(x) értékkészletét két nem egyforma nagyságú tartományra osztjuk szét: Definíció: egy eloszlás p-ed rendű e az az Q p érték, melyre F(x = Q p) = p. Fontos ek: - a Q 1 2 a medián, - a Q 1 4 az alsó kvartilis, a Q 3 4 a felső kvartilis. A Q 3 Q 1 az interkvartilis terjedelem ami pl. a szóráshoz hasonlóan 4 4 azt jellemzi, hogy milyen széles egy eloszlás.
85 A medián definícióját általánosíthatjuk úgy, hogy az eloszlás, F(x) értékkészletét két nem egyforma nagyságú tartományra osztjuk szét: Definíció: egy eloszlás p-ed rendű e az az Q p érték, melyre F(x = Q p) = p. Fontos ek: - a Q 1 2 a medián, - a Q 1 4 az alsó kvartilis, a Q 3 4 a felső kvartilis. A Q 3 Q 1 az interkvartilis terjedelem ami pl. a szóráshoz hasonlóan 4 4 azt jellemzi, hogy milyen széles egy eloszlás.
86 A medián definícióját általánosíthatjuk úgy, hogy az eloszlás, F(x) értékkészletét két nem egyforma nagyságú tartományra osztjuk szét: Definíció: egy eloszlás p-ed rendű e az az Q p érték, melyre F(x = Q p) = p. Fontos ek: - a Q 1 2 a medián, - a Q 1 4 az alsó kvartilis, a Q 3 4 a felső kvartilis. A Q 3 Q 1 az interkvartilis terjedelem ami pl. a szóráshoz hasonlóan 4 4 azt jellemzi, hogy milyen széles egy eloszlás.
87 Definíció: az eloszlás egy módusza a sűrűség, ρ(x), egy lokális maximumhelyének felel meg. Unimodális eloszlás: ρ(x)-nek csak egy maximumhelye van. (Pl. normális-eloszlás). Bimodális, trimodális, stb. eloszlás: ρ(x)-nek két, három, stb. lokális maximumhelye van.
88 Definíció: az eloszlás egy módusza a sűrűség, ρ(x), egy lokális maximumhelyének felel meg. Unimodális eloszlás: ρ(x)-nek csak egy maximumhelye van. (Pl. normális-eloszlás). Bimodális, trimodális, stb. eloszlás: ρ(x)-nek két, három, stb. lokális maximumhelye van.
89 Korreláció Bevezetés Kovariancia Korrelációs együttható KORRELÁCIÓ
90 Korreláció Bevezetés Korreláció Bevezetés Kovariancia Korrelációs együttható Mit jelenthet két valószínűségi változó közti korreláció? Pl. X mint a valszám ZH-ra készülés intenzitása, Y meg a kapott pontszám.
91 Korreláció Bevezetés Korreláció Bevezetés Kovariancia Korrelációs együttható Mit jelenthet két valószínűségi változó közti korreláció? Pl. X mint a valszám ZH-ra készülés intenzitása, Y meg a kapott pontszám.
92 Korreláció Bevezetés Korreláció Bevezetés Kovariancia Korrelációs együttható Mit jelenthet két valószínűségi változó közti korreláció? Pl. X mint a valszám ZH-ra készülés intenzitása, Y meg a kapott pontszám. Ha a kettő független, akkor nincs korreláció és a tanulás mennyisége semmilyen hatással nincs a kapott pontszámra. Ha nem függetlenek és van némi korreláció akkor több pontra számítunk sok tanulás esetén, kevesebbre kevés tanulás esetén, legalábbis az átlagos esethez viszonyítva. Jó ötletnek tűnik a (X X )(Y Y ) szorzatot vizsgálni, hiszen ha X és Y egyforma irányban térnek el az átlaghoz képest, akkor ez a szorzat mindig pozitív lesz.
93 Korreláció Bevezetés Korreláció Bevezetés Kovariancia Korrelációs együttható Mit jelenthet két valószínűségi változó közti korreláció? Pl. X mint a valszám ZH-ra készülés intenzitása, Y meg a kapott pontszám. Ha a kettő független, akkor nincs korreláció és a tanulás mennyisége semmilyen hatással nincs a kapott pontszámra. Ha nem függetlenek és van némi korreláció akkor több pontra számítunk sok tanulás esetén, kevesebbre kevés tanulás esetén, legalábbis az átlagos esethez viszonyítva. Jó ötletnek tűnik a (X X )(Y Y ) szorzatot vizsgálni, hiszen ha X és Y egyforma irányban térnek el az átlaghoz képest, akkor ez a szorzat mindig pozitív lesz.
94 Korreláció Bevezetés Korreláció Bevezetés Kovariancia Korrelációs együttható Mit jelenthet két valószínűségi változó közti korreláció? Pl. X mint a valszám ZH-ra készülés intenzitása, Y meg a kapott pontszám. Ha a kettő független, akkor nincs korreláció és a tanulás mennyisége semmilyen hatással nincs a kapott pontszámra. Ha nem függetlenek és van némi korreláció akkor több pontra számítunk sok tanulás esetén, kevesebbre kevés tanulás esetén, legalábbis az átlagos esethez viszonyítva. Jó ötletnek tűnik a (X X )(Y Y ) szorzatot vizsgálni, hiszen ha X és Y egyforma irányban térnek el az átlaghoz képest, akkor ez a szorzat mindig pozitív lesz.
95 Kovariancia Korreláció Bevezetés Kovariancia Korrelációs együttható Korreláció és kovariancia Definíció: A X és Y valószínűségi változók kovarianciája: Cov(X, Y) = (X X )(Y Y ) = (x x ) (y y ) ρ(x, y)dxdy, ahol ρ(x, y) a X és Y együttes sűrűsége. Alternatív ekvivalens formulája: Cov(X, Y) = (X X )(Y Y ) = XY X Y Y X + X Y = Tulajdonságai: XY X Y Y X + X Y = XY X Y. Ha X és Y független, akkor XY = X Y, emiatt Cov(X, Y) = 0. A X saját magával vett kovarianciája a variancia, más néven a szórásnégyzet: Cov(X, X) =Var(X) = σ 2 (X). Szorzat várható értéke
96 Kovariancia Korreláció Bevezetés Kovariancia Korrelációs együttható Korreláció és kovariancia Definíció: A X és Y valószínűségi változók kovarianciája: Cov(X, Y) = (X X )(Y Y ) = (x x ) (y y ) ρ(x, y)dxdy, ahol ρ(x, y) a X és Y együttes sűrűsége. Alternatív ekvivalens formulája: Cov(X, Y) = (X X )(Y Y ) = XY X Y Y X + X Y = Tulajdonságai: XY X Y Y X + X Y = XY X Y. Ha X és Y független, akkor XY = X Y, emiatt Cov(X, Y) = 0. A X saját magával vett kovarianciája a variancia, más néven a szórásnégyzet: Cov(X, X) =Var(X) = σ 2 (X). Szorzat várható értéke
97 Kovariancia Korreláció Bevezetés Kovariancia Korrelációs együttható Korreláció és kovariancia Definíció: A X és Y valószínűségi változók kovarianciája: Cov(X, Y) = (X X )(Y Y ) = (x x ) (y y ) ρ(x, y)dxdy, ahol ρ(x, y) a X és Y együttes sűrűsége. Alternatív ekvivalens formulája: Cov(X, Y) = (X X )(Y Y ) = XY X Y Y X + X Y = Tulajdonságai: XY X Y Y X + X Y = XY X Y. Ha X és Y független, akkor XY = X Y, emiatt Cov(X, Y) = 0. A X saját magával vett kovarianciája a variancia, más néven a szórásnégyzet: Cov(X, X) =Var(X) = σ 2 (X). Szorzat várható értéke
98 Kovariancia Korreláció Bevezetés Kovariancia Korrelációs együttható Max. mekkora lehet a kovariancia abszolút értéke? Bizonyítás: Először azt látjuk be, hogy Cov(X, Y) σ(x)σ(y). XY X 2 Y 2. Tetszőleges a számra (Y ax) 2 0, ezért 0 (Y ax) 2 = Y 2 2aYX + a 2 X 2 = Y 2 2a YX + a 2 X 2. Helyettesítsünk be a = XY X 2 értéket: 0 Y 2 XY 2 X 2 0 Y 2 X 2 XY 2
99 Kovariancia Korreláció Bevezetés Kovariancia Korrelációs együttható Max. mekkora lehet a kovariancia abszolút értéke? Bizonyítás: Először azt látjuk be, hogy Cov(X, Y) σ(x)σ(y). XY X 2 Y 2. Tetszőleges a számra (Y ax) 2 0, ezért 0 (Y ax) 2 = Y 2 2aYX + a 2 X 2 = Y 2 2a YX + a 2 X 2. Helyettesítsünk be a = XY X 2 értéket: 0 Y 2 XY 2 X 2 0 Y 2 X 2 XY 2
100 Kovariancia Korreláció Bevezetés Kovariancia Korrelációs együttható Max. mekkora lehet a kovariancia abszolút értéke? Bizonyítás: Először azt látjuk be, hogy Cov(X, Y) σ(x)σ(y). XY X 2 Y 2. Tetszőleges a számra (Y ax) 2 0, ezért 0 (Y ax) 2 = Y 2 2aYX + a 2 X 2 = Y 2 2a YX + a 2 X 2. Helyettesítsünk be a = XY X 2 értéket: 0 Y 2 XY 2 X 2 0 Y 2 X 2 XY 2
101 Kovariancia Korreláció Bevezetés Kovariancia Korrelációs együttható Max. mekkora lehet a kovariancia abszolút értéke? Bizonyítás: Először azt látjuk be, hogy Cov(X, Y) σ(x)σ(y). XY X 2 Y 2. Tetszőleges a számra (Y ax) 2 0, ezért 0 (Y ax) 2 = Y 2 2aYX + a 2 X 2 = Y 2 2a YX + a 2 X 2. Helyettesítsünk be a = XY X 2 értéket: 0 Y 2 XY 2 X 2 0 Y 2 X 2 XY 2
102 Kovariancia Korreláció Bevezetés Kovariancia Korrelációs együttható A XY X 2 Y 2 tételt használjuk a X X és Y Y változókra: (X X ) (Y Y ) = Cov(X, Y) (X X ) 2 (Y Y ) 2 = σ(x)σ(y). Ha a kovarianciát leosztjuk a szorások szorzatával, egy 1 és 1 közé eső számot kapunk!
103 Kovariancia Korreláció Bevezetés Kovariancia Korrelációs együttható A XY X 2 Y 2 tételt használjuk a X X és Y Y változókra: (X X ) (Y Y ) = Cov(X, Y) (X X ) 2 (Y Y ) 2 = σ(x)σ(y). Ha a kovarianciát leosztjuk a szorások szorzatával, egy 1 és 1 közé eső számot kapunk!
104 Korrelációs együttható Korreláció Bevezetés Kovariancia Korrelációs együttható Korrelációs együttható Definíció: A X és Y korrelációs együtthatója: C(X, Y) = Cov(X, Y) (X X )(Y Y ) σ(x)σ(y) = = σ(x)σ(y) (Ezt szokták Pearson-korrelációnak hívni). Tulajdonságai: Legfeljebb 1 abszolútértékű: 1 C(X, Y) 1 Ha X és Y független, akkor C(X, Y) = 0. XY X Y. σ(x)σ(y) Egy X valószínűségi változó önmagával vett korrelációs együtthatója C(X, X) = Cov(X,X) σ 2 (X) = 1.
105 Korrelációs együttható Korreláció Bevezetés Kovariancia Korrelációs együttható Korrelációs együttható Definíció: A X és Y korrelációs együtthatója: C(X, Y) = Cov(X, Y) (X X )(Y Y ) σ(x)σ(y) = = σ(x)σ(y) (Ezt szokták Pearson-korrelációnak hívni). Tulajdonságai: Legfeljebb 1 abszolútértékű: 1 C(X, Y) 1 Ha X és Y független, akkor C(X, Y) = 0. XY X Y. σ(x)σ(y) Egy X valószínűségi változó önmagával vett korrelációs együtthatója C(X, X) = Cov(X,X) σ 2 (X) = 1.
106 Korrelációs együttható Korreláció Bevezetés Kovariancia Korrelációs együttható Korrelációs együttható Definíció: A X és Y korrelációs együtthatója: C(X, Y) = Cov(X, Y) (X X )(Y Y ) σ(x)σ(y) = = σ(x)σ(y) (Ezt szokták Pearson-korrelációnak hívni). Tulajdonságai: Legfeljebb 1 abszolútértékű: 1 C(X, Y) 1 Ha X és Y független, akkor C(X, Y) = 0. XY X Y. σ(x)σ(y) Egy X valószínűségi változó önmagával vett korrelációs együtthatója C(X, X) = Cov(X,X) σ 2 (X) = 1.
107 Korrelációs együttható Korreláció Bevezetés Kovariancia Korrelációs együttható Korrelációs együttható Definíció: A X és Y korrelációs együtthatója: C(X, Y) = Cov(X, Y) (X X )(Y Y ) σ(x)σ(y) = = σ(x)σ(y) (Ezt szokták Pearson-korrelációnak hívni). Tulajdonságai: Legfeljebb 1 abszolútértékű: 1 C(X, Y) 1 Ha X és Y független, akkor C(X, Y) = 0. XY X Y. σ(x)σ(y) Egy X valószínűségi változó önmagával vett korrelációs együtthatója C(X, X) = Cov(X,X) σ 2 (X) = 1.
108 Korrelációs együttható Korreláció Bevezetés Kovariancia Korrelációs együttható Korrelációs együttható Definíció: A X és Y korrelációs együtthatója: C(X, Y) = Cov(X, Y) (X X )(Y Y ) σ(x)σ(y) = = σ(x)σ(y) (Ezt szokták Pearson-korrelációnak hívni). Tulajdonságai: Legfeljebb 1 abszolútértékű: 1 C(X, Y) 1 Ha X és Y független, akkor C(X, Y) = 0. XY X Y. σ(x)σ(y) Egy X valószínűségi változó önmagával vett korrelációs együtthatója C(X, X) = Cov(X,X) σ 2 (X) = 1.
109 Korrelációs együttható Példák Korreláció Bevezetés Kovariancia Korrelációs együttható Példák Nézzük meg a korrelációs együttható értékét különböző pontfelhők esetén, ahol X és Y a pontok vízszintes és függőleges koordinátáinak felelnek meg:
Eloszlások 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
RészletesebbenEmpirikus szórásnégyzet
Empirikus égyzet Mi lee hasoló szellembe a becslése a mita alapjá? Empirikus égyzet Mi lee hasoló szellembe a becslése a mita alapjá? Az átlagtól való égyzetes eltérést kée átlagoli... Empirikus égyzet
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
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
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 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:
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
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,
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 valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
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:
RészletesebbenEgyü ttes e s vetü leti eloszlá s, sü rü se gfü ggve ny, eloszlá sfü ggve ny
Együ ttes e s vetü leti eloszlá s, sü rü se gfü ggve ny, eloszlá sfü ggve ny Szűk elméleti összefoglaló Együttes és vetületi eloszlásfüggvény: X = (X, X, X n ) valószínűségi vektorváltozónak hívjuk. X
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.
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
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
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 :
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
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.
RészletesebbenValószínűségelmélet. Pap Gyula. Szegedi Tudományegyetem. Szeged, 2016/2017 tanév, I. félév
Valószínűségelmélet Pap Gyula Szegedi Tudományegyetem Szeged, 2016/2017 tanév, I. félév Pap Gyula (SZTE) Valószínűségelmélet 2016/2017 tanév, I. félév 1 / 125 Ajánlott irodalom: CSÖRGŐ SÁNDOR Fejezetek
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 +
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
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 =
RészletesebbenGyakorló feladatok I.
Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,
RészletesebbenMegoldások MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!
MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!) 2016. JANUÁR 21. Elérhető pontszám: 50 pont Megoldások 1. 6. 2. 7. 3. 8. 4. 9. 5. Össz.:
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
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.
RészletesebbenMatematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
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:
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
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
RészletesebbenSzélsőérték-számítás
Szélsőérték-számítás Jelölések A következő jelölések mind az f függvény x szerinti parciális deriváltját jelentik: Ugyanígy az f függvény y szerinti parciális deriváltja: f x = xf = f x f y = yf = f y
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
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,
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
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:
RészletesebbenMatematika III előadás
Matematika III. - 2. előadás Vinczéné Varga Adrienn Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Előadáskövető fóliák Vinczéné Varga Adrienn (DE-MK) Matematika III. 2016/2017/I 1 / 23 paramétervonalak,
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.
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
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
RészletesebbenMatematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók
Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz
Részletesebben3. Lineáris differenciálegyenletek
3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra
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
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
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
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
RészletesebbenValó szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny
Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny Szűk elméleti összefoglaló Valószínűségi változó: egy függvény, ami az eseményteret a valós számok halmazára tudja vetíteni. A val.
RészletesebbenSztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
RészletesebbenFeladatok a Gazdasági matematika II. tárgy gyakorlataihoz
Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb
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
Részletesebben1. Oldja meg a z 3 (5 + 3j) (8 + 2j) 2. Adottak az A(1,4,3), B(3,1, 1), C( 5,2,4) pontok a térben.
Szak: Műszaki menedzser I. Dátum: 006. június. MEGOLDÓKULCS Tárgy: Matematika szigorlat Idő: 0 perc Neptun kód: Előadó: Berta Gábor szig 06 06 0 Pontszám: /00p. Oldja meg a z (5 + j (8 + j + = (+5j (7
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:
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
RészletesebbenGyakorló feladatok valószínűségszámításból végeredményekkel. a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli
Gyakorló feladatok valószínűségszámításból végeredményekkel a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli Mutassuk meg, hogy tetszőleges A és B eseményekre PA B PA+PB. Mutassuk
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
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
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 geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
Részletesebben2014. szeptember 24. és 26. Dr. Vincze Szilvia
2014. szeptember 24. és 26. Dr. Vincze Szilvia Mind a hétköznapi, mind a tudományos életben gyakran előfordul, hogy bizonyos halmazok elemei között kapcsolat figyelhető meg. A kapcsolat fogalmának matematikai
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
RészletesebbenMatematika III előadás
Matematika III. - 3. előadás Vinczéné Varga Adrienn Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Előadáskövető fóliák Vinczéné Varga Adrienn (DE-MK) Matematika III. 2016/2017/I 1 / 19 Skalármezők
Részletesebbenλx f 1 (x) e λx f 2 (x) λe λx f 2 (x) + e λx f 2(x) e λx f 2 (x) Hasonlóan általában is elérhető sorműveletekkel, hogy csak f (j)
Matematika A3 gyakorlat Energetika és Mechatronika BSc szakok, 016/17 ősz 10 feladatsor: Magasabbrendű lineáris differenciálegyenletek (megoldás) 1 Határozzuk meg az e λx, xe λx, x e λx,, x k 1 e λx függvények
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)
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.
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,
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
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.):
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
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
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
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
Részletesebbenf(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva
6. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 6.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási
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
RészletesebbenA legjobb közeĺıtés itt most azt jelentette, hogy a lineáris
Többváltozós függvények differenciálhatósága f(x) f(x Az egyváltozós függvények differenciálhatóságát a lim 0 ) x x0 x x 0 függvényhatárértékkel definiáltuk, s szemléletes jelentése abban mutatkozott meg,
RészletesebbenVan-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag)
, rangkorreláció Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
RészletesebbenDr. Karácsony Zsolt. Miskolci Egyetem november
Valószínűségszámítás és Matematikai statisztika Dr. Karácsony Zsolt Miskolci Egyetem, Alkalmazott Matematikai Tanszék 2013-2014 tanév 1. félév Miskolci Egyetem 2013. november 11-18 - 25. Dr. Karácsony
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
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
RészletesebbenCsima Judit BME, SZIT február 18.
1 Véletlen gráfok és valós hálózatok Csima Judit BME, SZIT 2011. február 18. Tartalom 2 1. Motiváció: miért pont véletlen gráfok? Tartalom 2 1. Motiváció: miért pont véletlen gráfok? 2. A klasszikus modell:
RészletesebbenRelációk Függvények. A diákon megjelenő szövegek és képek csak a szerző (Kocsis Imre, DE MFK) engedélyével használhatók fel!
függvények RE 1 Relációk Függvények függvények RE 2 Definíció Ha A, B és ρ A B, akkor azt mondjuk, hogy ρ reláció A és B között, vagy azt, hogy ρ leképezés A-ból B-be. Ha speciálisan A=B, azaz ρ A A, akkor
RészletesebbenSTATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.
STATISZTIKA 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 MAGY. MAT. TÖRT. KÉM. ANNA BÉLA CILI András hármas. Béla Az átlag 3,5! kettes. Éva ötös. Nóri négyes. 1 mérés: dolgokhoz valamely szabály alapján szám rendelése
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,
Részletesebben1. A polinom fogalma. Számolás formális kifejezésekkel. Feladat Oldjuk meg az x2 + x + 1 x + 1. = x egyenletet.
1. A polinom fogalma Számolás formális kifejezésekkel. Feladat Oldjuk meg az x2 + x + 1 x + 1 = x egyenletet. Megoldás x + 1-gyel átszorozva x 2 + x + 1 = x 2 + x. Innen 1 = 0. Ez ellentmondás, így az
Részletesebbenmatematikai statisztika 2006. október 24.
Valószínűségszámítás és matematikai statisztika 2006. október 24. ii Tartalomjegyzék I. Valószínűségszámítás 1 1. Véletlen jelenségek matematikai modellje 3 1.1. Valószínűségi mező..............................
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
RészletesebbenMatematikai statisztika szorgalmi feladatok
Matematikai statisztika szorgalmi feladatok 1. Feltételes várható érték és konvolúció 1. Legyen X és Y független és azonos eloszlású valószín ségi változó véges második momentummal. Mutassuk meg, hogy
RészletesebbenKockázati folyamatok. Sz cs Gábor. Szeged, 2012. szi félév. Szegedi Tudományegyetem, Bolyai Intézet
Kockázati folyamatok Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet Szeged, 2012. szi félév Sz cs Gábor (SZTE, Bolyai Intézet) Kockázati folyamatok 2012. szi félév 1 / 48 Bevezetés A kurzus céljai
RészletesebbenMatematika 10 Másodfokú egyenletek. matematika és fizika szakos középiskolai tanár. > o < 2015. szeptember 27.
Matematika 10 Másodfokú egyenletek Juhász László matematika és fizika szakos középiskolai tanár > o < 2015. szeptember 27. copyright: c Juhász László Ennek a könyvnek a használatát szerzői jog védi. A
Részletesebben1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak
1. Generátorrendszer Generátorrendszer. Tétel (Freud, 4.3.4. Tétel) Legyen V vektortér a T test fölött és v 1,v 2,...,v m V. Ekkor a λ 1 v 1 + λ 2 v 2 +... + λ m v m alakú vektorok, ahol λ 1,λ 2,...,λ
RészletesebbenMatematika (mesterképzés)
Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,
RészletesebbenDifferenciálegyenletek
Differenciálegyenletek Losonczi László Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar Debrecen, 2011/12 tanév, I. félév Losonczi László (DE) Differenciálegyenletek 2011/12 tanév, I. félév 1 /
RészletesebbenNevezetes diszkre t eloszlá sok
Nevezetes diszkre t eloszlá sok Szűk elméleti összefoglaló Binomiális eloszlás: Jelölés: X~B(n, p) vagy X B(n, p) Tipikus használata: Egy kétféle kimenetelű (valami beteljesül vagy sem) kísérletet elvégzünk
Részletesebbenmatematikai statisztika gyakorlatok feladatok és megoldások
Valószínűségszámítás és matematikai statisztika gyakorlatok feladatok és megoldások. május 6. ii Tartalomjegyzék. Valószínűségszámítási feladatok.. Függetlenség, feltételes valószínűség.......................
RészletesebbenMegjegyzés: jelenti. akkor létezik az. ekkor
. Hármas Integrál. Bevezetés és definíciók A bevezetés első részében egy feladaton keresztül jutunk el a hármasintegrál definíciójához. Feladat: Legyen R korlátos test, és a testnek legyen az f(x, y, z
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
Részletesebbenvalós számot tartalmaz, mert az ilyen részhalmazon nem azonosság.
2. Közönséges differenciálegyenlet megoldása, megoldhatósága Definíció: Az y függvényt a valós számok H halmazán a közönséges differenciálegyenlet megoldásának nevezzük, ha az y = y(x) helyettesítést elvégezve
RészletesebbenBevezető Adatok rendezése Adatok jellemzése Időbeli elemzés
Gazdaságstatisztika 2. előadás Egy ismérv szerinti rendezés Kóczy Á. László KGK VMI Áttekintés Gyakorisági sorok Grafikus ábrázolásuk Helyzetmutatók Szóródási mutatók Az aszimmetria mérőszámai Koncentráció
RészletesebbenData Security: Public key
Nyilvános kulcsú rejtjelezés RSA rejtjelező El-Gamal rejtjelező : Elliptikus görbe kriptográfia RSA 1. Véletlenszerűen választunk két "nagy" prímszámot: p1, p2 2. m= p1p2 φ ( ) = ( p -1)( p -1) m 1 2 3.
RészletesebbenMiért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
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
Részletesebben