Véletlen szám generálás
|
|
- Sarolta Szekeresné
- 7 évvel ezelőtt
- Látták:
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
Véletlen bolyongás. Márkus László március 17. Márkus László Véletlen bolyongás március / 31
Márkus László Véletlen bolyongás 2015. március 17. 1 / 31 Véletlen bolyongás Márkus László 2015. március 17. Modell Deníció Márkus László Véletlen bolyongás 2015. március 17. 2 / 31 Modell: Egy egyenesen
Részletesebben12. 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
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
Részletesebben(Diszkrét idejű Markov-láncok állapotainak
(Diszkrét idejű Markov-láncok állapotainak osztályozása) March 21, 2019 Markov-láncok A Markov-láncok anaĺızise főként a folyamat lehetséges realizációi valószínűségeinek kiszámolásával foglalkozik. Ezekben
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
RészletesebbenLegyen 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
RészletesebbenSztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
RészletesebbenVéletlenszám 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
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,
RészletesebbenLehetséges vizsgálatok III: Szimmetrikus bolyongás Jobbra => +1; Balra => -1 P(jobbra) = P(balra) = ½
Véletlen bolyongások (1D 2D 3D) 1 / 35 oldal Definíció: Egy egyenesen (1 dimenziós tér) Jobbra, vagy balra lépünk Minden lépés független a korábbiaktól P(jobbra)=p; P(balra)=q Nincs helyben maradási" lépés,
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
RészletesebbenA következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
RészletesebbenMatematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
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.
RészletesebbenJármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János
BUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI KAR JÁRMŐELEMEK ÉS HAJTÁSOK TANSZÉK Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János Budapest 2008
Részletesebbenminden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.
Függvények határértéke és folytonossága Egy f: D R R függvényt korlátosnak nevezünk, ha a függvényértékek halmaza korlátos. Ha f(x) f(x 0 ) teljesül minden x D esetén, akkor x 0 -at a függvény maximumhelyének
RészletesebbenFEGYVERNEKI 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:
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.
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
RészletesebbenVéletlen bolyongás. 2. rész. Márkus László jegyzete alapján Tóth Tamás december 10.
2. rész 2012. december 10. Határeloszlás tételek a bolyongás funkcionáljaira 1 A bolygó pont helyzete: EX i = 0, D 2 X i = EX 2 = 1 miatt i ES n = 0, D 2 S n = n, és a centrális határeloszlás tétel (CHT)
Részletesebben0,424 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
RészletesebbenMatematikai 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
RészletesebbenVéletlenszám 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
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
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 +
Részletesebbenelőadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás
13-14. előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 2016. november 28. és december 5. 13-14. előadás 1 / 35 Bevezetés A diszkrét
RészletesebbenYule és Galton-Watson folyamatok
Dr. Márkus László Yule és ok 2015. március 9. 1 / 36 Yule és ok Dr. Márkus László 2015. március 9. Yule folyamat Dr. Márkus László Yule és ok 2015. március 9. 2 / 36 A független stacionárius növekmény
RészletesebbenTovábblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás,
Matematikai statisztika. elıadás, 9.5.. Továbblépés Ha nem fogadható el a reziduálisok korrelálatlansága: Lehetnek fel nem tárt periódusok De más kapcsolat is fennmaradhat az egymáshoz közeli megfigyelések
RészletesebbenMesterséges 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
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.
RészletesebbenGyakorló feladatok I.
Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,
Részletesebben3. előadás Stabilitás
Stabilitás 3. előadás 2011. 09. 19. Alapfogalmak Tekintsük dx dt = f (t, x), x(t 0) = x 0 t (, ), (1) Jelölje t x(t; t 0, x 0 ) vagy x(.; t 0, x 0 ) a KÉF megoldását. Kívánalom: kezdeti állapot kis megváltozása
Részletesebben4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O
1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.
RészletesebbenMatematika 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)
Részletesebben3. Lineáris differenciálegyenletek
3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra
RészletesebbenMatematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 5. gyakorlat 013/14. tavaszi félév 1. Folytonos eloszlások Eloszlásfüggvény és sűrűségfüggvény Egy valószínűségi változó, illetve egy eloszlás eloszlásfüggvényének egy
Részletesebbenf(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva
6. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 6.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási
RészletesebbenBevezetés az algebrába 2
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Bevezetés az algebrába 2 BMETE91AM37 Mátrixfüggvények H607 2018-05-02 Wettl Ferenc
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:
RészletesebbenA 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,
Részletesebben6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének
6. Függvények I. Elméleti összefoglaló A függvény fogalma, értelmezési tartomány, képhalmaz, értékkészlet Legyen az A és B halmaz egyike sem üreshalmaz. Ha az A halmaz minden egyes eleméhez hozzárendeljük
RészletesebbenFEGYVERNEKI 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
RészletesebbenCHT& 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
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
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@cs.elte.hu 2016/2017. tavaszi félév Bevezetés Célok: véletlen folyamatok modellezése; kísérletekb l, felmérésekb
RészletesebbenCentrális határeloszlás-tétel
13. fejezet Centrális határeloszlás-tétel A valószínűségszámítás legfontosabb állításai azok, amelyek független valószínűségi változók normalizált összegeire vonatkoznak. A legfontosabb ilyen tételek a
Részletesebben1. 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
RészletesebbenExponenciális, logaritmikus függvények
Exponenciális, logaritmikus függvények DEFINÍCIÓ: (Összetett függvény) Ha az értékkészlet elemeihez, mint értelmezési tartományhoz egy újabb egyértelmű hozzárendelést adunk meg, akkor összetett (közvetett)
RészletesebbenVektorok, mátrixok, lineáris egyenletrendszerek
a Matematika mérnököknek I. című tárgyhoz Vektorok, mátrixok, lineáris egyenletrendszerek Vektorok A rendezett valós számpárokat kétdimenziós valós vektoroknak nevezzük. Jelölésükre latin kisbetűket használunk.
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.):
Részletesebben2012. október 2 és 4. Dr. Vincze Szilvia
2012. október 2 és 4. Dr. Vincze Szilvia Tartalomjegyzék 1.) Az egyváltozós valós függvény fogalma, műveletek 2.) Zérushely, polinomok zérushelye 3.) Korlátosság 4.) Monotonitás 5.) Szélsőérték 6.) Konvex
RészletesebbenVIK A1 Matematika BOSCH, Hatvan, 5. Gyakorlati anyag
VIK A1 Matematika BOSCH, Hatvan, 5. Gyakorlati anyag 2018/19 1. félév Függvények határértéke 1. Bizonyítsuk be definíció alapján a következőket! (a) lim x 2 3x+1 5x+4 = 1 2 (b) lim x 4 x 16 x 2 4x = 2
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:
RészletesebbenVIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja
VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag 2019. március 21. Mátrix rangja 1. Számítsuk ki az alábbi mátrixok rangját! (d) 1 1 2 2 4 5 1 1 1 1 1 1 1 1 2 1 2 1 1 0 1 1 2 1 0 1 1 1 1 2 3 1 3
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
Részletesebben1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)
Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő
RészletesebbenFunkcionálanalízis. n=1. n=1. x n y n. n=1
Funkcionálanalízis 2011/12 tavaszi félév - 2. előadás 1.4. Lényeges alap-terek, példák Sorozat terek (Folytatás.) C: konvergens sorozatok tere. A tér pontjai sorozatok: x = (x n ). Ezen belül C 0 a nullsorozatok
RészletesebbenSzám. 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
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenRadioaktív 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
RészletesebbenMérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik
Mérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik Az A halmazrendszer σ-algebra az Ω alaphalmazon, ha Ω A; A A A c A; A i A, i N, i N A i A. Az A halmazrendszer
RészletesebbenMatematikai statisztika I. témakör: Valószínűségszámítási ismétlés
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák
RészletesebbenFeladatok 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
RészletesebbenBoros Zoltán február
Többváltozós függvények differenciál- és integrálszámítása (2 3. előadás) Boros Zoltán 209. február 9 26.. Vektorváltozós függvények differenciálhatósága és iránymenti deriváltjai A továbbiakban D R n
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
Részletesebben2. SZÉLSŽÉRTÉKSZÁMÍTÁS. 2.1 A széls érték fogalma, létezése
2 SZÉLSŽÉRTÉKSZÁMÍTÁS DEFINÍCIÓ 21 A széls érték fogalma, létezése Azt mondjuk, hogy az f : D R k R függvénynek lokális (helyi) maximuma (minimuma) van az x 0 D pontban, ha van olyan ε > 0 hogy f(x 0 )
RészletesebbenHidden Markov Model. March 12, 2013
Hidden Markov Model Göbölös-Szabó Julianna March 12, 2013 Outline 1 Egy példa 2 Feladat formalizálása 3 Forward-algoritmus 4 Backward-algoritmus 5 Baum-Welch algoritmus 6 Skálázás 7 Egyéb apróságok 8 Alkalmazás
RészletesebbenSztochasztikus folyamatok
Sztochasztikus folyamatok Benke János és Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet 2016. tavaszi félév Sztochasztikus folyamatok Deníció, példák Sztochasztikus folyamatok A továbbiakban legyen
RészletesebbenA 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
RészletesebbenMatematikai alapok és valószínőségszámítás. Normál eloszlás
Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak
RészletesebbenA fontosabb definíciók
A legfontosabb definíciókat jelöli. A fontosabb definíciók [Descartes szorzat] Az A és B halmazok Descartes szorzatán az A és B elemeiből képezett összes (a, b) a A, b B rendezett párok halmazát értjük,
RészletesebbenEgyváltozós függvények 1.
Egyváltozós függvények 1. Filip Ferdinánd filip.ferdinand@bgk.uni-obuda.hu siva.banki.hu/jegyzetek 015 szeptember 1. Filip Ferdinánd 015 szeptember 1. Egyváltozós függvények 1. 1 / 5 Az el adás vázlata
Részletesebbenalakú számot normalizált lebegőpontos számnak nevezik, ha ,, és. ( : mantissza, : mantissza hossza, : karakterisztika) Jelölés: Gépi számhalmaz:
1. A lebegőpontos számábrázolás egy modellje. A normalizált lebegőpontos szám fogalma, a legnagyobb, legkisebb pozitív szám, a relatív pontosság az M(t,-k,+k) gépi számhalmazban. Az input függvény (fl)
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
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 8. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
Részletesebben4. 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
RészletesebbenBiometria 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
RészletesebbenTanmenet a évf. fakultációs csoport MATEMATIKA tantárgyának tanításához
ciklus óra óra anyaga, tartalma 1 1. Év eleji szervezési feladatok, bemutatkozás Hatvány, gyök, logaritmus (40 óra) 2. Ismétlés: hatványozás 3. Ismétlés: gyökvonás 4. Értelmezési tartomány vizsgálata 2
RészletesebbenSzámítási 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
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
RészletesebbenSzemidenit optimalizálás és az S-lemma
Szemidenit optimalizálás és az S-lemma Pólik Imre SAS Institute, USA BME Optimalizálás szeminárium 2011. október 6. Outline 1 Egyenl tlenségrendszerek megoldhatósága 2 Az S-lemma 3 Szemidenit kapcsolatok
Részletesebben6. 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.
RészletesebbenInfobionika ROBOTIKA. X. Előadás. Robot manipulátorok II. Direkt és inverz kinematika. Készült a HEFOP P /1.0 projekt keretében
Infobionika ROBOTIKA X. Előadás Robot manipulátorok II. Direkt és inverz kinematika Készült a HEFOP-3.3.1-P.-2004-06-0018/1.0 projekt keretében Tartalom Direkt kinematikai probléma Denavit-Hartenberg konvenció
RészletesebbenVEKTORTEREK 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
Részletesebben1. Homogén lineáris egyenletrendszer megoldástere
X HOMOGÉN LINEÁRIS EGYENLET- RENDSZEREK 1 Homogén lineáris egyenletrendszer megoldástere Homogén lineáris egyenletrendszer definíciója már szerepelt Olyan lineáris egyenletrendszert nevezünk homogénnek,
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
RészletesebbenMatematika alapjai; Feladatok
Matematika alapjai; Feladatok 1. Hét 1. Tekintsük a,, \ műveleteket. Melyek lesznek a.) kommutativok b.) asszociativak c.) disztributívak-e a, műveletek? Melyik melyikre? 2. Fejezzük ki a műveletet a \
RészletesebbenFraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk
Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér
Részletesebben[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.
Részletesebben6. 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
RészletesebbenFraktálok. Hausdorff távolság. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék március 14.
Fraktálok Hausdorff távolság Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék 2015. március 14. TARTALOMJEGYZÉK 1 of 36 Halmazok távolsága ELSŐ MEGKÖZELÍTÉS Legyen (S, ρ) egy metrikus tér, A, B S, valamint
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 3. estis képzés 2016. ősz 1. Diszkrét matematika 3. estis képzés 4. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenValós 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
RészletesebbenTERMÉKEK 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
RészletesebbenDiszkrét Matematika MSc hallgatók számára. 4. Előadás
Diszkrét Matematika MSc hallgatók számára 4. Előadás Előadó: Hajnal Péter Jegyzetelő: Szarvák Gábor 2012. február 28. Emlékeztető. A primál feladat optimális értékét p -gal, a feladat optimális értékét
RészletesebbenHamming-kód. Definíció. Az 1-hibajavító, perfekt lineáris kódot Hamming-kódnak nevezzük. F 2 fölötti vektorokkal foglalkozunk.
Definíció. Hamming-kód Az -hibajavító, perfekt lineáris kódot Hamming-kódnak nevezzük. F fölötti vektorokkal foglalkozunk. Hamming-kód készítése: r egész szám (ellenırzı jegyek száma) n r a kódszavak hossza
Részletesebbenf(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