Véletlen szám generálás

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Véletlen szám generálás"

Átírás

1 2. elıadás Véletlen szám generálás LCG: (0 < m, 0 <a< m, 0 <c< m, 0 <X 0 < m) Jól bevált paraméterválasztások:. Borland C/C ++ m=2 32, a=664525, c= Delphi, Pascal m=2 32, a= , c=

2 Véletlen szám generálás inverz módszerrel Tétel: Legyen X val. vált., F eloszlásfüggvénnyel, amely monoton növekedı és folytonos. Ekkor i. F(X) egyenletes eloszlású [0,] en ii. Ha U ~ U(0,) akkor F - (U) eloszlásfüggvénye F. Pl.: Ha X ~ exp(λ) F(x)=-exp(-λx) F - (x)= -ln(-x)/ λ -ln(-u)/ λ ~ exp(λ) Kiterjesztése: általánosított inverz: F - (x)= inf{x F(x)=y} Exponenciális minta (λ=5) 2

3 Exponenciális minta (λ=5) Neumann módszer Legyen f(x) tetszıleges sőrőségfüggvény,g(x) pedig olyan sőrőségfüggvény, amelyre f(x) < Mg(x), valamely M> esetén és g(x)-bıl könnyen tudunk mintát venni (tipikus példa az egyenletes eloszlás). Algoritmus:. Vegyünk mintát: u=>u(0,) -bıl, x=>g(x) - bıl 2. Ha u<f(x)/mg(x), akkor x-et elfogadjuk 3. Különben elutasítjuk, és -be lépünk. 3

4 Normális eloszlású véletlen szám Box-Müller módszer Legyen U,V független, E[0;] eloszlású. Ekkor 2lnU sin(2πv ), 2lnU cos(2πv ) két független standard normális eloszlású változó lesz. Véletlen bolyongás S n = X +X 2 + +X n a bolyongást végzı részecske helyzete n lépés után. A lépések egymástól függetlenek. + p valószínőséggel X i = -p valószínőséggel Tipikusan p=/2 (szimmetrikus bolyongás) Stein tétele értelmében minden korlátos intervallumból kilép a bolyongás. Példa: X i az i-dik érmedobásnál a nyereményünk ( Ft-ot nyerünk, ha fej, Ft-ot vesztünk, ha írás), S n pedig az össznyereményünk n játék után. 4

5 A tükrözési elv Elıbb: szimuláció A,B egész koordinátájú pontok az x 0 félsíkon. A-ból B-be vezetı út: olyan trajektória, melyet a véletlen bolyongás be tud járni. Tükrözési elv: legyen A és B az x tengely azonos oldalán levı két pont. Jelölje A az A tükörképét az x tengelyre. Ekkor az A- ból B-be vezetı azon utak száma, amelyeknek az x tengellyel van közös pontjuk, megegyezik az A -bıl B-be vezetı utak számával. Bizonyítás. Az A B tengelyt metszı útnál tükrözzük az x tengelyre az elsı metszéspontig terjedı szakaszt. Így egy A B utat kapunk. A megfeleltetés kölcsönösen egyértelmő, tehát a két típusú utak száma azonos. 5

6 Elemi valószínőségek Legyen q 2n,2k =P(S 2n =2k). Megállapodás szerint S 0 =0, így q 0,0 =. 2n 2n q2 n,2k = 2 k = 0,,2,... n n + k Ballot lemma. Ha két jelölt közül az egyik (A) a db, míg a másik (B) b db szavazatot kapott (a>b) akkor annak a valószínősége, hogy az A végig vezetett, (a-b)/(a+b). A szimmetrikus bolyongás jelöléseivel ez a b P( S > 0, S2 > 0,... Sa+ b = a b) = a + b + b a Az (,) pontból az (a+b,a-b) szimuláció a pontba vezetı jó utak száma: a b a + b + a a Az origóba való visszatérés u 2k : annak valószínősége, hogy a részecske 2k lépés után az origóban van. 2k k 2 u2k = 2k Legyen t az origóba való elsı visszatérés idıpontja: t min{ k : 0 < k, S = 0} = k f 2k annak a valószínősége, hogy elıször a 2k idıpontban tér vissza az origóba (k>0): f 2k =P(t=2k). Ezek egymást kizáró események, így f 2 +f 4 +f

7 Az elsı visszatérés eloszlása Állítás. P(S 0,..., S 2n 0)=P(S 2n =0) Biz. ötlet: bontsuk fel a pozitív utakat a végpont szerint és alkalmazzuk a Ballot lemmánál látott leszámlálást. Ebbıl f 2n = u 2n-2 -u 2n = u 2n /(2n-), amibıl adódik, hogy a bolyongás valószínőséggel visszatér. f 2n nagyságrendje: cn -3/2, ami miatt az origóba való visszatérés idıpontjának nem véges a várható értéke. Utolsó visszatérés A bolyongást 2n-ig vizsgálva, annak valószínősége, hogy a részecske a 2k-dik idıpontban tér vissza utoljára az origóba: 2k 2n 2k k n k u2u k 2n 2k = 2n 2 π k( n k) ha k és n is nagy. Ennek a függvénynek az n/2 ben minimuma van és szimmetrikus is n/2-re. szimuláció 7

8 A vezetés aránya Állítás. Annak a valószínősége, hogy a [0,2n] idıintervallumból 2k egységnyi a pozitív oldalon és 2n-2k egységnyi a negatív oldalon van: u 2k u 2n-2k.(S 2k =0 pontosan akkor pozitív, ha S 2k- >0.) Bizonyítás. Teljes indukcióval. n= triviális. Ha 0<2k<2n lépést tölt a pozitív oldalon, akkor az elsı visszatérés 2r<2n lépés után következett be. Ha eddig a pozitív oldalon volt, akkor a hátralévı idıbıl 2k-2r, míg egyébként 2k egységnyit tölt a pozitív oldalon. Ebbıl a keresett valószínőségre b 2k,2n = 2 r= ahonnan az indukciós feltevés értelmében b 2k,2n = 2 k r= f 2r u k f 2k 2ru2n 2k + 2rb2k 2r,2n 2r + 2 n k r= f 2r u 2k 2 u n k r= f 2n 2r 2k b 2r 2k,2n 2r Többdimenziós véletlen bolyongás Kétdimenzióban: Lehetséges lépések a tengelyek irányában: ¼-¼ valószínőséggel. Itt is valószínőségő a visszatérés. Három dimenzióban: Lehetséges lépések a tengelyek irányában: /6-/6 valószínőséggel. Itt már -nél kisebb valószínőségő a visszatérés (Pólya tétele). 8

9 Markov láncok Legyen X =(X, X 2,..., X n ): Ω I n diszkrét valószínőségi vektorváltozó. Eddig a független esetet vizsgáltuk. Most eltekintünk ettıl. Q X (k):=p {ω: X(ω)= k} az X eloszlása I d elemein.reális, de a függetlenségnél gyengébb feltételt keresünk. Tegyük fel, hogy P(X m = k m ) valószínőségeket megadásához elegendı az X m- értéket ismerni. Azaz P(X m = k m X i = k i minden i m--re)= P(X m = k m X m- = k m- ) (Markov tulajdonság). Azaz a Markov lánc következı értékének eloszlását meghatározza a lánc jelenlegi állapota. Példák Ha az X =(X, X 2,..., X n ): Ω I n diszkrét valószínőségi vektorváltozó koordinátái függetlenek, akkor a sorozat Markov lánc. Ha X n =X n- + Y n ahol Y n és X n- független, akkor X n Markov lánc. További egyszerősítés: tegyük fel, hogy a P(X m = k m X m- = k m- ) átmenetvalószínőségek nem függnek m-tıl (homogén Markov lánc). Jelölés: p ij :=P(X m = j X m- = i) átmenetvalószínőség-mátrix. A hımérséklet napi értéke feltehetıen nem homogén Markov lánc, mert ha ma 0 fok volt, akkor ha nyár van, akkor holnap inkább melegebb lesz, míg télen inkább hidegebb. 9

10 Többlépéses átmenetvalószínőségek P(X m = j X m-2 = i) kiszámítása: P( X = j Xm = i) = P( Xm = j Xm = k) P( Xm = k Xm 2 m 2 = i k I (elnevezés: Chapman-Kolmogorov egyenlet). azaz a P (2) kétlépéses átmenetvalószínőség-mátrixra P (2) = P 2 (mátrix-hatvány). Ugyanígy a k-lépésesre P (k) = P k. Példa: a szimmetrikus bolyongásnál p i,i+ = p i,i- =/2, a többi j-re p i,j =0. Ebbıl a kétlépéses átmenetvalószínőségek: p i,i+2 = p i,i-2 =/4, p i,i =/2, a többi j-re p i,j =0 ) Tulajdonságok P minden elemére p i,j 0. pk, j = P( Xm = j Xm = k) = j I j I A fenti tulajdonságok P k -ra is igazak. Az i-bıl a j elérhetı (i j), ha van olyan k, melyre p (k) i,j >0. Az i-és a j állapotok érintkezıek, ha i j és j i. Az állapotok (I elemei) osztályozhatóak aszerint, hogy érintkezıek-e. 0

11 Példák A szimmetrikus bolyongásnál bármely két állapot érintkezı. Az elnyelı falas bolyongásnál (addig játszunk, míg vagy a a pontba vagy a b pontba nem jutunk), a két végállapot csak önmagával érintkezik. A populációs modelleknél (I a populáció egyedszáma) a 0 csak önmagával érintkezik. További definíciók A Markov lánc irreducibilis, ha csak egy osztályból áll. f i (k) :=P(X k =i, X k- i, X k-2 i,, X i X 0 =i) az i-be való elsı visszatérés valószínősége. p i (k) :=P(X k =i X 0 =i) az i-be való, k-lépésben történı visszatérés valószínősége. Az i állapot visszatérı, ha ( k ) f i = Az i állapot periódusa d, ha d=lnko{k: p i (k) >0}. A visszatérıség és a periódus is osztálytulajdonság. k

12 Stacionér eloszlás Ha megadható olyan π eloszlás az állapottéren, melyre teljesül, hogy πp=π, akkor ezt a Markov lánc stacionér eloszlásának nevezzük. Lineáris egyenletrendszer megoldásaként kaphatjuk meg. Nem irreducibilis esetben nem egyértelmő. Ha teljesül, hogy tetszıleges X 0 kiinduló eloszlás esetén az X n eloszlása konvergál a stacionér eloszláshoz, akkor azt mondjuk, hogy a Markov-lánc ergodikus. Ergodikus láncok Tétel. Ha a Markov-lánc aperiodikus (d=), irreducibilis és van olyan n, hogy P n -nek van csupa pozitív elembıl álló oszlopa, akkor a Markov-lánc ergodikus. A konvergencia általában meglehetısen gyors, bár függ a kiinduló eloszlástól. Ergodikus esetben a π funkcionáljai (pl. Eπ) közelíthetıek a tapasztalati értékeivel: f (π ) n i= f ( X i ) / n 2

12. előadás - Markov-láncok I.

12. előadás - Markov-láncok I. 12. előadás - Markov-láncok I. 2016. november 21. 12. előadás 1 / 15 Markov-lánc - definíció Az X n, n N valószínűségi változók sorozatát diszkrét idejű sztochasztikus folyamatnak nevezzük. Legyen S R

Részletesebben

Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0, 1, 2,..., N}, {0, 1, 2,... }.

Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0, 1, 2,..., N}, {0, 1, 2,... }. . Markov-láncok. Definíció és alapvető tulajdonságok Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0,,,..., N}, {0,,,... }.. definíció. S értékű valószínűségi

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

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám

Részletesebben

Készítette: Fegyverneki Sándor

Készítette: Fegyverneki Sándor VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y

Részletesebben

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

Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.

Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:

Részletesebben

0,424 0,576. f) P (X 2 = 3) g) P (X 3 = 1) h) P (X 4 = 1 vagy 2 X 2 = 2) i) P (X 7 = 3, X 4 = 1, X 2 = 2 X 0 = 2) j) P (X 7 = 3, X 4 = 1, X 2 = 2)

0,424 0,576. f) P (X 2 = 3) g) P (X 3 = 1) h) P (X 4 = 1 vagy 2 X 2 = 2) i) P (X 7 = 3, X 4 = 1, X 2 = 2 X 0 = 2) j) P (X 7 = 3, X 4 = 1, X 2 = 2) Legyen adott a P átmenetvalószín ség mátrix és a ϕ 0 kezdeti eloszlás Kérdés, hogy miként lehetne meghatározni az egyes állapotokban való tartózkodás valószín ségét az n-edik lépés múlva Deniáljuk az n-lépéses

Részletesebben

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre

Részletesebben

előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás

előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 13-14. előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 2016. november 28. és december 5. 13-14. előadás 1 / 35 Bevezetés A diszkrét

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

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

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

Részletesebben

Exponenciális, logaritmikus függvények

Exponenciális, logaritmikus függvények Exponenciális, logaritmikus függvények DEFINÍCIÓ: (Összetett függvény) Ha az értékkészlet elemeihez, mint értelmezési tartományhoz egy újabb egyértelmű hozzárendelést adunk meg, akkor összetett (közvetett)

Részletesebben

6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének

6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének 6. Függvények I. Elméleti összefoglaló A függvény fogalma, értelmezési tartomány, képhalmaz, értékkészlet Legyen az A és B halmaz egyike sem üreshalmaz. Ha az A halmaz minden egyes eleméhez hozzárendeljük

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 2 II. A valószínűségi VÁLTOZÓ És JELLEMZÉsE 1. Valószínűségi VÁLTOZÓ Definíció: Az leképezést valószínűségi változónak nevezzük, ha

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

A lineáris algebrában központi szerepet betöltı vektortér fogalmát értelmezzük most, s megvizsgáljuk e struktúra legfontosabb egyszerő tulajdonságait.

A lineáris algebrában központi szerepet betöltı vektortér fogalmát értelmezzük most, s megvizsgáljuk e struktúra legfontosabb egyszerő tulajdonságait. 2. VEKTORTÉR A lineáris algebrában központi szerepet betöltı vektortér fogalmát értelmezzük most, s megvizsgáljuk e struktúra legfontosabb egyszerő tulajdonságait. Legyen K egy test és V egy nem üres halmaz,

Részletesebben

Matematika III. harmadik előadás

Matematika III. harmadik előadás Matematika III. harmadik előadás Kézi Csaba Debreceni Egyetem, Műszaki Kar Debrecen, 2013/14 tanév, I. félév Kézi Csaba (DE) Matematika III. harmadik előadás 2013/14 tanév, I. félév 1 / 13 tétel Az y (x)

Részletesebben

Mesterséges Intelligencia I.

Mesterséges Intelligencia I. Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a

Részletesebben

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

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

Részletesebben

1. Diagonalizálás. A Hom(V) diagonalizálható, ha van olyan bázis, amelyben A mátrixa diagonális. A diagonalizálható van sajátvektorokból álló bázis.

1. Diagonalizálás. A Hom(V) diagonalizálható, ha van olyan bázis, amelyben A mátrixa diagonális. A diagonalizálható van sajátvektorokból álló bázis. 1 Diagonalizálás Diagonalizálható mátrixok Ismétlés Legyen M,N T n n Az M és N hasonló, ha van olyan A lineáris transzformáció, hogy M is és N is az A mátrixa egy-egy alkalmas bázisban Az M és N pontosan

Részletesebben

Szám. szim. labor ea. Tőke Csaba U(0,1) GSL. Adott eloszlás. Brown-mozgás. Hivatkozások. BME Fizika Intézet október 7.

Szám. szim. labor ea. Tőke Csaba U(0,1) GSL. Adott eloszlás. Brown-mozgás. Hivatkozások. BME Fizika Intézet október 7. Számítógépes szimulációk 4. Véletlen számok BME Fizika Intézet 2015. október 7. Vázlat Egyenletes eloszlású pszeudovéletlen számok Véletlen számok generálása -lel szerinti véletlen számok generálása Véletlenszám-generátorok

Részletesebben

A sorozat fogalma. függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet. az értékkészlet a komplex számok halmaza, akkor komplex

A sorozat fogalma. függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet. az értékkészlet a komplex számok halmaza, akkor komplex A sorozat fogalma Definíció. A természetes számok N halmazán értelmezett függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet a valós számok halmaza, valós számsorozatról beszélünk, mígha az

Részletesebben

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb

Részletesebben

Radioaktív bomlási sor szimulációja

Radioaktív bomlási sor szimulációja Radioaktív bomlási sor szimulációja A radioaktív bomlásra képes atomok nem öregszenek, azaz nem lehet sem azt megmondani, hogy egy kiszemelt atom mennyi idıs (azaz mikor keletkezett), sem azt, hogy pontosan

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

6. Függvények. 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban?

6. Függvények. 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban? 6. Függvények I. Nulladik ZH-ban láttuk: 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban? f x g x cos x h x x ( ) sin x (A) Az f és a h. (B) Mindhárom. (C) Csak az f.

Részletesebben

4. rész. Nevezetes eloszlások és generálásuk. Játék a véletlennel. Komputerstatisztika kurzus

4. rész. Nevezetes eloszlások és generálásuk. Játék a véletlennel. Komputerstatisztika kurzus Valós és generálásuk Játék a véletlennel Komputerstatisztika kurzus diszkrét folytonos Box Muller Barczy Mátyás Informatikai Kar Debreceni Egyetem Marsaglia 1 A témái Valós diszkrét 1 Valós folytonos 2

Részletesebben

Valós függvények tulajdonságai és határérték-számítása

Valós függvények tulajdonságai és határérték-számítása EL 1 Valós függvények tulajdonságai és határérték-számítása Az ebben a részben szereplő függvények értelmezési tartománya legyen R egy részhalmaza. EL 2 Definíció: zérushely Az f:d R függvénynek zérushelye

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

Sorozatok és Sorozatok és / 18

Sorozatok és Sorozatok és / 18 Sorozatok 2015.11.30. és 2015.12.02. Sorozatok 2015.11.30. és 2015.12.02. 1 / 18 Tartalom 1 Sorozatok alapfogalmai 2 Sorozatok jellemz i 3 Sorozatok határértéke 4 Konvergencia és korlátosság 5 Cauchy-féle

Részletesebben

Számítási feladatok a Számítógépi geometria órához

Számítási feladatok a Számítógépi geometria órához Számítási feladatok a Számítógépi geometria órához Kovács Zoltán Copyright c 2012 Last Revision Date: 2012. október 15. kovacsz@nyf.hu Technikai útmutató a jegyzet használatához A jegyzet képernyőbarát

Részletesebben

13.1.Állítás. Legyen " 2 C primitív n-edik egységgyök és K C olyan számtest, amelyre " =2 K, ekkor K(") az x n 1 2 K[x] polinomnak a felbontási teste

13.1.Állítás. Legyen  2 C primitív n-edik egységgyök és K C olyan számtest, amelyre  =2 K, ekkor K() az x n 1 2 K[x] polinomnak a felbontási teste 13. GYÖKB½OVÍTÉS GALOIS CSOPORTJA, POLINOMOK GYÖKEINEK ELÉRHET½OSÉGE 13.1.Állítás. Legyen " 2 C primitív n-edik egységgyök és K C olyan számtest, amelyre " =2 K, ekkor K(") az x n 1 2 K[x] polinomnak a

Részletesebben

1. Mátrixösszeadás és skalárral szorzás

1. Mátrixösszeadás és skalárral szorzás 1 Mátrixösszeadás és skalárral szorzás Mátrixok tömör jelölése T test Az M = a i j T n m azt az n sorból és m oszlopból álló mátrixot jelöli, amelyben az i-edik sor j-edik eleme a i j T Példák [ ] Ha M

Részletesebben

Biometria gyakorló feladatok BsC hallgatók számára

Biometria gyakorló feladatok BsC hallgatók számára Biometria gyakorló feladatok BsC hallgatók számára 1. Egy üzem alkalmazottainak megoszlása az elért teljesítmény %-a szerint a következı: Norma teljesítmény % Dolgozók száma 60-80 30 81-90 70 91-100 90

Részletesebben

VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER október 15. Irodalom. További ajánlott feladatok

VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER október 15. Irodalom. További ajánlott feladatok VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER 2004. október 15. Irodalom A fogalmakat, definíciókat illetően két forrásra támaszkodhatnak: ezek egyrészt elhangzanak az előadáson, másrészt megtalálják

Részletesebben

LINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40

LINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard

Részletesebben

f(x) a (x x 0 )-t használjuk.

f(x) a (x x 0 )-t használjuk. 5. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 5.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási

Részletesebben

6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió

6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió 6. Előadás Megyesi László: Lineáris algebra, 37. 41. oldal. Gondolkodnivalók Lineáris függetlenség 1. Gondolkodnivaló Legyen V valós számtest feletti vektortér. Igazolja, hogy ha a v 1, v 2,..., v n V

Részletesebben

TERMÉKEK MŐSZAKI TERVEZÉSE Megbízhatóságra, élettartamra tervezés I.

TERMÉKEK MŐSZAKI TERVEZÉSE Megbízhatóságra, élettartamra tervezés I. TERMÉKEK MŐSZAKI TERVEZÉSE Megbízhatóságra, élettartamra tervezés I. Dr. Kovács Zsolt egyetemi tanár Megbízhatóság-elméleti alapok A megbízhatóságelmélet az a komplex tudományág, amely a meghibásodási

Részletesebben

Komplex számok. (a, b) + (c, d) := (a + c, b + d)

Komplex számok. (a, b) + (c, d) := (a + c, b + d) Komplex számok Definíció. Komplex számoknak nevezzük a valós számokból képzett rendezett (a, b) számpárok halmazát, ha közöttük az összeadást és a szorzást következőképpen értelmezzük: (a, b) + (c, d)

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

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

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

Részletesebben

Az egyenlőtlenség mindkét oldalát szorozzuk meg 4 16-al:

Az egyenlőtlenség mindkét oldalát szorozzuk meg 4 16-al: Bevezető matematika kémikusoknak., 04. ősz. feladatlap. Ábrázoljuk számegyenesen a következő egyenlőtlenségek megoldáshalmazát! (a) x 5 < 3 5 x < 3 x 5 < (d) 5 x

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

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

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra

Részletesebben

Diszkrét idejű felújítási paradoxon

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

Részletesebben

Sztochasztikus temporális logikák

Sztochasztikus temporális logikák Sztochasztikus temporális logikák Teljesítmény és szolgáltatásbiztonság jellemzők formalizálása és ellenőrzése Majzik István Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs

Részletesebben

Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek

Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,

Részletesebben

Determinánsok. A determináns fogalma olyan algebrai segédeszköz, amellyel. szolgáltat az előbbi kérdésekre, bár ez nem mindig hatékony.

Determinánsok. A determináns fogalma olyan algebrai segédeszköz, amellyel. szolgáltat az előbbi kérdésekre, bár ez nem mindig hatékony. Determinánsok A determináns fogalma olyan algebrai segédeszköz, amellyel jól jellemezhető a mátrixok invertálhatósága, a mátrix rangja. Segítségével lineáris egyenletrendszerek megoldhatósága dönthető

Részletesebben

x a x, ha a > 1 x a x, ha 0 < a < 1

x a x, ha a > 1 x a x, ha 0 < a < 1 EL 18 Valós exponenciális függvények Definíció: Ha a R, a>0, akkor legyen a x = e x lna, x R A valós változós exponenciális függvények grafikonja: x a x, ha a > 1 x a x, ha 0 < a < 1 A szinusz függvény

Részletesebben

Valószínűségelmélet. Pap Gyula. Szegedi Tudományegyetem. Szeged, 2016/2017 tanév, I. félév

Valószínűségelmélet. Pap Gyula. Szegedi Tudományegyetem. Szeged, 2016/2017 tanév, I. félév Valószínűségelmélet Pap Gyula Szegedi Tudományegyetem Szeged, 2016/2017 tanév, I. félév Pap Gyula (SZTE) Valószínűségelmélet 2016/2017 tanév, I. félév 1 / 125 Ajánlott irodalom: CSÖRGŐ SÁNDOR Fejezetek

Részletesebben

Megoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1

Megoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1 Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =

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

Diszkrét és folytonos paraméter Markov láncok. Csiszár Vill

Diszkrét és folytonos paraméter Markov láncok. Csiszár Vill Diszkrét és folytonos paraméter Markov láncok Csiszár Vill Tartalomjegyzék 1. Bevezetés 1 I. Diszkrét paraméter Markov láncok 2 2. Visszatér ség 2 2.1. Markov-tulajdonság............................. 2

Részletesebben

TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató

TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató 2015/2016. tanév I. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:

Részletesebben

Tantárgy kódja Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2

Tantárgy kódja Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2 Tantárgy neve Alkalmazott matematika II. Tantárgy kódja MT003 Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2 Számonkérés módja gyakorlati jegy Előfeltétel (tantárgyi kód) MT002 Tantárgyfelelős

Részletesebben

Matematika szigorlat, Mérnök informatikus szak I máj. 29.

Matematika szigorlat, Mérnök informatikus szak I máj. 29. Matematika szigorlat, Mérnök informatikus szak I. 2007. máj. 29. Megoldókulcs 1. Adott az S : 3x 6y + 2z = 6 sík a három dimenziós térben. (a) Írja fel egy tetszőleges, az S-re merőleges S síknak az egyenletét!

Részletesebben

10. Előadás P[M E ] = H

10. Előadás P[M E ] = H HALMAZRENDSZEREK 10. Előadás Matematika MSc hallgatók számára Előadó: Hajnal Péter Jegyzetelő: Hajnal Péter 2010. április 20. Halmazrendszerek színezése Egy halmazrendszer csúcshalmazának színezése jó

Részletesebben

Programkonstrukciók A programkonstrukciók programfüggvényei Levezetési szabályok. 6. előadás. Programozás-elmélet. Programozás-elmélet 6.

Programkonstrukciók A programkonstrukciók programfüggvényei Levezetési szabályok. 6. előadás. Programozás-elmélet. Programozás-elmélet 6. Programkonstrukciók Definíció Legyen π feltétel és S program A-n. A DO A A relációt az S-ből a π feltétellel képezett ciklusnak nevezzük, és (π, S)-sel jelöljük, ha 1. a / [π] : DO (a) = { a }, 2. a [π]

Részletesebben

Geometria II gyakorlatok

Geometria II gyakorlatok Geometria II gyakorlatok Kovács Zoltán Copyright c 2011 Last Revision Date: 2012. május 8. kovacsz@nyf.hu Technikai útmutató a jegyzet használatához A jegyzet képernyőbarát technikával készült, a megjelenés

Részletesebben

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

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

Részletesebben

6. ELŐADÁS DIFFERENCIÁLSZÁMÍTÁS II. DIFFERENCIÁLÁSI SZABÁLYOK. BSc Matematika I. BGRMA1HNND, BGRMA1HNNC

6. ELŐADÁS DIFFERENCIÁLSZÁMÍTÁS II. DIFFERENCIÁLÁSI SZABÁLYOK. BSc Matematika I. BGRMA1HNND, BGRMA1HNNC 6. ELŐADÁS DIFFERENCIÁLSZÁMÍTÁS II. DIFFERENCIÁLÁSI SZABÁLYOK BSc Matematika I. BGRMAHNND, BGRMAHNNC A következő diákon szereplő állítások mindegyikét az előadáson fogjuk igazolni, és példákkal bőségesen

Részletesebben

Sztochasztikus folyamatok

Sztochasztikus folyamatok Sztochasztikus folyamatok Pap Gyula, Sz cs Gábor Szegedi Tudományegyetem Bolyai Intézet, Sztochasztika Tanszék Utolsó frissítés: 2014. február 8. Tartalomjegyzék Tartalomjegyzék 2 1. Sztochasztikus folyamatok

Részletesebben

Sorozatok I. Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma)

Sorozatok I. Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Sorozatok I. DEFINÍCIÓ: (Számsorozat) A számsorozat olyan függvény, amelynek értelmezési tartománya a pozitív egész számok halmaza, értékkészlete a valós számok egy részhalmaza. Jelölés: (a n ), {a n }.

Részletesebben

Markov modellek 2015.03.19.

Markov modellek 2015.03.19. Markov modellek 2015.03.19. Markov-láncok Markov-tulajdonság: egy folyamat korábbi állapotai a későbbiekre csak a jelen állapoton keresztül gyakorolnak befolyást. Semmi, ami a múltban történt, nem ad előrejelzést

Részletesebben

Klár Gergely 2010/2011. tavaszi félév

Klár Gergely 2010/2011. tavaszi félév Számítógépes Grafika Klár Gergely tremere@elte.hu Eötvös Loránd Tudományegyetem Informatikai Kar 2010/2011. tavaszi félév Tartalom Pont 1 Pont 2 3 4 5 Tartalom Pont Descartes-koordináták Homogén koordináták

Részletesebben

tudjuk-e osztani a Markov-lánc állapotterét annak alapján, hogy mely állapotból

tudjuk-e osztani a Markov-lánc állapotterét annak alapján, hogy mely állapotból Diszkrét idejű Markov-láncok vizsgálata. Tekintsünk egy diszkrét idejű X 0,X 1,... Markov-láncot P(j,k) = P(X n+1 = E k X n = j), n = 1, 2,..., átmenetvalószínűségekkel egy (Ω, A, P) valószínűségi mezőn,

Részletesebben

TOVÁBBI FELADATOK A következő feladatok véletlen bolyongásokkal kapcsolatos kérdésekről szólnak.

TOVÁBBI FELADATOK A következő feladatok véletlen bolyongásokkal kapcsolatos kérdésekről szólnak. TOVÁBBI FELADATOK A következő feladatok véletlen bolyongásokkal kapcsolatos kérdésekről szólnak. Tekintsük egy szabályos pénzdarab végtelen sok egymás utáni független dobását, és tekintsünk egy részecskét,

Részletesebben

A szimplex algoritmus

A szimplex algoritmus A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás

Részletesebben

A valószínűségszámítás elemei

A 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:

Részletesebben

Alapfogalmak, valós számok Sorozatok, határérték Függvények határértéke, folytonosság A differenciálszámítás Függvénydiszkusszió Otthoni munka

Alapfogalmak, valós számok Sorozatok, határérték Függvények határértéke, folytonosság A differenciálszámítás Függvénydiszkusszió Otthoni munka Pintér Miklós miklos.pinter@uni-corvinus.hu Ősz Alapfogalmak Halmazok Definíció Legyen A egy tetszőleges halmaz, ekkor x A (x / A) jelentése: x (nem) eleme A-nak. A B (A B) jelentése: A (valódi) részhalmaza

Részletesebben

Matematikai geodéziai számítások 10.

Matematikai geodéziai számítások 10. Matematikai geodéziai számítások 10. Hibaellipszis, talpponti görbe és közepes ponthiba Dr. Bácsatyai, László Matematikai geodéziai számítások 10.: Hibaellipszis, talpponti görbe és Dr. Bácsatyai, László

Részletesebben

1. Parciális függvény, parciális derivált (ismétlés)

1. Parciális függvény, parciális derivált (ismétlés) Operációkutatás NYME Gazdaságinformatikus mesterképzés El adó: Kalmár János (kalmar[kukac]inf.nyme.hu) Többváltozós széls érték számítás Parciális függvény, parciális derivált Széls érték korlátos zárt

Részletesebben

Sorozatok. 5. előadás. Farkas István. DE ATC Gazdaságelemzési és Statisztikai Tanszék. Sorozatok p. 1/2

Sorozatok. 5. előadás. Farkas István. DE ATC Gazdaságelemzési és Statisztikai Tanszék. Sorozatok p. 1/2 Sorozatok 5. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Sorozatok p. 1/2 A sorozat definíciója Definíció. A természetes számok halmazán értelmezett valós értékű a: N R függvényt

Részletesebben

Transzformációk síkon, térben

Transzformációk síkon, térben Transzformációk síkon, térben Leképezés, transzformáció Leképezés: Ha egy A ponttér pontjaihoz egy másik B ponttér pontjait kölcsönösen egyértelműen rendeljük hozzá, akkor ezt a hozzárendelést leképezésnek

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

Nemkonvex kvadratikus egyenlőtlenségrendszerek pontos dualitással

Nemkonvex kvadratikus egyenlőtlenségrendszerek pontos dualitással pontos dualitással Imre McMaster University Advanced Optimization Lab ELTE TTK Operációkutatási Tanszék Folytonos optimalizálás szeminárium 2004. július 6. 1 2 3 Kvadratikus egyenlőtlenségrendszerek Primál

Részletesebben

E-tananyag Matematika 9. évfolyam 2014. Függvények

E-tananyag Matematika 9. évfolyam 2014. Függvények Függvények Függvények értelmezése Legyen adott az A és B két nem üres halmaz. Az A halmaz minden egyes eleméhez rendeljük hozzá a B halmaz egy-egy elemét. Ez a hozzárendelés egyértelmű, és ezt a hozzárendelést

Részletesebben

Backhausz Ágnes 1. Bevezetés A valószínűség elemi tulajdonságai... 5

Backhausz Ágnes 1. Bevezetés A valószínűség elemi tulajdonságai... 5 Valószínűségszámítás Földtudomány BSc szak, 2016/2017. őszi félév Backhausz Ágnes agnes@cs.elte.hu Tartalomjegyzék 1. Bevezetés 2 2. A Kolmogorov-féle valószínűségi mező 3 2.1. Klasszikus valószínűségi

Részletesebben

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás

Részletesebben

9. TÖBBVÁLTOZÓS FÜGGVÉNYEK DIFFERENCIÁLSZÁMITÁSA. 9.1 Metrika és topológia R k -ban

9. TÖBBVÁLTOZÓS FÜGGVÉNYEK DIFFERENCIÁLSZÁMITÁSA. 9.1 Metrika és topológia R k -ban 9. TÖBBVÁLTOZÓS FÜGGVÉNYEK DIFFERENCIÁLSZÁMITÁSA 9.1 Metrika és topológia R k -ban Definíció. A k-dimenziós euklideszi térnek nevezzük és R k val jelöljük a valós számokból alkotott k-tagú x = (x 1, x

Részletesebben

Valószín ségelmélet házi feladatok

Valószín ségelmélet házi feladatok Valószín ségelmélet házi feladatok Minden héten 3-4 házi feladatot adok ki. A megoldásokat a következ órán kell beadni, és kés bb már nem lehet pótolni. Csak az mehet vizsgázni, aki a 13 hét során kiadott

Részletesebben

Biometria az orvosi gyakorlatban. Számítógépes döntéstámogatás

Biometria az orvosi gyakorlatban. Számítógépes döntéstámogatás SZDT-01 p. 1/23 Biometria az orvosi gyakorlatban Számítógépes döntéstámogatás Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Gyakorlat SZDT-01 p.

Részletesebben

12 48 b Oldjuk meg az Egyenlet munkalapon a következő egyenletrendszert az inverz mátrixos módszer segítségével! Lépések:

12 48 b Oldjuk meg az Egyenlet munkalapon a következő egyenletrendszert az inverz mátrixos módszer segítségével! Lépések: A feladat megoldása során az Excel 2010 használata a javasolt. A feladat elvégzése során a következőket fogjuk gyakorolni: Egyenletrendszerek megoldása Excelben. Solver használata. Mátrixműveletek és függvények

Részletesebben

Algoritmuselmélet. Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás. Katona Gyula Y.

Algoritmuselmélet. Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás. Katona Gyula Y. Algoritmuselmélet Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem

Részletesebben

Lineáris egyenletrendszerek

Lineáris egyenletrendszerek Lineáris egyenletrendszerek Lineáris egyenletrendszernek nevezzük az a 11 x 1 + a 12 x 2 +... +a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... +a 2n x n = b 2.. a k1 x 1 + a k2 x 2 +... +a kn x n = b k n ismeretlenes,

Részletesebben

14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull

14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull 14 A Black-choles-Merton modell Copyright John C. Hull 01 1 Részvényárak viselkedése (feltevés!) Részvényár: μ: elvárt hozam : volatilitás Egy rövid Δt idő alatt a hozam normális eloszlású véletlen változó:

Részletesebben

Matematikai alapok és valószínőségszámítás. Statisztikai változók Adatok megtekintése

Matematikai alapok és valószínőségszámítás. Statisztikai változók Adatok megtekintése Matematikai alapok és valószínőségszámítás Statisztikai változók Adatok megtekintése Statisztikai változók A statisztikai elemzések során a vizsgálati, vagy megfigyelési egységeket különbözı jellemzık

Részletesebben

Tartalomjegyzék. Typotex Kiadó, 2010

Tartalomjegyzék. Typotex Kiadó, 2010 Tartalomjegyzék 15. Elliptikus egyenletek 7 15.1. Bevezetés: Elliptikus egyenletek alkalmazott feladatokban... 7 15.2. Elméleti háttér.......................... 9 15.3. Véges dierencia eljárások II...................

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

Metrikus terek, többváltozós függvények

Metrikus terek, többváltozós függvények Metrikus terek, többváltozós függvények 2003.10.15 Készítette: Dr. Toledo Rodolfo és Dr. Blahota István 1. Metrikus terek, metrika tulajdonságai 1.1. A valós, komplex, racionális, természetes és egész

Részletesebben

Abszolútértékes egyenlôtlenségek

Abszolútértékes egyenlôtlenségek Abszolútértékes egyenlôtlenségek 575. a) $, $ ; b) < - vagy $, # - vagy > 4. 5 576. a) =, =- 6, 5 =, =-, 7 =, 4 = 5; b) nincs megoldás;! c), = - ; d) =-. Abszolútértékes egyenlôtlenségek 577. a) - # #,

Részletesebben

1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak

1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak 1. Generátorrendszer Generátorrendszer. Tétel (Freud, 4.3.4. Tétel) Legyen V vektortér a T test fölött és v 1,v 2,...,v m V. Ekkor a λ 1 v 1 + λ 2 v 2 +... + λ m v m alakú vektorok, ahol λ 1,λ 2,...,λ

Részletesebben

Analízis ZH konzultáció

Analízis ZH konzultáció Analízis ZH konzultáció 1. Teljes indukció Elméleti segítség: n=1-re bebizonyítani (vagy arra az n-re, ahonnan az állítást igazolni szeretnénk) feltesszük, hogy n-re igaz az állítás -> n+1-re is igaz lesz?

Részletesebben

Készítette: Fegyverneki Sándor. Miskolci Egyetem, 2002.

Készítette: Fegyverneki Sándor. Miskolci Egyetem, 2002. INFORMÁCIÓELMÉLET Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2002. i TARTALOMJEGYZÉK. Bevezetés 2. Az információmennyiség 6 3. Az I-divergencia 3 3. Információ és bizonytalanság

Részletesebben

Markov láncok. jegyzet február 18. Honnan hová lehet eljutni? Hány lépésben? Van-e stacionárius kezdeti eloszlás? Hány?

Markov láncok. jegyzet február 18. Honnan hová lehet eljutni? Hány lépésben? Van-e stacionárius kezdeti eloszlás? Hány? Markov láncok jegyzet 2009. február 18. 1. Bevezetés Tekintsünk egy megszámlálható sok csúcspontú, irányított gráfot úgy, hogy minden élre egy nemnegatív szám van írva, és minden csúcs kimen éleire írt

Részletesebben

TANTÁRGYI PROGRAM Matematikai alapok II. útmutató

TANTÁRGYI PROGRAM Matematikai alapok II. útmutató BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok II. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:

Részletesebben