Villamosmérnök A4 7. gyakorlat ( ) Normális eloszlás és tulajdonságai

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Villamosmérnök A4 7. gyakorlat ( ) Normális eloszlás és tulajdonságai"

Átírás

1 Villamosmérnök A4 7. gyakorlat Normális eloszlás és tulajdonságai Azt mondjuk hogy egy X valószín ségi változó standard normális eloszlást követ ha x R esetén Φx : P X < x π x z / dz Szimmetria: Φx + Φx az eloszlásfügggvény értékeit tipikusan táblázatból nyerjük ki. X s r ségfüggvénye: ϕx : x x R. π X várható értéke 0 szórása pedig. Az Y : X + µ valószín ségi változó µ paraméter normális eloszlást követ EY µ SDY ahol µ R > 0. Hasonlóan a Z : X + µ valószín ségi változó µ paraméter log-normális eloszlást követ EZ µ + / SDZ µ + /.. Legyen X standard normális eloszlású. Számoljuk ki a következ mennyiségeket: PX <.5 P < X P < X < 5. P.5 < X <. X > 0! Megoldás: PX <.5 Φ P < X PX < Φ Φ 0.77 P < X < 5. Φ5. Φ Φ5. + Φ 0.84 P.5 < X <. X > 0 P0<X<. PX>0 Φ. Φ0 0.4 mert PX < 0 Φ0.. Legyen X µ paraméter normális eloszlású. Határozzuk meg P µ X µ + értékét! Megoldás: P µ X µ + P X µ Φ Φ Φ + Φ Legyen X normális eloszlású. várható értékkel és szórással. Számoljuk ki a következ mennyiségeket: PX <.5 P0 < X P5 < X < 8 P4. < X <. X < 0! Megoldás: Mivel X. paraméter normális ezért X. standard normális eloszlású. Így PX <.5 Φ P0 < X PX < 0 PX < 0 Φ P5 < X < 8 P. < X. <.4 Φ.4 Φ. Φ.4 + Φ. 0.8 P4. < X <. X < 0 P4.<X<0 PX<0.65PX < 0 PX < Φ.7.65Φ mert PX < 0 Φ0.6 Φ Legyen X normális eloszlású 4 várható értékkel és 0 szórással. Milyen a > 0-ra lesz: P 4 a X 4 + a 0.8? Megoldás: Standardizálunk: P 4 a X 4 + a P a/0 X 4/0 a/0 Φa/0 Φa/0 Φa/0 0.8 abb l Φa/0 0. ezt a táblázatból visszakeresve: a Egy X valószín ségi változó várható értéke 0 szórása pedig. Melyik esetben valószín bb hogy X > ; akkor ha X eloszlása normális vagy akkor ha egyenletes? Megoldás: Ha X normális akkor PX > / Φ/ 0.. Ha X egyenletes valamilyen a b intervallumon a < b akkor 0 EX a+b b a illetve VarX ebb l a b így a s r ségfüggvénye X-nek ha x egyébként 0. Tehát PX > / / A csokigyárban azt gyelték meg hogy 000 tejcsokiból körülbelül 0 csoki tömege tér el az el írttól legalább g-mal. Normálist eloszlást feltételezve mekkora a csokik tömegének szórása? Megoldás: Jelölje X egy véletlen csoki tömegét ennek várható értékét illetve szórását pedig µ. Ekkor 0 X µ P X µ PX µ + PX µ P < X µ + P < 000 X µ P < amib l azt kapjuk hogy X µ P < Φ 0.5 azaz.58 így Magyarországon a férak testmagassága átlagosan 78 cm cm szórással. a Mennyi annak a valószín sége hogy egy véletlenszer en kiválasztott fér testmagassága 6 és 87 cm közé esik? Mekkora a valószín sége annak hogy egy ilyen ember magasabb mint 80 cm?

2 b Mennyi annak a valószín sége hogy egy fér magasabb méternél? c Mekkora testmagasság alatt van a férak 0%-a? Mekkora testmagasság felett van a férak 80%-a? Megoldás: Jelölje X egy fér véletlen testmagasságát melynek várható értéke 78 szórása. a b X 78 X 78 P6 < X < 87 PX < 87 PX < 6 P < P < Φ Φ Φ P80 < X < 87 PX > 80 6 < X < 87 P6 < X < 87 X 78 P Φ Φ Φ/ 0.7. Φ X 78 PX > 00 PX < 00 P < Φ/ X 78 < P < c Keressek azokat az a b számokat melyekre PX < a 0. illetve PX > b 0.8. El bbi esetében: X 78 PX < a P < a 78 a 78 Φ 0. azaz a Az utóbbi esetében tudjuk hogy b < 78 kell legyen ezért X 78 PX > b P < b 78 X 78 P < 78 b 78 b Φ 0.8 azaz b Decemberi napokban Budapesten a minimális h mérséklet legvalószín bb értéke 0 C. A széls séges id járás nagyon valószín tlen: a napok 5%-ban nem mérünk +8 C-nál kevesebbet vagy hogy épp 8 C-nál kevesebbet merünk. Milyen valószín ségi változóval modellezné a minimum h mérsékletet? Mi ennek a várható értéke szórása? Mi annak a valószín sége hogy nem mérünk C-nál kevesebbet egy decemberi napon? Megoldás: Jelölje X egy decemberi napon a minimális h mérsékletet Celsius fokban. A minimális h mérséklet normális eloszlásúnak vehet sok kis tényez eredej a h mérséklet. Normális esetben a módusz egybeesik a várható értékkel azaz X várható értéke 0. X szórása pedig: így Végül: X PX > 8 + PX < 8 P < 8 X 0 P < 8 X 0 azaz P < 8 Φ X 0 + P 8 < X 0 PX > PX < P 4.08 < Φ Szegeden a maximum h mérséklet június hónapban is elég stabilis sokéves statisztikai adatok alapján erre a hónapra es tipikus maximum h mérséklet 5 C 4 C szórással. Mi annak a valószín sége hogy egy nap 4 C-ot is eléri a h mér higanyszála? Átlagosan hány napot kell várnunk ahhoz hogy el tudjunk menni strandra ha a jó id t 40 C-tól számítjuk? A legutóbbi június -én jártunk tizedjére strandon mindig mentünk ha jó volt az id. Mennyi annak a valószín sége hogy ezt nap alatt tudtuk abszolválni? Megoldás: Jelölje X egy júniusi napon a maximális h mérsékletet Celsius fokban. X normális eloszlású melynek várható értéke 5 szórása pedig 4. X 5 PX > 4 PX < 4 P < 7 Φ A siker tehát a strandra menés valószín sége: X 5 PX > 40 PX < 40 P < 5 Φ Az els olyan alkalomra várt napok száma amikor jó id volt geometriai eloszlású p 0. paraméterrel. Ennek a várható értéke p.45. Tehát átlagosan 0 napot kell várni ahhoz hogy el tudjunk menni strandra. P nap alatt voltunk 0-szer strandon de június -én voltunk Paz els 0 nap alatt voltunk -szer strandon és június -én is voltunk P0 nap alatt voltunk -szer strandonpjúnius -én voltunk strandon 0 0 p p p p 0 p

3 0. Átlagosan 000 feln tt emberb l 550 n 450 pedig fér. A férak testsúlyának a szórása 0 kg és tudjuk hogy férak fele 80 kg-nál könnyebb míg a n knél ugyanezen adatok kg illetve 60 kg. Normális eloszlást feltételezve mennyi annak a valószín sége hogy egy véletlenül választott fér testsúlya 70 és 0 kg között van? Mi az esélye hogy egy n 45 kg-nál könnyebb? Mi annak a valószín sége hogy egy ember testsúlya 50 és 00 kg között van? Számítsuk ki a feln ttek átlag testsúlyát! Megoldás: Jelölje X egy n véletlen testsúlyát illetve Y egy férét kg-ban. Legyen X illetve Y várható értéke µ X illetve µ Y. A feladat szövege alapján: X szórása míg Y -é csak 0; továbbá 60 µx 80 µy PX < 60 Φ 0.5 PY < 80 Φ. 0 Ebb l kapjuk hogy µ X 60 illetve µ Y 80. Ezt számolás nélkül rögtön megkaphattuk volna ha arra gondolunk hogy a normális eloszlás s r ségfüggvénye szimmetrikus a várható értéke körül azaz / súly esik t le jobbra illetve balra. Végül: P70 < Y < 0 PY < 0 PY < 70 Φ Φ Φ 0.68 PX < 45 Φ Φ 0.6 P50 és 00 kg között van egy ember testsúlya P50 < X < 00 + P50 < Y < PX < 00 PX < PY < 00 PY < Φ40/ Φ0/ Φ Φ 0.55Φ8/ + Φ/ Φ + Φ Feln ttek átlag testsúlya: 0.55EX EY 0.55µ X µ Y Meggyelték hogy egy napszakban egy metrókocsiban az átlagos utaslétszám 80 f. Azt is tudjuk hogy a kocsik 80%- ában kevesebb mint 00 f utazik. Feltételezzük hogy az utaslétszám közelít leg normális eloszlást követ mekkora a valószín sége hogy az utaslétszám egy kocsiban: 50 f nél kevesebb? 85 és 0 f között lesz? Megoldás: Jelölje X a metrókocsiban lév emberek véletlen számát. Felthet hogy X normális eloszlású melynek várható értéke 80 szórása pedig a következ kb l adódik: X PX < 00 P < 0 0 Φ amib l táblázat segítségével azt kapjuk hogy Ebb l X 80 PX < 50 P.8 <.6 X 80 P85 < X < 0 PX < 0 PX < 85 P.8 <.6 Φ.6 Φ Φ.6 Φ.6 0. P X 80.8 < 0.. Az emberek különböz életkorban különböz sebességgel bicajoznak: a atalabbak gyorsabban a tapasztaltabbak kimértebben tekernek. Tegyük fel hogy a és 0 év közötti atal átlag 0 km/h-val 0 és 60 év közötti középkorú átlag km/h-val míg 60 év felett egyenl eséllyel bicajozik valaki 0 km/h-nál kisebb illetve nagyobb sebességgel. Mindhárom esetben minden tizedik bringás sebessége tér el az átlagtól legalább km/h-val. Magyarországon a bicajozó emberek 50%-a atal és 0%-a id sebb mint 60 év. Mi annak a valószín sége hogy egy atal legalább 0 km/h-val teker? Mi az esélye hogy egy középkor kevesebb mint 0 km/h-val hajt és mi a valószín sége hogy egy id s 5 km/h-val gyorsabban halad? Mi annak a valószín sége hogy egy bicajozó sebessége legalább km/h? Adjuk meg a bicajozók sebességének eloszlásfüggvényét és s r ségfüggvényét! Számítsuk ki a bicajosok átlagsebességét! Megoldás: Jelölje X Y illetve Z rendre a atal- középkorú- illetve tapasztalt 60 feletti bringás véletlen sebességét ami normális eloszlást követ. X várható értéke 0 Y -é míg Z várható értéke 0 km/h φ szimmetriája miatt. A feladat szövege alapján a szórásokra fennáll hogy X Y Z tehát elegend az egyiket meghatározni: X 0 X 0 0. P X 0 > P > + P X X Φ + Φ Φ azaz 0.5 Φ/ X ebb l X 0.6. Kérdésekre a válaszok: X 0 PX > 0 P < 6.4 Φ PY < 0 Φ5/0.6 Φ8. 0. X X PZ > 5 Φ5/0.6 Φ5/0.6. X X < X Pbicajozó sebessége min. km/h 0.5PX > + 0.4PY > + 0.PZ > 0.5 Φ5/ Φ5/

4 Bicajozók eloszlásfüggvénye ha x R: F x Pegy bicajos sebessége < x km/h 0.5PX < x + 0.4PY < x + 0.PZ < x x 0 x x 0 0.5Φ + 0.4Φ + 0.Φ Bicajosok átlagsebessége: 0.5EX + 0.4EY + 0.EZ km/h.. Egy csokiautomata kis nom csokimazsolákat gyárt és csomagol. A csokimazsolák csinos csomagolása elég érzékény ezért a gép csak akkor tudja biztonságosan becsomagolni a csokimazsolát ha annak tömege 4 és 6 g közé esik. A csokimazsolák tömege normális eloszlást követ: a legnagyobb valószín séggel 5 g-os csokimazsolák készülnek. Továbbá a csokimazsolák 80%-ának a tömege a normálistól való eltérése nem haladja meg az g-ot. Mi annak a valószín sége hogy egy csokimazsola tömege 4 és 6 g közé esik? Átlagosan hány csokimazsolát kell a gépnek legyártani hogy 400-at biztonságosan csomagolni tudjon? Megoldás: Jelölje X egy csokimazsola véletlen súlyát. A normális eloszlás esetében a módusz egybeesik a várható értékkel tehát X várható értéke 5 g. X szórása pedig: X P X 5 < P < X 5 P < Φ amib l kapjuk hogy 0. Φ/ azaz 0.78 g. X 5 P4 < X < 6 PX < 6 PX < 4 P 0.78 <.8 Ahhoz tehát hogy 400-at biztonságosan csomagolni tudjon körülbelül n X 5 P 0.78 <.8 Φ at el kell készíteni. 4. Egy pékségben minden nap 00 db kenyeret szeretnének legyártani. Ehhez átlagosan 00 kg alapanyagot használnak fel. A pékek pontos emberek azonban éjjel ébrednek és hajnalban dolgoznak így elég álmosak ezért átlagosan minden 7-edik kenyér tömege az átlagostól legalább 0 dkg-mal eltér. Az elkészült kenyereknek mi az átlagos tömege és mekkora a szórásuk? Megoldás: Mivel 00 db kenyeret gyártanak és ehhez átlagosan 00 kg alapanyagot használnak fel egyszer ség kedvéért tegyük fel hogy az alapanyagot 00%-ban felhasználják ezért az átlagos kenyértömeg kg. Feltehet továbbá hogy a kenyértömeg normális eloszlású így ennek a szórása : X P X > 0. P < 0. X + P < Φ 7 azaz 0. Φ0./ ebb l: kg ami 6.85 dkg.. Sok intelligencia teszt normális eloszlást követ 00 pont várható értékkel és pont szórással. Ha ezeknek a teszteknek és értékelésüknek hihetünk akkor az emberiség hány százalékának van 5 és 0 pont között az IQ-ja? A 00 pont körüli mekkora intervallumban van az emberiség 50%-ának az IQ-ja? Egy 500 f s településen várhatóan hány embernek lesz 5 pont fölött az IQ-ja? Megoldás: Jelölje X az intelligencia teszt eredményét ami normális eloszlást követ 00 pont várható értékkel és pont szórással így X 00 P5 < X < 0 PX < 0 PX < 5 P Φ Φ 0.78 < X 00 P < Tehát az emberiség 7.8%-ának van az IQ-ja 5 és 0 között. Meg kell határoznunk x-et x > 0 úgy hogy: X P00 x < X < 00 + x P < x x Φ amib l Φx/ 0.75 így x Végül: X 00 PX > 5 PX < 5 P < 5 5 Φ Egy 500 f s településen azoknak a száma akik IQ-ja 5 fölött van binomiális eloszlású n 500 p paraméterrel tehát átlag ember rendelkezik 5 feletti IQ-val. 6. Az IQ teszteknek még mindig hiszünk és tegyük fel mint el bb hogy az eredmény 00 pont várható érték és szórású normális eloszlást követ. A teszteket megírt és kiértékelt alanyokat általában csoportba szokták sorolni: alacsony- átlagos- illetve magas intelligenciahányadosúak. A résztvev knek rendre 0 65 illetve %-a került a megfelel csoportokba. Hol húzták meg a határokat azaz melyek azok a pontszámok melyek megkülönböztetik az egyes csoportokat?

5 Megoldás: Jelölje X az IQ teszt eredményét ami normális eloszlású 00 várható értékkel és szórással. Jelölje a választóvonalakat x < x ezekre a következ ket tudjuk: X PX < x P < x x Φ vagyis x Végül az x : X PX < x P < x 00 Φ x 00 vagyis x Tehát 88 pont alatt az alacsony IQ-júak 88 és.6 között az átlagos IQ-júak míg.6 fölött a magas intelligenciahányadosúak csoportja húzódik. 7. Tegyük fel hogy egy nagy villamosmérnök évfolyam ZH eredményei normális eloszlást követnek 6 pont átlaggal és szórással. a Mi annak a valószín sége hogy egy hallgató 85 pontnál többet szerez? b Azon hallgató melynek eredménye a dolgozatok legrosszabb 5%-ában van automatikusan megbukott. Legalább hány pontot kellett szereznünk hogy ha átmentünk a ZH-n? Egy véletlenül választott hallgató mekkora eséllyel szerzett a minimum pontszámtól legalább 0 ponttal többet? c Azon hallgatóknak akik elérték a 70 pontot hány százaléka érte el a 80 pontot is? Megoldás: Jelölje X a villamomérnök ZH eredményét ami 6 pont várható érték és szórású valamint normális eloszlású. a PX > 85 PX < 85 Φ b Keressük x-et min. pontszám melyre az kell hogy: 0.5 PX < x Φx 6/ Φ6 x/ amib l Φ6 x/ 0.75 azaz x Tehát legalább 54 pontot kellett hogy szerezzünk ha átmentünk. Végül: PX > 64 PX < 64 Φ/ c X 6 < PX > 80 PX > 80 X > 70 PX > 70 P P X 6 < Tehát 6.5%-a érte el a 80 pontot is azok közül akik elérték a 70 pontot. Φ Φ Kora reggel a mindig tömött négyeshatos megállójában villamosmérnök hallgató várakozik: Péter és Miklós. Mindketten ugyanoda A4 gyakorlatra szeretnének eljutni. A villamosok egymás után érkeznek átlagosan 80 ember ül rajtuk és tipikusan perc telik el két villamos érkezése között. A villamossal nagyon sok ember is utazhat azonban minden tizedik villamoson utazik csak több mint 00 ember. A hallgatók szeretnének kényelmesen utazni ezért csak akkor szállnak fel ha legfeljebb 60 ember ül a villamoson. a Ha egyszerre szállnak fel hányadik villamossal tudnak elmenni? Átlagosan hány perc alatt érnek be az egyetemre? tegyük fel hogy az utazás x perc hosszúságú b Néha az els olyan villamoson amire fel tudnának szállni megtippelik körülbelül hányan lehetnek. Egészen pontosan: Miklós azt állítja hogy nem lesz több mint 40 ember rajta Péter pedig azt hogy több mint 50 ember lesz rajta. Mi a valószín bb ki fog el bb elutazni? Megoldás: Feltehet hogy a villamoson ül k száma X közelít leg normális eloszlást követ 80 ember várható értékkel és szórással ahol X PX > 00 PX < 00 P < 0 0 Φ amib l 0. Φ0/ így.65. a A siker valószín sége: PX < 60 a várható értékre 80 való szimmetria miatt éppen PX > 00 ami 0.. Az els villamosra amivel el tudnak menni való várakozási id geometriai eloszlású p 0. paraméterrel. Tehát várhatóan p 0 villamost kell várni ahhoz hogy végre el tudjanak menni. Mivel átlagosan perc telik el két villamos érkezése között ezért átlagosan perc alatt érnek be. b Miklós esélye: PX < 40 X < 60 Péter esélye: PX < 40 X < 60 PX < 60 PX < Φ 0 Φ P50 < X X < 60 PX < 60 PX < 50 PX > 50 X < 60 PX < Φ 0Φ Azaz jóval valószín bb hogy Péter fog el bb felszállni!

6 . Magyar autópályákon a sebességkorlátozás: 0 km/h. Az elszaporodott balesetek miatt a sebességtúllépés fokozottan büntetett: a zetend büntetés ezer forintban túllépett kilometeróránként lineárisan növekszik azaz 0 km/h túllépés esetén 0 ezer forintot kell zetni. Ezért a szabálysértések száma jelent sen megcsappant azonban így is azt tapasztalják hogy havi átlag autós túllépi a sebességhatárt. Tegyük fel hogy az autósok sebessége átlag 0 km/h km/h szórással. a Mi a valószín sége hogy egy véletlenül választott autós túllépi a sebességhatárt? b 7 véletlenül választott autósból mi a valószín sége hogy pontosan ketten lépik túl a sebességhatárt? c 00 autóstól átlag mennyi büntetést szednek be? d Átlag mennyi bevételt könyvelhet el hónap végén a rend rség? Megoldás: Az autósok sebessége közelíthet normális eloszlással aminek a feladat szövege alapján a várható értéke 0 szórása km/h. Ebb l a PX > 0 PX < 0 P X 0 < Φ/ 0.5. b 7 vagy akárhány autósból azoknak az autósoknak a száma akik túllépik a sebességhatárt binomiális eloszlású p 0.5 paraméterrel tehát: 7 P7-b l pontosan -en lépik túl p p 5 0. c Legyen Y { X 0 ha X 0; 0 egyébként. Y a zetend büntetés véletlen nagysága ezer forintban. Ekkor + EY x 0 x 0 π x0 dx + x 0 x 0 + π x0 dx 0 x 0 π x0 dx ] + x [ π 0 Φ+ Φ x0 0 Φ.668 π ahol az y : x 0/ dy dx/ integrál-transzformációt használtuk. Azaz 00 autóstól átlag forintot hajtanak be. d Egy hónapban átlag -en lépik túl a sebességhatárt tehát t lük átlag forintot hajtanak be. 0. Válaszoljuk meg az el bbi feladat kérdéseit akkor is ha a zetend büntetés kvadratikusan n kilométeróránként? azaz 0 km/h túllépés 00 ezer forint bírságot von maga után Megoldás: Az el bbi feladat jelöléseit követjük az els két részre ugyanaz a válasz a c d részeknél van csak változás ezek a következ ek lesznek. Most { X 0 Y ha X 0; 0 egyébként. jelöli a büntetés nagyságát ezer forintban. Ezzel EY + x 0 π x0 + x 0 x 0 π + 0 π x0 + π [ x 0 0 π + 0 π x0 x 0 dx x 0 x 0 x0 dx ] + x 0 x0 x 0 x 0 dx + 5 Φ 0 π dx 0 π + x π x0 5 Φ x 0 x 0 dx + x 0 dx π ahol a 4. egyenl ségben parciálisan integráltunk majd felhasználtuk az el z feladat részeredményeit is. Azaz 00 autóstól átlag forintot hajtanak be. Végül: egy hónapban átlag -en lépik túl a sebességhatárt tehát t lük átlag forintot hajtanak be.

7 . Nemcsak az autópályákon de a közutakon is nagyon sok a sebességtúllépés. A rend rök általában egy hídról fényképezik le a gyanús autókat melyek sebessége normális eloszlású 84 km/h várható értékkel 5 km/h szórással. Ha a sebességhatár 0 km/h 00 autósból várhatóan hány fogja túllépni a sebességhatárt? Egy átlagos nap a rend rök 40 autóst fogtak meg. Hány autóst kellett ehhez lefényképezniük? Megoldás: Jelölje X egy véletlen autós sebességét ami tehát 84 várható érték és 5 szórású normális km/h-ban. A sebességkorlátozás 0 km/h tehát annak a valószín sége hogy egy autós ezt túllépi: X 84 PX > 0 PX < 0 P <. Φ Egy autós tehát eséllyel lépi túl a sebességhatárt tehát 00 autósból várhatóan fogja túllépni. Avagy azoknak az autósoknak a száma akik túllépik a sebességhatárt binomiális eloszlású itt n 00 p paraméterrel ennek a várható értéke pedig np. Ahhoz hogy egy átlagos nap 40 autóst megfogjanak körülbelül n ször kellett fényképezniük.. Felhajtunk az autópályára az el bbi feladatok alapján tudjuk hogy a sebességkorlátozás 0 km/h. A kezd sebességünk 00 km/h majd rálépünk a gázra azaz választunk egy véletlen gyorsulást 00 km/h várható értékkel és 0 km/h szórással. Feltéve hogy gyorsulásunk nem haladta meg az 0 km/h -et mekkora valószín séggel vagyunk még határon belül 0 perc eltelével? Hány perc elteltével lépjünk le a gázról ha azt szeretnénk hogy akkor 5% biztonsággal ne fényképezzenek le? negatív gyorsulás jelentse azt hogy valami hiba miatt félre kellett állnunk Megoldás: Jelölje X a véletlen gyorsulásunkat km/h -ben mely normális eloszlású; várható értéke 00 szórása 0. A feladat szövege alapján t id elteltével t-t mérjük órákban a sebességünk: 00 + Xt km/h. tehát: P00 + PX < 80 X < 0 PX < 80 X < 0 X < 0 6 PX < 0 PX < 0 P X 00 0 < P X 00 0 < Φ Φ 0.4. Végül legyen t az az id órában amikor le kell lépjünk a gázról annak érdekében hogy még 5%-os eséllyel határon belül autózzunk azaz t-re a következ összefüggés kell hogy fennálljon: X P00 + Xt < 0 P < 0 t 0 ezt táblázatból visszakeresve kapjuk hogy t 0.65 vagyis t 0.04 h ami körülbelül 7. perc.. Egy feleletválasztós felvételi teszt 00 kérdést tartalmaz: minden kérdésnél 4 opció van melyekb l pontosan egy helyes. Azokat veszik fel akik legalább 50 kérdésre helyesen válaszolnak. Tegyük fel hogy Véletlen Viktor véletlenül betévedt a felvételire és minden kérdésnél véletlenül egyenl valószín séggel megjelöl egy választ. Mi a valószín sége hogy felveszik? Megoldás: Ez egy CHT's feladat: legyen X i Bernoulli valószín ségi változó amely ha Viktor i. kérdésre adott válasza helyes ennek valószín sége /4; és 0 különben ennek az esélye /4. Az X i változók függetlenek és azonos eloszlásúak összegük éppen Viktor eltalált válaszainak a számát adja ami binomiális eloszlású de mi most a standardizált összeget normális eloszlással közelítjük. Akkor megy át ha legalább 50 kérdésre helyesen válaszol ennek a valószín sége: X + X + X P X + X + X P 0 00 mert EX i 4 és SDX i EXi EX i Φ T zsdén a következ feltételeket is tehetjük egy részvény áralakulására vonatkozóan: ha most kezdünk el kereskedni egy adott részvénnyel melynek ára s 0 akkor ennek t id múlva s t + rs 0 -ra változik az ára ahol r normális eloszlású ez a ráta 0 várhatóértékkel és t szórásnégyzettel az id t mérjük években és legyen t. Elkezdünk kereskedni ezzel a részvénnyel S Ft kezd t kével hogyan változik id ben a t kénk milyen modellt írna fel S t -re? Mi az eloszlása S t -nek? Segítség: tegyük fel hogy minden t/n hosszúságú részintervallumban n nagy r/n eloszlású a ráta növekedése/csökkenése és az egyes részintervallumokban ez egymástól függetlenül változik valamint kamatos kamattal számolunk azaz: S t S 0 + r n n Megoldás: A segítségben tulajdonképpen már minden le van írva az utolsó képletben ha elvégzünk egy n + határátmenetet akkor azt kapjuk hogy S t S 0 r ahol r 0 t paraméter normális eloszlású és S azaz S t 4 log0 + r így S t természetes alapú logaritmusa normális eloszlású 4 log0 t paraméterrel vagyis S t log-normális eloszlású ugyanezzel a paraméterpárral. 5. Hogyan generálna le µ paraméter normális eloszlást követ véletlen valós számokat a RAND VÉL függvénnyel? Megoldás: Ha U egyenletes eloszlású a 0 -en akkor Φ U standard normális hiszen: PΦ U < x PU < Φx Φx x R. Ebb l Φ U + µ transzformációval tudunk µ paraméter normális véletlen számot gyártani µ R R +. Vesd össze ezt a feladatot a. feladatsor utolsó 8. feladatával.

NEVEZETES FOLYTONOS ELOSZLÁSOK

NEVEZETES FOLYTONOS ELOSZLÁSOK Bodó Beáta - MATEMATIKA II 1 NEVEZETES FOLYTONOS ELOSZLÁSOK EXPONENCIÁLIS ELOSZLÁS 1. A ξ valószínűségi változó eponenciális eloszlású 80 várható értékkel. (a) B Adja meg és ábrázolja a valószínűségi változó

Részletesebben

Abszolút folytonos valószín ségi változó (4. el adás)

Abszolút 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

Részletesebben

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,

Részletesebben

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

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

Részletesebben

2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben

2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben 1 feladatsor 1 Egy dobozban 20 fehér golyó van Egy szabályos dobókockával dobunk, majd a következ t tesszük: ha a dobott szám 1,2 vagy 3, akkor tíz golyót cserélünk ki pirosra; ha a dobott szám 4 vagy

Részletesebben

Valószín ségszámítás és statisztika

Valószín 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

Részletesebben

Villamosmérnök A4 11. hét Kétdimenziós normális eloszlás, cht - Megoldások

Villamosmérnök A4 11. hét Kétdimenziós normális eloszlás, cht - Megoldások Villamosmérnök A 11. hét Kétdimenziós normális eloszlás, cht - Megoldások Kétdimenziós normális összefoglalás Egy kétdimenziós X, Y valószínűségi változó kovariancia mátrixa: VarX CovX, Y CovX, Y VarY

Részletesebben

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

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

Részletesebben

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

1. Példa. A gamma függvény és a Fubini-tétel. . Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +

Részletesebben

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

Villamosmérnök A4 4. gyakorlat (2012. 10. 01.-02.) Várható érték, szórás, módusz

Villamosmérnök A4 4. gyakorlat (2012. 10. 01.-02.) Várható érték, szórás, módusz Villamosmérnök A4 4. gyakorlat (0. 0. 0.-0.) Várható érték, szórás, módusz. A k 0, (k,,, 4) diszkrét eloszlásnak (itt P(X k)) mennyi a (a) várható értéke, (b) módusza, (c) második momentuma, (d) szórása?

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

Normális eloszlás paramétereire vonatkozó próbák

Normális eloszlás paramétereire vonatkozó próbák Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású

Részletesebben

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

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

Részletesebben

Feladatok és megoldások a 13. hétre

Feladatok és megoldások a 13. hétre Feladatok és megoldások a. hétre Építőkari Matematika A. Az alábbi függvények melyike lehet eloszlásfüggvény? + e x, ha x >, (a F(x =, ha x, (b F(x = x + e x, ha x, (c F(x =, ha x, x (d F(x = (4 x, ha

Részletesebben

Biostatisztika. Sz cs Gábor. 2018/19 tavaszi félév. Szegedi Tudományegyetem, Bolyai Intézet

Biostatisztika. Sz cs Gábor. 2018/19 tavaszi félév. Szegedi Tudományegyetem, Bolyai Intézet Biostatisztika Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet 2018/19 tavaszi félév Bevezetés Tudnivalók, követelmények Tudnivalók, követelmények Félév tematikája: Értékelés: Valószín ségszámítás

Részletesebben

Matematikai alapok és valószínőségszámítás. Normál eloszlás

Matematikai 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

Részletesebben

Valószín ségszámítás és statisztika Gyakorlat (Statisztika alapjai)

Valószín ségszámítás és statisztika Gyakorlat (Statisztika alapjai) Gyakorlat (Statisztika alapjai) 2018. december 2. Statisztika alapjai 1 A mérnökinformatikus hallgatók zárthelyi dolgozatot írtak, ahol a maximális pontszám 50 pont volt. Véletlenszer en megnéztük 5 hallgató

Részletesebben

Elméleti összefoglaló a Valószín ségszámítás kurzushoz

Elméleti 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

Részletesebben

i p i p 0 p 1 p 2... i p i

i p i p 0 p 1 p 2... i p i . vizsga, 06--9, Feladatok és megoldások. (a) Adja meg az diszkrét eloszlás várható értékének a definícióját! i 0... p i p 0 p p... i p i (b) Tegyük fel, hogy a rigófészkekben található tojások X száma

Részletesebben

2. A ξ valószín ségi változó s r ségfüggvénye a következ : c f(x) =

2. A ξ valószín ségi változó s r ségfüggvénye a következ : c f(x) = 1 Egy dobozban hat fehér golyó van Egy szabályos dobókockával dobunk, majd annyi piros golyót teszünk a dobozba, amennyit dobtunk Ezután véletlenszer en húzunk egy golyót a dobozból (a) Mi a valószín sége,

Részletesebben

Valószínűségszámítás összefoglaló

Valószínűségszámítás összefoglaló Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:

Részletesebben

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

Gazdasági matematika II. vizsgadolgozat megoldása, június 10 Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett

Részletesebben

A konfidencia intervallum képlete: x± t( α /2, df )

A konfidencia intervallum képlete: x± t( α /2, df ) 1. feladat. Egy erdőben az egy fészekben levő tojásszámokat vizsgáltuk egy madárfajnál. A következő tojásszámokat találtuk: 1, 1, 1,,,,,,, 3, 3, 3, 3, 3, 4, 4, 5, 6, 7. Mi a mintának a minimuma, maximuma,

Részletesebben

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

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

Részletesebben

Valószínűségi változók. Várható érték és szórás

Valószínűségi változók. Várható érték és szórás Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :

Részletesebben

Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés

Matematikai 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

Részletesebben

Nemparaméteres próbák

Nemparaméteres próbák Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu

Részletesebben

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

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

Megoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.

Részletesebben

(Independence, dependence, random variables)

(Independence, dependence, random variables) Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,

Részletesebben

3. Egy szabályos dobókockával háromszor dobunk egymás után. Legyen A az az esemény, hogy

3. Egy szabályos dobókockával háromszor dobunk egymás után. Legyen A az az esemény, hogy Valószínűségszámítás. zárthelyi dolgozat 009. október 5.. Egy osztályba 3-an járnak. Minden fizikaórán a a többi órától függetlenül a tanár kisorsol egy felelőt, véletlenszerűen, egyenletesen, azaz mindig

Részletesebben

Poisson-eloszlás Exponenciális és normális eloszlás (házi feladatok)

Poisson-eloszlás Exponenciális és normális eloszlás (házi feladatok) Poisson-eloszlás Exponenciális és normális eloszlás (házi feladatok)./ Egy televízió készülék meghibásodásainak átlagos száma óra alatt. A meghibásodások száma a vizsgált időtartam hosszától függ. Határozzuk

Részletesebben

Valószín ségszámítás és statisztika Gyakorlat (Kétmintás próbák)

Valószín ségszámítás és statisztika Gyakorlat (Kétmintás próbák) Gyakorlat (Kétmintás próbák) 2018. december 4. Kétmintás u-próba 1 Adott két független minta 0.0012 szórású normális eloszlásból. Az egyik, 9 elem minta realizációjának átlaga 0.1672, a másik 16 elem é

Részletesebben

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

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

Részletesebben

Matematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév

Matematika 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

Részletesebben

Gyakorló feladatok a 2. dolgozathoz

Gyakorló feladatok a 2. dolgozathoz Gyakorló feladatok a. dolgozathoz. Tíz darab tízforintost feldobunk. Mennyi annak a valószínűsége hogy vagy mindegyiken írást vagy mindegyiken fejet kapunk? 9. Egy kör alakú asztal mellett tízen ebédelnek:

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

Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József

Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Matematika III. 5. : Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP

Részletesebben

4.4. Egy úton hetente átlag 3 baleset történik. Mi a valószínűsége, hogy egy adott héten 2?

4.4. Egy úton hetente átlag 3 baleset történik. Mi a valószínűsége, hogy egy adott héten 2? HIPERGEO. BINOM. POISSON 4.1. Egy üzletben 100-an vásárolnak, közülük 80-an rendelkeznek bankkártyával. A pénztárnál 10-en állnak sorba, mi a valószínűsége, hogy 7-nek lesz bankkártyája? 4.2. Egy üzletben

Részletesebben

Feladatok: pontdiagram és dobozdiagram. Hogyan csináltuk?

Feladatok: pontdiagram és dobozdiagram. Hogyan csináltuk? Feladatok: pontdiagram és dobozdiagram Hogyan csináltuk? Alakmutatók: ferdeség, csúcsosság Alakmutatók a ferdeség és csúcsosság mérésére Ez eloszlás centrumát (középérték) és az adatok centrum körüli terpeszkedését

Részletesebben

A bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos:

A bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos: A. Matematikai Statisztika 2.MINTA ZH. 2003 december Név (olvasható) :... A feladatmegoldásnak az alkalmazott matematikai modell valószínűségszámítási ill. statisztikai szóhasználat szerinti megfogalmazását,

Részletesebben

0,9268. Valószín ségszámítás és matematikai statisztika NGB_MA001_3, NGB_MA002_3 zárthelyi dolgozat

0,9268. Valószín ségszámítás és matematikai statisztika NGB_MA001_3, NGB_MA002_3 zárthelyi dolgozat A 1. A feln ttkorú munkaképes lakosság 24%-a beszél legalább egy idegen nyelvet, 76%-a nem beszél idegen nyelven. Az idegen nyelvet beszél k 2,5%-a, az idegen nyelvet nem beszél k 10%-a munkanélküli. Véletlenszer

Részletesebben

Feladatok 2. zh-ra. 1. Eseményalgebra április Feladat. Az A és B eseményekr l tudjuk, hogy P (A) = 0, 6, P (B) = 0, 7 és

Feladatok 2. zh-ra. 1. Eseményalgebra április Feladat. Az A és B eseményekr l tudjuk, hogy P (A) = 0, 6, P (B) = 0, 7 és Feladatok 2 zh-ra 205 április 3 Eseményalgebra Feladat Az A és B eseményekr l tudjuk, hogy P (A) = 0, 7, P (B) = 0, 4 és P (A B) = 0, 5 Határozza meg az A B esemény valószín ségét! P (A B) = 0, 2 2 Feladat

Részletesebben

Populációbecslés és monitoring. Eloszlások és alapstatisztikák

Populációbecslés és monitoring. Eloszlások és alapstatisztikák Populációbecslés és monitoring Eloszlások és alapstatisztikák Eloszlások Az eloszlás megadja, hogy milyen valószínűséggel kapunk egy adott intervallumba tartozó értéket, ha egy olyan populációból veszünk

Részletesebben

13. Egy január elsejei népesség-statisztika szerint a Magyarországon él k kor és nem szerinti megoszlása (ezer f re) kerekítve az alábbi volt:

13. Egy január elsejei népesség-statisztika szerint a Magyarországon él k kor és nem szerinti megoszlása (ezer f re) kerekítve az alábbi volt: A 13. Egy 2000. január elsejei népesség-statisztika szerint a Magyarországon él k kor és nem szerinti megoszlása (ezer f re) kerekítve az alábbi volt: korcsoport (év) férfiak száma (ezer f ) n k száma

Részletesebben

Számítógépes döntéstámogatás. Statisztikai elemzés

Számítógépes döntéstámogatás. Statisztikai elemzés SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre

Részletesebben

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

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

Részletesebben

Házi feladatok. Valószín ségszámítás és statisztika programtervez informatikusoknak, 2015 sz

Házi feladatok. Valószín ségszámítás és statisztika programtervez informatikusoknak, 2015 sz Házi feladatok Valószín ségszámítás és statisztika programtervez informatikusoknak, 2015 sz A házi feladatok tartalmaznak könnyebb és nehezebb példákat is ugyanannyi pontért. A feladatokhoz készítettem

Részletesebben

BIOMATEMATIKA ELŐADÁS

BIOMATEMATIKA 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

Részletesebben

Nevezetes diszkre t eloszlá sok

Nevezetes diszkre t eloszlá sok Nevezetes diszkre t eloszlá sok Szűk elméleti összefoglaló Binomiális eloszlás: Jelölés: X~B(n, p) vagy X B(n, p) Tipikus használata: Egy kétféle kimenetelű (valami beteljesül vagy sem) kísérletet elvégzünk

Részletesebben

Valószín ségszámítás és statisztika

Valószín ségszámítás és statisztika Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@math.elte.hu fogadóóra: szerda 10-11 és 13-14, D 3-415 2018/2019. tavaszi félév Bevezetés A valószín ségszámítás

Részletesebben

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely. Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak

Részletesebben

Mozgással kapcsolatos feladatok

Mozgással kapcsolatos feladatok Mozgással kapcsolatos feladatok Olyan feladatok, amelyekben az út, id és a sebesség szerepel. Az egyenes vonalú egyenletes mozgás esetén jelölje s= a megtett utat, v= a sebességet, t= az id t. Ekkor érvényesek

Részletesebben

Normális eloszlás tesztje

Normális eloszlás tesztje Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra

Részletesebben

Elméleti összefoglaló a Sztochasztika alapjai kurzushoz

Elméleti összefoglaló a Sztochasztika alapjai kurzushoz Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet

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

Fizika labor zh szept. 29.

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

Részletesebben

( 1) i 2 i. megbízhatóságú a levont következtetése? A matematikai statisztika eszközeivel értékelje a kapott eredményeket!

( 1) i 2 i. megbízhatóságú a levont következtetése? A matematikai statisztika eszközeivel értékelje a kapott eredményeket! 1. Név:......................... Egy szabályos pénzérmét feldobunk, ha az els½o FEJ az i-edik dobásra jön, akkor a játékos nyereménye ( 1) i i forint. Vizsgálja szimulációval a játékot, különböz½o induló

Részletesebben

Biostatisztika VIII. Mátyus László. 19 October

Biostatisztika VIII. Mátyus László. 19 October Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.

Részletesebben

(1 + (y ) 2 = f(x). Határozzuk meg a rúd alakját, ha a nyomaték eloszlás. (y ) 2 + 2yy = 0,

(1 + (y ) 2 = f(x). Határozzuk meg a rúd alakját, ha a nyomaték eloszlás. (y ) 2 + 2yy = 0, Feladatok az 5. hétre. Eredményekkel és kidolgozott megoldásokkal. Oldjuk meg az alábbi másodrend lineáris homogén d.e. - et, tudva, hogy egy megoldása az y = x! x y xy + y = 0.. Oldjuk meg a következ

Részletesebben

Folyadékszcintillációs spektroszkópia jegyz könyv

Folyadékszcintillációs spektroszkópia jegyz könyv Folyadékszcintillációs spektroszkópia jegyz könyv Zsigmond Anna Julia Fizika MSc I. Mérés vezet je: Horváth Ákos Mérés dátuma: 2010. október 21. Leadás dátuma: 2010. november 8. 1 1. Bevezetés A mérés

Részletesebben

Kísérlettervezés alapfogalmak

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

Részletesebben

Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny

Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny Szűk elméleti összefoglaló Valószínűségi változó: egy függvény, ami az eseményteret a valós számok halmazára tudja vetíteni. A val.

Részletesebben

Feladatok megoldásokkal az első gyakorlathoz (differencia- és differenciálhányados fogalma, geometriai és fizikai jelentése) (x 1)(x + 1) x 1

Feladatok megoldásokkal az első gyakorlathoz (differencia- és differenciálhányados fogalma, geometriai és fizikai jelentése) (x 1)(x + 1) x 1 Feladatok megoldásokkal az első gyakorlathoz (differencia- és differenciálhányados fogalma, geometriai és fizikai jelentése). Feladat. Határozzuk meg az f(x) x 2 függvény x 0 pontbeli differenciahányados

Részletesebben

A valószínűségszámítás elemei

A valószínűségszámítás elemei Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet

Részletesebben

Véletlen bolyongás. Márkus László március 17. Márkus László Véletlen bolyongás március / 31

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

Részletesebben

Kísérlettervezés alapfogalmak

Kísérlettervezés alapfogalmak Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement

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

6. Előadás. Vereb György, DE OEC BSI, október 12.

6. Előadás. Vereb György, DE OEC BSI, október 12. 6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás

Részletesebben

KOMPETENCIA ALAPÚ LEVELEZŐ MATEMATIKA VERSENY

KOMPETENCIA ALAPÚ LEVELEZŐ MATEMATIKA VERSENY Név:.Iskola: KOMPETENCIA ALAPÚ LEVELEZŐ MATEMATIKA VERSENY 2012. november 12. 12. évfolyam I. forduló Pótlapok száma db Matematika 12. évfolyam 1. forduló 1. Az alábbiakban számtani sorozatokat adtunk

Részletesebben

Megoldások MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!

Megoldások MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be! MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!) 2016. JANUÁR 21. Elérhető pontszám: 50 pont Megoldások 1. 6. 2. 7. 3. 8. 4. 9. 5. Össz.:

Részletesebben

Geometriai valo szí nű se g

Geometriai valo szí nű se g Geometriai valo szí nű se g Szűk elméleti áttekintő Klasszikus valószínűség: Geometriai valószínűség: - 1 dimenzióban: - dimenzióban: - + dimenzióban: jó esetek összes eset jó szakaszok teljes szakasz

Részletesebben

Közlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta

Közlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta Közlemény Biostatisztika és informatika alajai. előadás: Az orvostudományban előforduló nevezetes eloszlások 6. szetember 9. Veres Dániel Statisztika és Informatika tankönyv (Herényi Levente) már kaható

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

BEMUTATÓ FELADATOK (2) ÁLTALÁNOS GÉPTAN tárgyból

BEMUTATÓ FELADATOK (2) ÁLTALÁNOS GÉPTAN tárgyból BEMUTATÓ FELADATOK () 1/() Egy mozdony vízszintes 600 m-es pályaszakaszon 150 kn állandó húzóer t fejt ki. A vonat sebessége 36 km/h-ról 54 km/h-ra növekszik. A vonat tömege 1000 Mg. a.) Mekkora a mozgási

Részletesebben

Gyakorló feladatok. Agbeko Kwami Nutefe és Nagy Noémi

Gyakorló feladatok. Agbeko Kwami Nutefe és Nagy Noémi Gyakorló feladatok Agbeko Kwami Nutefe és Nagy Noémi 25 Tartalomjegyzék. Klasszikus hibaszámítás 3 2. Lineáris egyenletrendszerek 3 3. Interpoláció 4 4. Sajátérték, sajátvektor 6 5. Lineáris és nemlineáris

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

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

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott

Részletesebben

1. Hányféle sorrendben vonulhat ki a pályára egy focimeccsen a tizenegy kezdő játékos?

1. Hányféle sorrendben vonulhat ki a pályára egy focimeccsen a tizenegy kezdő játékos? Valószínűségszámítás, földtudomány alapszak, 2015/2016. őszi félév 1. Hányféle sorrendben vonulhat ki a pályára egy focimeccsen a tizenegy kezdő játékos? 2. Két tizenhárom fős vízilabdacsapat mérkőzik

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

A NŐK GAZDASÁGI AKTIVITÁSA ÉS FOGLALKOZTATOTTSÁGA*

A NŐK GAZDASÁGI AKTIVITÁSA ÉS FOGLALKOZTATOTTSÁGA* A NŐK GAZDASÁGI AKTIVITÁSA ÉS FOGLALKOZTATOTTSÁGA* NAGY GYULA A tanulmány a magyarországi gazdasági átalakulás nyomán a nők és a férfiak munkaerőpiaci részvételében és foglalkoztatottságában bekövetkezett

Részletesebben

Makroökonómia (G-Kar és HR) gyakorló feladatok az 1. és 2. szemináriumra

Makroökonómia (G-Kar és HR) gyakorló feladatok az 1. és 2. szemináriumra Makroökonómia (G-Kar és HR) gyakorló feladatok az 1. és 2. szemináriumra 1. Feladat Az általunk vizsgált gazdaságban 2018-ban és 2019-ben csupán két terméket állítanak el : X-et és Y-t. Az ezekre vonatkozó

Részletesebben

Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58

Hipotéziselmélet - 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

Részletesebben

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

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

Részletesebben

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes

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

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

Régebbi Matek M1 zh-k. sztochasztikus folyamatokkal kapcsolatos feladatai.

Régebbi Matek M1 zh-k. sztochasztikus folyamatokkal kapcsolatos feladatai. Régebbi Matek M1 zh-k Folyamfeladatokkal, többszörös összef ggőséggel, párosításokkal, Nagy szḿok törvényével, Centrális Határeloszlás tétellel, sztochasztikus folyamatokkal kapcsolatos feladatai. Gráfok

Részletesebben

Least Squares becslés

Least Squares becslés Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás

Részletesebben

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

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

Részletesebben

Módszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!

Módszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető! BGF KKK Módszertani Intézeti Tanszéki Osztály Budapest, 2012.. Név:... Neptun kód:... Érdemjegy:..... STATISZTIKA II. VIZSGADOLGOZAT Feladatok 1. 2. 3. 4. 5. 6. Összesen Szerezhető pontszám 21 20 7 22

Részletesebben

1. szemináriumi. feladatok. Ricardói modell Bevezetés

1. szemináriumi. feladatok. Ricardói modell Bevezetés 1. szemináriumi feladatok Ricardói modell Bevezetés Termelési lehetőségek határa Relatív ár Helyettesítési határráta Optimális választás Fogyasztási pont Termelési pont Abszolút előny Komparatív előny

Részletesebben

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból

Részletesebben

KÖVETKEZTETŐ STATISZTIKA

KÖVETKEZTETŐ STATISZTIKA ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak

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

Elemi statisztika fizikusoknak

Elemi statisztika fizikusoknak 1. oldal Elemi statisztika fizikusoknak Pollner Péter Biológiai Fizika Tanszék pollner@elte.hu Az adatok leírása, megismerése és összehasonlítása 2-1 Áttekintés 2-2 Gyakoriság eloszlások 2-3 Az adatok

Részletesebben

Kosztyán Zsolt Tibor Katona Attila Imre

Kosztyán Zsolt Tibor Katona Attila Imre Kockázatalapú többváltozós szabályozó kártya kidolgozása a mérési bizonytalanság figyelembe vételével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és ködtetése konvergencia

Részletesebben

STATISZTIKA I. Centrális mutatók. Helyzeti középértékek. Középértékek. Bimodális eloszlás, U. Módusz, Mo. 4. Előadás.

STATISZTIKA I. Centrális mutatók. Helyzeti középértékek. Középértékek. Bimodális eloszlás, U. Módusz, Mo. 4. Előadás. Centrális mutatók STATISZTIKA I. 4. Előadás Centrális mutatók 1/51 2/51 Középértékek Helyzeti középértékek A meghatározása gyakoriság vagy sorszám alapján Számítás nélkül Az elemek nagyság szerint rendezett

Részletesebben

A Markowitz modell: kvadratikus programozás

A Markowitz modell: kvadratikus programozás A Markowitz modell: kvadratikus programozás Harry Markowitz 1990-ben kapott Közgazdasági Nobel díjat a portfolió optimalizálási modelljéért. Ld. http://en.wikipedia.org/wiki/harry_markowitz Ennek a legegyszer

Részletesebben