BAYES-ANALÍZIS A KOCKÁZATELEMZÉSBEN, DISZKRÉT VALÓSZÍNŰSÉG ELOSZLÁSOK ALKALMAZÁSA 3
|
|
- Krisztina Kissné
- 8 évvel ezelőtt
- Látták:
Átírás
1 Balogh Zsuzsanna Hana László BAYES-ANALÍZIS A KOCKÁZATELEMZÉSBEN, DISZKRÉT VALÓSZÍNŰSÉG ELOSZLÁSOK ALKALMAZÁSA 3 Ebben a dolgozatban a Bayes-féle módszer alalmazási lehetőségét mutatju be a ocázatelemzés illetve a mérnöi tervezés problémaörében. A Bayes-féle módszer vonzóereje abban áll, hogy épes egyesíteni a megfigyelésből apott adatoból valamint az a priori feltevéseből apott információat, ezáltal generálva egy a posteriori információt olyan mennyiségeel apcsolatban, amelye a vizsgálato szempontjából fontosa. A módszer tényleges hatéonyságát az mutatja, hogy az a priori becsléseről az a posteriori becslésere történő áttérés tetszőlegesen soszor ismételhető. Ez a módszer egyaránt hatéonyan alalmazható rita eseményeel apcsolatos mérnöi tervezésben valamint ocázatelemzésben és a tudomány egyéb területein is. BAYESIAN ANALYSIS IN RISK ASSESSMENT, APPLICATION OF DISCRETE PROBABILITY DISTRIBUTIONS This wor discusses the applicability of Bayesian methods to probabilistic ris assessment and engineering design problems. The attraction of Bayesian methods lies in their ability to integrate observed data and prior nowledge to form a posterior distribution estimate of a quantity of interest. Conceptually, Bayesian methods are desirable because they have the property of taing prior estimates and updating them with data over time. This methodology might be useful to engineering managers for rare event ris analysis in other applications and other disciplines as well.. Bevezetés A Bayes-féle analízis a valószínűség elmélet igen hatéony eszöze, amely módszer napjainban, ülönösen a terrorcseleményeel apcsolatosan, de egyéb mérnöi tervezési gyaorlatban is egyre elterjedtebben alalmazott ocázatelemzési módszer [][]. A Bayes-elmélet valitatíve egyi legfontosabb tulajdonsága, hogy olyan eseteben is eredménnyel alalmazható, amior a vizsgált jelenség nagyon rita, így a hagyományos gyaorisági analízisen alapuló valószínűségi módszere csődöt mondana, mert a statisztiai elemzéshez nem áll rendelezésre ellő méretű minta. Rita eseménye pedig tipiusan a ocázatelemzés témaörében fordulna elő. Ebben az esetben a módszer egy a priori becslésre épül, amely nem elsősorban a tapasztalatból levont öveteztetéseet tartalmaz, hanem inább elméleti jellegű megfontoláso eredménye. Ezeet a ezdeti becsléseet lehet az analízis során frissíteni, valahányszor a tapasztalat a birtounba juttat információat a vizsgált rendszerrel apcsolatban. A frissítés pedig elméletileg tetszőlegesen soszor ismételhető, az alább bemutatott példában egyszerű matematiai formulá felhasználásával [3]. Ebben a dolgozatban az egyi legfontosabb és legszélesörűbben alalmazható diszrét eloszlás, a binomiális eloszlás és enne többdimenziós megfelelője, a polinomiális eloszlás apcsán mutatju be az elmélet alalmazhatóságát. m. alezredes, HM Hadfelszerelési és Vagyonfelügyeleti Főosztály, balogh.zsuzsanna@hm.gov.hu dr; Óbudai Egyetem Báni Donát Gépész és Biztonságtechniai Mérnöi Kar Mechatroniai Intézet, hana.laszlo@gb.uni-obuda.hu 3 Letorálta: Prof. Dr. Poorádi László, egyetemi tanár, Debreceni Egyetem, pooradi@eng.unideb.hu 3
2 . A Bayes-analízis alapgondolata Tegyü fel, hogy egy olyan valószínűségi modellt alalmazun, amely egy f x sűrűségfüggvénnyel leírt valószínűség eloszlással adható meg [4][5][6]. Ebben a modellben mindig vanna paramétere, amelye a modell leglényegesebb jellemzői, és amelye változtatása lehetővé teszi a modell pontosítását. Jelölje ezt a paramétert, amely lehet salár, ha egyetlen paraméterről van szó, =, de lehet vetor is = (,, ), ha a modellben több paraméter szerepel. Ebben az esetben a sűrűségfüggvényt f x jelöli, hangsúlyozva a paramétertől való függést. A Bayes-analízis alalmazásána egyi saralatos pontja, hogy a paramétert úgy teintjü, hogy maga is valószínűségi változó, melyne eloszlását jelölje (), ezt nevezzü a priori eloszlásna. Ha a paramétere egy T tartományon vehetne fel értéet, aor a Bayes-tétel általános alaja a övetező: ahol x T d f x f x x f x f x (.) jelöli az a posteriori eloszlás sűrűségfüggvényét [4,5,6]. Általában a valószínűségi változó egy olyan valószínűség eloszlással adott, amely ugyancsa paraméteretől függ, ezeet az elméletben hiperparaméterene nevezzü. Jelölje most ezeet, amely ugyancsa lehet salár vagy vetor attól függően, hogy hány paraméterrel adott eloszlással modellezzü a paramétert. Ezt is ifejezésre ell juttatnun a jelöléseinben, ha hangsúlyozni szeretnén a hiperparamétere jelenlétét és szerepét. Eor a Bayes-tétel általánosabb alaja: f x, f x, x, f x f x, d Itt bevezetjü az elméletben szoásos elnevezéseet a x, x, T, az a posteriori eloszlás, és végül az f x, f x, (.) az a priori eloszlás, a a lielihood függvény [7]. Ezen bevezető után a Bayes-analízis alalmazási lehetősége illetve az alalmazás logiája a övetezőben áll. Vizsgálun egy ocázati tényezőt jelentő problémát, amely ocázatot egy valószínűségi változóval írun le. Ez lehet diszrét és lehet folytonos eloszlású is. Ebben a dolgozatban a diszrét eloszlás alalmazási lehetőségét mutatju be. Ezt a valószínűség eloszlást egy lielihood függvénnyel vesszü figyelembe. Ebben a függvényben vanna szabad paramétere, amelye az eloszlás jellemző adatai. Tegyü fel, hogy ezeről az adatoról evés információn van, ugyanis mint alább iderül, az elmélet éppen ebben a szituációban alalmazható gyümölcsözően. Ha evés az információ az alalmazott eloszlás paramétereiről, aor logius feltevés, hogy teintsü ezen paramétereet is valószínűségi változóna. Ezen valószínűségi változó is bizonyos újabb paramétereel, a hiperparamétereel definiált valószínűségi változóal írható le. Kezdetben élün ezen paraméterere vonatozólag iindulási feltételeel. Ezen feltétele definiáljá az a priori eloszlást. Ezután, a birtounba erült adato és a Bayes-tétel (.) vagy (.) alaja felhasz- 33
3 nálásával frissítjü az a priori eloszlást, áttérün az a posteriori eloszlásra, ami azt jelenti, hogy ebben a lépésben a hiperparamétere atualizált értéét teintjü paraméterne. Eze egy újabb információ beérezéseor ismét a priori adattá válna, amelye az említett frissítési eljárással aárhányszor atualizálható. 3. Béta a priori-eloszlás és binomiális eloszlás, mint lielihood függvény Az egyi legfontosabb és leggyarabban alalmazott diszrét eloszlás a binomiális eloszlás: Bin(n, p). Paraméterei az n pozitív egész szám és a vizsgált ocázatelemzési érdésörben előfordulhat az alábbi szituációban: p, valós szám [4,5,6]. Az általun. Adott egy rendszer (informatiai, biometrius, eletronius, pénzügyi, gazdasági, vagy egy épület, amely épsége az épület részegységeine sértetlenségén múli), amelyne alatrészei, részegységei azonos örülménye özött, egymástól függetlenül műödne, és mindegyi meghibásodásána a valószínűsége azonos p érté. Ez a p érté ebben az esetben az adott összefüggő rendszer részeivel apcsolatosan anna valószínűségét adja meg, hogy egy esetleges terrorcselemény sieres imenetelű, vagy nem.. Egy adott esemény azonos örülménye özött n-szer ismétlődi egymástól függetlenül, és minden alalommal p valószínűséggel övetezi be egy nemívánatos esemény. (Azt az esetet, amior a özelítő vagy teljes azonosság feltevése a modellben túlzottan ideálisna mondható és így nem alalmazható, a övetező 4. pontban vizsgálju.) A probléma. pontbeli modellel történő leírása például a övetező eseteben használható: i) Teintsün például egy informatiai hálózatot, amelyet n db azonos jellemzőel adott szerver lát el. Tegyü fel, hogy a hálózat műödőépes marad, ha legfeljebb db szerver meghibásodi, de ennél több meghibásodás a rendszer összeomlását eredményezi. ii) Teintsün egy épületet, amelyet n db fő szerezeti elem tart stabilan. A mérnöi tervezés alapján tudju, hogy eze özül db megsérülhet a teljes ollapszus nélül. Világos, hogy mindét esetben alapvető érdés a beövetezett eseménye száma. Mindét esetben azt a érdést tesszü fel, mi a valószínűsége, hogy a rendszerben db részegység esetében beövetezi egy esemény, illetve ismétlődés során az esemény alalommal sieres ( =,,,, n). Vizsgáljun tehát egy olyan modellt, amelyben a lielihood függvény binomiális eloszlással adott, ahol modellparamétere az n és p. Nyilvánvaló a probléma természetéből adódóan, hogy a ritius paraméter ebben az esetben a p. Mivel p,, ezért a = p paraméter modellezésére a priori eloszlásént a legjobb választás a béta eloszlás [4,5,6]. A Beta(, ) eloszlás éppen ezen az intervallumon van értelmezve, paraméterei >, >. Hogy mire célzun azzal, hogy legjobb választás, az alábbiaból iderül. A lielihood függvény most tehát binomiális eloszlással adott n x nx n! x f x x! n! az a priori eloszlás pedig béta eloszlással. A szoásos jelöléseel: nx, (3.) 34
4 ahol x, B,, (3.) az analízisből ismert gamma függvény [4]. Ebben az esetben tehát a vizsgált problémát a p modellparaméterrel tudju leírni, amelyne az értée nem ismert. Ezért a p paramétert béta a priori eloszlással írju le, amelyne paraméterei, a hiperparamétere > és >. Feltételezün valamit erről a ét paraméterről és ezzel iszámítju a lielihood függvény felhasználásával a érdéses valószínűséget. Ha azonban a birtounba erül néhány adat, aor frissíteni tudju a hiperparamétere értéét. Ezt illusztrálju az alábbiaban. Mielőtt azonban alalmazzu a Bayes-tételt, megadju a béta eloszlás jellemző adatait: E ; Var ; Mod ;( ; ); (3.3) ahol szoásosan E jelöli a várható értéet, Var a szórásnégyzetet (variancia), Mod a móduszt. Azért adtun meg több jellemzőt is, mert bár a gyaorlatban a legtöbbször a várható értéet teinti pontbecslésént, ugyanolyan joggal használható például a módusz és esetleg a medián is, ha eze létezne..a) ábra A béta eloszlás sűrűségfüggvénye ülönböző paramétere esetén 35
5 .b) ábra A béta eloszlás sűrűségfüggvénye ülönböző paramétere esetén Az.a) és b) ábráon a B(, ) eloszlás sűrűségfüggvényét ábrázoltu ülönböző és hiperparamétere esetén. Amit hangsúlyozun, az = eset, amior B(, ) sűrűségfüggvénye szimmetrius az x = pontra, ez látható az a) ábrán. Ha =, aor az egyenletes eloszlást apju, ezt használhatju aor, ha semmiféle ezdeti információn nincs a p paraméter értéét illetően. Ha > aor a sűrűségfüggvényne maximuma van az x = helyen, ha pedig <, aor ugyanezen a helyen minimum van. Ha olyan információ birtoában vagyun, amely szerint p értée icsi, özel van -hoz, illetve ellenezőleg, ha p értée nagy, özel van az -hez, aor a b) ábrán látható aszimmetrius eloszláso özül választhatun. Alalmazzu most a Bayes-tételt, határozzu meg az a posteriori eloszlást. Ha elteintün a nevezőtől, mint normáló tényezőtől, a hiperparamétereet is hangsúlyozva, írhatju, hogy: n! x nx x,, f x,,, ~! n! (3.4) Ha elvégezzü az összevonásoat, aor ismét csa elteintve a onstans szorzótól, a szoásos jelöléseel az adódi, hogy n x,, ~ ~ x B, B x, n x x nx x nx (3.5) Ami ugyancsa béta eloszlás + x, + n x paramétereel, tehát az a posteriori eloszlás: Beta( + x, + n x). Az eredmény lényege, hogy ha binomiális eloszlást alalmazun lielihood függvényént, és béta eloszlást a priori eloszlásént, az a posteriori eloszlás ugyancsa béta eloszlás. Ez úgy is fogalmazható, hogy a binomiális eloszlás onjugáltja a béta el- 36
6 oszlás. Az a posteriori eloszlásból apju a binomiális eloszlás p paraméteréne a frissített értéét. Erre alalmazható elvileg a bemutatott paramétere mindegyie, melyene atualizált értée rendre: x x n x E ' ; Var ' ; n n n x Mod ' ;( x ; n x ); n (3.6) A szoásona megfelelően irányítsu figyelmünet a várható értére. Eor a p paraméter, amely tehát egy nemívánatos esemény beövetezéséne a valószínűségét jelenti, és béta eloszlással modellezzü, ezdetben az E a priori becsléssel írható le. Ha eze után végzün n db megfigyelést, vagy máséppen fogalmazva megfigyelün egy n db azonos omponensből álló rendszert, és a megfigyelés eredménye az, hogy x alalommal beövetezett a nemívánatos esemény, és eszerint n x alalommal nem övetezett be, aor a p valószínűség frissített értée x E ' n priori és a posteriori eloszláso összehasonlítására. Vezessü be a jelölést, amior is n n becsült atualizált értée felírható az. Itt elvégezhetün egy egyszerű elemzést az a n. Eor a p paraméter a posteriori eloszlás alapján a várható értéel E ' alajában, ahol az értelmezés szerint teljesül, hogy E értée változi x n, x n onvex lineáris ombináció. Ahogyan változi -tól -ig, és E özött. Ha teintetbe vesszü értelmezését, ijelenthetjü a övetezőet. Mérési adato nélül =, tehát a modellparaméter éppen a béta eloszlás várható értée, p. Ha növeljü a megfigyelése n számát, értée csöen, határesetben, ha n, aor. Ebben az esetben E x n, ami éppen a maximum lielihood becsléssel apott érté [7]. Ez azt jelenti, hogy ha so a mérési adat, egyre evéssé dominál a szubjetívne teinthető a priori béta eloszlás, a szubjetivitásna egyre isebb a hatása az a posteriori eloszlásra. Végül ha n, aor teintettel arra, hogy a szórásnégyzet (Var) nevezője az n magasabb foú polinomja, mint a számláló, övetezi, hogy Var, tehát az a posteriori becslés bizonytalansága egyre isebb. Az elemzés elvégezhető a várható érté helyett a móduszra is, ha az analízis azt mutatja, hogy célszerűbb ez utóbbit használni a p paraméter pontbecsléseént. Anna érdeében, hogy önnyebben tudjun dönteni afelől, hogy mely paramétereel adott béta eloszlást célszerű választani, szemléltetjü a.a) és b) ábráon, hogy hogyan függ a vár- 37
7 ható érté az egyes paraméteretől, ha az egyi paraméter értéét (ülönböző módon) rögzítjü. Ez az elemzés értelemszerűen elvégezhető a módusszal apcsolatban is, ha úgy döntün, hogy nem a várható értéel modellezzü a érdéses paramétert..a) ábra A béta eloszlás várható értééne függése a paraméteretől..b) ábra A béta eloszlás várható értééne függése a paraméteretől Teintsün egy illusztratív példát amelyben n =, egymástól függetlenül műödő, azonos egységből álló rendszert vizsgálun. Tegyü fel, hogy ezdetben a független egysége meghibásodásána valószínűségéről nincs özelebbi információn. Alalmazzu tehát a priori eloszlásént a Beta(, ), egyenletes eloszlást. Enne alapján a p paraméter ezdőér- 38
8 valószínűség téére a p = értéet apju. Tegyü fel, hogy egy megfigyelés alalmával azt tapasztalju, hogy x = 6 részegység esetében övetezi be nemívánatos esemény. Ezzel atualizálhatju a p paraméterre vonatozó becslésünet: p =,38. Az eredeti p értéhez tartozó binomiális eloszlást valamint a frissített p paraméterrel adott eloszlást szemlélteti a 3. ábra. Egy oordinátarendszerben ábrázoltu mindét eloszlás hisztogramját, hogy a változás önnyebben összehasonlítható legyen. Binomiális eloszlás frissítése,,8,6,4,,,8,6,4, eseménye száma "a priori" 3. ábra Az a priori és az a posteriori becslés alapján adódó binomiális eloszlás Tegyü fel, hogy a rendszer legfeljebb három egység meghibásodása esetén műödi zavartalanul. Ha a ét eloszlás alapján ezeet iszámítju, azt apju, hogy az első esetben P =, míg a frissített paramétere esetén P =,789. Amely adato ismeretében a ocázato változása számszerűsíthető, az adott esetben azt apju, hogy a ocázat értée ereen a 65-szörösére növeedett a ezdeti feltevéseinhez épest. 4. Dirichlet a priori-eloszlás és polinomiális eloszlás, mint lielihood függvény Nyilvánvalóan felmerül az igény az előző pontban leírt modell általánosításara arra az esetre, amior:. Egy rendszer omponensei nem azonosa, ülönböző valószínűséggel hibásodna meg, bár továbbra is feltesszü, hogy egymástól függetlenül.. Eseménye egy sorozata nem azonos örülménye özött ismétlődi, így nem vehetün figyelembe minden eseményhez azonos p paramétert a beövetezés valószínűségeént. Az általánosítás ézenfevő, mind logiailag, mind matematiailag [4,5,6]. A binomiális eloszlás helyett az X X X X,,... vetorváltozó leírására enne többdimenziós megfelelőjét a polinomiális eloszlást teintjü: Poli(n, p, p,, p). Az n nem negatív egész paraméter ebben az esetben is a megfigyelése számát jelenti, a p,, i,,..., i paramétere 39
9 pedig a -db osztályba sorolható eseménye beövetezéséne valószínűsége, eze az eseménye rendre, x, x,, x alalommal övetezne be, ahol nyilván i p i. Ha xi n, i aor a polinomiális eloszlásra épülő -dimenziós modell, vagyis a lielihood függvény alaja a övetező: ahol a paramétere vetora x! i n! xi i i i i xi! xi! i i xi i,,...,, n x, x,..., x,,..., p, p,..., p n n (4.). A polinomiális eloszlással apcsolatosan megjegyezzü, hogy az Xi valószínűségi változó várható értée és szórása a övetező: ; E X np Var X np p i i i i i (4.) A paramétere eloszlása modellezhető a -dimenziós, = (,,,) hiperparamétervetorral adott Dirichlet-eloszlással, amely a béta eloszlás többdimenziós általánosítása [4]. Az a priori eloszlás tehát a övetező:,,...,,,..., i i i i i i i (4.3) ahol i >, i > ; (i =,,, ), és i i i. Az eloszlás jellemzői: E X Mod X Var X i i i i ; i =, ha i >; i ; ahol i i i i (4.4) Abban az esetben, ha nincs ezdeti információ a pi paramétereről, amior tehát nincs oun egyiet sem itüntetni a többivel szemben, az egyenletes Dirichlet-eloszlást lehet alalmazni, amior is := = = n. Alalmazzu a Bayes-tételt az a posteriori eloszlás meghatározására. Ha ismét elteintün a onstans szorzótól, azaz a nevezőbeli normalizáló állandótól, aor apju, hogy x x,,..., x, x,..., x ~ i i i i ~ i i i i i i A hiányzó onstansoal iegészítve apju egzat módon az a posteriori eloszlást: (4.5) 4
10 x,,..., x, x,..., x i i i i xi i i i xi i (4.6) Ez ugyancsa egy Dirichlet-eloszlás. A 3. pontban is alalmazott terminológiával azt mondhatju tehát, hogy a polinomiális eloszlás és a Dirichlet-eloszlás onjugált eloszláso. A megfigyelése figyelembe vételével, más szóval a frissített Dirichlet-eloszlás alapján adódna a pi paramétere atualizált értéei, amelyet az eloszlás Xi valószínűségi változójána várható értéével vagy móduszával becsülhetün: x x x E X Mod X Var X x i i i i i i i i i i i i i xi i ' ; ' = ; ' ; ahol az i rögzített index arra utal, hogy a várható érté számlálójában nem összegzün. A megfigyelése, felmerült adato hatása az a posteriori becslésere vonatozólag pontosan ugyanúgy elemezhető, mint ahogyan azt a 3. pontban a binomiális eloszlás esetében tettü. 4. ábra Az a priori Dirichlet-eloszlás Teintsün egy illusztráló példát az említett eloszlásoal apcsolatban. Anna érdeében, hogy szemléltetni tudju az érintett eloszlásoat, a = 3 esetre szorítozun. Tegyü fel tehát, hogy bizonyos eseménye egymástól függetlenül övetezhetne be, és a beövetezés valószínűsége szerint három osztályba sorolható. Az egyes nemívánatos eseménye valószínűsége rendre p, p és p3. Tegyü fel az egyszerű átteinthetőség érdeében, hogy mindössze n 4
11 = 4 megfigyelést végzün, továbbá, hogy az egyes valószínűségeről semmiféle információn nincs, így az egyenletes a priori Dirichlet-eloszlást teintjü iindulópontna. Eor legyen = = = 3 =. Az eloszlás peremeloszlásaina várható értée adja a pi paramétere ezdőértéét. Ez összhangban az intuitív megözelítéssel a pi 3 (i =,, 3) értéeet szolgáltatja. Eze alapján ábrázolhatju az a priori Dirichlet-eloszlást és a 3-dimenziós polinomiális eloszlást. Ezeet mutatja a 4. és 5. ábra. "A priori" Polinomiális eloszlás,6,4,,,8,6,4, ábra Az a priori Dirichlet-eloszlás alapján adódó Polinomiális eloszlás Tegyü fel, hogy a onrét megfigyelésün eredménye a övetező: Az n = 4 megfigyelés során a p, p és p3 valószínűségű esemény rendre,, 3 alalommal övetezi be. A Bayestétel alapján levezetett a posteriori eloszlás paraméterei és az egyes peremeloszláso várható értée azonnal adódi. Növevő indexe szerint a frissített eloszlás paramétereine értée + = ; + = ; + 3 = 4, a várható értée pedig 3 4 p ' ; p ' ; p ' Ha ezeel a paramétereel ábrázolju az a posteriori Dirichlet-eloszlást, valamint az atualizált paramétereel adott polinomiális eloszlást, aor a 6. ábrán látható felületet illetve a 7. ábrán látható hisztogramot apju. 4
12 6. ábra Az a posteriori Dirichlet-eloszlás "A posteriori" polinomiális eloszlás,5,,5,, ábra Az a posteriori Dirichlet-eloszlás alapján adódó Polinomiális eloszlás 43
13 A hisztogramoat összehasonlítva látható, hogy az eloszlás megváltozott. A iinduló és a frissített polinomiális eloszlást numerius adatoal adja meg az. táblázat. Polinomiális eloszlás p = p = p 3 = /3 paramétereel Polinomiális eloszlás p = /7, p = /7, p 3 = 4/7 paramétereel \ 3 4 \ 3 4,3,494,74,494,3,66,66,4,67,4,494,48,48,494,3,599,4,33,74,48,74,599,8, 3,494,494 3,533,33 4,3 4,67. táblázat Az a priori és a posteriori polinomiális eloszlás Az egyszerűbb összehasonlítás érdeében tegyü példaéppen számszerűvé anna valószínűségét, hogy ét nemívánatos esemény ülön-ülön (melye valószínűsége rendre p, p) legfeljebb egy alalommal övetezi be. (Ezt interpretálhatju úgy is, hogy voltaéppen ét nemívánatos eseményről van szó, és p3 anna az eseményne a valószínűsége, hogy sem a p, sem a p valószínűségű nem ívánatos esemény nem övetezi be.) Tehát érdezzü a övetezőt: Mi a valószínűsége a eseményne. Az a priori becslés, tehát az ( ; ) egyenletes Dirichlet-eloszlás alapján apott valószínűség az eloszlás ismeretében: P =,3 +,494 +,494 +,48 =,59. Ha az a posteriori becslés alapján apott polinomiális eloszlást teintjü, aor pedig: P =,66 +,3 +,66 +,599 =,5863. Eredményün azt jelenti, hogy a megfigyelése figyelembevételével, a érdéses esemény valószínűsége, ezzel a ocázat becsült értée több, mint étszeresére növeedett. 5. Összefoglalás A Bayes-analízis fentieben bemutatott alalmazása iválóan alalmas a szubjetív értéítélete és tapasztalat alapján apott adatoból leszűrt öveteztetése összehangolására. A példában onrét diszrét eloszláso egy alalmazási lehetőségére oncentráltun, azonban van lehetőség tetszőleges diszrét és folytonos eloszláso esetén is alalmazni a Bayes-analízist. FELHASZNÁLT IRODALOM [] EZELL, BENNETT, WINTERFELDT, SOKOLOWSKI, COLLINS: Probabilistic Ris Analysis and Terrorism Ris. Ris analysis, Vol. 3, No.4,. [] Elisabeth PATÉ-CORNELL, Seth GUIKEMA: Probabilistic Modelling of Terrorist Threats: A System Analysis Approach to Setting Priorities Among Countermeasures. Military Operations Research. Vol. 7, No. 4, pp. 5-. [3] BIER, V.M., MOSLEH, A.: The subjective Bayessian approach to Probabilistic Ris Assessment. Reliability Engineering and System Safety 3 (988) [4] DENKINGER Géza: Valószínűségszámítás. Tanönyviadó. Budapest ISBN: [5] RÉNYI Alfréd: Valószínűségszámítás. Tanönyviadó. Budapest, 98. ISBN: [6] William FELLER: Bevezetés a valószínűségszámításba és alalmazásaiba. Műszai Könyviadó. Budapest ISBN: [7] JÁNOSSY Lajos: A valószínűségelmélet alapjai és néhány alalmazása: Tanönyviadó. Budapest. 965 ÁBRÁK Az ábráat a szerző észítetté Excel táblázatezelő illetve a MATLAB szoftver segítségével. 44
Legfontosabb bizonyítandó tételek
Legfontosabb bizonyítandó tétele 1. A binomiális tétel Tetszőleges éttagú ifejezés (binom) bármely nem negatív itevőj ű hatványa polinommá alaítható a övetez ő módon: Az nem más, mint egy olyan n tényezős
RészletesebbenDrótos G.: Fejezetek az elméleti mechanikából 4. rész 1
Drótos G.: Fejezete az elméleti mechaniából 4. rész 4. Kis rezgése 4.. gyensúlyi pont, stabilitás gyensúlyi pontna az olyan r pontoat nevezzü valamely oordináta-rendszerben, ahol a vizsgált tömegpont gyorsulása
RészletesebbenDr. Tóth László, Kombinatorika (PTE TTK, 2007)
A Fibonacci-sorozat általános tagjára vontozó éplet máséppen is levezethető A 149 Feladatbeli eljárás alalmas az x n+1 ax n + bx, n 1 másodrendű állandó együtthatós lineáris reurzióal adott sorozato n-edi
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
Részletesebben5 3 0,8 0,2. Számolja ki a 3
Megoldási útmutató, eredménye A feladato megoldásaor mindig ismételje át a feladatban szereplő fogalma definícióit. A szüséges fogalma, definíció: valószínűségi változó, diszrét-, folytonos valószínűségi
RészletesebbenKiegészítő részelőadás 2. Algebrai és transzcendens számok, nevezetes konstansok
Kiegészítő részelőadás. Algebrai és transzcendens számo, nevezetes onstanso Dr. Kallós Gábor 04 05 A valós számo ategorizálása Eml. (óori felismerés): nem minden szám írható fel törtszámént (racionálisént)
RészletesebbenValószínűségszámítás és statisztika előadás Info. BSC B-C szakosoknak. Bayes tétele. Példák. Események függetlensége. Példák.
Valószínűségszámítás és statisztia előadás Info. BSC B-C szaosona 20018/2019 1. félév Zempléni András 2.előadás Bayes tétele Legyen B 1, B 2,..., pozitív valószínűségű eseményeből álló teljes eseményrendszer
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
Részletesebben3. előadás Reaktorfizika szakmérnököknek TARTALOMJEGYZÉK. Az a bomlás:
beütésszám. előadás TARTALOMJEGYZÉK Az alfa-bomlás Az exponenciális bomlástörvény Felezési idő és ativitás Poisson-eloszlás Bomlási sémá értelmezése Bomlási soro, radioatív egyensúly Az a bomlás: A Z X
RészletesebbenA feladatok megoldása
A feladato megoldása A hivatozáso C jelölései a i egyenleteire utalna.. feladat A beérezési léps felszíne fölött M magasságban indul a mozgás, esési ideje t = M/g. Ezalatt a labda vízszintesen ut utat,
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
Részletesebben1. Egyensúlyi pont, stabilitás
lméleti fizia. elméleti összefoglaló. gyensúlyi pont, stabilitás gyensúlyi pontna az olyan pontoat nevezzü, ahol a tömegpont gyorsulása 0. Ha a tömegpont egy ilyen pontban tartózodi, és nincs sebessége,
Részletesebbenfile:///l:/valsz%c3%a1mstatv%c3%a9gleges/bernoulli/introduction...
1 / 5 2011.03.17. 14:23 Virtuális laboratóriumo > 10. Bernoulli ísérlete > 1 2 3 4 5 6 1. Bevezetés Alapelmélet A Bernoulli ísérlet folyamat, melyne névadója Jacob Bernoulli a valószínűségszámítás egyi
RészletesebbenI. A PRIMITÍV FÜGGVÉNY ÉS A HATÁROZATLAN INTEGRÁL
A primitív függvény és a határozatlan integrál 5 I A PRIMITÍV FÜGGVÉNY ÉS A HATÁROZATLAN INTEGRÁL Gyaorlato és feladato ( oldal) I Vizsgáld meg, hogy a övetező függvényene milyen halmazon van primitív
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenDigitális Fourier-analizátorok (DFT - FFT)
6 Digitális Fourier-analizátoro (DFT - FFT) Eze az analizátoro digitális műödésűe és a Fourier-transzformálás elvén alapulna. A digitális Fourier analizátoro a folytonos időfüggvény mintavételezett jeleit
RészletesebbenA CSOPORT 4 PONTOS: 1. A
A CSOPORT 4 PONTOS:. A szám: pí= 3,459265, becslése: 3,4626 abszolút hiba: A szám és a becslés özti ülönbség abszolút értée Pl.: 0.000033 Relatív hiba: Az abszolút hiba osztva a szám abszolút értéével
RészletesebbenIntelligens elosztott rendszerek. Információfúzió (valószínűségi alapon, Kálmán-szűrőt használva, Dempster-Shafer elmélet alapján)
Intelligens elosztott rendszere Információfúzió (valószínűségi alapon, Kálmán-szűrőt használva, Dempster-Shafer elmélet alapján) Patai Béla BME I.E. 414, 463-26-79 patai@mit.bme.hu, http://www.mit.bme.hu/general/staff/patai
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenA JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA
A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projet eretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszéén az ELTE Közgazdaságtudományi
RészletesebbenFüggvények hatványsorba fejtése, Maclaurin-sor, konvergenciatartomány
Függvénye hatványsorba fejtése, Maclaurin-sor, onvergenciatartomány Taylor-sor, ) Állítsu elő az alábbi függvénye x helyhez tartozó hatványsorát esetleg ülönféle módszereel) éa állapítsu meg a hatványsor
RészletesebbenSpeciális függvénysorok: Taylor-sorok
Speciális függvénysoro: Taylor-soro Állítsu elő az alábbi függvénye x 0 0 helyhez tartozó hatványsorát esetleg ülönféle módszereel és állapítsu meg a hatványsor onvergenciatartományát! A cos 5x függvény
RészletesebbenKészletek - Rendelési tételnagyság számítása -1
Készlete - Rendelési tételnagyság számítása -1 A endelési tételnagyság meghatáozása talán a legészletesebben tágyalt édésö a észletgazdálodási szaiodalomban. Enne nagyészt az az oa, hogy mind az egyszee
Részletesebben1. Fourier-sorok. a 0 = 1. Ennek a fejezetnek a célja a 2π szerint periodikus. 1. Ha k l pozitív egészek, akkor. (a) cos kx cos lxdx = 1 2 +
. Fourier-soro. Bevezet definíció Enne a fejezetne a célja, hogy egy szerint periodius függvényt felírjun mint trigonometrius függvényeből épzett függvénysorént. Nyilván a cos x a sin x függvénye szerint
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenTizenegyedik gyakorlat: Parciális dierenciálegyenletek Dierenciálegyenletek, Földtudomány és Környezettan BSc
Tizenegyedi gyaorlat: Parciális dierenciálegyenlete Dierenciálegyenlete, Földtudomány és Környezettan BSc A parciális dierenciálegyenlete elmélete még a özönséges egyenleteénél is jóval tágabb, így a félévben
RészletesebbenVéletlen 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
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenSZÁLLÍTÓ REPÜLŐGÉPEK GÁZTURBINÁS HAJTÓMŰVEI NYOMÁSVISZONYA NÖVELÉSÉNEK TERMIKUS PROBLÉMÁI
Dr. Pásztor Endre SZÁLLÍTÓ REPÜLŐGÉPEK GÁZTURBINÁS HAJTÓMŰVEI NYOMÁSVISZONYA NÖVELÉSÉNEK TERMIKUS PROBLÉMÁI A probléma felvetése, bevezetése. Az ideális termius hatáso (η tid ) folytonosan növeszi a ompresszor
RészletesebbenKiegészítő részelőadás 2. Algebrai és transzcendens számok, nevezetes konstansok
Kiegészítő részelőadás 2. Algebrai és transzcendens számo, nevezetes onstanso Dr. Kallós Gábor 204 205 A valós számo ategorizálása Eml. (óori felismerés): nem minden szám írható fel törtszámént (racionálisént)
RészletesebbenSTATISZTIKA 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
RészletesebbenA 2015/2016. tanévi Országos Középiskolai Tanulmányi Verseny második forduló MATEMATIKA I. KATEGÓRIA (SZAKKÖZÉPISKOLA) Javítási-értékelési útmutató
Otatási Hivatal A 015/016 tanévi Országos Középisolai Tanulmányi Verseny másodi forduló MATEMATIKA I KATEGÓRIA (SZAKKÖZÉPISKOLA) Javítási-értéelési útmutató 1 Egy adott földterület felásását három munás
RészletesebbenFolytonos valószínűségi változó: Lehetséges értéei egy folytonos tartományt alotna. Minden egyes érté 0 valószínűségű, csa tartományona van pozitív va
Valószínűségi változó (véletlen változó, random variables) Változó: Névvel ellátott érté. (Képzeljün el egy fióot. A fió címéje a változó neve, a fió tartalma pedig a változó értée.) Valószínűségi változó:
RészletesebbenA szita formula és alkalmazásai. Gyakran találkozunk az alábbi kérdéssel, sokszor egy összetett feladat részfeladataként.
A szta formula és alalmazása. Gyaran találozun az alább érdéssel, soszor egy összetett feladat részfeladataént. Tentsün bzonyos A 1,...,A n eseményeet, és számítsu anna a valószínűségét, hogy legalább
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
Részletesebbenk n k, k n 2 C n k k=[ n+1 2 ] 1.1. ábra. Pascal háromszög
Alapfeladato Megoldás A ombináció értelmezése alapján felírhatju, hogy n, n Ha n páros, aor n és n özött veszi fel értéeit Ha n páratlan, aor n, vagyis > n n+, ami azt jelenti, hogy és n özött veszi fel
RészletesebbenÁllapottér modellek tulajdonságai PTE PMMK MI BSc 1
Állapottér modelle tulajdonságai 28..22. PTE PMMK MI BSc Kalman-féle rendszer definíció Σ (T, X, U, Y, Ω, Γ, ϕ, η) T az időhalmaz X a lehetséges belső állapoto halmaza U a lehetséges bemeneti értée halmaza
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenSegítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
Részletesebben6. Bizonyítási módszerek
6. Bizonyítási módszere I. Feladato. Egy 00 00 -as táblázat minden mezőjébe beírju az,, 3 számo valamelyiét és iszámítju soronént is, oszloponént is, és a ét átlóban is az ott lévő 00-00 szám öszszegét.
Részletesebben2.2.36. AZ IONKONCENTRÁCIÓ POTENCIOMETRIÁS MEGHATÁROZÁSA IONSZELEKTÍV ELEKTRÓDOK ALKALMAZÁSÁVAL
01/2008:20236 javított 8.3 2.2.36. AZ IONKONCENRÁCIÓ POENCIOMERIÁ MEGHAÁROZÁA IONZELEKÍ ELEKRÓDOK ALKALMAZÁÁAL Az onszeletív eletród potencálja (E) és a megfelelő on atvtásána (a ) logartmusa özött deáls
RészletesebbenExponenciális és logaritmusos kifejezések, egyenletek
Gyaorló feladato Eponenciális és logaritmusos ifejezése, egyenlete. Hatványozási azonosságo. Számítsd i a övetező hatványo pontos értéét! g) b) c) d) 7 e) f) 9 0, 9 h) 0, 6 i) 0,7 j), 6 ), l). A övetező
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok 2. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató 2015/2016. tanév I. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok II. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok II. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
RészletesebbenLeast 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
RészletesebbenDiszkrét matematika I. középszint Alapfogalmakhoz tartozó feladatok kidolgozása
Diszrét matematia I. özépszint Alapfogalmahoz tartozó feladato idolgozása A doumentum a övetező címen elérhető alapfogalmahoz tartozó példafeladato lehetséges megoldásait tartalmazza: http://compalg.inf.elte.hu/~merai/edu/dm1/alapfogalma.pdf
RészletesebbenÁltalánosan, 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
RészletesebbenMi az adat? Az adat elemi ismeret. Az adatokból információkat
Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás
RészletesebbenPontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.
Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom
RészletesebbenA gyors Fourier-transzformáció (FFT)
A gyors Fourier-transzformáció (FFT) Egy analóg jel spetrumát az esete döntő többségében számítástechniai eszözöel határozzu meg. A jelet mintavételezzü és elvégezzü a mintasorozat diszrét Fouriertranszformációját.
RészletesebbenNeurális hálózatok. Nem ellenőrzött tanulás. Pataki Béla. BME I.E. 414,
Neurális hálózato Nem ellenőrzött tanulás Patai Béla BME I.E. 414, 463-26-79 patai@mit.bme.hu, http://www.mit.bme.hu/general/staff/patai Nem ellenőrzött tanulás (Klaszterezés ) Az eseteet szoásos módon
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.
RészletesebbenBAYES-ANALÍZIS ALKALMAZÁSA A KOCKÁZATELEMZÉSBEN 3
XXII. évfolyam, 0. különszám BALOGH Zsuzsanna, Dr. HANKA László BAYES-ANALÍZIS ALKALMAZÁSA A KOCKÁZATELEMZÉSBEN 3 Absztrakt: A rendelkezésre álló adatok szerint a terrorizmus aktivitása napról-napra növekszik,
RészletesebbenNemzetközi gazdaságtan 1. modul - 3.lecke
Segédlet Nemzetözi gazdaságtan. modul -.lece A nemzetözi gazdaságtan alapjai (Solt Katalin[004]: A nemzetözi gazdaságtan alapjai, Tri-Mester Kiadó, Tataánya) cím jegyzet.6. fejezete Vállalato és a üleresedelem
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenIdeális eset: Ehhez képesti k
Kisfeszülts ltségű hálózato veszteségeine tudásalap salapú modellezése Dr. Dán András, aisz Dávid BME Villamos Energetia Tsz. Villamos Műve és Környezet Csoport Nagy stván, Libor József, Szemerei Ádám
Részletesebben13. Előadás. 1. Aritmetikai Ramsey-elmélet (folytatás)
Diszrét Matematia MSc hallgató számára 13. Előadás Előadó: Hajnal Péter Jegyzetelő: Virágh Zita 010. december 13. 1. Aritmetiai Ramsey-elmélet (folytatás) Eddig megemlített Ramsey-tételeet a övetező táblázatban
RészletesebbenA következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
RészletesebbenValószínűségszámítás feladatok
Valószínűségszámítás feladato A FELADATOK MEGOLDÁSAI A 0. FELADAT UTÁN TALÁLHATÓK.. Egyszerre dobun fel három érmét. Mi anna a valószínűsége, hogy mindegyine ugyanaz az oldala erül felülre?. Két dobóocát
RészletesebbenMIT TANULHATUNK A BIG DATÁBÓL, AVAGY HOGYAN VÁLASZTUNK KOMMUNIKÁCIÓS CSATORNÁT?
MIT TANULHATUNK A BIG DATÁBÓL, AVAGY HOGYAN VÁLASZTUNK KOMMUNIKÁCIÓS CSATORNÁT? Törö János, 1,2 Kertész János 1,3 1 BME, Elméleti Fizia Tanszé 2 MTA BME Morfodinamia utatócsoport 3 Department of Networ
Részletesebben7/2001. (II. 22.) PM rendelet. a biztosítóintézetek aktuáriusi jelentésének tartalmi követelményeiről
Hatályban: 2001.III. 2től 7/2001. (II. 22.) PM rendelet a biztosítóintézete atuáriusi jelentéséne tartalmi övetelményeiről A biztosítóintézeteről és a biztosítási tevéenységről szóló többször módosított
RészletesebbenA RUGALMAS GYÁRTÓRENDSZEREK MŰVELETTÍPUSON ALAPULÓ KAPACITÁSELEMZÉSÉNEK EGYSZERŰSÍTÉSE
A RUGALMAS GYÁRTÓRENDSZEREK MŰVELETTÍPUSON ALAPULÓ KAPACITÁSELEMZÉSÉNEK EGYSZERŰSÍTÉSE 1. BEVEZETÉS Juász Vitor P.D. allgató A modern, profitorientált termelővállalato elsődleges célitűzései özé tartozi
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenA képzési program kiértékelése
A épzési program iértéelése Elhelyezési és rízisintervenciós özpontoban tevéenyedő ifjusági dolgozó interdiszciplináris ompetencia fejlesztése Tréner ID: Kedves épző! A jelen érdőív célja a projet eretén
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenVALÓS SZÁMOK MEGKÖZELÍTÉSE TÖRTEKKEL
Surányi János Farey törte mate.fazeas.u Surányi János VALÓS SZÁMOK MEGKÖZELÍTÉSE TÖRTEKKEL FAREY-TÖRTEK. Egy a alós számot racionális számoal, azaz törteel aarun megözelíteni. A törteet az alábbiaban mindig
RészletesebbenBevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika
Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra
RészletesebbenVillamosmérnök A4 3. gyakorlat ( ) Nevezetes diszkrét eloszlások
1. Nevezetes diszrét eloszláso bemutatása Villamosmérnö A4 3. gyaorlat (01. 09. 4.-5. Nevezetes diszrét eloszláso (a Bernoulli eloszlás: Olyan ísérletet hajtun végre, amine eredménye lehet "sier" vagy
RészletesebbenFurfangos fejtörők fizikából
Furfangos fejtörő fiziából Vigh Máté ELTE Komple Rendszere Fiziája Tanszé Az atomotól a csillagoig 03. április 5. . Fejtörő. A,,SLINKY-rugó'' egy olyan rugó, melyne nyújtatlan hossza elhanyagolhatóan icsi,
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
RészletesebbenMatematika A4 III. gyakorlat megoldás
Matematia A4 III. gyaorlat megoldás 1. Független eseménye Lásd másodi gyaorlat feladatsora.. Diszrét eloszláso Nevezetes eloszláso Binomiális eloszlás: Tipius példa egy pénzdobás sorozatban a feje száma.
RészletesebbenIII. FOLYTONOS OPTIMALIZÁCIÓ
III FOLYTONOS OPTIMALIZÁCIÓ El szó Ebben a részben a folytonos optimalizáció néhány területét teintjü át Az elso ötetbe a játéelmélettel foglalozó nyolcadi fejezet erült: ebben a fejezetben a véges játéoat,
RészletesebbenDr. Tóth László, Kombinatorika (PTE TTK, 2007) nem vagyunk tekintettel a kiválasztott elemek sorrendjére. Mennyi a lehetőségek száma?
Dr Tóth László, Kombiatoria (PTE TTK, 7 5 Kombiáció 5 Feladat Az,, 3, 4 számo özül válasszu i ettőt (ét ülöbözőt és írju fel ezeet úgy, hogy em vagyu teitettel a iválasztott eleme sorredjére Meyi a lehetősége
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenNagy 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
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
RészletesebbenFogópáros fa fedélszék számítása
BUDAPEST MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM Építőmérnöi Kar Hida és Szerezete Tanszée Fogópáros fa fedélszé számítása Segédlet v3. Összeállította: Koris Kálmán Erdődi László Molnár András Budapest, 010.
RészletesebbenMechanizmusok vegyes dinamikájának elemzése
echanzmuso vegyes dnamáána elemzése ntonya Csaba ranslvana Egyetem, nyagsmeret Kar, Brassó. Bevezetés Komple mechanzmuso nemata és dnama mozgásvszonyana elemzése nélülözhetetlen a termétervezés első szaaszaban.
RészletesebbenDiszkrét matematika KOMBINATORIKA KOMBINATORIKA
A ombiatoria véges elemszámú halmazoat vizsgál. A fő érdése: a halmaz elemeit háyféleéppe lehet sorbaredezi, iválasztai özülü éháyat vagy aár midet bizoyos feltétele mellett, stb. Ezért a ombiatoria alapját
RészletesebbenMatematika 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
RészletesebbenÉRZÉKENYSÉGVIZSGÁLAT TERMELÉSTERVEZÉSI ÉS TERMELÉSÜTEMEZÉSI MODELLEKNÉL
ÉRZÉKENYSÉGVIZSGÁLAT TERMELÉSTERVEZÉSI ÉS TERMELÉSÜTEMEZÉSI MODELLEKNÉL MTA DOKTORI ÉRTEKEZÉS TÉZISEI KOLTAI TAMÁS A MŰSZAKI TUDOMÁNY KANDIDÁTUSA BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM BUDAPEST,
RészletesebbenDr Mikó Balázs Mesterséges intelligencia Szakértői rendszerek 3.1 (2002.02.26. 17:38)
BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM GÉPGYÁRTÁSTECHNOLÓGIA TANSZÉK Dr Mió Balázs Mesterséges intelligencia Szaértői rendszere Otatási segédlet a Technológiai tervező rendszere Tárgyhoz 3.1 (2002.02.26.
RészletesebbenTuzson Zoltán A Sturm-módszer és alkalmazása
Tuzso Zoltá A turm-módszer és alalmazása zámtala szélsérté probléma megoldása, vag egeltleség bzoítása ago gara, már a matemata aalízs eszözere szorítoz, mt például a Jese-, Hölder-féle egeltleség, derválta
RészletesebbenA NEMZETI MÉDIA- ÉS HÍRKÖZLÉSI HATÓSÁG MÉDIATANÁCSÁNAK. 47/2015. (I.13.) számú H A T Á R O Z A T A
Ügyiratszám: MN/27734-7/2014. Ügyintéző: személyes adat Telefonszám: Személyes adat E-mail: személyes adat Tárgy: a vállalt műsorstrutúrána megfelelő műsor sugárzására, valamint a özszolgálati műsorszámo
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása A csoport
Gazdasági matematika II. vizsgadolgozat megoldása A csoport Definiálja az alábbi fogalmakat!. Egy eseménynek egy másik eseményre vonatkozó feltételes valószínűsége. ( pont) Az A esemény feltételes valószínűsége
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenHipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenSzámítógépes 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
Részletesebben2 ahol α a relére jellemző belső szög. A fázisszögrelé karakterisztikája az alábbi ábrán figyelhető meg.
VEL.6 mpedancia-mérés szög- és mérlegelven. A távolsági védelem elve, elépítése egymérőelemes esetben. ülönböző zárlato impedanciamérése. Távolsági védelme oozatszámítása. mpedanciamérés szögelv segítségével
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június
GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi
Részletesebben123 Legyen mármost adva egy (1) lefedő rendszer, melyben ni *- 6, 1 ~ i :s és legyen p i az n 2hez tartozó prímszámo valamelyie. Eor ezen pi- (2) érte
Egy ongruenciarenslszereről szóló problémáról Az írta : ERDÖS PÁL (l) x-ai(mod ni), 1 < n1 < n 2
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenProporcionális hmérsékletszabályozás
Proporcionális hmérséletszabályozás 1. A gyaorlat célja Az implzsszélesség modlált jele szoftverrel történ generálása. Hmérsélet szabályozás implementálása P szabályozóval. 2. Elméleti bevezet 2.1 A proporcionális
Részletesebben