Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0, 1, 2,..., N}, {0, 1, 2,... }.
|
|
- István Soós
- 8 évvel ezelőtt
- Látták:
Átírás
1 . 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 változók egy X 0, X, X,... végtelen sorozatát Markov-láncnak hívjuk, ha a valószínűségi változók között a következő összefüggés fennáll. Minden n 0 egész szám, és j, i, i 0,,...,i n S állapotok esetén teljesül a P(X n+ = j X n = i, X n = i n,..., X = i, X 0 = i 0 ) = P(X n+ = j X n = i) () egyenlőség. A Markov-lánc időben homogén, ha P(X n+ = j X n = i) = P(X = j X 0 = i), minden n 0 esetén. Leggyakrabban az indexre úgy gondolunk, mint az idő paramétere. időben változó véletlen jelenséget ír le. Így egy Markov-lánc valamilyen Fontos következménye a definíciónak, pontosabban a () egyenlőségnek, hogy P(X n+m = j m,...,x n+ = j, X n+ = j X n = i, X n = i n,..., X = i, X 0 = i 0 ) = = P(X n+m = j m,...,x n+ = j, X n+ = j = j X n = i). Ez az egyenlőség azt jelenti, hogy ha a jelen az n időindexnél van, és a jelen értékét ismerjük, X n = i, akkor a Markov-lánc jövője, (X n+m = j m,...,x n+ = j, X n+ = j ), független a múlttól, az (X n = i n,...,x = i, X 0 = i 0 ) eseménytől. Ezentúl S-et a Markov-lánc állapottérnek hívjuk. Ezentúl csak időben homogén Markov-láncokkal foglalkozunk, és elhagyjuk az időben homogén jelzőt. Minden Markov-lánc fejlődését meghatározza a P(X n+ = j X n = i) egylépéses átmenetvalószínűség, ha ez adott minden j, i S esetén. Ezeket az átmenet valószínűségeket egy S -szer S -es P mátrixba gyűjtjük, ahol a mátrix ij indexű helyén a P ij = P(X n+ = j X n = i) valószínűség áll. Ha S végtelen, akkor P egy végtelen mátrix. A P mátrix neve átmenetvalószínűség mátrix, vagy egylépéses átmenetvalószínűség mátrix. Legyen adott állapotok egy véges hosszú sorozata: i, i,..., i n, i n. Fontos tulajdonsága a Markovláncoknak, hogy egyszerűen fel tudjuk írni annak a valószínűségét, hogy mi annak a valószínűsége, hogy a Markov-lánc egymás utáni lépéseiben pont ezeket az állapotokat veszi fel: P(X n = i n, X n = i n..., X = i, X = i X = i 0 ) = P i0i P ii... P in i n () Ennek az a következménye, hogy minden Markov-láncot egyértelműen meg lehet feleltetni egy irányított, súlyozott gráfon való véletlen bolyongásnak. Legyenek a gráf pontjai az S halmazzal indexelve. Az i j irányított él be van húzva, ha a P ij egy lépéses átmenet pozitív, az él súly a P ij értéke. Ekkor a gráfon való bolyongás úgy néz ki, hogy ha n-dik lépésben a bolyongás az i állapotba ugrott, akkor a j-be ugrás valószínűsége éppen P ij. példa. Az. ábrán lévő Markov-lánc esetén annak a valószínűsége, hogy az 5-ből indulva sorrendben meglátogatja az állapotokat. Annak a valószínűsége, hogy 5-ből indulva sorrendben meglátogatja az 6 állapotokat 0.
2 / / / / / / / 0 / / / P = / / / / 0 / / 0 / / / Figure.: Markov-lánc gráf reprezentációja és átmenetvalószínűség mátrixa Többlépéses átmenetvalószínűségek. Legyen P (n) a P átmenetvalószínűség mátrixszal meghatározott Markov-lánc egylépéses átmenetvalószínűség mátrixa. Pontosabban, P (n) ij koordinátájú helyén a P (n) ij = P(X n = j X 0 = i), i, j S valószínűség áll, azaz annak valószínűsége, hogy a Markov-lánc n lépése alatt az i állapotból eljut a j állapotba. Fontos összefüggés, hogy az n lépéses átmenetvalószínűség mátrix felírható az egylépéses átmenetvalószínűség mátrix n-dik hatványaként:. állítás. P (n) = P n. példa. A. ábrában definiált Markov-lánc esetén annak a valószínűsége, hogy 5-ból indulva lépés múlva a -es állapotban van megegyezik a [P ] 5 elemmel. Ez megegyezik az 5 5 utak valószínűségének összegével. Eddig mindig feltettük, hogy a Markov-lánc valamilyen i 0 állapotból indul, és úgy néztük a későbbi lépések valószínűségét. Most P(X 0 = i 0, X = i ), vagy P(X n = i n ) kifejezésekhez hasonló valószínűségeket szeretnénk meghatározni mindenféle feltétel nélkül. Ezt úgy tudjuk megtenni, hogy feltesszük, hogy a 0 időben adott valamilyen kiindulási eloszlás, azaz adott az X 0 -nak az eloszlása. Ezt az eloszlást kezdeti eloszlásnak nevezzük. A kezdeti eloszlás megadását technikailag úgy tesszük meg, hogy megadunk egy sorvektort, a-t, azaz a = [a i, i S], úgy, hogy az i-dik elem éppen annak a valószínűsége, hogy a 0 időben a Markov-lánc az i állapotban van: P(X 0 = i) = a i, i S.. példa. Például, ha P(X 0 = i 0 ) =, akkor ez azt jelenti, hogy a Markov-lánc az i 0 állapotból indul. Vagy tekintsük a. ábrában definiált Markov-láncot. Ha feltesszük, hogy kezdetben minden állapot ugyanolyan valószínű, azaz a i = 0, i =,,...,0, akkor( annak a valószínűsége, hogy az első lépés után a -as állapotban van az a P + a P + a P = ) = 0. Ekkor a () egyenlőséghez hasonlóan (immáron feltétel nélkül) P(X n = i n, X n = i n...,x = i, X = i X = i 0 ) = P(X 0 = i 0 )P i0i P ii...p in i n azaz P(X 0 = i 0 ) = a i0 miatt P(X n = i n, X n = i n..., X = i, X = i X = i 0 ) = a i0 P i0i P ii... P in i n. példa. Tekintsük a. ábrában definiált Markov-láncot. Ha feltesszük, hogy kezdetben a i = i i =,,...,0, akkor annak a valószínűsége, hogy sorrendben az 5 utat teszi meg az Most már, hogy adott egy a kezdeti eloszlás, képesek vagyunk meghatározni X n eloszlását. Tehát meg kell adnunk P(X n = j)-t minden j S esetén. A teljes valószínűség tételét használva: P(X n = j) = i S P(X n = j X 0 = i)p(x 0 = i) = i S a i P (n) ij. 55,
3 Mivel ennek az összegnek ugyanolyan a struktúrája, mint a mátrix szorzásnak ezért ezért P(X n = j) = i S a i P (n) ij = [ap n ] j, azaz amit kapunk az a ap n sorvektor j-dik eleme. Tehát X n eloszlását egy sorvektorként képzelhetjük el, ahol a sorvektor j-dik koordinátája a P(X n = j) valószínűség. Ez függ a kezdeti eloszlástól. Ha jelölni szeretnénk a kezdeti eloszlástól való függést, akkor a P a (X n = j) kifejezést írjuk.. Markov-lánc állapoteres felbontása A Markov-lánc állapotterét szeretnénk felbontani olyan osztályokra, amelyek ha nagyon sokáig nézzük a lánc fejlődését, akkor lényegesen máshogy viselkednek. Ehhez először definiáljunk két relációt.. definíció. j elérhető az i állapotból, jelben i j, ha létezik pozitíva valószínűségű út ib-ől j-be, azaz létezik egy n, hogy P(X n = j X 0 = i) > 0.. definíció. i érintkezik a j állapottal, jelben i j, ha i elérhető jből, és j is elérhető az i-ből. állítás. Az érintkezési reláció ekvivalencia reláció, azaz, () reflexív i i, () szimmetrikus i j j i, és () tranzitív i j és j k i k. Ennek az a következménye, hogy az egymással érintkező állapotok egy osztályba tartoznak. A. ábrán definiált Markov-lánc esetén osztály van: C = {,, }, C = {, 5, 6}, C = {7, 8, 9, 0}.. definíció. Ha egy osztályból nem megy ki pozitív valószínűségű út, akkor zártnak nevezzük. A példában a C és a C osztály zárt. Minden osztályra megmondható az, hogy mi a periódusa, és az, hogy visszatérő-e. Ezeket definiáljuk most. 5. definíció. Az i állapot periódusa d(i) a {n : P(X n = i X 0 = i) > 0} halmaz legnagyobb közös osztója. Ha a periódus, azaz d(i) =, akkor azt mondjuk, hogy az i állapot aperiodikus. Bebizonyítható, hogy ha egy i állapot periódusa d(i) = d, akkor elegendően sok idő után minden n számra teljesül, hogy P (nd) ii > 0, azaz, d lépésenként mindig visszatér pozitív valószínűséggel, ha az i állapotból indult a Markov-lánc. Természetesen ha d(i) =, akkor ez azt jelenti, hogy egy idő után mindig pozitív valószínűséggel (lehet, hogy egyre csökkenő) tartózkodik az i állapotban, ha az i állapotból indult a Markovlánc. 6. definíció. Egy i állapot visszatérő, ha i-ből indulva valószínűséggel visszatér, azaz Egy állapot átmeneti, ha nem visszatérő. P( nx n = i X 0 = i) =.. állítás. A periódus és a visszatérőség osztálytulajdonság. Azaz, az egy osztályban lévő állapotoknak ugyanaz a periódusa. Továbbá, az egy osztályban lévő állapotok vagy mind visszatérők, vagy mind átmenetiek. A. ábrán definiált Markov-lánc esetén a C és a C osztály periódusa, míg a C osztály periódusa. Továbbá, a C és a C osztály visszatérő, míg a C osztály átmeneti. Ennek a következő az oka.. állítás. Ha egy véges sok elemből álló osztály zárt, akkor visszatérő. Ha megy ki belőle pozitív valószínűségű út, akkor visszatérő.
4 Ez utóbbi állítás azért igaz szemléletesen, mert egy ilyen pozitív valószínűségű út kipumpálja az ott tartózkodás valószínűségét az osztályból. Az is bebizonyítható, hogy egy véges elemből álló átmeneti osztályban tartózkodás valószínűsége exponenciálisan csökken. Pontosabban, ha C egy véges átmeneti osztály és i C akkor, P(X n C X 0 = i) Kδ n, ahol K > 0 és 0 < δ <. Általában az S állapottér felbontható S = T T C C... osztályok uniójára, ahol T i osztályok jelölik az átmeneti osztályokat, és C i jelölik a visszatérő osztályokat. 7. definíció. Ha a Markov-lánc egy osztályból álla, akkor azt mondjuk, hogy irreducibilis (felbonthatatlan). A visszatérő osztályok zártak, nem megy ki belőlük él. Ha a Markov-lánc egy zárt osztályból indul, akkor végig abban az osztályban marad. Ha a Markov-lánc egy átmeneti osztályból indul, akkor véges sok lépés alatt valószínűséggel elhagyja.. Stacionárius eloszlás 8. definíció. Egy X 0, X,... Markov-láncot (erősen) stacionárius folyamatnak nevezünk, ha minden n, m, és i 0, i,..., i n S állapotsorozat esetén P(X 0 = i 0, X = i,..., X n = i n ) = P(X m = i 0, X m+ = i,..., X m+n = i n ). Ez azt jelenti, hogy egy véges trajektória (i 0, i,..., i n ) valószínűsége minden időben ugyanaz 9. definíció. Ha π sorvektor az S állapottéren adott egy eloszlás (π = [, i S]), akkor stacionárius eloszlásnak hívjuk, ha πp = π. () Figyeljük meg, hogy ez azt jelenti, hogy X 0 eloszlása (P(X n = j) = π j, miden j S) megegyezik X eloszlásával (P(X n = j) = [πp] j, miden j S) Ennek az a következménye, hogy minden n-re X n -nek ugyanaz az eloszlása: P(X n = j) = π j, n 0, j S, ugyanis, ahogy már korábban felírtuk X n eloszlása felírható πp n sorvektor alakban. Továbbá, a ()-ból az következik, hogy nem csak egy hatványra, hanem tetszőleges n-re igaz, hogy Bizonyítható a πp n = π. 5. állítás. Ha π stacionárius eloszlás, és ez a Markov-lánc kezdeti eloszlása (a = π), akkor az X 0, X,... Markov-lánc stacionárius. Érdekes, hogy ha. tétel. Ha egy Markov-lánc irreducibilis és aperiodikus, akkor az sajátérték egyenletnek létezik egyetlen megoldása. Két egymást kizáró eset lehetséges: yp = y () Ha az y sorvektor elemeinek az összege véges, azaz i S y i <, akkor létezik egyetlen stacionárius eloszlás π, ahol y j π j = i S y i pozitív szám.
5 () Ha az y sorvektor elemeinek az összege véges, azaz i S y i =, akkor nem létezik stacionárius eloszlás.. megjegyzés. Fontos megjegyzés, hogy ha az állapottér véges, akkor az i S y i összeg automatikusan véges, így minden irreducibilis és aperiodikus Markov-láncnak létezik stacionárius eloszlása. 5. példa. Tekintsük a. ábrán definiált Markov-láncot megszorítva a C osztályra. Ez egy irreducibilis, aperiodikus Markov-lánc. Határozzuk meg a stacionárius eloszlását. Ehhez meg kell oldani az / / / [π π π ] / / / = [π π π ] / 0 / π + π + π = egyenletrendszert. Azt kapjuk, hogy π = 9, π = 9, π = példa. Legyen S = {0,,,... }. Legyen adott egy p, p,... sorozat, ahol 0 < p i < teljesül minden i =,,... számra. Tekintsük a következő Markov-láncot az S állapottéren. P i,i+ = p i, P i,i = p i =: q i, ha i =,,... és P 0 =. Határozzuk meg, hogy mikor létezik a Markov-láncnak stacionárius eloszlása. Írjuk fel a stacionárius eloszlást. Megoldás: Az. tétel alapján az yp = y egyenletet kell megoldani első lépésben. Azt kapjuk, hogy y 0 = y q y j = y j+ q j+ + y j p j, j. Ebből egy rekurziót lehet kapni y j -kre. p j + q j = miatt azt kapjuk, hogy y j+ q j+ y j p j = y j q j y j p j, j. A szomszédos sorokat összeadva, majd egyszerűsítve azt kapjuk, hogy amiből a rekurzió az y j+ q j+ = y j p j, j 0, y j+ = p 0p... p j q q...q j+ y 0, j 0 y 0 p 0 = y q alakot ölti. Ekkor a. tétel szerint pontosan akkor van stacionárius eloszlás, ha y j -k összege véges, azaz p 0 p...p j y j /y 0 = <. q q... q j+ j=0 Abban a speciális esetben, mikor p i = p rögzített szám (q i = q := p), akkor ez a feltétel az j=0 p j=0 ( ) j p = p q p q <. alakot ölti. Ez akkor teljesül, ha p <. Ekkor a stacionárius eloszlás ahol ρ = p q. π j = ρ j π 0, 5
6 . tétel. Ha egy Markov-lánc irreducibilis és aperiodikus és létezik stacionárius eloszlása, akkor X n eloszlása n növekedésével konvergál a stacionárius eloszláshoz függetlenül attól, hogy mi a kezdeti eloszlás. Pontosabban, vagy mátrixosan megfogalmazva P a (X n = j) π j, n, ap n π, n, ahol a sorvektorok konvergenciája azt jelenti, hogy minden koordinátában konvergál. Nagyon fontos tulajdonsága véges állapotterű Markov-láncoknak, hogy a fenti konvergencia exponenciálisan gyors, azaz. tétel. Ha egy véges állapotterű Markov-lánc irreducibilis és aperiodikus (ekkor létezik stacionárius eloszlása), akkor Pa (X n = j) π j Cδ n, ahol C > 0 és 0 < δ <. Vagy mátrixosan megfogalmazva, minden j S állapotra [ap n ] j π j Cδ n.. megjegyzés. A fenti exponenciális konvergencia nem csak véges állapotterű Markov-láncokra igaz. Bizonyos feltételek mellett végtelen állapotterű Markov-láncokra is teljesül.. Ergod-tétel Markov-láncokra Legyen X 0, X,... egy Markov-lánc S állapottérrel. Továbbá, adott egy valós értékű f költségfüggvény az állapotokon értelmezve: f : S R Ha a Markov-láncnak adott egy i 0 i... i n trajektóriája, akkor ennek a trajektóriának a költsége f(i 0 ) + f(i ) + + f(i n ). Ha nem határozzuk meg a trajektóriát, akkor az első n + állapot költsége egy valószínűségei változó Ekkor egy lépésre jutó átlagos költség f(x 0 ) + f(x ) + + f(x n ). f(x 0 ) + f(x ) + + f(x n ). n + Arra vagyunk kíváncsiak, hogyha a Markov-láncot végtelen sokáig futtatjuk, akkor mi lesz az egy lépésre jutó költség, vagy másként a hosszútávú átlagos költség: Erre a választ a következő tétel adja meg. f(x 0 ) + f(x ) + + f(x n ) lim n n +. tétel. Legyen X 0, X,... egy irreducibilis, aperiodikus Markov-lánc, amelynek létezik stacionárius eloszlása, π. Továbbá legyen adott egy f : S R költségfüggvény úgy, hogy a stacionárius eloszlás szerinti átlaga véges, f(i) <. i S Ekkor a hosszútávú átlagos költség egyszerűen számolható, f(x 0 ) + f(x ) + + f(x n ) lim = f(i). n n + i S 7. példa. Tekintsük a. ábrán definiált Markov-láncot megszorítva a C osztályra. Vezessük be a következő költségfüggvényt: f() = 0, f() = 0, f() = 0. Határozzuk meg a Markov-lánc lépéseinek hosszútávú átlagos költségét. Az. tételből következik, hogy ehhez ki kell számolni a stacionárius eloszlást. Az 5. példában ezt kiszámoltuk. Tehát a. tétel alapján a válasz
7 5. Reverzibilis Markov-láncok A. tételbeli gyors konvergenciát felhasználhatjuk arra, hogy egy tetszőleges, véges S halmazon adott π eloszlásból generáljunk mintát. A Később majd ejtünk róla szót, hogy miért fontos, hogy meg tudjunk oldani ilyen típusú feladatokat. Azt fogjuk tenni, hogy megadunk egy Markov-láncot, amelynek a stacionárius eloszlása éppen π. Ehhez először reverzibilis/megfordítható Markov-láncokat tanulmányozzuk. 0. definíció. Egy X 0, X,...,X T Markov-lánc megfordítása az X 0, X,..., X T folyamat, ahol X t = X T t 6. állítás. Az X 0, X,...,X T folyamat Markov-lánc. Bizonyítás. A megfordítás definíciója szerint: P(X t+ = j X t = i, X t = i t,..., X 0 = i 0) = = P(X T (t+) = j X T t = i, X T (t ) = i t,..., X T = i 0 ). Mivel adott jelen, X T t = i, mellett a Markov lánc jövője (X T (t ) = i t,...,x T = i 0 ) és a múltja (X T (t+) = j) függetlenek, ezért a jobboldal egyenlő P(X T (t+) = j X T t = i) valószínűséggel, ami pedig éppen P(X(t+) = j X t = i). Azaz a megfordított folyamat is Markov-lánc. 7. állítás. Ha az X 0, X,...,X T Markov-lánc stacionárius, akkor a megfordított Markov-lánc is stacionárius, átmenetvalószínűséggel, ahol π az eredeti Markov-lánc stacionárius eloszlása. P ij = P jiπ j () Proof. A Bayes-tételt használva, majd azt, hogy a Markov-lánc a stacionárius eloszlásból indul, így minden n-re P(X n = j) = π j. Pij = P(X t+ = j X t = i) = P(X T t = j X T t = i) = P(X T t = jx T t = i) = P(X T t = i) = P(X T t = i X T t = j)p(x T t = j) P(X T t = i) = P jiπ j. Ezek után definiáljuk ezen alfejezet legfontosabb fogalmát. definíció. Egy X 0, X,..., X T Markov-láncot megfordíthatónak nevezünk, ha eloszlása megegyezik a megfordításának eloszlásával, azaz Pij = P ij. A () egyenletből következik, hogy a megfordítható Markov-lánc átmenetvalószínűségére fenáll másképpen P ij = P jiπ j = P ij, π j P ji = P ij, minden i, j S. (5) Ha ez az egyenlőség fennáll egy Markov-láncra, akkor a Markov-lánc megfordítható. A megfordítható Markov-láncok reprezentálhatók egy irányítatlan súlyozott gráfon való bolyongással a következőképpen. Legyen adott egy gráf, ahol a csúcspontok az S halmazzal vannak indexelve. Ha az i j él be van húzva, akkor az él súlya legyen w ij = w ji > 0. Ekkor a bolyongás a következőképpen fejlődik. Ha az n-dik lépésben az i állapotban van, akkor P ij = w ij w i valószínűséggel lép a j állapotba a következő lépésben, ahol w i = i j él be van húzva w ij 7
8 Így egy Markov-láncot definiáltunk, amelynek a stacionárius eloszlása ahol π j = w j w, w = i S w i a súlyok összege. Azt, hogy ez a stacionárius eloszlás, látszik a következő állítás bizonyításából. 8. állítás. A fent definiált Markov-lánc reverzibilis. Proof. Elég ellenőrizni a (5) egyenlőség meglétét. Ez viszont teljesül: π j P ji = w j w w ji = w ji w j w = w ij w = w i w ij = P ij. w w i 8. példa. Mutassuk meg, hogy az 6. példában definiált Markov-lánc reverzibilis. Markov chain Monte Carlo (MCMC). Ebben a pontba írjuk le az alfejezet kiindulási problémájának megoldását. Tehát, ha adott egy S állapottér és egy π eloszlás S-en, akkor készítünk egy reverzibilis Markovláncot, amelynek a stacionárius eloszlása éppen π. Mivel S véges, a lépések (n) számának növelésével a Markov-lánc n időben vett eloszlása exponenciálisan gyorsan konvergál a stacionárius eloszlásához, π-hez. Tehát, hogyan konstruálunk ilyen reverzibilis Markov-láncot? Meg kell határozni P-t, az átment valószínűség mátrixot. Induljunk ki (5) karakterizációból, azaz az ismeretlen P ij -nek ki kell elégíteni a egyenlőséget. Vegyük a logaritmusát: Átrendezve azt kapjuk, hogy továbbá P ij P ji = π j log P ij log P ji = log π j log. log P ij = log P ji + log π j log, log P ij (log π j log ) = log P ji + (log π j log ) log P ij (log π j log ) = log P ji (log log π j ). (6) Legyen S egy S S mátrix, amelynek az ij-dik eleme legyen S ij := log P ij (log π j log ), ha i j. Ekkor az (6) egyenlőség alapján S szimmetrikus mátrix (i és j felcserélésével ugyanazt a számot kapjuk). Ekkor az ismeretlen P ij átmenetvalószínűségekre teljesül a log P ij = S ij + (log π j log ) = S ij (log log π j ), ha i j. egyenlőség. Ekkor bevezetve az S szimmetrikus mátrixot, amelyet az S ij = e S ij egyenlőség definiál minden ij párra, azt kapjuk, hogy π P ij = S ij e i, ha i j. π j 8
9 Most meg kell választanunk P ii átmenet valószínűségeket, i S. Arra kell vigyáznunk, hogy ne legyen j:j i P ij >. Mivel S ij -k helyett tetszőleges δ > 0 számszorosa is jó szimmetrikus mátrixnak, ezért legyenek S ij -k (i, j S) akkorák, hogy P ij, j:j i Ekkor már definiálhatjuk P ii -t, legyen azaz S ij e. π j j:j i P ii := P ij. j:j i Szokásos választás, ha az S mátrixnak az incidencia mátrix C, valamely δ-szorosát vesszük (δ > 0). Emlékeztetőül, a incidencia mátrix egy négyzetes mátrix, amely a csúcsok közötti kapcsolatot írja le úgy, hogy { ha az i j él be van húzva, C ij = 0 különben. Ekkor P ij = δc ij π j. 9
Markov-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
(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
12. előadás - Markov-láncok I.
12. előadás - Markov-láncok I. 2016. november 21. 12. előadás 1 / 15 Markov-lánc - definíció Az X n, n N valószínűségi változók sorozatát diszkrét idejű sztochasztikus folyamatnak nevezzük. Legyen S R
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
előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás
13-14. előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 2016. november 28. és december 5. 13-14. előadás 1 / 35 Bevezetés A diszkrét
Gauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
Barczy Mátyás és Pap Gyula. Sztochasztikus folyamatok. (Diszkrét idejű Markov-láncok)
Barczy Mátyás és Pap Gyula Sztochasztikus folyamatok Példatár és elméleti kiegészítések II Rész (Diszkrét idejű Markov-láncok) mobidiák könyvtár Barczy Mátyás és Pap Gyula Sztochasztikus folyamatok Példatár
A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
minden 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
Mérhetőség, 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
KOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I. 3 III. MEGFELELTETÉSEk, RELÁCIÓk 1. BEVEZETÉS Emlékeztetünk arra, hogy az rendezett párok halmazát az és halmazok Descartes-féle szorzatának nevezzük. Más szóval az és halmazok
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
Matematika 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
Bevezetés 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
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 :
Funkcionálanalízis. 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
Saj at ert ek-probl em ak febru ar 26.
Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre
Alap fatranszformátorok II
Alap fatranszformátorok II Vágvölgyi Sándor Fülöp Zoltán és Vágvölgyi Sándor [2, 3] közös eredményeit ismertetjük. Fogalmak, jelölések A Σ feletti alaptermek TA = (T Σ, Σ) Σ algebráját tekintjük. Minden
Diszkrét matematika 2.
Diszkrét matematika 2. 2018. november 23. 1. Diszkrét matematika 2. 9. előadás Fancsali Szabolcs Levente nudniq@cs.elte.hu www.cs.elte.hu/ nudniq Komputeralgebra Tanszék 2018. november 23. Diszkrét matematika
6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió
6. Előadás Megyesi László: Lineáris algebra, 37. 41. oldal. Gondolkodnivalók Lineáris függetlenség 1. Gondolkodnivaló Legyen V valós számtest feletti vektortér. Igazolja, hogy ha a v 1, v 2,..., v n V
f(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
6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján
Közelítő és szimbolikus számítások 6. gyakorlat Sajátérték, Gersgorin körök Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján . Mátrixok sajátértékei
Diszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 7. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
azonosságot minden 1 i, l n, 1 j k, indexre teljesítő együtthatókkal, amelyekre érvényes a = c (j) i,l l,i
A Cochran Fisher tételről A matematikai statisztika egyik fontos eredménye a Cochran Fisher tétel, amely a variancia analízisben játszik fontos szerepet. Ugyanakkor ez a tétel lényegét tekintve valójában
15. LINEÁRIS EGYENLETRENDSZEREK
15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
A sorozat fogalma. függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet. az értékkészlet a komplex számok halmaza, akkor komplex
A sorozat fogalma Definíció. A természetes számok N halmazán értelmezett függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet a valós számok halmaza, valós számsorozatról beszélünk, mígha az
Diszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.
1 Diszkrét matematika I, 12 előadás Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach 2005 november 30 Vektorok Definíció Egy tetszőleges n pozitív egész számra n-komponensű
Relációk Függvények. A diákon megjelenő szövegek és képek csak a szerző (Kocsis Imre, DE MFK) engedélyével használhatók fel!
függvények RE 1 Relációk Függvények függvények RE 2 Definíció Ha A, B és ρ A B, akkor azt mondjuk, hogy ρ reláció A és B között, vagy azt, hogy ρ leképezés A-ból B-be. Ha speciálisan A=B, azaz ρ A A, akkor
1. előadás: Halmazelmélet, számfogalom, teljes
1. előadás: Halmazelmélet, számfogalom, teljes indukció Szabó Szilárd Halmazok Halmaz: alapfogalom, bizonyos elemek (matematikai objektumok) összessége. Egy halmaz akkor adott, ha minden objektumról eldönthető,
ismertetem, hogy milyen probléma vizsgálatában jelent meg ez az eredmény. A kérdés a következő: Mikor mondhatjuk azt, hogy bizonyos események közül
A Borel Cantelli lemma és annak általánosítása. A valószínűségszámítás egyik fontos eredménye a Borel Cantelli lemma. Először informálisan ismertetem, hogy milyen probléma vizsgálatában jelent meg ez az
I. VEKTOROK, MÁTRIXOK
217/18 1 félév I VEKTOROK, MÁTRIXOK I1 I2 Vektorok 1 A síkon derékszögű koordinátarendszerben minden v vektornak van vízszintes és van függőleges koordinátája, ezeket sorrendben v 1 és v 2 jelöli A v síkbeli
E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.
E.4 Markov-láncok Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével. Egy Markov-láncot (MC) meghatároznak az alapját adó sorbanállási hálózat állapotai és az ezek
1. 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,
Lineáris leképezések (előadásvázlat, szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla
Lineáris leképezések (előadásvázlat, 2012. szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla Ennek az előadásnak a megértéséhez a következő fogalmakat kell tudni: homogén lineáris egyenletrendszer és
Diszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2015. tavasz 1. Diszkrét matematika 2.C szakirány 1. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu Komputeralgebra Tanszék 2015. tavasz Gráfelmélet Diszkrét
Halmaz: alapfogalom, bizonyos elemek (matematikai objektumok) Egy halmaz akkor adott, ha minden objektumról eldönthető, hogy
1. előadás: Halmazelmélet Szabó Szilárd Halmazok Halmaz: alapfogalom, bizonyos elemek (matematikai objektumok) összessége. Egy halmaz akkor adott, ha minden objektumról eldönthető, hogy hozzátartozik-e,
Nagy Gábor compalg.inf.elte.hu/ nagy
Diszkrét matematika 3. estis képzés 2016. ősz 1. Diszkrét matematika 3. estis képzés 3. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
ALAPFOGALMAK 1. A reláció az program programfüggvénye, ha. Azt mondjuk, hogy az feladat szigorúbb, mint az feladat, ha
ALAPFOGALMAK 1 Á l l a p o t t é r Legyen I egy véges halmaz és legyenek A i, i I tetszőleges véges vagy megszámlálható, nem üres halmazok Ekkor az A= A i halmazt állapottérnek, az A i halmazokat pedig
Formális nyelvek és automaták
Formális nyelvek és automaták Nagy Sára gyakorlatai alapján Készítette: Nagy Krisztián 2. gyakorlat Ismétlés: Megjegyzés: Az ismétlés egy része nem szerepel a dokumentumban, mivel lényegében a teljes 1.
Diszkrét matematika 1. estis képzés
Diszkrét matematika 1. estis képzés 2019. tavasz 1. Diszkrét matematika 1. estis képzés 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján
Vektorok, 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.
Sorozatok, 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:
26. MINIMÁLIS KÖLTSÉGŰ UTAK MINDEN CSÚCSPÁRRA
26. MINIMÁLIS KÖLTSÉGŰ UTAK MINDEN CSÚCSPÁRRA Az előző két fejezetben tárgyalt feladat általánosításaként a gráfban található összes csúcspárra szeretnénk meghatározni a legkisebb költségű utat. A probléma
Diszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
Diszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 3. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Relációk Diszkrét matematika I. középszint 2014.
Itt és a továbbiakban a számhalmazokra az alábbi jelöléseket használjuk:
1. Halmazok, relációk, függvények 1.A. Halmazok A halmaz bizonyos jól meghatározott dolgok (tárgyak, fogalmak), a halmaz elemeinek az összessége. Azt, hogy az a elem hozzátartozik az A halmazhoz így jelöljük:
Nagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
Oktatási Hivatal. 1 pont. A feltételek alapján felírhatók az. összevonás után az. 1 pont
Oktatási Hivatal Öt pozitív egész szám egy számtani sorozat első öt eleme A sorozatnak a különbsége prímszám Tudjuk hogy az első négy szám köbének összege megegyezik az ezen öt tag közül vett páros sorszámú
Klasszikus algebra előadás. Waldhauser Tamás április 14.
Klasszikus algebra előadás Waldhauser Tamás 2014. április 14. Többhatározatlanú polinomok 4.3. Definíció. Adott T test feletti n-határozatlanú monomnak nevezzük az ax k 1 1 xk n n alakú formális kifejezéseket,
KOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I. 4 IV. FÜGGVÉNYEk 1. LEkÉPEZÉSEk, függvények Definíció Legyen és két halmaz. Egy függvény -ből -ba egy olyan szabály, amely minden elemhez pontosan egy elemet rendel hozzá. Az
Nagy Gábor compalg.inf.elte.hu/ nagy
Diszkrét matematika 3. estis képzés 2018. ősz 1. Diszkrét matematika 3. estis képzés 2. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
Markov modellek 2015.03.19.
Markov modellek 2015.03.19. Markov-láncok Markov-tulajdonság: egy folyamat korábbi állapotai a későbbiekre csak a jelen állapoton keresztül gyakorolnak befolyást. Semmi, ami a múltban történt, nem ad előrejelzést
Számsorok. 1. Definíció. Legyen adott valós számoknak egy (a n ) n=1 = (a 1, a 2,..., a n,...) végtelen sorozata. Az. a n
Számsorok 1. Definíció. Legyen adott valós számoknak egy (a n ) = (a 1, a 2,..., a n,...) végtelen sorozata. Az végtelen összeget végtelen számsornak (sornak) nevezzük. Az a n számot a sor n-edik tagjának
összeadjuk 0-t kapunk. Képletben:
814 A ferde kifejtés tétele Ha egy determináns valamely sorának elemeit egy másik sor elemeihez tartozó adjungáltakkal szorozzuk meg és a szorzatokat összeadjuk 0-t kapunk Képletben: n a ij A kj = 0, ha
Nagy 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
Bevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek
Bevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek Algebra Tanszék 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
Diszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 8. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Elemi számelmélet Diszkrét matematika I. középszint
út hosszát. Ha a két várost nem köti össze út, akkor legyen c ij = W, ahol W már az előzőekben is alkalmazott megfelelően nagy szám.
1 Az utazó ügynök problémája Utazó ügynök feladat Adott n számú város és a városokat összekötő utak, amelyeknek ismert a hossza. Adott továbbá egy ügynök, akinek adott városból kiindulva, minden várost
Diszkrét matematika II., 5. előadás. Lineáris egyenletrendszerek
1 Diszkrét matematika II, 5 előadás Lineáris egyenletrendszerek Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach/ 2007 március 8 Egyenletrendszerek Középiskolás módszerek:
Tömegkiszolgálás. Dr. Györfi László Győri Sándor Dr. Pintér Márta
Tömegkiszolgálás Dr. Györfi László Győri Sándor Dr. Pintér Márta Tartalomjegyzék Előszó 7. Diszkrét idejű Markov-láncok 9.. Markov-láncok fogalma....................... 0.2. Irreducíbilis és aperiodikus
x, 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.
Egészrészes feladatok
Kitűzött feladatok Egészrészes feladatok Győry Ákos Miskolc, Földes Ferenc Gimnázium 1. feladat. Oldjuk meg a valós számok halmazán a { } 3x 1 x+1 7 egyenletet!. feladat. Bizonyítsuk be, hogy tetszőleges
Egyenletek, egyenlőtlenségek VII.
Egyenletek, egyenlőtlenségek VII. Magasabbfokú egyenletek: A 3, vagy annál nagyobb fokú egyenleteket magasabb fokú egyenleteknek nevezzük. Megjegyzés: Egy n - ed fokú egyenletnek legfeljebb n darab valós
Egyenletek, egyenlőtlenségek X.
Egyenletek, egyenlőtlenségek X. DEFINÍCIÓ: (Logaritmus) Ha egy pozitív valós számot adott, 1 - től különböző pozitív alapú hatvány alakban írunk fel, akkor ennek a hatványnak a kitevőjét logaritmusnak
17. előadás: Vektorok a térben
17. előadás: Vektorok a térben Szabó Szilárd A vektor fogalma A mai előadásban n 1 tetszőleges egész szám lehet, de az egyszerűség kedvéért a képletek az n = 2 esetben szerepelnek. Vektorok: rendezett
Gráfelmélet. I. Előadás jegyzet (2010.szeptember 9.) 1.A gráf fogalma
Készítette: Laczik Sándor János Gráfelmélet I. Előadás jegyzet (2010.szeptember 9.) 1.A gráf fogalma Definíció: a G=(V,E) párt egyszerű gráfnak nevezzük, (V elemeit a gráf csúcsainak/pontjainak,e elemeit
3. Előadás. Megyesi László: Lineáris algebra, oldal. 3. előadás Lineáris egyenletrendszerek
3. Előadás Megyesi László: Lineáris algebra, 47. 50. oldal. Gondolkodnivalók Determinánsok 1. Gondolkodnivaló Determinánselméleti tételek segítségével határozzuk meg a következő n n-es determinánst: 1
Első zárthelyi dolgozat megoldásai biomatematikából * A verzió
Első zárthelyi dolgozat megoldásai biomatematikából * A verzió Elméleti kérdések: E. Mikor nevezünk egy gráfot gyengén és mikor erősen összefüggőnek? Adjon példát gyengén összefüggő de erősen nem összefüggő
Nagy 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
Diszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
1.9. B - SPLINEOK B - SPLINEOK EGZISZTENCIÁJA. numerikus analízis ii. 34. [ a, b] - n legfeljebb n darab gyöke lehet. = r (m 1) n = r m + n 1
numerikus analízis ii 34 Ezért [ a, b] - n legfeljebb n darab gyöke lehet = r (m 1) n = r m + n 1 19 B - SPLINEOK VOLT: Ω n véges felosztás S n (Ω n ) véges dimenziós altér A bázis az úgynevezett egyoldalú
Analízis I. Vizsgatételsor
Analízis I. Vizsgatételsor Programtervező Informatikus szak 2008-2009. 2. félév Készítette: Szabó Zoltán SZZNACI.ELTE zotyo@bolyaimk.hu v.0.6 RC 004 Forrás: Oláh Gábor: ANALÍZIS I.-II. VIZSGATÉTELSOR 2006-2007-/2
Mátrixok 2017 Mátrixok
2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4
Hidden 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
8. Előadás. Megyesi László: Lineáris algebra, , oldal. 8. előadás Mátrix rangja, Homogén lineáris egyenletrendszer
8. Előadás Megyesi László: Lineáris algebra, 51. 56., 70. 74. oldal. Gondolkodnivalók Elemi bázistranszformáció 1. Gondolkodnivaló Most ne vegyük figyelembe, hogy az elemi bázistranszformáció során ez
Nagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2016. 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
Függvény határérték összefoglalás
Függvény határérték összefoglalás Függvény határértéke: Def: Függvény: egyértékű reláció. (Vagyis minden értelmezési tartománybeli elemhez, egyértelműen rendelünk hozzá egy elemet az értékkészletből. Vagyis
A 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,
tudjuk-e osztani a Markov-lánc állapotterét annak alapján, hogy mely állapotból
Diszkrét idejű Markov-láncok vizsgálata. Tekintsünk egy diszkrét idejű X 0,X 1,... Markov-láncot P(j,k) = P(X n+1 = E k X n = j), n = 1, 2,..., átmenetvalószínűségekkel egy (Ω, A, P) valószínűségi mezőn,
9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, Leontyev-modell
9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Tegyük fel, hogy egy elemi bázistranszformáció kezdetekor a sor- és oszlopindexek sorban helyezkednek
10. Előadás. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai
Optimalizálási eljárások MSc hallgatók számára 10. Előadás Előadó: Hajnal Péter Jegyzetelő: T. Szabó Tamás 2011. április 20. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai A feltétel nélküli optimalizálásnál
GPK M1 (BME) Interpoláció / 16
Interpoláció Matematika M1 gépészmérnököknek 2017. március 13. GPK M1 (BME) Interpoláció 2017 1 / 16 Az interpoláció alapfeladata - Példa Tegyük fel, hogy egy ipari termék - pl. autó - előzetes konstrukciójának
Gazdasági 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.):
Gauss elimináció, LU felbontás
Közelítő és szimbolikus számítások 3. gyakorlat Gauss elimináció, LU felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 EGYENLETRENDSZEREK 1. Egyenletrendszerek
Matematikai logika és halmazelmélet
Matematikai logika és halmazelmélet Wettl Ferenc előadása alapján 2015-09-07 Wettl Ferenc előadása alapján Matematikai logika és halmazelmélet 2015-09-07 1 / 21 Tartalom 1 Matematikai kijelentések szerkezete
4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI
4. Fuzzy relációk Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Klasszikus relációk Halmazok Descartes-szorzata Relációk 2 Fuzzy relációk Fuzzy relációk véges alaphalmazok
Készítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
Számelméleti alapfogalmak
1 Számelméleti alapfogalmak 1 Definíció Az a IN szám osztója a b IN számnak ha létezik c IN melyre a c = b Jelölése: a b 2 Példa a 0 bármely a számra teljesül, mivel c = 0 univerzálisan megfelel: a 0 =
2010. október 12. Dr. Vincze Szilvia
2010. október 12. Dr. Vincze Szilvia Tartalomjegyzék 1.) Sorozat definíciója 2.) Sorozat megadása 3.) Sorozatok szemléltetése 4.) Műveletek sorozatokkal 5.) A sorozatok tulajdonságai 6.) A sorozatok határértékének
Vektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27
Vektorterek Wettl Ferenc 2015. február 17. Wettl Ferenc Vektorterek 2015. február 17. 1 / 27 Tartalom 1 Egyenletrendszerek 2 Algebrai struktúrák 3 Vektortér 4 Bázis, dimenzió 5 Valós mátrixok és egyenletrendszerek
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
Eötvös Loránd Tudományegyetem Természettudományi Kar Valószínűségelméleti és Statisztika Tanszék. Csatolás
Eötvös Loránd Tudományegyetem Természettudományi Kar Valószínűségelméleti és Statisztika Tanszék Csatolás Michaletzky György egyetemi tanár Cséke Balázs Matematika BSc Budapest, 2014 Tartalomjegyzék Bevezetés
Formális nyelvek - 9.
Formális nyelvek - 9. Csuhaj Varjú Erzsébet Algoritmusok és Alkalmazásaik Tanszék Informatikai Kar Eötvös Loránd Tudományegyetem H-1117 Budapest Pázmány Péter sétány 1/c E-mail: csuhaj@inf.elte.hu 1 Véges
Boros 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
Algebra es sz amelm elet 3 el oad as Nevezetes sz amelm eleti probl em ak Waldhauser Tam as 2014 oszi f el ev
Algebra és számelmélet 3 előadás Nevezetes számelméleti problémák Waldhauser Tamás 2014 őszi félév Tartalom 1. Számok felbontása hatványok összegére 2. Prímszámok 3. Algebrai és transzcendens számok Tartalom
22. GRÁFOK ÁBRÁZOLÁSA
22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is
Diszkrét matematika 2.
Diszkrét matematika 2. Mérai László előadása alapján Készítette: Nagy Krisztián 1. előadás Gráfok halmaza, gráf, ahol a csúcsok halmaza, az élek illesztkedés reláció: illesztkedik az élre, ha ( -él illesztkedik
Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
RE 1. Relációk Függvények. A diákon megjelenő szövegek és képek csak a szerző (Kocsis Imre, DE MFK) engedélyével használhatók fel!
RE 1 Relációk Függvények RE 2 Definíció: Ha A, B és ρ A B, akkor azt mondjuk, hogy ρ reláció A és B között, vagy azt, hogy ρ leképezés A-ból B-be. Ha speciálisan A=B, azaz ρ A A, akkor azt mondjuk, hogy