Matematikai statisztika gyakorlatok összefoglaló
|
|
- Adrián Lakatos
- 7 évvel ezelőtt
- Látták:
Átírás
1 Eszterházy Károly Főiskola Matematikai és Iformatikai Itézet Tómács Tibor Matematikai statisztika gyakorlatok összefoglaló Eger, 2012
2 Tartalomjegyzék Jelölések 2 1. Összefoglaló Eloszlások geerálása Egyeletes eloszlásból származtatott eloszlások Normális eloszlásból származtatott eloszlások Grafikus illeszkedésvizsgálat Itervallumbecslések Paraméteres hipotézisvizsgálatok Nemparaméteres hipotézisvizsgálatok Regressziószámítás Excel függvéyek Logikai függvéyek Elemi függvéyek Mátrixok Kombiatorika Pszeudo-véletle szám geerálása Statisztikák Eloszlások Eloszlásfüggvéyek Sűrűségfüggvéyek Iverz eloszlásfüggvéyek Grafikus illeszkedésvizsgálat Itervallumbecslés Paraméteres hipotézisvizsgálatok Nemparaméteres hipotézisvizsgálatok Regressziószámítás
3 Jelölések Általáos N R R R + (a, b) [x] f 1 A A 1 a pozitív egész számok halmaza a valós számok halmaza R-ek ömagával vett -szeres Descartes-szorzata a pozitív valós számok halmaza redezett elempár vagy yílt itervallum közelítőleg egyelő az x valós szám egész része az f függvéy iverze az A mátrix traszpoáltja az A mátrix iverze Valószíűségszámítás P(A) E ξ D ξ, D 2 ξ cov(ξ, η) corr(ξ, η) ϕ Φ I A Bi(r; p) Exp(λ) Norm(m; σ) Norm d (m; A) Gamma(r; λ) Khi(s) az A eseméy valószíűsége ξ várható értéke ξ szórása illetve szóráségyzete kovariacia korrelációs együttható a stadard ormális eloszlás sűrűségfüggvéye a stadard ormális eloszlás eloszlásfüggvéye az A eseméy idikátorváltozója az r-edredű p paraméterű biomiális eloszlású valószíűségi változók halmaza a λ paraméterű expoeciális eloszlású valószíűségi változók halmaza az m várható értékű és σ szórású ormális eloszlású valószíűségi változók halmaza az m és A paraméterű d-dimeziós ormális eloszlású valószíűségi változók halmaza az r-edredű λ paraméterű gamma-eloszlású valószíűségi változók halmaza az s szabadsági fokú khi-égyzet eloszlású valószíűségi változók halmaza 2
4 t(s) F(s 1 ; s 2 ) F V az s szabadsági fokú t-eloszlású valószíűségi változók halmaza az s 1 és s 2 szabadsági fokú F-eloszlású valószíűségi változók halmaza Ha ξ valószíűségi változó, és V a ξ-vel azoos eloszlású valószíűségi változók halmaza, akkor ez azt jelöli, hogy F a V-beli valószíűségi változók közös eloszlásfüggvéye. Például Φ Norm(0; 1). Matematikai statisztika F ξ S, S 2 S ξ,, Sξ, 2 S, S 2 Sξ,, S 2 ξ, ξ1,..., ξ Cov (ξ, η) Corr (ξ, η) ϑ H 0, H 1 tapasztalati eloszlásfüggvéy a ξ-re voatkozó mita átlaga (mitaátlag) tapasztalati szórás illetve szóráségyzet ξ-re voatkozó tapasztalati szórás illetve szóráségyzet korrigált tapasztalati szórás illetve szóráségyzet ξ-re voatkozó korrigált tapasztalati szórás illetve szóráségyzet redezett mita tapasztalati kovariacia tapasztalati korrelációs együttható a ϑ paraméter becslése ullhipotézis, ellehipotézis 3
5 1. Összefoglaló 1.1. Eloszlások geerálása Egyeletes eloszlásból származtatott eloszlások Itt az η, η 0, η 1, η 2,... függetle, a [0, 1] itervallumo egyeletes eloszlású valószíűségi változókat jelet. Diszkrét egyeletes eloszlás Ha m N, akkor [mη] + 1 diszkrét egyeletes eloszlású az { 1,..., m } halmazo. Karakterisztikus eloszlás Ha 0 < p < 1, akkor I η<p karakterisztikus eloszlású p paraméterrel. Biomiális eloszlás Ha r N és 0 < p < 1, akkor r i=1 I η i <p r-edredű p paraméterű biomiális eloszlású. Hipergeometrikus eloszlás Legye r, M, N N, M < N, továbbá r mi{ M, N M }. Ekkor ξ i 1 + 1, ξ 0 0, ξ i := ξ i 1, ha η i < M ξ i 1 N i+1, külöbe, (i = 1,..., r) jelöléssel P(ξ r = k) = ( M )( N M ) k r k ( N ) (k = 0,..., r), r azaz ξ r hipergeometrikus eloszlású N, M, r paraméterekkel. Poisso-eloszlás Ha λ > 0, akkor { mi s : Poisso-eloszlású λ paraméterrel. Geometriai eloszlás s } η i < e λ i=0 Ha 0 < p < 1, akkor mi { s : η s < p } geometriai eloszlású p paraméterrel. 4
6 Folytoos egyeletes eloszlás Ha a, b R, a < b, akkor a + (b a)η az [a, b] itervallumo egyeletes eloszlású. Expoeciális eloszlás Ha λ > 0, akkor l η λ Gamma-eloszlás expoeciális eloszlású λ paraméterrel. Ha λ > 0 és r N, akkor 1 λ r i=1 l η i r-edredű λ paraméterű gammaeloszlású. Normális eloszlás Ha m R és σ > 0, akkor m + σ 2 l η 1 cos(2πη 2 ) ormális eloszlású m várható értékkel és σ szórással Normális eloszlásból származtatott eloszlások Itt az η, η i (i N) függetle stadard ormális eloszlású valószíűségi változókat jelet. Khi-égyzet eloszlás Ha s N, akkor s i=1 η2 i khi-égyzet eloszlású s szabadsági fokkal. t-eloszlás Ha s N, akkor η s s i=1 η2 i t-eloszlású s szabadsági fokkal. Cauchy-eloszlás η 1 η 2 Cauchy-eloszlású. F-eloszlás Ha s 1, s 2 N, akkor s 2 s1 i=1 η 2 i s 1 s1 +s 2 i=s 1 +1 η2 i F-eloszlású s 1 és s 2 szabadsági fokkal Grafikus illeszkedésvizsgálat Legye x 1,..., x r R és x 1 < x 2 < < x r. Jelölje a mitarealizáció elemeiek a számát és k i az x i -él kisebb elemek számát a mitarealizációba. 5
7 Normalitásvizsgálat Ha teljesül, hogy a vizsgált valószíűségi változó ormális eloszlású m várható értékkel és σ szórással, akkor y i := Φ 1 ki ( ) jelöléssel az (x i, y i ) (i = = 1,..., r) koordiátájú potok körülbelül egy olya egyeesre esek, melyek 1 σ a meredeksége és m σ Expoecialitásvizsgálat értékél metszi a függőleges tegelyt. Ha teljesül, hogy a vizsgált valószíűségi változó expoeciális eloszlású λ paraméterrel, akkor y i := l 1 k ) ( i jelöléssel az (x i, y i ) (i = 1,..., r) koordiátájú potok körülbelül egy olya egyeesre esek, melyek λ a meredeksége és átmegy az origó Itervallumbecslések Legye a ξ valószíűségi változóra voatkozó mita ξ 1,..., ξ, és 1 α a becsüledő paraméterre voatkozó [τ 1, τ 2 ] kofideciaitervallum biztosági szitje. ξ Norm(m; σ) m az ismeretle becsüledő paraméter, σ ismert τ 1 = ξ σ Φ ( ) 1 1 α 2 τ 2 = ξ + σ Φ ( ) 1 1 α 2 ξ Norm(m; σ) m ismert, σ az ismeretle becsüledő paraméter F Khi() τ 1 = τ 2 = i=1 (ξ i m) 2 F 1 (1 α 2 ) i=1 (ξ i m) 2 F 1 ( α 2 ) ξ Norm(m; σ) m ismeretle, σ az ismeretle becsüledő paraméter 2, F Khi( 1) τ 1 = S F 1 (1 α 2 ) τ 2 = S F 1 ( α 2 ) ξ Norm(m; σ) m az ismeretle becsüledő paraméter, σ ismeretle 6
8 2, F t( 1) τ 1 = ξ S F ( ) 1 1 α 2 τ 2 = ξ + S F ( ) 1 1 α 2 ξ Exp(λ) λ az ismeretle becsüledő paraméter F Gamma(; 1) τ 1 = 1 ξ F ( ) 1 α 2 τ 2 = 1 ξ F ( ) 1 1 α 2 ξ Bi(1; p) p az ismeretle { becsüledő paraméter τ 1 = 1 max z N : z ( } i i=0 i) ξ (1 ξ) i < α 2 { τ 2 = 1 mi z N : z ( } i i=0 i) ξ (1 ξ) i 1 α 2 Nagy -re: c = Φ ( ) 1 1 α 2 τ 1 = ξ + c2 c 2 ξ(1 ξ) + c2 4 ξ c ξ(1 ξ) 1 + c2 τ 2 = ξ + c2 + c 2 ξ(1 ξ) + c c2 ξ + ξ az [a, b] itervallumo egyeletes eloszlású c ξ(1 ξ) a ismert, b az ismeretle becsüledő paraméter F Gamma(; 1), c 1 = F ( ) 1 α 2, c2 = F ( ) 1 1 α 2 τ 1 = a + ( e c 1 i=1 (ξ i a) ) 1 τ 2 = a + ( e c 2 i=1 (ξ i a) ) Paraméteres hipotézisvizsgálatok A következőkbe 1 α a próba szitjét jeleti. Egymitás u-próba ξ Norm(m; σ), m ismeretle, σ ismert, ξ 1,..., ξ a ξ-re voatkozó mita, m 0 R rögzített. H 0 : m = m 0 u = ξ m 0 σ 7
9 H 1 m m 0 m < m 0 m > m 0 kritikus tartomáy 2 2Φ( u ) < α Φ(u) < α 1 Φ(u) < α Kétmitás u-próba ξ Norm(m 1 ; σ 1 ), η Norm(m 2 ; σ 2 ) függetleek, m 1, m 2 ismeretleek, σ 1, σ 2 ismertek, ξ 1,..., ξ 1 a ξ-re voatkozó, η 1,..., η 2 az η-ra voatkozó mita. H 0 : m 1 = m 2 u = ξ η σ σ2 2 2 H 1 kritikus tartomáy m 1 m 2 m 1 < m 2 m 1 > m 2 2 2Φ( u ) < α Φ(u) < α 1 Φ(u) < α Egymitás t-próba ξ Norm(m; σ), m, σ ismeretleek, ξ 1,..., ξ a ξ-re voatkozó mita, 2, m 0 R rögzített. H 0 : m = m 0 t = ξ m 0 S és F t( 1) H 1 kritikus tartomáy m m 0 m < m 0 m > m 0 2 2F ( t ) < α F (t) < α 1 F (t) < α Kétmitás t-próba ξ Norm(m 1 ; σ 1 ), η Norm(m 2 ; σ 2 ) függetleek, m 1, m 2, σ 1, σ 2 ismeretleek, σ 1 = σ 2, ξ 1,..., ξ 1 a ξ-re voatkozó, illetve η 1,..., η 2 az η-ra voatkozó mita, 1 2, 2 2. H 0 : m 1 = m 2 t = ξ η 1 Sξ, S 2 1 η, ( ) és F t( ) 8
10 H 1 m 1 m 2 m 1 < m 2 m 1 > m 2 kritikus tartomáy 2 2F ( t ) < α F (t) < α 1 F (t) < α Scheffé-módszer ξ Norm(m 1 ; σ 1 ), η Norm(m 2 ; σ 2 ) függetleek, m 1, m 2, σ 1, σ 2 ismeretleek, ξ 1,..., ξ 1 a ξ-re voatkozó, illetve η 1,..., η 2 az η-ra voatkozó mita, H 0 : m 1 = m 2 ζ i = ξ i 1 2 η i k=1 η k η (i = 1,..., 1 ) ( 1 = 2 eseté ζ i = ξ i η i ) t = ζ S ζ, 1 1 és F t( 1 1) H 1 kritikus tartomáy m 1 m 2 2 2F ( t ) < α m 1 < m 2 F (t) < α m 1 > m 2 1 F (t) < α 1 = 2 eseté a módszer akkor is alkalmazható, ha a miták em függetleek, de csak akkor, ha ξ η ormális eloszlású. F-próba ξ Norm(m 1 ; σ 1 ), η Norm(m 2 ; σ 2 ) függetleek, m 1, m 2, σ 1, σ 2 ismeretleek, ξ 1,..., ξ 1 a ξ-re voatkozó, illetve η 1,..., η 2 az η-ra voatkozó mita ( 1 2, 2 2). H 0 : σ 1 = σ 2 F = S 2 ξ, 1 S 2 η, 2 és F F( 1 1; 2 1) H 1 kritikus tartomáy σ 1 σ 2 σ 1 < σ 2 σ 1 > σ 2 2 mi{ F (F),1 F (F) } < α F (F) < α 1 F (F) < α Khi-égyzet próba ξ Norm(m; σ), m, σ ismeretleek, ξ 1,..., ξ a ξ-re voatkozó mita ( 2). H 0 : σ = σ 0 9
11 χ 2 = S2 és F Khi( 1) σ0 2 H 1 kritikus tartomáy σ σ 0 σ < σ 0 σ > σ 0 2 mi{ F (χ 2 ),1 F (χ 2 ) } < α F (χ 2 ) < α 1 F (χ 2 ) < α Statisztikai próba az expoeciális eloszlás paraméterére ξ Exp(λ), λ ismeretle, ξ 1,..., ξ a ξ-re voatkozó mita, λ 0 R + rögzített. H 0 : λ = λ 0 γ = λ 0 ξ és F Gamma(; 1) H 1 kritikus tartomáy λ λ 0 λ < λ 0 λ > λ 0 2 mi{ F (γ),1 F (γ) } < α 1 F (γ) < α F (γ) < α Statisztikai próba valószíűségre ξ Bi(1; p), p ismeretle, 0 < p 0 < 1 rögzített és ξ 1,..., ξ a ξ-re voatkozó mita. H 0 : p = p 0 F 1 (x) = mi { z N : z ( ) i=0 i p i 0 (1 p 0 ) i x } mi{ p 0, (1 p 0 ) } 10 eseté F 1 (x) p p 0 (1 p 0 )Φ 1 (x) H 1 kritikus tartomáy p p 0 ξ < F ( ) ( ) 1 α 2 vagy ξ > F 1 1 α 2 p < p 0 ξ < F 1 (α) p > p 0 ξ > F 1 (1 α) feltétel p p 0 1 F ( ) 1 α 2 < p0 < F ( ) 1 1 α 2 1 p < p 0 1 F 1 (α) < p 0 p > p 0 p 0 < F 1 (1 α) Nemparaméteres hipotézisvizsgálatok A következőkbe 1 α a próba szitjét jeleti. 10
12 Tiszta illeszkedésvizsgálat valószíűségre A 1,..., A r teljes eseméyredszer, p 1,..., p r R +, p p r = 1. H 0 : P(A i ) = p i i, ahol P a valódi valószíűség ϱ i ( 10) az A i gyakorisága kísérlet utá r χ 2 (ϱ i p i ) 2 = és F Khi(r 1) p i i=1 Kritikus tartomáy: 1 F (χ 2 ) < α Tiszta illeszkedésvizsgálat eloszlásfüggvéyre ξ-re voatkozó mita ξ 1,..., ξ H 0 : ξ eloszlásfüggvéye F 0 a 0 = < a 1 < a 2 < < a r 1 < a r = ϱ i = I ξz [ai 1,a i ) 10 z=1 p i = P(a i 1 ξ < a i ) = F 0 (a i ) F 0 (a i 1 ), azaz P P H0 r χ 2 (ϱ i p i ) 2 = és F Khi(r 1) p i i=1 Kritikus tartomáy: 1 F (χ 2 ) < α Becsléses illeszkedésvizsgálat ξ-re voatkozó mita ξ 1,..., ξ F ϑ eloszlásfüggvéy mide ϑ = (ϑ 1,..., ϑ v ) Θ R v eseté. H 0 : ξ eloszlásfüggvéye F ϑ valamely ϑ Θ eseté a 0 = < a 1 < a 2 < < a r 1 < a r = ϱ i = I ξz [ai 1,a i ) 10 z=1 ϑ i a ϑ i maximum likelihood becslése H 0 feltételezésével p i = P ( ϑ1,..., ϑ (a v) i 1 ξ < a i ) = F ( ϑ1,..., ϑ (a v) i) F ( ϑ1,..., ϑ (a v) i 1) r χ 2 (ϱ i p i ) 2 = és F Khi(r 1 v) p i i=1 Kritikus tartomáy: 1 F (χ 2 ) < α Függetleségvizsgálat eseméyredszerekre A 1,..., A r és B 1,..., B s két teljes eseméyredszer. H 0 : P(A i B j ) = P(A i ) P(B j ) i, j, ahol P a valódi valószíűség. A kotigecia táblázat 11
13 B 1 B 2... B s A 1 ϱ 11 ϱ ϱ 1s k 1 A 2 ϱ 21 ϱ ϱ 2s k A r ϱ r1 ϱ r2... ϱ rs k r l 1 l 2... l s ϱ ij 10 mide i, j eseté r s χ 2 (ϱ ij 1 = il j ) 2 1 i=1 j=1 il j és F Khi((r 1)(s 1)) Kritikus tartomáy: 1 F (χ 2 ) < α Függetleségvizsgálat valószíűségi változókra (ξ, η)-ra voatkozó mita (ξ 1, η 1 ),..., (ξ, η ) H 0 : ξ és η függetle a 0 = < a 1 < a 2 < < a r 1 < a r = b 0 = < b 1 < b 2 < < b s 1 < a s = k i = I ξz [ai 1,a i ) l j = ϱ ij = z=1 z=1 I ηz [b j 1,b j ) I ξz [ai 1,a i ) I ηz [bj 1,b j ) 10 z=1 r s χ 2 (ϱ ij 1 = k il j ) 2 1 k és F Khi((r 1)(s 1)) i=1 j=1 il j Kritikus tartomáy: 1 F (χ 2 ) < α Homogeitásvizsgálat ξ és η függetle valószíűségi változók, az ezekre voatkozó miták ξ 1,..., ξ 1 illetve η 1,..., η 2. H 0 : ξ és η azoos eloszlású c 0 = < c 1 < c 2 < < c r 1 < c r = k i = I ξz [ci 1,c i ) 10 l j = I ηz [cj 1,c j ) 10 z=1 χ 2 = 1 2 r i=1 ( k i 1 l i 2 ) 2 z=1 k i + l i és F Khi(r 1) Kritikus tartomáy: 1 F (χ 2 ) < α Kétmitás előjelpróba (ξ, η)-ra voatkozó mita (ξ 1, η 1 ),..., (ξ, η ) 12
14 H 0 : P(ξ > η) = 1 2 B = I ξi >η i i=1 F 1 (x) = mi { z N : z ( ) i=0 i ( 1 2 ) x } 20 eseté F 1 (x) 1 ( 1 + Φ 1 (x)) 2 H 1 kritikus tartomáy P(ξ > η) 1 2 B < F ( ) ( ) 1 α 2 vagy B > F 1 1 α 2 P(ξ > η) < 1 2 B < F 1 (α) P(ξ > η) > 1 2 B > F 1 (1 α) Kolmogorov Szmirov-féle kétmitás próba ξ és η folytoos eloszlásfüggvéyű függetle valószíűségi változók, az ezekre voatkozó miták ξ 1,..., ξ illetve η 1,..., η ( > 30) H 0 : ξ és η azoos eloszlású ξ-re illetve η-ra voatkozó mitákhoz tartozó tapasztalati eloszlásfüggvéyek F illetve G D = 2 max i=1,...,2 F (x i ) G (x i ), ahol x 1 = ξ 1,..., x = ξ, x +1 = η 1,..., x 2 = η K(z) = i=1 ( 1)i e 2i2 z 2 Kritikus tartomáy: K(D) 1 α Kolmogorov Szmirov-féle egymitás próba ξ folytoos eloszlásfüggvéyű valószíűségi változó, az erre voatkozó mita ξ 1,..., ξ ( > 30) H 0 : ξ eloszlásfüggvéye F F a tapasztalati eloszlásfüggvéy F (x) = 1 k=1 I ξ k x D = max i=1,..., max{ F(x i ) F (x i ), F (x i ) F (x i ) } K(z) = i=1 ( 1)i e 2i2 z 2 Kritikus tartomáy: K(D) 1 α 1.6. Regressziószámítás Az η, ξ 1,..., ξ k valószíűségi változókra adjuk meg azt az η g(ξ 1,..., ξ k ) közelítést adó g függvéyt, melyre E ( η g(ξ 1,..., ξ k ) ) 2 miimális. Az ilye tulajdoságú g függvéyt (regressziós függvéy) a gyakorlatba csak becsüli tudjuk az 13
15 (η, ξ 1,..., ξ k ) valószíűségi vektorváltozóra voatkozó (η i, ξ i1,..., ξ ik ), i = 1,..., mita alapjá. Legye ez a becslés ĝ. Ezutá az η ĝ(ξ 1,..., ξ k ) közelítést fogjuk haszáli. Lieáris regresszió A regressziós függvéyt csak a g(x 1,..., x k ) = a 0 + a 1 x a k x k (a 0,..., a k R) alakú függvéyek között keressük. Ekkor az η â 0 + â 1 ξ â k ξ k közelítést fogjuk haszáli, ahol â 0,..., â k redre a 0,..., a k becslései. Fixpotos lieáris regresszió Legyeek t 0,..., t k R rögzített kostasok. A regressziós függvéyt g(x 1,..., x k ) = t 0 + a 1 (x 1 t 1 ) + + a k (x k t k ) (a 1,..., a k R) alakba keressük. Ekkor az η t 0 + â 1 (ξ 1 t 1 ) + + â k (ξ k t k ) közelítést fogjuk haszáli, ahol â 1,..., â k redre a 1,..., a k becslései. A (t 1,..., t k, t 0 ) potot fixpotak evezzük, mert a kapott g biztosa ráilleszkedik. Poliomos regresszió k = 1 és a regressziós függvéyt y = a 0 + a 1 x + a 2 x a r x r (a 0,..., a r R + ) között vég- alakba keressük. Az a 0,..., a r együtthatókat az η, ξ 1, ξ1, 2..., ξ1 r rehajtott lieáris regresszió adja. 14
16 Hatváykitevős regresszió k = 1 és a regressziós függvéyt y = ax b (a R +, b R) alakba keressük. Ez azzal ekvivales, hogy l y = l a + b l x, így ekkor l η és l ξ 1 között lieáris regressziót végrehajtva, a kapott a 0, a 1 együtthatókra teljesül, hogy a = e a 0, b = a 1. Expoeciális regresszió k = 1 és a regressziós függvéyt y = ab x (a, b R + ) alakba keressük. Ez azzal ekvivales, hogy l y = l a + (l b)x, így ekkor l η és ξ 1 között lieáris regressziót végrehajtva, a kapott a 0, a 1 együtthatókra teljesül, hogy a = e a 0, b = e a 1. Logaritmikus regresszió k = 1 és a regressziós függvéyt y = a + b l x (a, b R) alakba keressük. Így ekkor η és l ξ 1 között lieáris regressziót végrehajtva, a = a 0, b = a 1. 15
17 Hiperbolikus regresszió k = 1 és a regressziós függvéyt y = 1 a + bx (a, b R) alakba keressük. Ez azzal ekvivales, hogy y 1 = a + bx, így ekkor η 1 és ξ 1 között lieáris regressziót végrehajtva, a = a 0, b = a Excel függvéyek Képlet bevitele Mide képletet = jellel kell kezdei. Ha a képlet egyértékű eredméyt ad, akkor yomjo Eter-t. Tömbképlet bevitele Ha a képlet eredméye tömb (például egy mátrix iverze), akkor először jelölje ki a megfelelő méretű tömböt, gépelje be a képletet (előtte =), majd yomjo Ctrl+Shift+Eter-t. Tömbképlet javítása Ha egy tömbképletet javítai akar, akkor jelölje ki a tömbképletre voatkozó tömböt, F2, javítás, majd Ctrl+Shift+Eter. Műveletek + összeadás - kivoás * szorzás / osztás ^ hatváyozás Relációk = egyelő < kisebb > agyobb <= kisebb vagy egyelő 16
18 >= agyobb vagy egyelő <> em egyelő Kostasok e = KITEVŐ(1) π = PI() Logikai függvéyek HA(feltétel;ha igaz;ha hamis) ÉS(feltétel1;feltétel2;...) VAGY(feltétel1;feltétel2;...) Elemi függvéyek x = ABS(x) x R [x] = INT(x) x R sig x = ELŐJEL(x) x R l x = LN(x) x > 0 log a x = LOG(x;a) x > 0, a > 0, a 1 x = GYÖK(x) x 0 x a = HATVÁNY(x;a) = x^a e x = KITEVŐ(x) x R si x = SIN(x) x R cos x = COS(x) x R tg x = TAN(x) x R, x k π, ahol k páratla egész 2 arcsi x = ARCSIN(x) x [ 1, 1] arccos x = ARCCOS(x) x [ 1, 1] arctg x = ARCTAN(x) x R r i=0 a ix k+im = SERIESSUM(x;k;m;A:A), ahol az A oszlopba vaak az a 0,..., a r valós számok (x R, k, m N) 1 l ( 1+x 2 1 x) = FISHER(x) 1 < x < 1 e 2x 1 = INVERZ.FISHER(x) x R e 2x +1 l Γ(x) = l u x 1 e u du = GAMMALN(x) x > Γ(x) = u x 1 e u du = KITEVŐ(GAMMALN(x)) x > 0 17
19 Mátrixok MDETERM(tömb) A tömb-be található típusú mátrix determiása TRANSZPONÁLÁS(tömb) A tömb-be található m típusú mátrix traszpoáltja, mely egy m méretű tömbbe helyezkedik el (tömbképlet!). INVERZ.MÁTRIX(tömb) A tömb-be található típusú mátrix iverze, mely egy méretű tömbbe helyezkedik el (tömbképlet!). MSZORZAT(tömb1;tömb2) A tömb1-be található m típusú mátrix és a tömb2- be található k típusú mátrix szorzata, mely egy m k méretű tömbbe helyezkedik el (tömbképlet!) Kombiatorika m! = FACT(m) m N m!! = FACTDOUBLE(m) m N (m!! az ú. szemifaktoriális, amely m, ha m páratla, illetve m, ha m páros.) ( m ) k = KOMBINÁCIÓK(m;k) m N, k = 0,..., m m! = VARIÁCIÓK(m;k) m N, k = 0,..., m (m k)! (k 1 +k 2 + +k r)! k 1! k 2!... k r! = MULTINOMIAL(k 1 ;k 2 ;...;k r ) k 1, k 2,..., k r N Pszeudo-véletle szám geerálása VÉL() [0, 1) itervallumo egyeletes eloszlású pszeudo-véletle szám RANDBETWEEN(a;b) (a, b N, a < b) diszkrét egyeletes eloszlású pszeudo-véletle szám az { a, a + 1,..., b } halmazo Statisztikák Legye a ξ valószíűségi változóra voatkozó x 1,..., x mitarealizáció az A oszlopba. Jelölje x 1,..., x a redezett mitarealizációt. Ekkor x 1 = MIN(A:A) x = MAX(A:A) x k x k = KICSI(A:A;k) k = 1,..., = NAGY(A:A;k + 1) k = 0,..., 1 mi{ k : x k = x i } = SORSZÁM(x i ;A:A;1) i = 1,..., mi{ k : x k = x i } + 1 = SORSZÁM(x i ;A:A;0) i = 1,..., = DARAB(A:A) ξ = ÁTLAG(A:A) 18
20 S = SZÓRÁSP(A:A) S 2 = VARP(A:A) S = SZÓRÁS(A:A) S 2 = VAR(A:A) tapasztalati mediá = MEDIÁN(A:A) tapasztalati módusz = MÓDUSZ(A:A) 100t%-os tapasztalati kvatilis = PERCENTILIS(A:A;t) 0 t 1 tapasztalati alsó kvartilis = KVARTILIS(A:A;1) tapasztalati felső kvartilis = KVARTILIS(A:A;3) tapasztalati ferdeség = FERDESÉG(A:A) tapasztalati lapultság (csúcsosság) = CSÚCSOSSÁG(A:A) i=1 x i = SZUM(A:A) i=1 x2 i = NÉGYZETÖSSZEG(A:A) i=1 (x i ξ) 2 = SQ(A:A) 1 i=1 x i ξ = ÁTL.ELTÉRÉS(A:A) i=1 x i = SZORZAT(A:A) i=1 x i = MÉRTANI.KÖZÉP(A:A) x i > 0 (i = 1,..., ) ( 1 i=1 ) 1 1 x i = HARM.KÖZÉP(A:A) xi > 0 (i = 1,..., ) x i <a x i = SZUMHA(A:A;"<a") a R a<x i b x i = SZUMHATÖBB(A:A;A:A;">a";A:A;"<=b") a, b R 1 1 x i <a x i = ÁTLAGHA(A:A;"<a") a R a<x i b x i = ÁTLAGHATÖBB(A:A;A:A;">a";A:A;"<=b") a, b R i=1 I x i <a = DARABTELI(A:A;"<a") a R i=1 I a<x i b = DARABHATÖBB(A:A;">a";A:A;"<=b") a, b R Legye a (ξ, η) kétdimeziós valószíűségi vektorváltozóra voatkozó mitarealizáció (x 1, y 1 ),..., (x, y ). Az A oszlop i-edik sorába legye x i, illetve a B oszlop i-edik sorába legye y i. Ekkor Cov (ξ, η) = KOVAR(A:A;B:B) Corr (ξ, η) = KORREL(A:A;B:B) i=1 x iy i = SZORZATÖSSZEG(A:A;B:B) i=1 (x i y i ) 2 = SZUMXBŐLY2(A:A;B:B) i=1 (x2 i y 2 i ) = SZUMX2BŐLY2(A:A;B:B) i=1 (x2 i + y 2 i ) = SZUMX2MEGY2(A:A;B:B) 19
21 Eloszlások Biomiális eloszlás (r-edredű p paraméterű) ( r ) k p k (1 p) r k = BINOM.ELOSZLÁS(k;r;p;HAMIS) r N, k = 0,..., r, 0 < p < 1 Hipergeometrikus eloszlás ( M k )( N M r k ) = HIPERGEOM.ELOSZLÁS(k;r;M;N) ( N r ) r, M, N N, M < N, r mi{ M, N M }, k = 0,..., r Poisso-eloszlás (λ paraméterű) λ k k! e λ = POISSON(k;λ;HAMIS) λ > 0, k = 0, 1, Eloszlásfüggvéyek Biomiális eloszlás (r-edredű p paraméterű) ) p i (1 p) r i = BINOM.ELOSZLÁS(k;r;p;IGAZ) k ( r i=0 i r N, k = 0,..., r, 0 < p < 1 Poisso-eloszlás (λ paraméterű) k i=0 λ i i! e λ = POISSON(k;λ;IGAZ) λ > 0, k = 0, 1,... Expoeciális eloszlás (λ paraméterű) F (x) = 1 e λx = EXP.ELOSZLÁS(x;λ;IGAZ) λ > 0, x 0 Gamma-eloszlás (r-edredű λ paraméterű) F (x) = GAMMA.ELOSZLÁS(x;r;1/λ;IGAZ) r, λ > 0, x 0 Stadard ormális eloszlás x Φ(x) = 1 2π e t2 2 dt = STNORMELOSZL(x) x R Normális eloszlás (m és σ paraméterű) F (x) = Φ ( ) x m σ = NORM.ELOSZL(x;m;σ;IGAZ) m, x R, σ > 0 Khi-égyzet eloszlás (s szabadsági fokú) F (x) = 1-KHI.ELOSZLÁS(x;s) s N, x 0 t-eloszlás (s szabadsági fokú) F (x) = 1-T.ELOSZLÁS(x;s;1) s N, x 0 F (x) = T.ELOSZLÁS( x;s;1) s N, x < 0 P( ξ > x) = 2 2F (x) = T.ELOSZLÁS(x;s;2) s N, x 0 20
22 F-eloszlás (s 1 és s 2 szabadsági fokú) F (x) = 1-F.ELOSZLÁS(x;s 1 ;s 2 ) s 1, s 2 N, x Sűrűségfüggvéyek Expoeciális eloszlás (λ paraméterű) f(x) = λe λx = EXP.ELOSZLÁS(x;λ;HAMIS) λ > 0, x 0 Gamma-eloszlás (r-edredű λ paraméterű) f(x) = GAMMA.ELOSZLÁS(x;r;1/λ;HAMIS) r, λ > 0, x 0 Khi-égyzet eloszlás (s szabadsági fokú) f(x) = GAMMA.ELOSZLÁS(x;s/2;2;HAMIS) x 0 Stadard ormális eloszlás ϕ(x) = 1 2π e x2 2 = NORM.ELOSZL(x;0;1;HAMIS) x R Normális eloszlás (m és σ paraméterű) f(x) = 1 ϕ ( ) x m σ σ = NORM.ELOSZL(x;m;σ;HAMIS) m, x R, σ > Iverz eloszlásfüggvéyek Normális eloszlás (m és σ paraméterű) F 1 (x) = INVERZ.NORM(x;m;σ) m R, σ > 0, 0 < x < 1 Stadard ormális eloszlás Φ 1 (x) = INVERZ.STNORM(x) 0 < x < 1 Khi-égyzet eloszlás (s szabadsági fokú) F 1 (x) = INVERZ.KHI(1 x;s) s N, 0 < x < 1 t-eloszlás (s szabadsági fokú) F 1 (x) = -INVERZ.T(2x;s) s N, 0 < x < 0,5 F 1 (x) = INVERZ.T(2 2x;s) s N, 0,5 x < 1 Gamma-eloszlás (r-edredű λ paraméterű) F 1 (x) = INVERZ.GAMMA(x;r;1/λ) r, λ > 0, 0 < x < 1 F-eloszlás (s 1 és s 2 szabadsági fokú) F 1 (x) = INVERZ.F(1 x;s 1 ;s 2 ) s 1, s 2 N, 0 < x < 1 21
23 Grafikus illeszkedésvizsgálat MEREDEKSÉG(tömb_y i ;tömb_x i ) Az (x i, y i ), i = 1,..., r potokra illesztett lieáris tredvoal meredeksége. METSZ(tömb_y i ;tömb_x i ) Az (x i, y i ), i = 1,..., r potokra illesztett lieáris tredvoal függőleges tegelymetszete Itervallumbecslés σ Φ ( ) 1 1 α 2 = MEGBÍZHATÓSÁG(α;σ;) 0 < α < 1, σ > 0, N S F 1 ( 1 α 2 ) MEGBÍZHATÓSÁG(α;S ;) F t( 1), 0 < α < 1, σ > 0, N. A becslés aál potosabb, miél agyobb az. mi { c N : c i=0 ( i) p i (1 p) i x } = KRITBINOM(;p;x) N, 0 < p < < 1, 0 < x < Paraméteres hipotézisvizsgálatok A ξ-re illetve η-ra voatkozó mitarealizációk az A illetve B oszlopokba vaak. Egymitás u-próba 1 Φ(u) = Z.PRÓBA(A:A;m 0 ;σ) 2 2Φ( u ) = 2*MIN(Z.PRÓBA(A:A;m 0 ;σ);1-z.próba(a:a;m 0 ;σ)) Egymitás t-próba A ξ-re voatkozó mitarealizáció mide tagja mellett szerepelje m 0 értéke a B oszlopba. 2 2F ( t ) = T.PRÓBA(A:A;B:B;2;1) F (t) = T.PRÓBA(A:A;B:B;1;1) ha ξ m 0 1 F (t) = T.PRÓBA(A:A;B:B;1;1) ha ξ m 0 F-próba 2 mi{ F (F),1 F (F) } = F.PRÓBA(A:A;B:B) F (F) = F.PRÓBA(A:A;B:B)/2, ha S 2 ξ, 1 S 2 η, 2 1 F (F) = F.PRÓBA(A:A;B:B)/2, ha S 2 ξ, 1 S 2 η, 2 Kétmitás t-próba 2 2F ( t ) = T.PRÓBA(A:A;B:B;2;2) F (t) = T.PRÓBA(A:A;B:B;1;2) ha ξ η 1 F (t) = T.PRÓBA(A:A;B:B;1;2) ha ξ η 22
24 Scheffé-módszer azoos mitaelemszámra 2 2F ( t ) = T.PRÓBA(A:A;B:B;2;1) F (t) = T.PRÓBA(A:A;B:B;1;1) ha ξ η 1 F (t) = T.PRÓBA(A:A;B:B;1;1) ha ξ η Scheffé-módszer külöböző mitaelemszámra Az ζ-ra voatkozó mitarealizáció a C oszlopba va, és mide tagja mellett szerepelje 0 a D oszlopba. 2 2F ( t ) = T.PRÓBA(C:C;D:D;2;1) F (t) = T.PRÓBA(C:C;D:D;1;1) ha ξ η 1 F (t) = T.PRÓBA(C:C;D:D;1;1) ha ξ η Statisztikai próba az expoeciális eloszlás paraméterére F (γ) = GAMMA.ELOSZLÁS(λ 0 *SZUM(A:A);DARAB(A:A);1;IGAZ) Statisztikai próba valószíűségre mi { z N : z i=0 ( i) p i 0 (1 p 0 ) i x } = KRITBINOM(;p 0 ;x) Nemparaméteres hipotézisvizsgálatok Tiszta illeszkedésvizsgálat 1 F (χ 2 ) = KHI.PRÓBA(ϱ i tartomáya;p i tartomáya) Becsléses illeszkedésvizsgálat Σ i := (ϱ i p i ) 2 p i 1 F (χ 2 ) = =KHI.ELOSZLÁS(SZUM(Σ i tartomáya);r 1 v) Függetleségvizsgálat 1 F (χ 2 ) = KHI.PRÓBA(ϱ ij tartomáya;k i l j / tartomáya) Homogeitásvizsgálat ν ij := (k i+l i ) j F (χ 2 ) = KHI.PRÓBA(k i, l j tartomáya;ν ij tartomáya) Kétmitás előjelpróba F 1 (x) = KRITBINOM(;1/2;x) Regressziószámítás Lieáris regresszió eta: η-ra voatkozó mitarealizációt tartalmazó 1 méretű tömb. 23
25 xi: (ξ 1,..., ξ k )-ra voatkozó mitarealizációt tartalmazó k méretű tömb. x: x 1,..., x k számokat tartalmazó 1 k méretű tömb. (â k, â k 1,..., â 0 ) = LIN.ILL(eta;xi) (1 (k + 1) méretű tömbképlet!) â 0 + â 1 x â k x k = TREND(eta;xi;x) Fixpotos lieáris regresszió eta-t: (η t 0 )-ra voatkozó mitarealizációt tartalmazó 1 méretű tömb. xi-t: (ξ 1 t 1,..., ξ k t k )-ra voatkozó mitarealizációt tartalmazó k méretű tömb. x-t: x 1 t 1,..., x k t k számokat tartalmazó 1 k méretű tömb. (â k, â k 1,..., â 1 ) = LIN.ILL(eta-t;xi-t;HAMIS) (1 k méretű tömbképlet!) â 1 (x 1 t 1 ) + + â k (x k t k ) = TREND(eta-t;xi-t;x-t;HAMIS) Expoeciális regresszió eta: η-ra voatkozó mitarealizációt tartalmazó 1 méretű tömb. xi: ξ 1 -re voatkozó mitarealizációt tartalmazó 1 méretű tömb. ( b, â) = LOG.ILL(eta;xi) (1 2 méretű tömbképlet!) â b x = NÖV(eta;xi;x) 24
Statisztika 1. zárthelyi dolgozat március 18.
Statisztika. zárthelyi dolgozat 009. március 8.. Ismeretle m várható értékű, szórású ormális eloszlásból a következő hatelemű mitát kaptuk:, 48 3, 3, 83 0,, 3, 97 a) Számítsuk ki a mitaközepet és a tapasztalati
RészletesebbenKomputer statisztika
Eszterházy Károly Főiskola Matematikai és Iformatikai Itézet Tómács Tibor Komputer statisztika Eger, 010. október 6. Tartalomjegyzék Előszó 4 Jelölések 5 1. Valószíűségszámítás 7 1.1. Valószíűségi mező............................
Részletesebbenbiometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat
Kísérlettervezés - biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert u-próba Feltétel: egy ormális eloszlású sokaság σ variaciájáak számszerű értéke ismert. Hipotézis: a sokaság µ várható értéke
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 10. A statisztika alapjai Debrecei Egyetem, 2015 Dr. Bérczes Attila, Bertók Csaád A diasor tartalma 1 Bevezetés 2 Statisztikai függvéyek Defiíció, empirikus várható érték Empirikus
RészletesebbenVirág Katalin. Szegedi Tudományegyetem, Bolyai Intézet
Függetleségvizsgálat Virág Katali Szegedi Tudomáyegyetem, Bolyai Itézet Függetleség Függetleség Két változó függetle, ha az egyik változó megfigyelése a másik változóra ézve em szolgáltat iformációt; azaz
RészletesebbenStatisztika 1. zárthelyi dolgozat március 21.
Statisztika 1 zárthelyi dolgozat 011 március 1 1 Legye X = X 1,, X 00 függetle mita b paraméterű Poisso-eloszlásból b > 0 Legye T 1 X = X 1+X ++X 100, T 100 X = X 1+X ++X 00 00 a Milye a számra igaz, hogy
RészletesebbenA statisztikai vizsgálat tárgyát képező egyedek összességét statisztikai sokaságnak nevezzük.
Statisztikai módszerek. BMEGEVGAT01 Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudomáyi Egyetem Gépészméröki Kar Hidrodiamikai Redszerek Taszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenA matematikai statisztika elemei
A matematikai statisztika elemei Mikó Teréz, dr. Szalkai Istvá szalkai@almos.ui-pao.hu Pao Egyetem, Veszprém 2014. március 23. 2 Tartalomjegyzék Tartalomjegyzék 3 Bevezetés................................
RészletesebbenMatematika B4 I. gyakorlat
Matematika B4 I. gyakorlat 2006. február 16. 1. Egy-dimeziós adatredszerek Va valamilye adatredszer (számsorozat), amelyről szereték kiszámoli bizoyos dolgokat. Az egyes értékeket jelöljük z i -vel, a
RészletesebbenIntervallum Paraméteres Hipotézisek Nemparaméteres. Statisztika december 2.
Itervallum Paraméteres Hipotézisek Nemparaméteres Statisztika Hipotézisvizsgálat Székely Balázs 2010. december 2. Itervallum Paraméteres Hipotézisek Nemparaméteres Előadás vázlat 1 Itervallumbecslések
RészletesebbenAz átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)
Az átlagra voatkozó megbízhatósági itervallum (kofidecia itervallum) Határozzuk meg körül azt az itervallumot amibe előre meghatározott valószíűséggel esik a várható érték (µ). A várható értéket potosa
RészletesebbenStatisztika. Földtudomány szak, geológus szakirány, 2015/2016. tanév tavaszi
Statisztika Földtudomáy szak, geológus szakiráy, 015/016. taév tavaszi félév Backhausz Áges (ELTE TTK Valószíűségelméleti és Statisztika Taszék)1 Tartalomjegyzék 1. Bevezetés 3 1.1. Példa: az adatok elemzése....................
RészletesebbenZavar (confounding): akkor lép fel egy kísérletben, ha a kísérletet végző nem tudja megkülönböztetni az egyes faktorokat.
Zavar és mita Zavar (cofoudig): akkor lép fel egy kísérletbe, ha a kísérletet végző em tudja megkülöbözteti az egyes faktorokat. Zavar és mita Zavar (cofoudig): akkor lép fel egy kísérletbe, ha a kísérletet
Részletesebben3.1. A Poisson-eloszlás
Harmadik fejezet Nevezetes valószíűségi változók Valamely valószíűségi változóhoz kapcsolódó kérdésekre akkor tuduk potos választ adi, ha a változó eloszlása ismert, vagy megközelítőleg ismert. Ebbe a
RészletesebbenEddig megismert eloszlások Jelölése Eloszlása EX D 2 X P(X = 1) = p Ind(p) P(X = 0) = 1 p. Leíró és matematikai statisztika
Leíró és matematikai statisztika Matematika alapszak, matematikai elemző szakiráy Zempléi Adrás Valószíűségelméleti és Statisztika Taszék Matematikai Itézet Természettudomáyi Kar Eötvös Lorád Tudomáyegyetem
RészletesebbenMatematikai statisztika
Matematikai statisztika PROGRAMTERVEZŐ INFORMATIKUS alapszak, A szakiráy Arató Miklós Valószíűségelméleti és Statisztika Taszék Természettudomáyi Kar 2019. február 18. Arató Miklós (ELTE) Matematikai statisztika
RészletesebbenA biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, kofideciaitervallum Dr. Boda Krisztia PhD SZTE ÁOK Orvosi Fizikai és Orvosi Iformatikai Itézet Mitavétel ormális eloszlásból http://www.ruf.rice.edu/~lae/stat_sim/idex.html
Részletesebben24. tétel A valószínűségszámítás elemei. A valószínűség kiszámításának kombinatorikus modellje.
24. tétel valószíűségszámítás elemei. valószíűség kiszámításáak kombiatorikus modellje. GYORISÁG ÉS VLÓSZÍŰSÉG meyibe az egyes adatok a sokaságo belüli részaráyát adjuk meg (törtbe vagy százalékba), akkor
RészletesebbenÁringadozások elıadás Kvantitatív pénzügyek szakirány 2012/13 2. félév
Árigadozások elıadás Kvatitatív pézügyek szakiráy 01/13. félév Heti óra elıadás + óra gyakorlat Elıadás: fıleg modellek, elemzési módszerek Gyakorlat: R programmal, alkalmazások Számokérés 50%: beadadó
RészletesebbenPályázat címe: Pályázati azonosító: Kedvezményezett: Szegedi Tudományegyetem Cím: 6720 Szeged, Dugonics tér 13. www.u-szeged.hu www.palyazat.gov.
Pályázat címe: Új geerációs sorttudomáyi kézés és tartalomfejlesztés, hazai és emzetközi hálózatfejlesztés és társadalmasítás a Szegedi Tudomáyegyeteme Pályázati azoosító: TÁMOP-4...E-5//KONV-05-000 Sortstatisztika
Részletesebbenf (M (ξ)) M (f (ξ)) Bizonyítás: Megjegyezzük, hogy konvex függvényekre mindig létezik a ± ben
Propositio 1 (Jese-egyelőtleség Ha f : kovex, akkor tetszőleges ξ változóra f (M (ξ M (f (ξ feltéve, hogy az egyelőtleségbe szereplő véges vagy végtele várható értékek létezek Bizoyítás: Megjegyezzük,
RészletesebbenStatisztika gyakorlat Geológus szakirány
Statisztika gyakorlat Geológus szakiráy Játékszabályok Az óráko részt kell vei, maximum 3-szor lehet hiáyozi. Az aláírás megszerzéséek lehetséges módjai: vagy ZH írásával vagy egy el re kihirdetett házi
Részletesebbenæ MATEMATIKAI STATISZTIKA Dr. Bolla Marianna, Matematika Intézet, Sztochasztika Tanszék
æ MATEMATIKAI STATISZTIKA Dr. Bolla Mariaa, Matematika Itézet, Sztochasztika Taszék Leíró statisztika Ω, A, P) statisztikai mező, ahol a P mértékcsalád olya P eloszlásokból áll, melyekkel Ω, A, P) valószíűségi
Részletesebben6. feladatsor. Statisztika december 6. és 8.
6. feladatsor Statisztika 200. december 6. és 8.. Egy = 0 szervert tartalmazó kiszolgáló mide szervere mide pillaatba 0 < p < valószíűséggel foglalt, a foglaltságok szerverekét függetleek. Tehát a foglaltak
RészletesebbenMatematikai statisztika
Matematka statsztka 8. elıadás http://www.math.elte.hu/~arato/matstat0.htm Kétmtás eset: függetle mták + + + = + ) ( ) ( ) ( Y Y X X Y X m m m t m Ha smert a szórás: (X elemő, σ szórású, Y m elemő, σ szórású),
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
RészletesebbenI. Függelék. A valószínűségszámítás alapjai. I.1. Alapfogalamak: A valószínűség fogalma: I.2. Valószínűségi változó.
I. Függelék A valószíűségszámítás alapjai I.1. Alapfogalamak: Véletle jeleség: létrejöttét befolyásoló összes téyezőt em ismerjük. Tömegjeleség: a jeleség adott feltételek mellett akárháyszor megismételhető.
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:
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
RészletesebbenBootstrap (Efron, 1979)
Bootstrap (Efro, 979) 4. elıadás 204. március 3. Bootstrap módszerek, többdimeziós extrém-érték eloszlások illeszkedésvizsgálata Újramitavételezési eljárás, a becsléseik szórásáak vizsgálatára, modell-illeszkedés
RészletesebbenMo= argmax f(x), ha X abszolút folytonos; Mo= argmax P (X = x i ), ha X diszkrét.
Segédayag a Matematikai statisztika tatárgyhoz 09 április 0 Leíró statisztika A statisztikai elemzések egyik legfotosabb eszközei a viszoyszámok A viszoyszám két statisztikai adat háyadosa Jelölések: V
RészletesebbenMatematikai statisztika gyakorlat 2018/2019 II. félév
Matematikai statisztika gyakorlat 018/019 II. félév 1. Táblázatok Viszoyszámok: V = A, ahol A: a viszoyítás tárgya (amit viszoyítuk); B B: a viszoyítás alapja (amihez viszoyítuk) Megoszlási: a sokaság
RészletesebbenFELADATOK A KALKULUS C. TÁRGYHOZ
FELADATOK A KALKULUS C. TÁRGYHOZ. HALMAZOK RELÁCIÓK FÜGGVÉNYEK. Bizoyítsuk be a halmaz-műveletek alapazoosságait! 2. Legye adott az X halmaz legye A B C X. Ha A B := (A B) (B A) akkor bizoyítsuk be hogy
RészletesebbenMegjegyzések. További tételek. Valódi határeloszlások. Tulajdonságok. Gyenge (eloszlásbeli) konvergencia
Valószíűségszámítás és statisztika előadás ifo. BSC/B-C szakosokak 6. előadás október 5. Megjegyzések. A tétel feltételei gyegíthetőek: elég, ha a függetle, azoos eloszlású változók várható értéke véges.
RészletesebbenLeíró és matematikai statisztika gyakorlat 2018/2019 II. félév
Leíró és matematikai statisztika gyakorlat 08/09 II. félév Táblázatok Viszoyszámok: V = A, ahol A: a viszoyítás tárgya amit viszoyítuk; B B: a viszoyítás alapja amihez viszoyítuk Megoszlási: a sokaság
Részletesebben2. egy iskola tanulói, a változók: magasságuk cm-ben, súlyuk (tömegük) kilóban; 3. egy iskola tanulói, a változó: tanulmányi átlaguk;
Statisztika Tegyük fel, hogy va egy halmazuk, és tekitsük egy vagy több valószíűségi változót, amelyek a halmaz mide elemé felveszek valamilye értéket. A halmazt populációak vagy sokaságak evezzük. Példák:
RészletesebbenV. Deriválható függvények
Deriválható függvéyek V Deriválható függvéyek 5 A derivált fogalmához vezető feladatok A sebesség értelmezése Legye az M egy egyees voalú egyeletes mozgást végző pot Ez azt jeleti, hogy a mozgás pályája
RészletesebbenKomputer statisztika gyakorlatok
Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Komputer statisztika gyakorlatok Eger, 2010. október 26. Tartalomjegyzék Előszó 4 Jelölések 5 1. Mintagenerálás 7 1.1. Egyenletes
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.
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
RészletesebbenELTE TTK Budapest, január
Valószíűségszámítás Arató Miklós előadásai alapjá Készítették: Martiek László Tassy Gergely ELTE TTK Budapest, 008. jauár Typeset by L A TEX . el adás 007. IX.. szerda Klasszikus (kombiatorikus valószí
Részletesebben18. Valószín ségszámítás. (Valószín ségeloszlások, függetlenség. Valószín ségi változók várható
8. Valószí ségszámítás. (Valószí ségeloszlások, függetleség. Valószí ségi változók várható értéke, magasabb mometumok. Kovergeciafajták, kapcsolataik. Borel-Catelli lemmák. Nagy számok gyege törvéyei.
Részletesebbenvéletlen : statisztikai törvényeknek engedelmeskedik (Mi az ami közös a népszavazásban, a betegségek gyógyulásában és a fiz. kém. laborban?
BEVEZETÉS A statisztika teljese laikusokak: agy mukával gyűjtött adatok vizsgálata, abból következtetések levoása ( statistical iferece ) (Egy kicsit sok hűhó semmiért azaz Much ado about othig.) Mi is
RészletesebbenStatisztika (jegyzet)
Statisztika (jegyzet) Csiszár Vill 009. május 6.. Statisztikai mez A statisztika egyik ága a leíró statisztika. Ekkor a meggyelt adatokat áttekithet formába ábrázoljuk, pl. hisztogrammal (oszlopdiagrammal),
RészletesebbenBIOSTATISZTIKA ÉS INFORMATIKA. Leíró statisztika
BIOSTATISZTIKA ÉS INFORMATIKA Leíró statisztika Első közelítésbe a statisztikai tevékeységeket égy csoportba sorolhatjuk, de ezek között ics éles határ:. adatgyűjtés, 2. az adatok áttekithetővé tétele,
Részletesebbenkismintás esetekben vagy olyanokban, melyeknél a tanulóalgoritmust tesztadatokon szeretnénk
ÚJRAMINTAVÉTELEZÉSI ELJÁRÁSOK A jackkife (zsebkés) és bootstrap (cipőhúzó a saját kallatyújáál fogva) eljárások agol elevezése is arra utal, hogy itt ad hoc eljárásokról va szó, melyek azoba agyo haszosak
RészletesebbenSegédanyag a Leíró és matematikai statisztika tantárgyhoz március 28.
Segédayag a Leíró és matematikai statisztika tatárgyhoz 07 március 8 Statisztikai sokaság: a meggyelés tárgyát képez egyedek összessége, halmaza Rövide sokaságak hívjuk A sokaság egysége: a sokaság egy
RészletesebbenPopuláció. Történet. Adatok. Minta. A matematikai statisztika tárgya. Valószínűségszámítás és statisztika előadás info. BSC/B-C szakosoknak
Valószíűségszámítás és statisztika előadás ifo. BSC/B-C szakosokak 6. előadás október 16. A matematikai statisztika tárgya Következtetések levoása adatok alapjá Ipari termelés Mezőgazdaság Szociológia
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
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,
RészletesebbenTartalom. Kezdeti szimulációs technikák. Tipikus kérdések. A bootstrap módszer. Bevezetés A független, azonos eloszlású eset:
Tartalom A bootstrap módszer Zempléi Adrás TTK, Valószíőségelméleti és Statisztika Taszék 2010. október 21 Bevezetés A függetle, azoos eloszlású eset: emparaméteres paraméteres eset Alkalmazások a rétegzett
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.
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
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
RészletesebbenValószín ségszámítás és statisztika
Valószí ségszámítás és statisztika oktatási segédayag Kupá Pál Tartalomjegyzék fejezet Valószí ségszámítási alapfogalmak 5 Eseméyek 5 M veletek eseméyekkel 5 2 A valószí ség fogalma 7 3 Valószí ségi változók
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
Részletesebben1. A radioaktivitás statisztikus jellege
A radioaktivitás időfüggése 1. A radioaktivitás statisztikus jellege Va N darab azoos radioaktív atomuk, melyekek az atommagja spotá átalakulásra képes. tegyük fel, hogy ezek em bomlaak tovább. Ekkor a
RészletesebbenA szórások vizsgálata. Az F-próba. A döntés. Az F-próba szabadsági fokai
05..04. szórások vizsgálata z F-próba Hogya foguk hozzá? Nullhipotézis: a két szórás azoos, az eltérés véletle (mitavétel). ullhipotézishez tartozik egy ú. F-eloszlás. Szabadsági fokok: számláló: - evező:
Részletesebbenezek alapján kívánunk dönteni. Ez formálisan azt jelenti, hogy ellenőrizni akarjuk,
A deceber -i gyakorlat téája A hipotézisvizsgálat fotos probléája a következő két kérdés vizsgálata. a) Egy véletle eyiség várható értékéek agyságáról va bízoyos feltevésük. Elleőrizi akarjuk e feltevés
Részletesebben1 k < n(1 + log n) C 1n log n, d n. (1 1 r k + 1 ) = 1. = 0 és lim. lim n. f(n) < C 3
Dr. Tóth László, Fejezetek az elemi számelméletből és az algebrából (PTE TTK, 200) Számelméleti függvéyek Számelméleti függvéyek értékeire voatkozó becslések A τ() = d, σ() = d d és φ() (Euler-függvéy)
RészletesebbenBarczy Mátyás és Pap Gyula
Barczy Mátyás és Pap Gyula mobidiák köyvtár Barczy Mátyás és Pap Gyula mobidiák köyvtár SOROZATSZERKESZTŐ Fazekas Istvá Barczy Mátyás és Pap Gyula Debrecei Egyetem mobidiák köyvtár Debrecei Egyetem Szerzők
RészletesebbenTómács Tibor. Matematikai statisztika gyakorlatok
Tómács Tibor Matematikai statisztika gyakorlatok Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Matematikai statisztika gyakorlatok Eger, 2012 Szerző: Dr. Tómács Tibor főiskolai
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenValószín ségszámítás (jegyzet)
Valószí ségszámítás (jegyzet) Csiszár Vill 9. február 8.. Valószí ségi mez Két bevezet példa: ) Osztozkodási probléma (494, helyes megoldás több, mit évvel kés bb, Pascal, Fermat): Két játékos fej-írás
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:
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 +
RészletesebbenVALÓSZÍNŰSÉGSZÁMÍTÁS KÉPLETTÁR
védőeryő az ismeretleek záporába VALÓSZÍNŰSÉGSZÁMÍTÁS KÉPLETTÁR www.matektaitas.hu www.matektaitas.hu ifo@matektaitas.hu 1 védőeryő az ismeretleek záporába Kombiatorika Permutáció Ismétlés élküli permutáció
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
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:
Részletesebben= λ valós megoldása van.
Másodredű álladó együtthatós lieáris differeciálegyelet. Általáos alakja: y + a y + by= q Ha q = 0 Ha q 0 akkor homogé lieárisak evezzük. akkor ihomogé lieárisak evezzük. A jobb oldalo lévő q függvéyt
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
RészletesebbenValószín ségszámítás és statisztika gyakorlat Programtervez informatikus szak, esti képzés
Valószí ségszámítás és statisztika gyakorlat Programtervez iformatikus szak, esti képzés.) Egy érmével dobuk. Ha az eredméy fej, akkor még egyszer dobuk, ha írás, akkor még kétszer. a.) Mik leszek a kísérletet
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.
Részletesebben2. Hatványsorok. A végtelen soroknál tanultuk, hogy az. végtelen sort adja: 1 + x + x x n +...
. Függvéysorok. Bevezetés és defiíciók A végtele sorokál taultuk, hogy az + x + x + + x +... végtele összeg x < eseté koverges. A feti végtele összegre úgy is godolhatuk, hogy végtele sok függvéyt aduk
Részletesebben... Defi ció. Statisztia otosabba statisztiai függvéy) alatt a mitaeleme valamely T ο ;ο ;:::;ο ) függvéyét értjü, ahol T : R! R olya függvéy, hogy T
Matematiai statisztia Programozó Matematius sza részére Pa Gyula KLTE Matematiai és Iformatiai Itézet 4 Debrece, Pf. agy@math.lte.hu. Bevezetés.. A matematiai statisztia célit}uzései Adott egy mita, amelyalajá
RészletesebbenAnalízis I. gyakorlat
Aalízis I. gyakorlat Kocsis Albert Tihamér, Németh Adriá 06. március 4. Tartalomjegyzék Előszó.................................................... Sorozatok és sorok.............................................
Részletesebbenegyetemi jegyzet Meskó Balázs
egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.
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
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
Részletesebben1. Fuggveny ertekek. a) f (x) = 3x 3 2x 2 + x 15 x = 5, 10, 5 B I. x = arcsin(x) ha 1 x 0 x = 1, arctg(x) ha 0 < x < + a) f (x) = 4 x 2 x+log
1. Fuggveny ertekek 1 Szamtsuk ki az alabbi fuggvenyek erteket a megadott helyeken! a) f (x) = 3x 3 2x 2 + x 15 x = 5, 10, 5 B I b) f (x) = sin x 1 x = π 2, π 4, 3 3 2π, 10π I arcsin(x) ha 1 x 0 1 c) f
RészletesebbenTómács Tibor. Matematikai statisztika
Tómács Tibor Matematikai statisztika Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Matematikai statisztika Eger, 01 Szerző: Dr. Tómács Tibor főiskolai docens Eszterházy Károly
RészletesebbenEmpirikus szórásnégyzet
Empirikus égyzet Mi lee hasoló szellembe a becslése a mita alapjá? Empirikus égyzet Mi lee hasoló szellembe a becslése a mita alapjá? Az átlagtól való égyzetes eltérést kée átlagoli... Empirikus égyzet
RészletesebbenKÍSÉRLETTERVEZÉS ÉS ÉRTÉKELÉS A MIKROBIOLÓGIAI GYAKORLATBAN
KÍSÉRLETTERVEZÉS ÉS ÉRTÉKELÉS A MIKROBIOLÓGIAI GYAKORLATBAN DR. REICHART OLIVÉR 005. Budapest Lektorálta: Zukál Edre Tartalom BEVEZETÉS 3. VALÓSZÍNŰSÉGSZÁMÍTÁSI ALAPOK 5.. Kombiatorikai alapösszefüggések
RészletesebbenFeladatok megoldása. Diszkrét matematika I. Beadandó feladatok. Bujtás Ferenc (CZU7KZ) December 14, feladat: (A B A A \ C = B)
Diszkrét matematika I. Beadadó feladatok Bujtás Ferec (CZU7KZ) December 14 014 Feladatok megoldása 1..1-6. feladat: (A B A A \ C = B) A B A = A \ C = B igazolása: A B A = B \A = Ø = B = A B (Mivel a B-ek
RészletesebbenMatematikai statisztika Tómács Tibor
Matematikai statisztika Tómács Tibor Matematikai statisztika Tómács Tibor Publication date 2011 Szerzői jog 2011 Hallgatói Információs Központ Copyright 2011, Educatio Kht., Hallgatói Információs Központ
RészletesebbenAndai Attila: november 13.
Adai Attila: Aalízis éháy fejezete bizoyításokkal Óravázlat 006. ovember 13. Ebbe az óravázlatba az órá elhagzott defiíciókat és a bizoyított tételeket gyűjtöttem össze. i Elemi sorok és függvéyek 1 1.
RészletesebbenSegédanyag a Leíró és matematikai statisztika tantárgyhoz március 1.
Segédayag a Leíró és matematikai statisztika tatárgyhoz 06 március Közgazdasági értelembe a statisztika a valóság tömör, számszer jellemzésére szolgáló tudomáyos módszerta, illetve gyakorlati tevékeység
RészletesebbenDiszkrét Matematika. zöld könyv ): XIII. fejezet: 1583, 1587, 1588, 1590, Matematikai feladatgyűjtemény II. (
FELADATOK A LEKÉPEZÉSEK, PERMUTÁCIÓK TÉMAKÖRHÖZ Diszkrét Matematika 4. LEKÉPEZÉSEK Értelmezési tartomány és értékkészlet meghatározása : Összefoglaló feladatgyűjtemény matematikából ( zöld könyv ): XIII.
RészletesebbenFONTOSABB MATEMATIKAI JELEK, JELÖLÉSEK
FONTOSABB MATEMATIKAI JELEK, JELÖLÉSEK. táblázat Szimbólum Jeletése, eve Olvasása Példa N N + Z Q Q * R C 0, { } +, % " $ Œ Ã, Õ» «\ +,, * :,, / = π := < > ª @ ~ Természetes számok halmaza Pozitív egész
RészletesebbenEgy lehetséges tételsor megoldásokkal
Egy lehetséges tételsor megoldásokkal A vizsgatétel I része a IX és X osztályos ayagot öleli fel, 6 külöböző fejezetből vett feladatból áll, összese potot ér A közzétett tétel-variások és az előző évekbe
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.):
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
Részletesebben3.4. gyakorlat. Matematika B1X február 1819.
3.4. gyakorlat Matematika B1X 2003. február 1819. 1. A harmadik el adás (II. 17.) 1.1. Számosság Egyel számosságú halmazok. Véges, megszámlálhatóa végtele és kotiuum számosságú halmazok. Hatváyhalmaz számossága
Részletesebben1. előadás: Bevezetés. Irodalom. Számonkérés. Cél. Matematikai statisztika előadás survey statisztika MA szakosoknak. A matematikai statisztika tárgya
Matematikai statisztika előadás survey statisztika MA szakosokak 206/207 2. félév Zempléi Adrás. előadás: Bevezetés Irodalom, követelméyek A félév célja Matematikai statisztika tárgya Törtéet Alapfogalmak
Részletesebben(d) x 6 3x 2 2 = 0, (e) x + x 2 = 1 x, (f) 2x x 1 = 8, 2(x 1) a 1
. Bevezető. Oldja meg az alábbi egyeleteket: (a cos x + si x + cos x si x = (b π si x = x π 4 x 3π 4 cos x (c cos x + si x = si x (d x 6 3x = 0 (e x + x = x (f x + 5 + x = 8 (g x + + x + + x + x + =..
RészletesebbenIII. FEJEZET FÜGGVÉNYEK ÉS TULAJDONSÁGAIK
Függvéek és tulajdoságaik 69 III FEJEZET FÜGGVÉNYEK ÉS TULAJDONSÁGAIK 6 Gakorlatok és feladatok ( oldal) Írd egszerűbb alakba: a) tg( arctg ) ; c) b) cos( arccos ) ; d) Megoldás a) Bármel f : A B cos ar
RészletesebbenValószínűségszámítás alapjai szemléletesen
### walszam07-jav-80.doc, ### 08.0.3., :00' http://math.ui-pao.hu/~szalkai/walszam07.pdf Valószíűségszámítás alapjai szemléletese /Kézirat, 08-0-3. / dr.szalkai Istvá Pao Egyetem, Veszprém Matematika Taszék
RészletesebbenBevezetes a matematikai statisztikaba Dr. Ketskemety Laszlo, iter Marta Budapest, 999. ovember. Lektoralta: Dr. Gyor Laszlo Szerkesztette: Gy}ori Sador Tartalomjegyzek. A matematikai statisztika alapfogalmai
RészletesebbenValószínűségszámítás II. feladatsor
Valószíűségszámítás II. feladatsor 214. szeptember 8. Tartalomjegyzék 1. Kovolúció 1 1.1. Poisso és Gamma eloszlások kapcsolata............................... 2 2. Geerátorfüggvéyek 3 2.1. Véletle tagszámú
RészletesebbenSorozatok, határérték fogalma. Függvények határértéke, folytonossága
Sorozatok, határérték fogalma. Függvéyek határértéke, folytoossága 1) Végtele valós számsorozatok Fogalma, megadása Defiíció: A természetes számok halmazá értelmezett a: N R egyváltozós valós függvéyt
Részletesebben