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

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

Hálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet

Hálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet Hálózattudomány SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Előadó: London András 4. Előadás Hogyan nőnek a hálózatok? Statikus hálózatos modellek: a pontok száma (n) fix, az éleket valamilyen

Részletesebben

Statisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.

Statisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás. Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan

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

Véletlenszám generátorok. 6. előadás

Véletlenszám generátorok. 6. előadás Véletlenszám generátorok 6. előadás Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes

Részletesebben

Statisztikai módszerek a skálafüggetlen hálózatok

Statisztikai módszerek a skálafüggetlen hálózatok Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti

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

Táblázatok 4/5. C: t-próbát alkalmazunk és mivel a t-statisztika értéke 3, ezért mind a 10%-os, mind. elutasítjuk a nullhipotézist.

Táblázatok 4/5. C: t-próbát alkalmazunk és mivel a t-statisztika értéke 3, ezért mind a 10%-os, mind. elutasítjuk a nullhipotézist. 1. Az X valószínőség változó 1 várható értékő és 9 szórásnégyzető. Y tıle független várható értékkel és 1 szórásnégyzettel. a) Menny X + Y várható értéke? 13 1 b) Menny X -Y szórásnégyzete? 13 1 összesen

Részletesebben

Turbulens áramlás modellezése háromszög elrendezésű csőkötegben

Turbulens áramlás modellezése háromszög elrendezésű csőkötegben Turbulens áramlás modellezése háromszög elrendezésű csőkötegben Mayer Gusztáv mayer@sunserv.kfk.hu 2005. 09. 27. CFD Workshop 1 Tartalom - Vzsgált geometra Motvácó Az áramlás jellemző Saját fejlesztésű

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

Tanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.

Tanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak. 8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral

Részletesebben

Szalai Péter. April 17, Szalai Péter April 17, / 36

Szalai Péter. April 17, Szalai Péter April 17, / 36 Szociális hálók Szalai Péter April 17, 2015 Szalai Péter April 17, 2015 1 / 36 Miről lesz szó? 1 Megfigyelések Kis világ Power-law Klaszterezhetőség 2 Modellek Célok Erdős-Rényi Watts-Strogatz Barabási

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

Betekintés a komplex hálózatok világába

Betekintés a komplex hálózatok világába Betekintés a komplex hálózatok világába Dr. Varga Imre Debreceni Egyetem Informatikai Kar EFOP-3.6.1-16-2016-00022 Egyszerű hálózatok Grafit kristály Árpád házi uralkodók családfája LAN hálózat Komplex

Részletesebben

Véletlen gráfok, hálózatok

Véletlen gráfok, hálózatok Véletlen gráfok, hálózatok Véletlen gráfok, hálózatok Csirik András 2018.04.25 Erdős-Rényi modell Watts-Strogatz modell Barabási-Albert modell Hálózatok a mindennapokban Hálózatok a világ minden területén

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

Valószínűségi változók. Várható érték és szórás

Valószínűségi 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 :

Részletesebben

Gazdasági matematika II. vizsgadolgozat megoldása A csoport

Gazdasági 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

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

Megoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ

Megoldások. 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.

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

Variancia-analízis (ANOVA) Mekkora a tévedés esélye? A tévedés esélye Miért nem csinálunk kétmintás t-próbákat?

Variancia-analízis (ANOVA) Mekkora a tévedés esélye? A tévedés esélye Miért nem csinálunk kétmintás t-próbákat? Varanca-analízs (NOV Mért nem csnálunk kétmntás t-próbákat? B Van különbség a csoportok között? Nncs, az eltérés csak véletlen! Ez a nullhpotézs. és B nncs különbség Legyen, B és C 3 csoport! B és C nncs

Részletesebben

Fizika labor zh szept. 29.

Fizika labor zh szept. 29. Fzka laor zh 6. szept. 9.. Mar nén évek óta a sark pékségen vesz magának 8 dkg-os rozskenyeret. Hazaérve mndg lemér, hány dkg-os kenyeret kapott aznap, és statsztkát készít a kenyerek tömegének eloszlásáról.

Részletesebben

Univerzalitási osztályok nemegyensúlyi rendszerekben, Ódor Géza

Univerzalitási osztályok nemegyensúlyi rendszerekben, Ódor Géza Univerzalitási osztályok nemegyensúlyi rendszerekben, Ódor Géza odor@mfa.kfki.hu 1. Bevezetõ, dinamikus skálázás, kritikus exponensek, térelmélet formalizmus, renormalizáció, topológius fázis diagrammok,

Részletesebben

egyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk

egyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,

Részletesebben

Valószínűségszámítás összefoglaló

Valószínűségszámítás 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:

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

Hipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?

Hipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer? 01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó

Részletesebben

A MATEMATIKA NÉHÁNY KIHÍVÁSA

A MATEMATIKA NÉHÁNY KIHÍVÁSA A MATEMATIKA NÉHÁNY KIHÍVÁSA NAPJAINKBAN Simon L. Péter ELTE, Matematikai Intézet Alkalmazott Analízis és Számításmatematikai Tsz. 1 / 20 MATEMATIKA AZ ÉLET KÜLÖNBÖZŐ TERÜLETEIN Kaotikus sorozatok és differenciálegyenletek,

Részletesebben

4. előadás. Kiegyenlítő számítások MSc 2018/19 1 / 41

4. előadás. Kiegyenlítő számítások MSc 2018/19 1 / 41 4. előadás Kiegyenlítő számítások MSc 2018/19 1 / 41 Áttekintés Extrém érték elmélet Monte Carlo eljárások 2 / 41 Extrém érték elmélet Bevezetés Alapvető módszerek (GEV és POT) Extrém érték eloszlások

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

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

,...,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

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

Gazdasági 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

Részletesebben

4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O

4. 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.

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

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel

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

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

[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

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

Mechanizmus-tervezés: szociális jóléti függvény nem kooperatív (versengő) ágensek. A megegyezés keresése és elérése: Tárgyalás (Negotiation)

Mechanizmus-tervezés: szociális jóléti függvény nem kooperatív (versengő) ágensek. A megegyezés keresése és elérése: Tárgyalás (Negotiation) Tárgyalások/1 Mechanzmus-tervezés: szocáls jólét függvény nem kooperatív (versengő) ágensek (Szavazás (Votng)) (Árverés (Aucton)) A megegyezés keresése és elérése: Tárgyalás (Negotaton) (Érvelés (Argung))

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

Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére

Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére Zubor Zoltán MNB - Biztosításfelügyeleti főosztály MAT Tavaszi Szimpózium 2016. május 7. 1 Háttér Bit. 99. : folyamatos

Részletesebben

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus. Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza

Részletesebben

1. Példa. A gamma függvény és a Fubini-tétel.

1. 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 +

Részletesebben

Biomatematika 2 Orvosi biometria

Biomatematika 2 Orvosi biometria Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)

Részletesebben

Molekuláris dinamika: elméleti potenciálfelületek

Molekuláris dinamika: elméleti potenciálfelületek Molekulárs dnamka: elmélet potencálfelületek éhány szó a potencál felület meghatározásáról Szemempírkus és ab nto potencál felületek a teles felület meghatározása (pontos nem megy részletek: mndárt éhány

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

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

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

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

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

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver):

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): B Motiváció B Motiváció Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): Helyesség Felhasználóbarátság Hatékonyság Modern számítógép-rendszerek: Egyértelmű hatékonyság (például hálózati hatékonyság)

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

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

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika

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

Elemi szelekciós elmélet

Elemi szelekciós elmélet Elem szelekcós elmélet Meszéna Géza 018. május 8. 1. Exponencáls növekedés, szelekcó és regulácó Állandó körülmények között egy populácó létszáma exponencálsan változk, hsz úgy a születések, mnt a halálozások

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Valószínűségi hálók - következtetés 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 Következtetés

Részletesebben

Makroszkopikus emisszió modell validálása és irányítási célfüggvényként való alkalmazásának vizsgálata

Makroszkopikus emisszió modell validálása és irányítási célfüggvényként való alkalmazásának vizsgálata Maroszopus emsszó modell valdálása és rányítás célfüggvényént való alalmazásána vzsgálata Csós Alfréd Témavezető: Varga István Közleedés és járműrányítás worshop BME 2011 ISBN 978-963-420-975-1 Bevezetés

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

Általános esetben az atomok (vagy molekulák) nem függetlenek, közöttük erős

Általános esetben az atomok (vagy molekulák) nem függetlenek, közöttük erős I. BEVEZETÉS A STATISZTIKUS MÓDSZEREKBE Ebben a fejezetben konkrét példán vzsgáljuk meg, hogy mlyen jellegzetes tulajdonsága vannak a makroszkopkus testeknek statsztkus fzka szempontból. A megoldás során

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

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

[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

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

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

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

Véletlen mátrix extrém-érték statisztika: Tracy-Widom eloszlás

Véletlen mátrix extrém-érték statisztika: Tracy-Widom eloszlás Véletlen mátrix extrém-érték statisztika: Ábel Dániel June 15, 2006 1 / 34 2 / 34 Előző alkalommal bevezetett dolgok, amiket használni fogunk: 3 / 34 Előző alkalommal bevezetett dolgok, amiket használni

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

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

Általános egyensúly a kiterjesztett IS-LM modellben

Általános egyensúly a kiterjesztett IS-LM modellben Általános egyensúly a kterjesztett IS-LM modellben külső egyensúly NX = 0 szuffct defct + LM 1) IS m > IS m nytott zárt az elszvárgás M S = PM d (, ) E nettó export NX IS = C + I + G + (X IM) F belső egyensúly

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

ELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június

ELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június ÖKONOMETRIA ÖKONOMETRIA Készült a TÁMOP-4.1.-08//A/KMR-009-0041pályázat projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudomány Tanszékén az ELTE Közgazdaságtudomány Tanszék, az MTA Közgazdaságtudomány

Részletesebben

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Biomatematika 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

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

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

[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

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

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

Kísérlettervezés alapfogalmak

Kísérlettervezés alapfogalmak Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján

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

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

Van-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag)

Van-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag) , rangkorreláció Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu

Részletesebben

Várható érték:... p Módusz:...

Várható érték:... p Módusz:... NEVEZETES ELOSZLÁSOK. Bernoull-eloszlás: B(, p p ha x = Súlyfüggvény:... P( X = x; p =...ahol: q=-p q ha x = 0 ha p q Várható érték:... p Módusz:... 0 ha p q Varanca:... pq Relatív szórás:... q p. ÁBRA.

Részletesebben

Nemparaméteres próbák

Nemparaméteres 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

Részletesebben

Közlekedési áramlatok MSc. Csomóponti-, útvonali eljutási lehetőségek minősítése

Közlekedési áramlatok MSc. Csomóponti-, útvonali eljutási lehetőségek minősítése Közlekedési áramlatok MSc Csomóponti-, útvonali eljutási lehetőségek minősítése minősítése jogszabályi esetben Az alárendelt áramlatból egy meghatározott forgalmi művelet csak akkor végezhető el, ha a

Részletesebben

Rádl Attila december 11. Rádl Attila Spalláció december / 21

Rádl Attila december 11. Rádl Attila Spalláció december / 21 Spalláció Rádl Attila 2018. december 11. Rádl Attila Spalláció 2018. december 11. 1 / 21 Definíció Atommagok nagyenergiás részecskével történő ütközése során másodlagos részecskéket létrehozó rugalmatlan

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

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

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

Extrém-érték elemzés. Extrém-érték eloszlások. Megjegyzések. A normálhatóság feltétele. Extrém-érték modellezés Extrém-érték modellezés Zemplén András Val.modellek 2018. febrár 21. Extrém-érték elemzés Klasszks módszerek: év maxmmon alaplnak Küszöb felett értékek elemzése: adott szntet meghaladó mnden árvízből használ

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