Negyedik fejezet. meglehetősen nagy, de az is lehet, hogy az X szín 5 évvel ezelőtt elő sem fordult. Tehát két. P (a ξ b, c η d)
|
|
- Emília Fodor
- 4 évvel ezelőtt
- Látták:
Átírás
1 Negyedik fejezet Többdimenziós eloszlások Több valószínűségi változó együttes vizsgálatához nem elegendő az egyes változók eloszlásának ismerete. Ez a tény jól érzékelhető a következő hétköznapi életből vett pédából. Tegyük fel, hogy ismerjük a magyar személygépkocsik kor szerinti eloszlását, és szín szerinti eloszlását. E két adat alapján nem tudjuk megmondani, hogy mi a valószínűsége, hogy egy 5 éves autó X színű. Lehetséges, hogy 5 évvel ezelőtt X a legnagyobb divatszín volt, így ez a valószínűség meglehetősen nagy, de az is lehet, hogy az X szín 5 évvel ezelőtt elő sem fordult. Tehát két véletlen mennyiségre vonatkozó kérdések nem válaszolhatók meg az egyes változók eloszlása ismeretében, a sztochasztikus kapcsolatot a két eloszlás maga nem tartalmazza. Egy elvontabb, de ugyanilyen következtetésre vezető példa: Ha ξ és η jelöli a két valószínűségi változót, akkor ξ és η eloszlásfüggvénye semmit nem mond például a P (a ξ b, c η d) valószínűségről, ami az ún. együttes eloszlás segítségével adható meg. Az együttes eloszlás az a fogalom, amely különböző valószínűségi változók egymással való sztochasztikus kapcsolatát kifejezi. 4.. A többdimenziós eloszlás- és sűrűségfüggvény A ξ és η valószínűségi változók együttes eloszlásfüggvénye az a kétváltozós F : IR 2 IR + függvény, amelyre F (x, y) = P (ξ < x, η < y) (x, y IR). (4..) Az F eloszlásfüggvény mindkét változójában növekedő és balról folytonos. Amennyiben ξ és η független, akkor P (ξ < x, η < y) = P (ξ < x)p (η < y), és F (x, y) = F ξ (x)f η (y), tehát két független valószínűségi változó együttes eloszlása egyszerűen a két eloszlásfüggvény szorzata. Ha létezik olyan f : IR 2 IR + függvény, amelyre F (x, y) = x y f(u, v) dv du, (4..2) akkor ezt ξ és η együttes sűrűségfüggvényének nevezzük. (Szokás azt is mondani, hogy f a (ξ, η) valószínűségi vektorváltozó sűrűségfüggvénye.) (4..2) megfordítása a 2 F (x, y) = f(x, y) (4..3) x y
2 2 4. A TÖBBDIMENZIÓS ELOSZLÁS- ÉS SŰRŰSÉGFÜGGVÉNY formula. Ebben az esetben (ξ, η) folytonos valószínűségi vektor változóról beszélünk. Ha a ξ és η valószínűségi változóknak van együttes sűrűségfüggvénye, akkor ξ-nek és η-nak külön-külön is van f ξ és f η sűrűségfüggvénye. f ξ (x) = + f(x, y) dy, f η (y) = + f(x, y) dx. (4..4) Az f ξ és f η sűrűségfüggvényeket a (ξ, η) valószínűségi vektorváltozó peremsűrűségeinek nevezzük. Az f ξ -re vonatkozó képletet a következőképpen láthatjuk be. Ha (4..2)-ben végrehajtjuk az y + határátmenetet, akkor a F ξ (x) = x + f(u, v) dv du formulát kapjuk. Ezt x szerint differenciálva a bal oldalon ξ sűrűségfüggvénye, a jobb oldalon pedig az együttes sűrűségfüggvény második változó szerinti integrálja adódik, (4..4)-nek megfelelően. A (4..) és (4..2) képletek kombinációja a P (ξ < x, η < y) = x y f(u, v) dv du formula, ami nagy mértékben általánosítható. A bal oldalon annak a valószínűsége áll, hogy a (ξ, η) véletlen pont a síknak az A = (u, v) IR 2 : u < x, v < y} részhalmazába esik, a jobb oldal pedig az együttes sűrűségfüggvénynek ezen halmazon vett kettős integrálja. Ez az összefüggés nem csak erre a speciális negyedsíkra, hanem a síknak bármilyen A részhalmazára teljesül: P ((ξ, η) A) = f(u, v) du dv (4..5) Az eddigiekben az egyszerűség kedvéért csak két valószínűségi változó együttes eloszlásés sűrűségfüggvényével foglalkoztunk. A definíciók és formulák természetes módon akárhány valószínűségi változóra is kiterjeszthetők. Ha ξ, ξ 2,..., ξ n n darab valószínűségi változó, akkor az együttes sűrűségfüggvényük n-változós függvény, x, x 2,..., x n változókkal, és például (4..3)-ban n-szeres deriválás, (4..4)-ben egy (n )-szeres, (4..5)-ben egy n-szeres integrálás lesz. Kettőnél több valószínűségi változó főleg a normális eloszlással kapcsolatban fog a továbbiakban szerepelni. 4.. példa: Tegyük fel, hogy két véletlen történés következik be egy időtartam, például egy óra alatt. A ξ valószínűségi változó jelenti egy bizonyos szállítmány beérkezésének az idejét, η pedig annak a szállító vállalathoz intézett telefonhívásnak az idejét, amelyben a szállítmányról érdeklődnek. Tételezzük fel, hogy mind ξ mind η egyenletes eloszlású. Ennek alapján az együttes eloszlásuk nem meghatározott, tehát további feltevésre van szükség. Legyen ξ és η egymástól független. Ekkor az együttes sűrűségfüggvényük: ha x, y, f(x, y) = egyébként. A
3 A sűrűségfüggvény tartója az a halmaz, ahol nullától különböző értékeket vesz fel tehát az egységnégyzet. Az együttes sűrűség ismeretében számos ξ-re és η-ra vontatkozó kérdésre válaszolhatunk. Például: mi a valószínűsége, hogy η < ξ? Annak a valószínűségét számoljuk tehát ki, hogy azelőtt telefonálnak, hogy a szállítmány beérkezett. P (η < ξ) = x f(x, y) dy dx = x dy dx = 2. 3 Az előző példában az együttes sűrűségfüggvény állandó a tartóján. Általában azt mondjuk, hogy a ξ és η valószínűségi változók együttesen egyenletes eloszlásúak az A IR 2 halmazon, ha együttes sűrűségfüggvényük f(x, y) = c ha (x, y) A, különben. Mivel egy sűrűségfüggvény integrálja, a c állandó az A halmaz területének reciproka. Figyelmeztetés: Két együttesen egyenletes eloszlású valószínűségi változó nem mindig független! 4.2. példa: Egy berendezés A és B részegységének meghibásodási idejét a ξ és az η valószínűségi változó fejezi ki. Együttes sűrűségfüggvényük: f(x, y) = 2e (x+2y) ha x, y, különben. Mi annak a valószínűsége, hogy (i) A és B legalább egy évig nem mondja fel a szolgálatot, (ii) B előbb megy tönkre mint A? Az (i) esetben a P (ξ, η ), (ii)-ben P (η < ξ) valószínűség a kérdés. számolással: P (ξ, η ) = = P (η ξ) = = e x dx x 2e (x+2y) dx dy 2e 2y dy = e e 2 = e 3 =.5, 2e (x+2y) dy dx = e x dx x e x ( e 2x )dx = e 2y dy Egyszerű 4.3. példa: A ξ és η valószínűségi változók együttes sűrűségfüggvénye a következő: 2 ha x és y x, h(x, y) = egyébként. Határozzuk meg ξ és η peremsűrűségfüggvényét!
4 4 4.2 FÜGGETLENSÉG Az együttes sűrűség tartója az a háromszög, amelynek csúcsai a (, ), (, ) és (, ) pont. Így ξ és η egyaránt a [, ] intervallumban veszi fel értékeit, de nem akárhogy, mivel y kisebb, mint x. Tehát f ξ (x) = f ξ (x) = x 2x ha x egyébként, 2dy = 2x, f η (y) = f η (y) = y 2dx = 2( y). 2( y) ha y egyébként. Érdemes hangsúlyozni, hogy annak ellenére, hogy (ξ, η) együttesen egyenletes eloszlású, a peremeloszlások még csak nem is egyenletesek, és nem is függetlenek Függetlenség Azt feltételezzük, hogy a folytonos ξ és η valószínűségi változóknak létezik együttes sűrűségfüggvénye. Ha ξ és η független, akkor együttes eloszlásfüggvényükre igaz, hogy amiből differenciálással adódik F (x, y) = F ξ (x)f η (y), f(x, y) = f ξ (x)f η (y). (4.2.) Azt is szoktuk mondani, hogy függetlenség esetén az együttes sűrűségfüggvény tényezőkre bomlik (faktorizál). 4.. tétel: Azt feltételezzük, hogy a ξ és az η valószínűségi változóknak létezik együttes sűrűségfüggvénye. Ekkor ξ és η pontosan akkor függetlenek, ha (4.2.) fennáll példa: A 4.2. példában szereplő ξ és η valószínűségi változók függetlenek, mert amint megmutatható együttes sűrűségfüggvényük szorzattá bomlik. Valószínűségi változók különböző transzformáltjainak eloszlását nem olyan könnyű meghatározni, de van néhány eset, amelyben egyszerű dolgunk van. Most két független valószínűségi változó összegének eloszlás- ill. sűrűségfüggvényét fogjuk kiszámolni. Tehát legyenek ξ és η függetlenek, ζ = ξ + η. A ζ < z esemény azt jelenti, hogy a (ξ, η) pont az y = z x egyenes által határolt (alsó) félsíkba esik. Jelöljük A-val ezt a félsíkot. F ζ (z) = P (ζ < z) = f ξ (x)f η (y) dx dy A kettős integrálban helyettesítést hajtunk végre: u = x + y, v = y. Ez a transzformáció az A félsíkot az u v sík u = z függőleges egyenese által határolt baloldali félsíkba viszi. A transzformáció függvénydeterminánsa, ezért z F ζ (z) = f ξ (u v)f η (v) du dv = f ξ (u v)f η (v) dv du. Differenciálással kapjuk ζ sűrűségfüggvényét B f ζ (z) = A f ξ (z v)f η (v) dv, (4.2.2) és ezt az f ξ és f η sűrűség konvolúciójának nevezzük.
5 4.5. példa: Legyenek ξ és η független, azonos eloszlású valószínűségi változók. Közös sűrűségfüggvényük e x ha x, és y f(x, y) = egyébként. Számítsuk ki ξ + η sűrűségfüggvényét! A konvolúció (4.2.2) képletét kell használni. Mivel ξ és η pozitív értékeket vesz fel, a ξ + η valószínűségi változó g sűrűségfüggvénye negatív z értékekre. Ha z >, akkor g(z) = f ξ (z x)f η (x) dx = z e (z x) e x dx = ze z. Megemlítjük, hogy ez a g függvény egy másodrendű gamma eloszlás sűrűségfüggvénye, lásd (3.2.2)-t Több valószínűségi változó függvényei Ha a ξ, ξ 2,..., ξ n valószínűségi változók együttes eloszlása ismeretes, akkor egy n változós h függvényre a h(ξ, ξ 2,..., ξ n ) valószínűségi változó eloszlása meghatározott. Leggyakrabban, például a statisztikában, a ξ + a 2 ξ a n ξ n alakú lineáris kifejezések fordulnak elő, és ξ, ξ 2,..., ξ n teljesen független változók példa: ξ, ξ 2 független N(, σ) eloszlású valószínűségi változók. Határozzuk meg az η = ξ 2 + ξ2 2 valószínűségi változó sűrűségfüggvényét! A függetlenség miatt ξ, ξ 2 együttes sűrűségfüggvénye f(x, y) = = 2πσ exp ( 2 x2 /2σ 2 ) exp ( y 2 /2σ 2 ) 2πσ exp ( 2 (x2 + y 2 )/2σ 2 ). Először η eloszlásfüggvényét számoljuk ki. ( ) F η (z) = P ξ 2 + ξ2 2 < z = P (ξ 2 + ξ2 2 < z 2 ) = x 2 +y 2 <z 2πσ exp ( 2 2 (x2 + y 2 )/2σ 2 ) dx dy. Itt a kettős integrált a z sugarú körlemezen vesszük. Célszerű áttérni polárkoordinátákra. 2π ( z ) F η (z) = r exp ( r 2 /2σ 2 ) dr dθ 2πσ 2 = z r exp ( r 2 /2σ 2 ) dr = exp ( z 2 /2σ 2 ). σ 2
6 6 4.4 KOVARIANCIA ÉS KORRELÁCIÓS EGYÜTTHATÓ A sűrűségfüggvényt differenciálással kapjuk: f η (z) = d dz F η(z) = σ 2 z exp ( z 2 /2σ 2 ). (4.3.) (A σ = esetben ez 2-szabadságfokú χ 2 -eloszlás.) Ez az eloszlás a statisztikai vizsgálatokban játszik fontos szerepet. Legelterjedtebben a χ 2 próbát alkalmazzuk, ha arról akarunk dönteni, hogy az adott minta jellemezhető-e egy bizonyos, általunk feltételezett eloszlással. A következő tételt valószínűségi változók függvényének várható értékéről bizonyítás nélkül közöljük tétel: Ha a ξ és ξ 2 valószínűségi változók együttes sűrűségfüggvénye f, és h tetszőleges kétváltozós függvénye ξ és ξ 2 -nek, akkor M(h(ξ, ξ 2 )) = h(x, y)f(x, y) dx dy példa: A ξ és η valószínűségi változók együttes sűrűségfüggvénye a következő: 2 ha x és y x, f(x, y) = egyébként. Határozzuk meg ξη várható értékét! Az előző tétel szerint az xyf(x, y) kifejezést kell integrálni a (,), (,) és (,) pontokkal meghatározott háromszögön, azaz M(ξη) = 2 xy dx dy = 2 H ( x ) xy dy dx = x 3 dx = / Kovariancia és korrelációs együttható Legyen ξ és η két tetszőleges valószínűségi változó. Egymástól való függőségüket mérhetjük az ( ) M (ξ M(ξ))(η M(η) (4.4.) várható értékkel, amit kovarianciának nevezünk. (A kovariancia jelölésére a σ ξ,η, vagy Cov(ξ, η) jelölés használatos.) Ha ξ és η független, akkor kovarianciájuk. A 2.2 tételből adódik, hogy a kovariancia a M(ξη) M(ξ)M(η) (4.4.2) formában is írható. A kovariancia segítségével értelmezhető egy másik összefüggőségi mérőszám, a korrelációs együttható: r = M[(ξ M(ξ))(η M(η))] σ(ξ)σ(η) (4.4.3)
7 A korrelációs együttható és közé esik, és abszolút értékben az értéket csak akkor veszi fel, ha ξ és η egymásnak lineáris függvénye, azaz vannak olyan a és b számok, hogy ξ = aη+b. A 2.7 és 4.3 feladat két nem független, de korrelációs együtthatójú (azaz korrelálatlan) valószínűségi változóra ad példát. A korrelálatlanság tehát még nem jelent függetlenséget. A korrelációs együttható egy szög koszinuszaként értelmezhető, ha a ξ és η valószínűségi változókat olyan vektorként képzeljük el, amelyek hossza a szórásuk. A σ 2 (ξ + η) = σ 2 (ξ) + σ 2 (η) + 2rσ(ξ)σ(η) (4.4.4) összefüggésben a háromszög-geometria koszinusztételére ismerhetünk példa: A ξ és η valószínűségi változók együttes sűrűségfüggvénye a következő: 2 ha x és y x, h(x, y) = egyébként. Számoljuk ki ξ és η korrelációs együtthatóját! A 4.3. példa tartalmazza a peremsűrűségeket, felhasználásukkal kiszámoljuk ξ és η várható értékét: M(ξ) = M(η) = x 2x dx = 2 3, σ2 (ξ) = y 2( y) dy = 3, σ2 (η) = Végül a 4.7. példából tudjuk, hogy M(ξη) = /4 és így (x 2/3) 2 2x dx = 8, (y /3) 2 2( y)dy = 8. 7 r = M(ξη) M(ξ)M(η) σ(ξ)σ(η) = 2. Több valószínűségi változó esetén a páronkénti kovarianciákat és korrelációs együtthatókat egy-egy mátrixban foglalhatjuk össze. Legyen (ξ, ξ 2,..., ξ n ) n valószínűségi változó. Azt a C mátrixot, amelynek i-edik sorának j-edik eleme a Cov(ξ i, ξ j ) kovariancia, a valószínűségi változók kovarianciamátrixának nevezzük. Hasonlóan definiáljuk az R korrelációmátrixot a páronkénti korrelációs együtthatókkal. Mivel bármely valószínűségi változónak önmagával vett korrelációs együtthatója, az R mátrix diagonálisa csupa egyesből áll tétel: C és R pozitív szemidefinit mátrix, és közöttük a C = S R S kapcsolat áll fent, ahol a közönséges mátrixszorzást jelöli, és S = Diag(σ(ξ ), σ(ξ 2 ),..., σ(ξ n )) egy olyan diagonális mátrix, amely a szórásokból áll. Megjegyezzük, hogy egy mátrix pozitiv szemidefinit volta azt jelenti, hogy a mátrix X t X alakú valamilyen X mátrixra, amelynek transzponáltja X t. Pozitív szemidefinit mátrix sajátértékei nemnegatívak.
8 8 4.5 A TÖBBDIMENZIÓS NORMÁLIS ELOSZLÁS 4.5. A többdimenziós normális eloszlás A ξ, ξ 2,..., ξ n valószínűségi változók együttes eloszlását normálisnak nevezzük, ha együttes sűrűségfüggvényük B ( f(x, x 2,..., x n ) = (2π) exp n 2 n i= n j= ) b ij (x i m i )(x j m j ) (4.5.) alakú, ahol m, m 2,..., m n valós számok és B = (b ij ) egy n n-es szimmetrikus pozitív definit mátrix. Mind az m i paraméterek, mind pedig a B mátrix valószínűségelméleti jelentéssel bír. Az m i szám nem más mint ξ i várhatóértéke, a B mátrix pedig a C kovariancimátrix inverze. A vektor-mátrix írásmóddal (4.5.) jóval tömörebbé válik: B f(x) = (2π) exp ( < B(x m), (x m) > ) n 2 = C (2π) n exp ( 2 < C (x m), (x m) > ) 4.9. példa: Ellenőrizzük, hogy az alábbi kétváltozós függvény kétdimenziós normális eloszlás sűrűségfüggvénye-e! f(x, y) = ( π 3 exp 2 ) 3 (x2 xy + y 2 ) Keressük meg az eloszlás kovarianciamátrixát! Azt kell megvizsgálni, hogy az adott függvény (4.5.) alakú-e. Először a kitevőt nézzük meg. (4.5.)-ben az áll, hogy ( b (x m ) 2 + (b 2 + b 2 )(x m )(y m 2 ) + b 22 (y m 2 ) 2 ), 2 ami akkor lesz 2 3 (x2 xy + y 2 ), ha B = ( ) 4/3 2/3 = 2 2/3 4/3 3 ( ) 2, 2 és m = m 2 =. B determinánsa 4/3, és a kis számolással kapott 4/3 (2π) 2 = π 3 összefüggés azt mutatja, hogy f (4.5.) alakú. A kovarianciamátrix B inverze, ami a lineáris algebrában tanultak alapján számolható ki, és ( ) 2 nek 2 2 adódik.
9 Ha a (ξ, ξ 2,..., ξ n ) valószínűségi változók együttes eloszlása normális (azaz (4.5.) alakú), akkor ξ, ξ 2,..., és ξ n külön-külön is normális eloszlásúak. Az egyszerűség kedvéért szorítkozzunk az n = 2 esetre, és legyen ξ i N(m i, σ i ) eloszlású. Ha r a ξ és ξ 2 valószínűségi változók korrelációs együtthatója, akkor együttes sűrűségük 9 ( f(x, y) = 2πσ σ exp 2 r 2 2( r 2 ) [ (x m ) 2 2r x m y m 2 + (y m 2) 2 ]) σ 2 σ σ 2 σ2 2 (4.5.2) alakú. Megfigyelhetjük, hogy r = esetén az együttes sűrűségfüggvény faktorizál egy x-től és egy y-től függő sűrűségfüggvény szorzatára, tehát ilyenkor ξ és ξ 2 függetlenek tétel: Ha két valószínűségi változó együttes eloszlása normális, és a változók korrelálatlanok, akkor függetlenek is. Mint azt már több ízben hangsúlyoztuk, teljes általánosságban a korrelálatlanság nem vonja maga után a függetlenséget. A tételben az együttes eloszlás normalitásának a feltételezése igen lényeges. 4.. példa: Mi a 4.9. példában szereplő együttes eloszlással adott valószínűségi változók korrelációs együtthatója? A korrelációs együtthatót az együttes sűrűségfüggvény (4.5.2)-vel való összevetésével kaphatjuk meg: π 3 = 2πσ σ, 2 r 2 amiből 3 = 4σσ 2 2( 2 r 2 ). A szórásnégyzetek a 4.9. példából ismert kovarianciamátrixból kipotyognak, σ 2 = σ2 2 =, és r = / tétel: Ha a ξ és ξ 2 valószínűségi változók együttes eloszlása normális, akkor bármilyen λ, λ 2 R esetén λ ξ + λ 2 ξ 2 normális eloszlású. ξ és ξ 2 is normális eloszlású. Ez a tétel azt is jelenti, hogy ha az együttes eloszlás normális, akkor a peremeloszlások is normálisak. 4.. példa: Határozzuk meg a 4.9. példában szereplő együttes eloszlással adott valószínűségi változók peremeloszlását! A peremeloszlások normálisak, így elegendő tudnunk várható értéküket és szórásukat. Ezek kiderülnek a 4.9. példából. Tehát mindkét peremeloszlás standard normális példa: Legyen ξ egy véletlenszerűen kiválasztott házaspárból a nő, ξ 2 pedig a férfi testmagassága. Tételezzük fel, hogy ξ és ξ 2 együttesen normális eloszlású, ξ várható értéke 69 cm, szórása 5 cm, ξ 2 várható értéke 77 cm, szórása 5 cm, továbbá ξ és ξ 2 korrelációs együtthatója.68. Mi a valószínűsége, hogy egy feleség magasabb a férjénél?
10 4.6 A FELTÉTELES SŰRŰSÉGFÜGGVÉNY ÉS A REGRESSZIÓ A P (ξ ξ 2 > ) valószínűséget kell kiszámolni. A 4.4. tétel szerint ξ ξ 2 normális eloszlású. M(ξ ξ 2 ) = = 8 σ 2 (ξ ξ 2 ) = σ 2 (ξ ) + σ 2 (ξ 2 ) 2Cov(ξ, ξ 2 ) = = 6 Így ξ ξ 2 szórása 4 és η = (ξ ξ 2 + 8)/4 standard normális eloszlású. ξ ξ 2 > ekvivalens η > 2 egyenlőtlenséggel. Ezért P (ξ ξ 2 > ) = P (η > 2) = Φ(2) = 2.3%. Tehát 2.3 % annak a valószínűsége, hogy egy feleség magasabb a férjénél A feltételes sűrűségfüggvény és a regresszió Legyen ξ és η két olyan folytonos valószínűségi változó, amelyek f együttes sűrűségfüggvénye létezik. Tudjuk, hogy ekkor η-nak van sűrűségfüggvénye, és tegyük fel, hogy f η (y) >. Rögzített y mellett f(x y ) = f(x, y ) (4.6.) f η (y ) egy sűrűségfüggvény, hiszen f(x y ) dx = f η (y ) f(x, y ) dx = f η (y ) f η(y ) =. f(x y )-t ξ-nek az η = y feltételre vonatkozó feltételes sűrűségfüggvényének nevezzük. Az x f(x y ) sűrűségfüggvényhez tartozó valószínűségi változóra a ξ feltéve η = y elnevezést, és a ξ η = y jelölést használjuk. A ξ η = y feltételes valószínűségi változó arról ad felvilágosítást, hogy ξ milyen valószínűséggel veszi fel értékeit feltéve, hogy η-ról tudunk valamit, nevezetesen, hogy η = y. Ha ξ és η függetlenek, akkor f(x y ) = f(x, y ) f η (y ) = f ξ(x)f η (y ) f η (y ) = f ξ (x) példa: ξ és η együttes sűrűségfüggvénye +xy f(x, y) = ha < x < 2 és < y <, 3 különben. Írjuk fel az f(x y ) feltételes sűrűségfüggvényt! Először η peremsűrűségét számoljuk ki. ha < y <, egyébként f η (y) =. f η (y) = 2 + xy 3 dx = 2 + 2y 3 A feltételes sűrűségfüggvény definíciója alapján + xy ha < x <, < y <, f(x y ) = 2 + 2y különben.
11 Azt a függvényt, amelyik y -hoz az M(ξ η = y ) várható értéket rendeli, a ξ valószínűségi változó η-ra vonatkozó regressziójának, vagy elméleti regressziójának nevezzük. Az y M(ξ η = y) függvény a regressziós görbe. Ha ξ és η független, akkor mint fent láttuk a ξ és a ξ η = y változók azonosak, ezért ξ-nek az η-ra vonatkozó regressziója az M(ξ) állandó függvény. A regressziós görbe meredeksége ξ és η sztochasztikus összefüggését mutatja. Legjobban látszik ez abban az esetben, amikor ξ és η együttes eloszlása normális. (Az egyszerűség érdekében tételezzük fel, hogy ξ és η várható értéke.) Ekkor az u = M(ξ η = v) regressziós görbe az u = rσ(η)/σ(ξ) egyenes. (r jelöli a korrelációs együtthatót.) 4.4. példa: Egy hőkezelési folyamattal kapcsolatban ξ a kezelés időtartama és η a kezelés által kiváltott keményedés mélysége. (ξ-t másodpercben, η-t mm-ben mérjük.) Egy modell szerint ξ és η együttes eloszlása normális, M(ξ) = 8, M(η) = 9, σ(ξ) = 4.8, σ(η) = 2 és a korrelációs együttható r =, 87. (a) Adja meg az x M(η ξ = x) regressziót! (b) Számolja ki a feltételes sűrűségfüggvényt, a kezelés hossza 5 másodperc feltételre vonatkozóan! (c) Mi a valószínűsége, hogy a keményedés mélysége 9 és 2 mm közé esik, feltéve, hogy a hőkezelés időtartama 5 másodperc? Az m = 8, m 2 = 9, σ = 4.8, σ 2 = 2, r =.87 adatok felhasználásával (4.5.2)-be helyettesítve felírjuk az f együttes sűrűségfüggvényt, és azt elosztjuk ξ-nek az f ξ sűrűségfüggvényével. Így kapjuk az ( f(y x) =.336 exp 2 (y.36x 2.52) 2 ) (4.6.2) 2 feltételes sűrűségfüggvényt, amely normális. Kiolvassuk, hogy 2 a szórásnégyzete és.36x+2.52 a várhatóértéke. A (b) kérdés válaszához úgy jutunk, hogy (4.6.2)-ben x = 5-öt helyettesítünk. Így egy normális ζ valószínűségi változót kapunk, amelynek 7.92 a várható értéke és 2 a szórása. A (c) kérdés megválaszolásához a P (9 ζ 2) valószínűséget kell megadni, ami standardizálással Φ(3.5) Φ(.92) =.777. A mérnöki-statisztikai problémákban gyakran ismerjük két sztochasztikusan összefüggő valószínűségi változó néhány össszetartozó értékpárját, és keressük a változók közötti kapcsolat legjobb lineáris közelítését. Adott ξ és η. Ha η-t Aξ + B alakban akarjuk közelíteni, A és B értékét úgy kell meghatározni, hogy az η (Aξ + B) valószínűségi változó szórása a lehető legkisebb legyen. A g(a, B) = M((η (Aξ + B)) 2 ) = M(η 2 ) + A 2 M(ξ 2 ) + B 2 2AM(ξη) 2BM(η) + 2ABM(ξ) függvény minimumát az ismert módon parciális deriválással határozzuk meg. Az adódik, hogy A = Cov(ξ, η) Cov(ξ, η), B = M(η) D 2 (ξ) D 2 (ξ) η legjobb megközelítése a legkisebb négyzetek értelmében. A regressziós görbékkel a következő fejezetben részletesen foglalkozunk. (4.6.3)
12 2 4.7 A SZTOCHASZTIKUS FOLYAMAT 4.7. A sztochasztikus folyamat Egy időtől függő véletlen mennyiséget sztochasztikus folyamatnak nevezünk. Itt nem célunk a sztochasztikus folyamatok kimerítő ismertetése, elsősorban a Poisson-folyamat példájára szorítkozunk. A Poisson-folyamat jól szemléltethető a polimerizáció egyszerű valószínűségelméleti modelljén. A polimerizáció láncmolekulák növekedési folyamata, amelynek során a már kialakult lánchoz újabb és újabb monomer csoport kapcsolódik. A láncok végének összekapcsolódását az egyszerű modellben kizárjuk, és azt gondoljuk, hogy a láncmolekula és a monomer csoport véletlen találkozásakor a csoport hozzákötődik a lánchoz, és annak hosszát eggyel megnöveli. η legyen az a véletlen időtartam, ami az első monomer csoport kapcsolódásáig eltelik, η 2 időtartam múlva kötődik a második csoport az első kapcsolódása után, és így tovább. Tehát η, η 2,... valószínűségi változók egy sorozata. A valóságban ezek a véletlen időtartamok nagyon rövidek, ez azonban elvi megfontolásainkat nem zavarja. Mivel η i egy,,emlékezet nélküli várakozási idő, η i exponenciális eloszlású kell, hogy legyen, mondjuk α i paraméterrel, és feltételezhető, hogy az η i valószínűségi változók teljesen függetlenek. Amennyiben a polimerizáció során bizonyos körülmények változatlanok (például hőmérséklet, a nagy feleslegben jelenlévő szabad monomerek koncentrációja, stb.), akkor feltételezhető, hogy η, η 2... azonos eloszlásúak, azaz α i = α, i-től függetlenül. Vizsgáljuk meg, hogy t idő eltelte után milyen hosszúak a láncmolekulák! Jelölje N t azt a valószínűségi változót, amely a t időpontban véletlenül választott lánc hosszát adja meg. N t értékei pozitív egész számok és P (N t n) = P (η + η η n t), (4.7.) azaz a láncmolekula hossza pontosan akkor nagyobb vagy egyenlő mint n a t időpontban, ha az η, η 2,..., η n várakozási idők összege legfeljebb t. (4.7.)-ből kiindulva számoljuk ki N t eloszlását. Nyilván P (N t = n) = P (N t n) P (N t n ). (4.7.2) Érdemes bevezetni a ξ n = η + η η n valószínűségi változót. Mivel független változókat adunk össze, ξ n momentumgeneráló függvénye ( α ) n M(e tξn ) = (4.7.3) α t (a 2. példa és 2.4 tétel alapján), amiből a Laplace-transzformáció táblázatát használva kapjuk, hogy ξ n sűrűségfüggvénye f n (x) = αn (n )! xn e αx (x > ). (4.7.4) (Különben (3.2.2)-vel összevetve megállapítható, hogy ez gamma eloszlás.) Némi parciális integrálással látszik, hogy t t P (N t = n) = f n (x) dx f n (x) dx = (αt)n e αt. (4.7.5) n! Tehát N t Poisson-eloszlású, αt paraméterrel. Amit így megkonstruáltunk, az a Poisson-folyamat. Tételezzük fel, hogy minden t IR + számra adott egy X t valószínűségi változó úgy, hogy (a) X, (b) ha t < s < t 2 <... < s n, akkor az X s X t, X s2 X t2,..., X sn X tn függetlenek, valószínűségi változók (c) X s X t Poisson-eloszlású α(s t) paraméterrel, ha s > t. Az ilyen (X t ) valószínűségiváltozócsaládot α intenzitású Poisson-folyamatnak nevezzük. A (b) és (c) feltételek úgy fogalmazhatók meg,
13 3 hogy a folyamat növekményei (diszjunkt időintervallumokban) függetlenek, és Poisson-eloszlásúak az időintervallumok hosszával arányos paraméterrel. Ellenőrizhető, hogy a fent konstruált N t folyamat eleget tesz az (a)-(c) feltételeknek, tehát egy konkrét példa az absztrakt Poisson-folyamatra. A példában a folyamat α intenzitása a reakciósebességgel függ össze, α az időegység alatt bekövetkezett átlagos láncnövekedés, másként a vizsgált nulladrendű reakció sebességi együtthatója példa: Egy polimerizációs folyamatot Poisson-féle sztochasztikus folyamat ír le. Miután a polimerizáció percig folyt, a láncmolekulák átlagosan 28 monomercsoportból álltak. Még hány percig kell folytatni az eljárást ahhoz, hogy a molekulaláncok 95 %-a tartalmazzon legalább 2 monomer csoportot? Legyen λ a folyamat intenzitása, ekkor perc után a láncok eloszlása λ paraméterű Poisson-eloszlás. A Poisson-eloszlás várható értéke maga a paraméterérték, így λ = 28 és λ = 28. Kiszámoljuk, hogy milyen Λ paraméterű Poisson-eloszlásra igaz, hogy a 2-nál nagyobb értékeket 95 % valószínűséggel vesz fel. Ehhez a n=2 Λ n n! e Λ =.95 egyenletet kell megoldani Λ-ra. Ez numerikusan, számítógép segítségével lehetséges, Λ = 44, 575 (lásd függelék). A (t + )λ = Λ egyenletekből kapjuk a megoldást, t = Λ/λ = példa: Mi a magyarázata annak a tapasztalati ténynek, hogy a polimerek lánchosszának eloszlása akkor is Poisson-eloszlás, ha a reakciósebesség a polimerizáció során időben változik? Gondoljunk arra, hogy a polimerizáció 3 percig α intenzitással folyik, és 3 perc után megváltozik az intenzitása β-ra. Ekkor a lánchossz t > 3-ra N (α) 3 + N (β) t 3. Ezért összegük is Poisson- Itt mindkét változó Poisson-eloszlású, és egymástól függetlenek. eloszlású a 3.2 tétel következtében. Poisson-folyamattal írható le egy üzletbe betérő vásárlók száma, vagy egy telefonközpontba beérkező hívások száma is.
FEGYVERNEKI 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:
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.
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.
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
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 +
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
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
RészletesebbenGazdasági matematika II. vizsgadolgozat, megoldással,
Gazdasági matematika II. vizsgadolgozat, megoldással, levelező képzés Definiálja az alábbi fogalmakat! 1. Kvadratikus mátrix invertálhatósága és inverze. (4 pont) Egy A kvadratikus mátrixot invertálhatónak
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:
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
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,
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
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:
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
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 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 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
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 :
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.
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
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
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
Részletesebben2 (j) f(x) dx = 1 arcsin(3x 2) + C. (d) A x + Bx + C 5x (2x 2 + 7) + Hx + I. 2 2x F x + G. x
I feladatsor Határozza meg az alábbi függvények határozatlan integrálját: a fx dx = x arctg + C b fx dx = arctgx + C c fx dx = 5/x 4 arctg 5 x + C d fx dx = arctg + C 5/ e fx dx = x + arctg + C f fx dx
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
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
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,
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:
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
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
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
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,
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
RészletesebbenBiomatematika 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
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.
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA MATEmATIkA I 6 VI KOmPLEX SZÁmOk 1 A komplex SZÁmOk HALmAZA A komplex számok olyan halmazt alkotnak amelyekben elvégezhető az összeadás és a szorzás azaz két komplex szám összege és szorzata
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.,
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
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,
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
Részletesebbenelőadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás
13-14. előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 2016. november 28. és december 5. 13-14. előadás 1 / 35 Bevezetés A diszkrét
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
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
RészletesebbenKvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla
Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,
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
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
RészletesebbenMatematika II. 1 sin xdx =, 1 cos xdx =, 1 + x 2 dx =
Matematika előadás elméleti kérdéseinél kérdezhető képletek Matematika II Határozatlan Integrálszámítás d) Adja meg az alábbi alapintegrálokat! x n 1 dx =, sin 2 x dx = d) Adja meg az alábbi alapintegrálokat!
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
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
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
RészletesebbenGVMST22GNC Statisztika II.
GVMST22GNC Statisztika II. 4. előadás: 9. Kétváltozós korreláció- és regressziószámítás Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Korrelációszámítás
RészletesebbenSzámelméleti alapfogalmak
1 Számelméleti alapfogalmak 1 Definíció Az a IN szám osztója a b IN számnak ha létezik c IN melyre a c = b Jelölése: a b 2 Példa a 0 bármely a számra teljesül, mivel c = 0 univerzálisan megfelel: a 0 =
RészletesebbenVektorok, mátrixok, lineáris egyenletrendszerek
a Matematika mérnököknek I. című tárgyhoz Vektorok, mátrixok, lineáris egyenletrendszerek Vektorok A rendezett valós számpárokat kétdimenziós valós vektoroknak nevezzük. Jelölésükre latin kisbetűket használunk.
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
Részletesebben4. Laplace transzformáció és alkalmazása
4. Laplace transzformáció és alkalmazása 4.1. Laplace transzformált és tulajdonságai Differenciálegyenletek egy csoportja algebrai egyenletté alakítható. Ennek egyik eszköze a Laplace transzformáció. Definíció:
RészletesebbenMatematika szigorlat június 17. Neptun kód:
Név Matematika szigorlat 014. június 17. Neptun kód: 1.. 3. 4. 5. Elm. Fel. Össz. Oszt. Az eredményes szigorlat feltétele elméletből legalább 0 pont, feladatokból pedig legalább 30 pont elérése. A szigorlat
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
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 (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,
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
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
RészletesebbenLINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40
LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard
RészletesebbenI. feladatsor. 9x x x 2 6x x 9x. 12x 9x2 3. 9x 2 + x. x(x + 3) 50 (d) f(x) = 8x + 4 x(x 2 25)
I. feladatsor () Határozza meg az alábbi függvények határozatlan integrálját: (a) f(x) = (b) f(x) = x + 4 9x + (c) f(x) = (d) f(x) = 6x + 5 5x + f(x) = (f) f(x) = x + x + 5 x 6x + (g) f(x) = (h) f(x) =
RészletesebbenMATE-INFO UBB verseny, március 25. MATEMATIKA írásbeli vizsga
BABEŞ-BOLYAI TUDOMÁNYEGYETEM, KOLOZSVÁR MATEMATIKA ÉS INFORMATIKA KAR MATE-INFO UBB verseny, 218. március 25. MATEMATIKA írásbeli vizsga FONTOS TUDNIVALÓK: 1 A feleletválasztós feladatok,,a rész esetén
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
RészletesebbenDIFFERENCIÁLEGYENLETEK. BSc. Matematika II. BGRMA2HNND, BGRMA2HNNC
BSC MATEMATIKA II. MÁSODRENDŰ LINEÁRIS DIFFERENCIÁLEGYENLETEK BSc. Matematika II. BGRMAHNND, BGRMAHNNC MÁSODRENDŰ DIFFERENCIÁLEGYENLETEK Egy explicit közönséges másodrendű differenciálegyenlet általános
RészletesebbenVALÓSZÍNŰSÉGSZÁMÍTÁS. MSc. Órai Feladatok
VALÓSZÍNŰSÉGSZÁMÍTÁS MSc Órai Feladatok 1. Feladat (Diszkrét eloszlás) Ketten kosárlabdáznak. Az A játékos 0,4 a B játékos 0,3 valószínűséggel dob kosarat. A dobást A kezdi és felváltva dobnak egymás után.
Részletesebben0-49 pont: elégtelen, pont: elégséges, pont: közepes, pont: jó, pont: jeles
Matematika szigorlat, Mérnök informatikus szak I. 2013. jan. 10. Név: Neptun kód: Idő: 180 perc Elm.: 1. f. 2. f. 3. f. 4. f. 5. f. Fel. össz.: Össz.: Oszt.: Az elérhető pontszám 40 (elmélet) + 60 (feladatok)
RészletesebbenT obbv altoz os f uggv enyek integr alja. 3. r esz aprilis 19.
Többváltozós függvények integrálja. 3. rész. 2018. április 19. Kettős integrál Kettős integrál téglalap alakú tartományon. Ismétlés Ha = [a, b] [c, d] téglalap-tartomány, f : I integrálható függvény, akkor
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
RészletesebbenPontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.
Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom
RészletesebbenTantárgy kódja Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2
Tantárgy neve Alkalmazott matematika II. Tantárgy kódja MT003 Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2 Számonkérés módja gyakorlati jegy Előfeltétel (tantárgyi kód) MT002 Tantárgyfelelős
RészletesebbenKétváltozós függvények differenciálszámítása
Kétváltozós függvények differenciálszámítása 13. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Kétváltozós függvények p. 1/1 Definíció, szemléltetés Definíció. Az f : R R R függvényt
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
RészletesebbenMátrixok 2017 Mátrixok
2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4
RészletesebbenJármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János
BUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI KAR JÁRMŐELEMEK ÉS HAJTÁSOK TANSZÉK Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János Budapest 2008
RészletesebbenNemparaméteres próbák
Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
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
Részletesebbensin x = cos x =? sin x = dx =? dx = cos x =? g) Adja meg a helyettesítéses integrálás szabályát határozott integrálokra vonatkozóan!
Matematika előadás elméleti kérdéseinél kérdezhető képletek Analízis II Határozatlan integrálszámítás g) t = tg x 2 helyettesítés esetén mivel egyenlő sin x = cos x =? g) t = tg x 2 helyettesítés esetén
Részletesebbenminden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.
Függvények határértéke és folytonossága Egy f: D R R függvényt korlátosnak nevezünk, ha a függvényértékek halmaza korlátos. Ha f(x) f(x 0 ) teljesül minden x D esetén, akkor x 0 -at a függvény maximumhelyének
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
RészletesebbenGauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei
A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.
RészletesebbenMatematikai geodéziai számítások 5.
Matematikai geodéziai számítások 5 Hibaterjedési feladatok Dr Bácsatyai László Matematikai geodéziai számítások 5: Hibaterjedési feladatok Dr Bácsatyai László Lektor: Dr Benedek Judit Ez a modul a TÁMOP
RészletesebbenKeresztmetszet másodrendű nyomatékainak meghatározása
BUDAPEST MŰSZAK ÉS GAZDASÁGTUDOMÁNY EGYETEM Keresztmetszet másodrendű nyomatékainak meghatározása Segédlet a Szilárdságtan c tárgy házi feladatához Készítette: Lehotzky Dávid Budapest, 205 február 28 ábra
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.):
RészletesebbenMatematika I. Vektorok, egyenesek, síkok
Matematika előadás elméleti kérdéseinél kérdezhető képletek Matematika I Vektorok, egyenesek, síkok a) Hogyan számítjuk ki az a = (a 1, a 2, a 3 ) és b = (b 1, b 2, b 3 ) vektorok szögét? a) Hogyan számítjuk
RészletesebbenSzélsőérték feladatok megoldása
Szélsőérték feladatok megoldása A z = f (x,y) függvény lokális szélsőértékének meghatározása: A. Szükséges feltétel: f x (x,y) = 0 f y (x,y) = 0 egyenletrendszer megoldása, amire a továbbiakban az x =
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
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
Részletesebben2. SZÉLSŽÉRTÉKSZÁMÍTÁS. 2.1 A széls érték fogalma, létezése
2 SZÉLSŽÉRTÉKSZÁMÍTÁS DEFINÍCIÓ 21 A széls érték fogalma, létezése Azt mondjuk, hogy az f : D R k R függvénynek lokális (helyi) maximuma (minimuma) van az x 0 D pontban, ha van olyan ε > 0 hogy f(x 0 )
RészletesebbenMeghatározás: Olyan egyenlet, amely a független változók mellett tartalmaz egy vagy több függvényt és azok deriváltjait.
Közönséges differenciálegyenletek Meghatározás: Olyan egyenlet, amely a független változók mellett tartalmaz egy vagy több függvényt és azok deriváltjait. Célunk a függvény meghatározása Egyetlen független
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
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
RészletesebbenMatematika II képletek. 1 sin xdx =, cos 2 x dx = sh 2 x dx = 1 + x 2 dx = 1 x. cos xdx =,
Matematika II előadás elméleti kérdéseinél kérdezhető képletek Matematika II képletek Határozatlan Integrálszámítás x n dx =, sin 2 x dx = sin xdx =, ch 2 x dx = sin xdx =, sh 2 x dx = cos xdx =, + x 2
Részletesebben5. előadás - Regressziószámítás
5. előadás - Regressziószámítás 2016. október 3. 5. előadás 1 / 18 Kétváltozós eset A modell: Y i = α + βx i + u i, i = 1,..., T, ahol X i független u i -től minden i esetén, (u i ) pedig i.i.d. sorozat
Részletesebben6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének
6. Függvények I. Elméleti összefoglaló A függvény fogalma, értelmezési tartomány, képhalmaz, értékkészlet Legyen az A és B halmaz egyike sem üreshalmaz. Ha az A halmaz minden egyes eleméhez hozzárendeljük
RészletesebbenVektorterek. =a gyakorlatokon megoldásra ajánlott
Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,
RészletesebbenEloszlások jellemzése. Momentumok. Medián és kvantilis. Karakterisztikus függvény
Karakterisztikus függvény Eloszlások jellemzése Momentumok Karakterisztikus függvény Medián és kvantilis Medián Kvantilis Módusz Hogyan lehetne általánosítani a generátorfüggvényt folytonos okra? Karakterisztikus
RészletesebbenFeladatok az 5. hétre. Eredményekkel és teljesen kidolgozott megoldásokkal az 1,2,3.(a),(b),(c), 6.(a) feladatokra
Feladatok az 5. hétre. Eredményekkel és teljesen kidolgozott megoldásokkal az 1,,3.(a),(b),(), 6.(a) feladatokra 1. Oldjuk meg a következő kezdeti érték feladatot: y 1 =, y(0) = 3, 1 x y (0) = 1. Ha egy
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
Részletesebben