Véletlen gráfok szerkesztésekor n csomópontból indulunk ki. p valószínűséggel két csomópontot éllel kötünk össze.

Save this PDF as:
 WORD  PNG  TXT  JPG

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Véletlen gráfok szerkesztésekor n csomópontból indulunk ki. p valószínűséggel két csomópontot éllel kötünk össze."

Átírás

1 9. előadás

2 P(k) k Véletlen gráfok szerkesztésekor n csomópontból ndulunk k. p valószínűséggel két csomópontot éllel kötünk össze. A fokszámok Posson eloszlásúak P( k) = e pn ( pn) k! k Ksvlág gráfokat úgy szerkesztünk, hogy rövdítőket adunk rendezett gráfokhoz A fokszámok eloszlása kcsúcsosodk az átlagérték körül

3 Növekvő hálózatok modellje (A.-L. Barabás R. Albert 1999) 1) Növekedés Mnden dőlépésben egy új csomópont jelenk meg a rendszerben 2) Preferencáls csatolódás A csatolódás valószínűsége a csomópont fokszámától függ P(k) k P( k ) = k j = 1, N k j A fokszámok hatványfüggvény eloszlásúak

4 dvatos ága a Komplex Rendszerek Fzkájának Közgazdaság és a társadalomtudományok makroskálán egy megfelelő rendszer a fzka egyes módszerenek az alkalmazására (makroskála: az egyének ndvdualtása elhanyagolható és átlagos vselkedéssel helyettesíthető) olyan folyamatok amelyben sok egyed komplkált módon kölcsönnhat vannak nylvánvaló ok-okozat kapcsolatok, habár egy bzonyos makrosznten a folyamatok stochasztkusnak (véletlenszerűnek) tűnnek vannak unverzáls és smétlődő törvényszerűségek lehet mérn, modellezn és kísérletezn ezen rendszerekben létezk egy általános elv amely ezen rendszerek evolúcóját vezérl: a maxmáls nyereség elve Kondor Imre Bank és kockázat (Mndentudás Egyeteme, 2004, május 24) fzkus értelemben komplex rendszer komplex modellekkel megközelíthető Néhány dvatos ökonofzka téma: tőzsdendexek és árak fluktuácónak a tanulmányozása, korrelácók ezek között... a pac és tőzsde modellezése gazdaság és kereskedelm kapcsolatok hálójának leírása és modellezése, ezen kapcsolathálókon levő tranzakcók és nformácó-áramlások modellezése bank kockázatok tanulmányozása és kezelése a társadalomban levő pozícók, jövedelmek és vagyoneloszlások leírása és modellezése

5 Kevesebb kísérlet adat (nehezen és általában csak ndrekt módon mérhető) Vagyoneloszlás az ókor Egyptomban Kummulatív vagyoneloszlás a magyar nemesség körében 1500 körül * (logartmkus skála) (az adott nemes család brtokában levő jobbágyporták alapján) * Hegy Géza & Néda Zoltán (BBTE, Fzka Kar)

6 Vagyoneloszlás az Inda társadalom leggazdagabb 100 családja között (2002, 2003) Vagyoneloszlás Nagy Brttánában (2000), (az örökösödés adatokból) * Kummulatív eloszlásfüggvény Vagyon a sorszám függvényében logartmkus skálán a kapott hatványfüggvény a Pareto törvényt gazolja * R. Coelho, Z. Neda and M.A. Santos, 2005

7 Pareto eredet mérése α-ra V. Pareto, Cours d Econome Poltque, vol. 2, Macmllan, Pars, 1897 C P >= ( w) = α: a Pareto exponens α w Év jövedelem eloszlása Japánban ( ) α [1.8, 2.2] Év jövedelem eloszlása Olaszországban ( ) α [1.6,1.9] Év övedelem eloszlása az Egyesült államokban (2000) α = 2.1 Vagyoneloszlás a magyar nemesség körében 1500 körül α =0.95 Vagyoneloszlás az Inda társadalom leggazdagabbja között (2002, 2003) α = 0.81; α =0.93 Vagyoneloszlás Nagy Brttánában (2000), (az örökösödés adatokból) α = 2.52 α : 0.8 Mnnél élénkebb gazdaság kapcsolatok vannak a vzsgált társadalom tagja között annál nagyobb a Pareto exponens! 2.6

8 - Mndenk mndenkvel kölcsönhat (vagyont cserél)! W : az egyedek vagyona; J(,j) az egyedek közt kölcsönhatás erőssége; η (t): egy normáls (Gauss) eloszlású véleltlenszerű változó 2 η ( t) = 0 2 η ( t) η ( t) = 2σ J.-P. Bouchod, M. Mezard; Physca A, vol. 282, pp (2000) 2 A feladat másztersz egyenlete (a vagyonok dőbel evolucóját vezérlő egyenlet) dw dt = η ( t) W =1,2,...N + j( ) J ( j, ) W N j j( ) J (, j) W az átlagtér közelítés: az átlagtér megoldás: J α = 1+ σ 2 J (, j) = w J N ( α 1) exp[ ] A w w ρ ech( ) = 1+ α Pareto exponens

9 -A valód társadalmakban a vagyoncsere nem egy teljesen összekötött hálon történk (nem mndenk mndenkvel hat kölcsön). - A társadalm háló fogalma és topologája (szerkezete) fontos a vagyoncsere mechanzmusának a leírásához! (k kvel van összekötve?) - A vagyoncsere mechanzmusában a család hálóknak van ktüntetett szerepe! - Mlyen a család hálónak a szerkezete??? - A család háló és vagyoneloszlás között szoros kapcsolat van! Barabás Albert László, A hálozatok csodálatos vlága, (Mndentudás Egyeteme, 2005 okt. 10) családháló vagyoneloszlás -Egy helyes (komplex) modellnek generálna kell úgy a helyes vagyoneloszlást mnt az őt meghatározó társadalm hálót - A modellnek realsztkus és lehetőleg egyszerű törvényszerűségeket kell tartalmazna - A modell a bonyolult hálószerkezet matt valószínűleg analtkusan nem tanulmányozható - Monte Carlo tpusú számítógépes szmulácók szükségesek... * R. Coelho, Z. Neda, J.J. Ramasco ş M.A. Santos; Physca A, 2005 Szocáls Háló, V. Hugo Nyomorultak

10 a csomópontok a kötések a családok az elsőrangú család kapcsolatok mnden () csomópontnak van vagyona W() + és kora A() A modell állandó: - a családok száma - az összvagyon a rendszerben Kezdet feltételek: - egy véletlenszerű háló - a vagyonok egyenletes eloszlása a (0,1) ntervallumon - a családok kora a csomópontok () sorszáma A modell dnamkája (1) A legöregebb csomópontot () eltávolítjuk. A vagyonát egyenletesen elosztjuk azon csomópontok között amellyel kötése voltak (ha nncs kötése senkvel, akkor a vagyonát preferencálsan szétosztjuk az összes csomópont között) az örökösödés folyamat (2) Az eltávolított csomópont () 0 korral vsszakerül (születés), és két olyan (j és k) csomóponthoz kapcsolódk amelyeknek a vagyona nagyobb mnt: q (egy új család megalakítása pénzbe kerül). A q vagyon levónódk j és k vagyonából és preferencálsan szétosztódk a családok között (az új család megalapításából a társadalomnak nyeresége van). A j és k családok a megmaradt vagyonuk p-ed részét az új családnak adják (megndulás vagyon) (3) Mnden csomópont kora egységgel nő. W W W ' ( ) = [ W ( j ) q ] p + [ W ( k ) ' ( k ) = [ W ( k ) q ]( 1 p ) ' ( j ) = [ W ( j ) q ]( 1 p ) Kétparaméteres modell: q és p q ] p (2)

11 A modell a helyes vagyoneloszlást és a hálóstrukturát s generálja! A vagyoneloszlás - q= és p= értékekre a P >= (w) kummulatív vagyonelszolás görbék megfelelőek - a társadalom felső 10%-ra érvényes a Pareto törvény - a ks vagyonok esetén P >= (w) exponencáls -az α-ra kapott értékek: Számítógép-szmulácós eredmény a családháló modellre. Kummulatív eloszlásfüggvény log-log skálán. - p=0.3, q=0.7 (N=10000 csomópont, 10 generácós szmulácó) A számított Pareto exponens α=1.8

12 A családháló topológája -A P(k) fokszám-eloszlás (a csomópontokból knduló kötések számának, k, eloszlása) exponencáls - k prob =2; <k>=1.9 (realsztkus) - a kalakuló családháló ks-vlág (small-word) típusú (általában ez jellemző a valós társadalm hálókra) Számítógép-szmulácós eredmények a generált háló fokszámeloszlására. Normál-log skála, N=10000 család (csomópont ) és 10 generácós szmulácó

Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár. Hegyi Géza. Filozofia és Történelem Kar, Kolozsvár. M.A. Santos, R. Coelho és J.J.

Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár. Hegyi Géza. Filozofia és Történelem Kar, Kolozsvár. M.A. Santos, R. Coelho és J.J. Vagyoneloszlás a társadalmakban - egy fizikus megközelítése Néda Zoltán Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár Hegyi Géza Babeş-Bolyai Tudományegyetem Filozofia és Történelem Kar, Kolozsvár

Részletesebben

Vagyoneloszlás a társadalmakban - egy fizikus megközelítése -

Vagyoneloszlás a társadalmakban - egy fizikus megközelítése - Vagyoneloszlás a társadalmakban - egy fizikus megközelítése - Néda Zoltán Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár Fizika szakkollégium, BBTE, 2006 Fizika a XX. század előtt: az érzékelhető dolgok

Részletesebben

Szociális hálozatok és a vagyoneloszlás a társadalmakban. Néda Zoltán. Babeş-Bolyai Tudományegyetem Elméleti Fizika Tanszék

Szociális hálozatok és a vagyoneloszlás a társadalmakban. Néda Zoltán. Babeş-Bolyai Tudományegyetem Elméleti Fizika Tanszék Szociális hálozatok és a vagyoneloszlás a társadalmakban Néda Zoltán Babeş-Bolyai Tudományegyetem Elméleti Fizika Tanszék Világunkban létező hálozatok közül, talán számunkra a legnyilvánvalóbbak a mindennapi

Részletesebben

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések! ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test

Részletesebben

Társadalmi és gazdasági hálózatok modellezése

Társadalmi és gazdasági hálózatok modellezése Társadalmi és gazdasági hálózatok modellezése 6. el adás Hálózatok növekedési modelljei: `uniform és preferential attachment' El adó: London András 2015. október 12. Hogyan n nek a hálózatok? Statikus

Részletesebben

Az entrópia statisztikus értelmezése

Az entrópia statisztikus értelmezése Az entrópa statsztkus értelmezése A tapasztalat azt mutatja hogy annak ellenére hogy egy gáz molekulá egyed mozgást végeznek vselkedésükben mégs szabályszerűségek vannak. Statsztka jellegű vselkedés szabályok

Részletesebben

Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás

Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás Démon algoritmus az ideális gázra időátlag fizikai mennyiségek átlagértéke sokaságátlag E, V, N pl. molekuláris dinamika Monte

Részletesebben

Doktori disszertáció. szerkezete

Doktori disszertáció. szerkezete Doktori disszertáció tézisfüzet Komplex hálózatok szerkezete Szabó Gábor Témavezető Dr. Kertész János Elméleti Fizika Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2005 Bevezetés A tudományos

Részletesebben

A Barabási-Albert-féle gráfmodell

A Barabási-Albert-féle gráfmodell A Barabási-Albert-féle gráfmodell és egyéb véletlen gráfok Papp Pál András Gráfok, hálózatok modelljei Rengeteg gráfokkal modellezhető terület: Pl: Internet, kapcsolati hálók, elektromos hálózatok, stb.

Részletesebben

Regresszió. Fő cél: jóslás Történhet:

Regresszió. Fő cél: jóslás Történhet: Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján

Részletesebben

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani

Részletesebben

Sztochasztikus folyamatok alapfogalmak

Sztochasztikus 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

Részletesebben

Extrém-érték elemzés. Extrém-érték eloszlások. A normálhatóság feltétele. Megjegyzések. Extrém-érték modellezés

Extrém-érték elemzés. Extrém-érték eloszlások. A normálhatóság feltétele. Megjegyzések. Extrém-érték modellezés Extrém-érték modellezés Zemplén András Alkalmazott modul 03. február. Extrém-érték elemzés Klasszkus módszerek: év maxmumon alapulnak Küszöb felett értékek elemzése: adott szntet meghaladó mnden árvízbıl

Részletesebben

MATEMATIKAI STATISZTIKA KISFELADAT. Feladatlap

MATEMATIKAI STATISZTIKA KISFELADAT. Feladatlap Közlekedésmérnök Kar Jármőtervezés és vzsgálat alapja I. Feladatlap NÉV:..tk.:. Feladat sorsz.:.. Feladat: Egy jármő futómő alkatrész terhelésvzsgálatakor felvett, az alkatrészre ható terhelı erı csúcsértékek

Részletesebben

s n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés

s n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,

Részletesebben

,...,q 3N és 3N impulzuskoordinátával: p 1,

,...,q 3N és 3N impulzuskoordinátával: p 1, Louvlle tétele Egy tetszőleges klasszkus mechanka rendszer állapotát mnden t dőpllanatban megadja a kanónkus koordnáták összessége. Legyen a rendszerünk N anyag pontot tartalmazó. Ilyen esetben a rendszer

Részletesebben

DFTH november

DFTH november Kovács Ernő 1, Füves Vktor 2 1,2 Elektrotechnka és Elektronka Tanszék Mskolc Egyetem 3515 Mskolc-Egyetemváros tel.: +36-(46)-565-111 mellék: 12-16, 12-18 fax : +36-(46)-563-447 elkke@un-mskolc.hu 1, elkfv@un-mskolc.hu

Részletesebben

[Biomatematika 2] Orvosi biometria

[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

Részletesebben

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma: Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:

Részletesebben

METROLÓGIA ÉS HIBASZÁMíTÁS

METROLÓGIA ÉS HIBASZÁMíTÁS METROLÓGIA ÉS HIBASZÁMíTÁS Metrológa alapfogalmak A metrológa a mérések tudománya, a mérésekkel kapcsolatos smereteket fogja össze. Méréssel egy objektum valamlyen tulajdonságáról számszerű értéket kapunk.

Részletesebben

[Biomatematika 2] Orvosi biometria

[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 =

Részletesebben

Társadalmi és gazdasági hálózatok modellezése

Társadalmi és gazdasági hálózatok modellezése Társadalmi és gazdasági hálózatok modellezése 5. el adás Közösségszerkezet El adó: London András 2017. október 16. Közösségek hálózatban Homofília, asszortatívitás Newman modularitás Közösségek hálózatban

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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

Részletesebben

Szilárdtestek mágnessége. Mágnesesen rendezett szilárdtestek

Szilárdtestek mágnessége. Mágnesesen rendezett szilárdtestek Szilárdtestek mágnessége Mágnesesen rendezett szilárdtestek 2 Mágneses anyagok Permanens atomi mágneses momentumok: irány A kétféle spin-beállású elektronok betöltöttsége különbözik (spin-polarizáció)

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - 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

Részletesebben

HETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT

HETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT HETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT Mobil és vezeték nélküli hálózatok (BMEVIHIMA07) 2015. április 3., Budapest Jakó Zoltán BME Hálózati Rendszerek és Szolgáltatások Tanszék

Részletesebben

Minősítéses mérőrendszerek képességvizsgálata

Minősítéses mérőrendszerek képességvizsgálata Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek

Részletesebben

A mérési eredmény megadása

A 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

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,

Részletesebben

2 Wigner Fizikai Kutatóintézet augusztus / 17

2 Wigner Fizikai Kutatóintézet augusztus / 17 Táguló sqgp tűzgömb többkomponensű kéma kfagyása Kasza Gábor 1 és Csörgő Tamás 2,3 1 Eötvös Loránd Tudományegyetem 2 Wgner Fzka Kutatóntézet 3 Károly Róbert Főskola 2015. augusztus 17. Gyöngyös - KRF 1

Részletesebben

Műszaki folyamatok közgazdasági elemzése. Kevert stratégiák és evolúciós játékok

Műszaki folyamatok közgazdasági elemzése. Kevert stratégiák és evolúciós játékok Műszak folyamatok közgazdaság elemzése Kevert stratégák és evolúcós átékok Fogalmak: Példa: 1 szta stratéga Vegyes stratéga Ha m tszta stratéga létezk és a 1 m annak valószínűsége hogy az - edk átékos

Részletesebben

4 2 lapultsági együttható =

4 2 lapultsági együttható = Leíró statsztka Egy kísérlet végeztével általában tetemes mennységű adat szokott összegyűln. Állandó probléma, hogy mt s kezdjünk - lletve mt tudunk kezden az adatokkal. A statsztka ebben segít mnket.

Részletesebben

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések! ORVOSI STATISZTIKA Az orvos statsztka helye Életta Aatóma Kéma Lehet kérdés?? Statsztka! Az orvos dötéseket hoz! Mkor jó egy dötés? Meyre helyes egy dötés? Mekkora a tévedés lehetősége? Példa: test hőmérséklet

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.

Részletesebben

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható folytonos idejű Markovláncok  segítségével. E.4 Markov-láncok Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével. Egy Markov-láncot (MC) meghatároznak az alapját adó sorbanállási hálózat állapotai és az ezek

Részletesebben

Összefoglalás és gyakorlás

Összefoglalás és gyakorlás Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)

Részletesebben

Eseményvezérelt szimuláció

Eseményvezérelt szimuláció Hálózat szmulácós technkák (BMEVITTD094/2005) október 3. Vdács Attla Dang Dnh Trang Távközlés és Médanformatka Tanszék Budapest Mszak és Gazdaságtudomány Egyetem Eseményvezérelt szmulácó DES Dscrete-Event

Részletesebben

Véletlenszám generátorok. 5. előadás

Véletlenszám generátorok. 5. előadás Véletlenszám generátorok 5. előadás Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes

Részletesebben

20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek!

20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek! SPEC 2009-2010. II. félév Statsztka II HÁZI dolgozat Név:... Neptun kód: 20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek! 1. példa Egy üzemben tejport csomagolnak zacskókba,

Részletesebben

Robotok direkt geometriája

Robotok direkt geometriája Robotok drekt geometrája. A gyakorlat célja Drekt geometra feladatot megvalósító osztály mplementálása. A megvalósított függvénycsomag tesztelése egy Stanford kar végberendezése pozícójának meghatározásához.

Részletesebben

Integrált rendszerek n é v; dátum

Integrált rendszerek n é v; dátum Integrált rendszerek n é v; dátum.) Az dentfkálás (folyamatdentfkácó) a.) elsődleges feladata absztrahált leírás fzka modell formában b.) legfőbb feladata a struktúradentfkálás (modellszerkezet felállítása)

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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,

Részletesebben

Koncentráció és mérése gazdasági és társadalmi területeken. Kerékgyártó Györgyné BCE Statisztika Tanszék

Koncentráció és mérése gazdasági és társadalmi területeken. Kerékgyártó Györgyné BCE Statisztika Tanszék Koncentrácó és mérése gazdaság és társadalm területeken Kerékgyártó Györgyné BCE Statsztka Tanszék Koncentrácó Fogalmát a XVIII. sz. másodk felétől egyre gyakrabban használták. Először a termelésre értelmezték,

Részletesebben

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában Horváth Gábor ghorvath@hit.bme.hu (Horváth András, Telek Miklós) - p. 1 Motiváció, problémafelvetés

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek

Többváltozós lineáris regressziós modell feltételeinek Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p

Részletesebben

Robotirányítási rendszer szimulációja SimMechanics környezetben

Robotirányítási rendszer szimulációja SimMechanics környezetben Robotrányítás rendszer szmulácója SmMechancs környezetben 1. A gyakorlat célja A SmMechancs szoftvereszköz megsmerése, alkalmazása robotka rendszerek rányításának szmulácójára. Két szabadságfokú kar PID

Részletesebben

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Mi az adat? Az adat elemi ismeret. Az adatokból információkat Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás

Részletesebben

Gyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László

Gyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,

Részletesebben

Dr. Ratkó István. Matematikai módszerek orvosi alkalmazásai. 2010.11.08. Magyar Tudomány Napja. Gábor Dénes Főiskola

Dr. Ratkó István. Matematikai módszerek orvosi alkalmazásai. 2010.11.08. Magyar Tudomány Napja. Gábor Dénes Főiskola Dr. Ratkó István Matematka módszerek orvos alkalmazása 200..08. Magyar Tudomány Napja Gábor Dénes Főskola A valószínűségszámítás és matematka statsztka főskola oktatásakor a hallgatók néha megkérdezk egy-egy

Részletesebben

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg

Általánosan, 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

Részletesebben

Orosz Gyula: Markov-láncok. 4. Statisztikus golyójátékok

Orosz Gyula: Markov-láncok. 4. Statisztikus golyójátékok . Statsztkus golyójátékok Egy urnában kezdetben különböző színű golyók vannak. Ezek közül véletlenszerűen kválasztunk egyet, és a követett stratégától függően kveszünk vagy beteszünk újabb golyókat az

Részletesebben

Gazdasági matematika II. vizsgadolgozat, megoldással,

Gazdasági 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

Részletesebben

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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:

Részletesebben

Loss Distribution Approach

Loss Distribution Approach Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói

Részletesebben

Elektromos zajok. Átlagérték Időben változó jel átlagértéke alatt a jel idő szerinti integráljának és a közben eltelt időnek a hányadosát értik:

Elektromos zajok. Átlagérték Időben változó jel átlagértéke alatt a jel idő szerinti integráljának és a közben eltelt időnek a hányadosát értik: Elektromos zajok Átlagérték, négyzetes átlag, effektív érték Átlagérték dőben változó jel átlagértéke alatt a jel dő szernt ntegráljának és a közben eltelt dőnek a hányadosát értk: τ τ dt Négyzetes átlag

Részletesebben

Majomnyelv. Szavak előfordulási gyakoriságának modellezése nyelvi statisztikák alapján

Majomnyelv. Szavak előfordulási gyakoriságának modellezése nyelvi statisztikák alapján Majomnyelv Szavak előfordulási gyakoriságának modellezése nyelvi statisztikák alapján Témavezető: Dr. Járai-Szabó Ferenc, egyetemi adjunktus Babeş-Bolyai Tudományegyetem Fizika kar Elméleti és számítógépes

Részletesebben

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria 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

Részletesebben

A MOLEKULADINAMIKAI MÓDSZEREK SZISZTEMATIKUS TÁRGYALÁSA: KLASSZIKUS DINAMIKA A POSTERIORI KORREKCIÓJA

A MOLEKULADINAMIKAI MÓDSZEREK SZISZTEMATIKUS TÁRGYALÁSA: KLASSZIKUS DINAMIKA A POSTERIORI KORREKCIÓJA A MOLEKULADINAMIKAI MÓDSZEREK SZISZTEMATIKUS TÁRGYALÁSA: KLASSZIKUS DINAMIKA A POSTERIORI KORREKCIÓJA KLASSZIKUS DINAMIKA Klasszkus magok mozognak egy elre elkészített potencálfelületen. Potencálfelület

Részletesebben

MUNKAGAZDASÁGTAN. Készítette: Köllő János. Szakmai felelős: Köllő János. 2011. január

MUNKAGAZDASÁGTAN. Készítette: Köllő János. Szakmai felelős: Köllő János. 2011. január MUNKAGAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék, az MTA Közgazdaságtudományi

Részletesebben

Lineáris regresszió. Statisztika I., 4. alkalom

Lineáris regresszió. Statisztika I., 4. alkalom Lneárs regresszó Statsztka I., 4. alkalom Lneárs regresszó Ha két folytonos változó lneárs kapcsolatban van egymással, akkor az egyk segítségével elıre jelezhetjük a másk értékét. Szükségünk van a függı

Részletesebben

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( ) Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:

Részletesebben

A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.

A 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

Részletesebben

I. A közlekedési hálózatok jellemzői II. A közlekedési szükségletek jellemzői III. Analitikus forgalom-előrebecslési modell

I. A közlekedési hálózatok jellemzői II. A közlekedési szükségletek jellemzői III. Analitikus forgalom-előrebecslési modell Budapest Műszak és Gazdaságtudomány Egyetem Közlekedésmérnök és Járműmérnök Kar Közlekedésüzem Tanszék HÁLÓZATTERVEZÉSI MESTERISKOLA BEVEZETÉS A KÖZLEKEDÉS MODELLEZÉSI FOLYAMATÁBA Dr. Csszár Csaba egyetem

Részletesebben

A multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege

A multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege A multkrtérumos elemzés célja, alkalmazás területe, adat-transzformácós eljárások, az osztályozás eljárások lényege Cél: tervváltozatok, objektumok értékelése (helyzetértékelés), döntéshozatal segítése

Részletesebben

d(f(x), f(y)) q d(x, y), ahol 0 q < 1.

d(f(x), f(y)) q d(x, y), ahol 0 q < 1. Fxponttétel Már a hétköznap életben s gyakran tapasztaltuk, hogy két pont között a távolságot nem feltétlenül a " kettő között egyenes szakasz hossza" adja Pl két település között a távolságot közlekedés

Részletesebben

1. Név:... Neptun Kód:... Feladat: Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt

1. Név:... Neptun Kód:... Feladat: Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt 1. Név:......................... Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt a gyártmányt készítik. Egy gyártmány összeszerelési ideje normális eloszlású valószín½uségi változó

Részletesebben

Statisztika feladatok

Statisztika feladatok Statsztka ok Informatka Tudományok Doktor Iskola Bzonyítandó, hogy: azaz 1 Tekntsük az alább statsztkákat: Igazoljuk, hogy torzítatlan statsztkák! Melyk a leghatásosabb közöttük? (Ez az együttes eloszlásfüggvényük.)

Részletesebben

Adatelemzés és adatbányászat MSc

Adatelemzés és adatbányászat MSc Adatelemzés és adatbányászat MSc. téma Adatelemzés, statsztka elemek áttekntése Adatelemzés módszertana probléma felvetés módszer, adatok meghatározása nyers adatok adatforrás meghatározása adat tsztítás

Részletesebben

A Statisztika alapjai

A 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

Részletesebben

2. Házi feladat és megoldása (DE, KTK, 2014/2015 tanév első félév)

2. Házi feladat és megoldása (DE, KTK, 2014/2015 tanév első félév) . Házi feladat és megoldása (DE, KTK, 4/5 tanév első félév) () Határozza meg a következő függvények (első) deriváltját: 3 + f() ctg, g() (3 )3 tg, h() cos( 3 + e ), i() lg(ln(e + 4 ln )), j() (3) ln, k()

Részletesebben

Példa: Egy üzletlánc boltjainak forgalmára vonatkozó adatok 1999. október hó: (adott a vastagon szedett!) S i g i z i g i z i

Példa: Egy üzletlánc boltjainak forgalmára vonatkozó adatok 1999. október hó: (adott a vastagon szedett!) S i g i z i g i z i . konzult. LEV. 013. ápr. 5. MENNYISÉGI ISMÉRV szernt ELEMZÉS Tk. 3-8., 88-90. oldal, kmarad: 70., 74. oldal A mennység smérv (X) lehet: dszkrét és folytonos. A rangsor a mennység smérv értékenek monoton

Részletesebben

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika

Bevezetés. 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

Részletesebben

Fizika II. (Termosztatika, termodinamika)

Fizika II. (Termosztatika, termodinamika) Fzka II. (Termosztatka, termodnamka) előadás jegyzet Élelmszermérnök, Szőlész-borász mérnök és omérnök hallgatóknak Dr. Frtha Ferenc. árls 4. Tartalom evezetés.... Hőmérséklet, I. főtétel. Ideáls gázok...3

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Racionalitás: a hasznosság és a döntés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade

Részletesebben

Az elektromos kölcsönhatás

Az elektromos kölcsönhatás TÓTH.: lektrosztatka/ (kbővített óravázlat) z elektromos kölcsönhatás Rég tapasztalat, hogy megdörzsölt testek különös erőket tudnak kfejten. Így pl. megdörzsölt műanyagok (fésű), megdörzsölt üveg- vagy

Részletesebben

Mőanyagok felhasználása - szerkezeti. Mőanyagok felhasználása - technológiai. A faiparban felhasznált polimerek

Mőanyagok felhasználása - szerkezeti. Mőanyagok felhasználása - technológiai. A faiparban felhasznált polimerek Mőanyagok felhasználása - szerkezet Rohamos növekedés Széleskörő alkalmazás Különleges vselkedés Mőanyag: Egy vagy több, fıleg mesterségesen elıállított, polmerbıl és (különbözı célú) adalékanyagokból

Részletesebben

A maximum likelihood becslésről

A 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

Részletesebben

Szerven belül egyenetlen dóziseloszlások és az LNT-modell

Szerven belül egyenetlen dóziseloszlások és az LNT-modell Szerven belül egyenetlen dózseloszlások és az LNT-modell Madas Balázs Gergely, Balásházy Imre MTA Energatudomány Kutatóközpont XXXVIII. Sugárvédelm Továbbképző Tanfolyam Hunguest Hotel Béke 2013. áprls

Részletesebben

Optikai elmozdulás érzékelő illesztése STMF4 mikrovezérlőhöz és robot helyzetérzékelése. Szakdolgozat

Optikai elmozdulás érzékelő illesztése STMF4 mikrovezérlőhöz és robot helyzetérzékelése. Szakdolgozat Mskolc Egyetem Gépészmérnök és Informatka Kar Automatzálás és Infokommunkácós Intézet Tanszék Optka elmozdulás érzékelő llesztése STMF4 mkrovezérlőhöz és robot helyzetérzékelése Szakdolgozat Tervezésvezető:

Részletesebben

2. személyes konzultáció. Széchenyi István Egyetem

2. személyes konzultáció. Széchenyi István Egyetem Makroökonóma 2. személyes konzultácó Szécheny István Egyetem Gazdálkodás szak e-learnng képzés Összeállította: Farkas Péter 1 A tananyag felépítése (térkép) Ön tt áll : MAKROEGENSÚL Inflácó, munkanélkülség,

Részletesebben

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat

Részletesebben

Komplex hálózatok: alapfogalmak, modellek, módszerek

Komplex hálózatok: alapfogalmak, modellek, módszerek Komplex hálózatok: alapfogalmak, modellek, módszerek London András, Németh Tamás 2015. április 13. Motiváció Alapfogalmak Centralitás mértékek Néhány gráfmodell Hálózatok mindenhol! ábra 1: Facebook kapcsolati

Részletesebben

Bevezető milyen információkkal rendelkezik a magyar lakosság ezekről a termékkategóriákról Módszertan:

Bevezető milyen információkkal rendelkezik a magyar lakosság ezekről a termékkategóriákról Módszertan: Bevezető A Szinapszis Kft. a Magyar Gyógyszerészi Kamarával együttműködve piackutatást kezdeményezett, amelynek célja annak feltárása, milyen szerepe van a gyógyszernek illetve az egyéb, gyógyhatású, étrend-kiegészítő

Részletesebben

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,

Részletesebben

Tiszta és kevert stratégiák

Tiszta és kevert stratégiák sza és kever sraégák sza sraéga: Az -edk áékos az sraégá és ez alkalmazza. S sraégahalmazból egyérelműen válasz k egy eknsük a kövekező áéko. Ké vállala I és II azonos erméke állí elő. Azon gondolkodnak,

Részletesebben

Készítette: Fegyverneki Sándor

Készítette: 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

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Matematika kisérettségi I. rész 45 perc NÉV:...

Matematika kisérettségi I. rész 45 perc NÉV:... Matematika kisérettségi I. rész 45 perc NÉV:... 1. Az A halmaz elemei a háromnál nagyobb egyjegyű számok, a B halmaz elemei pedig a húsznál kisebb pozitív páratlan számok. Sorolja fel az halmaz elemeit!

Részletesebben

Diszkrét idejű felújítási paradoxon

Diszkrét idejű felújítási paradoxon Magda Gábor Szaller Dávid Tóvári Endre 2009. 11. 18. X 1, X 2,... független és X-szel azonos eloszlású, pozitív egész értékeket felvevő valószínűségi változó (felújítási idők) P(X M) = 1 valamilyen M N

Részletesebben

1.Tartalomjegyzék 1. 1.Tartalomjegyzék

1.Tartalomjegyzék 1. 1.Tartalomjegyzék 1.Tartalomjegyzék 1 1.Tartalomjegyzék 1.Tartalomjegyzék...1.Beezetés... 3.A matematka modell kálasztása...5 4.A ékony lap modell...7 5.Egy más módszer a matematka modell kálasztására...10 6.A felületet

Részletesebben

CHT& NSZT Hoeffding NET mom. stabilis. 2011. november 9.

CHT& NSZT Hoeffding NET mom. stabilis. 2011. november 9. CHT& NSZT Hoeffding NET mom. stabilis Becslések, határeloszlás tételek Székely Balázs 2011. november 9. CHT& NSZT Hoeffding NET mom. stabilis 1 CHT és NSZT 2 Hoeffding-egyenlőtlenség Alkalmazása: Beengedés

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Operációkutatás. 4. konzultáció: Sorbanállás. Exponenciális elsozlás (ismétlés)

Operációkutatás. 4. konzultáció: Sorbanállás. Exponenciális elsozlás (ismétlés) Operációkutatás NYME KTK, gazdálkodás szak, levelező alapképzés 2002/2003. tanév, II. évf. 2.félév Előadó: Dr. Takách Géza NyME FMK Információ Technológia Tanszék 9400 Sopron, Bajcsy Zs. u. 9. GT fszt.

Részletesebben

Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József

Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Matematika III. 4. : A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul

Részletesebben

Több valószínűségi változó együttes eloszlása, korreláció

Több valószínűségi változó együttes eloszlása, korreláció Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...

Részletesebben

Eseményalgebra. 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. 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.

Részletesebben

Frusztrált hálózatok klasztereződése

Frusztrált hálózatok klasztereződése Babeş-Bolyai Tudományegyetem, Fizika Kar Frusztrált hálózatok klasztereződése XI. ETDK Varga Melinda Molnár Botond Témavezetők: Dr. Prof. Néda Zoltán Drd. Ercsey-Ravasz Mária 2008 Absztrakt A politikában,

Részletesebben

Hitelderivatívák árazása sztochasztikus volatilitás modellekkel

Hitelderivatívák árazása sztochasztikus volatilitás modellekkel Eötvös Loránd Tudományegyetem Természettudomány Kar Budapest Corvnus Egyetem Közgazdaságtudomány Kar Hteldervatívák árazása sztochasztkus volatltás modellekkel Bztosítás és pénzügy matematka MSc Kvanttatív

Részletesebben