Véletlen bolyongás. 2. rész. Márkus László jegyzete alapján Tóth Tamás december 10.
|
|
- Edit Kerekesné
- 5 évvel ezelőtt
- Látták:
Átírás
1 2. rész december 10.
2 Határeloszlás tételek a bolyongás funkcionáljaira 1 A bolygó pont helyzete: EX i = 0, D 2 X i = EX 2 = 1 miatt i ES n = 0, D 2 S n = n, és a centrális határeloszlás tétel (CHT) alklamazható: lim P( S n < x) = Φ(x) n n x R ahol Φ(x) a standard normális eloszlás eloszlásfüggvénye. 2 Maximumok: P(M n r) = P(S n r) + P(S n r + 1) miatt x > 0-ra:
3 lim n P ( ) [ ( ) ( Mn Sn Sn n x = lim P n x + P n x + 1 )] = n n = 2 lim n P lim n P ( ) Sn n x = 2 [1 Φ(x)], így ( ) Mn n < x = 2 Φ(x) 1 x > 0 Megjegyzés: 2 Φ(x) 1 x > 0-ra eloszlásfüggvény
4 1 Szintelérési id k: P(ν r n) = P(M n r) Nyilván r-nek és n-nek együtt kell -be tartani, hogy értelmes határeloszlást kapjunk: n = r 2 x a jó nagyságrend. ( lim P νr ) r r 2 x = lim ( P M [r 2 x] ) r = r = lim r P ( M[r 2 x] r x ) r r x = lim P r ( ( )) 1 = 2 1 Φ x ( M [r 2 x] [r 2 x] 1 x ) = x > 0
5 1 Visszatérések 0-ba: P (ρ r n) = P (ν r n r), így ( lim P ρr ) ( r r 2 x = lim P νr r ( = lim P νr ) r r 2 x = 2 r 2 x 1 r ( 1 Φ ) = ( 1 x ))
6 Brown mozgás, Wiener folyamat 1827-ben Robert Brown felfedezi, hogy a folyadékban lebeg pollenszemcsék szabálytalan mozgást végeznek ben Albert Einstein a jelenséget azzal magyarázza, hogy a folyadék h mozgást végz molekulái nekiütköznek a pollenszemcsének - a nagy (makro) részecskének - és véletlenszer en löködik az. E modell analógját vizsgáljuk az egyenesen. Ekkor az ütközésnek csupán 2 iránya lehet + vagy -. Mivel minden lökés a megfelel irányba mozdítja el a részecskét, ennek mozgását pl. egy bolyongással közelíthetjük. Azonban mivel a molekulák száma igen nagy az ütközések nagyon gyakran, szinte állandóan történnek, miközben az általuk létrehozott elmozdulás nagyon kicsiny. Ezért nem egyenként lépünk ±1-et, hanem az állandó, parányi ütközéseket úgy írjuk le, hogy 1 n id közönként történ ütközések 1 -nyire mozdítják el a részecskét n és e modell határértékét tekintjük, ha n.
7 Az ütközési id és az elmozdulás nagysága ( 1, 1 n n) közötti kapcsolat a következ képpen magyarázható. Matematikailag csak ez esetben kapunk a triviálistól (0 vagy ) különböz határértéket. Fizikailag a részecskék eloszlását a térben Poisson eloszlásnak tételezhetjük fel. Ebb l a molekulák közötti szabad úthossz eloszlása számloható. A molekulák sebességét ett l függetlennek feltételezhetjük, eloszlássukat pedig Maxwell eloszlásúnak. Z = v1 2 + v v 3 2. Ett l már az ütközések között eltelt várható (átlagos) id számolható Et = E s = Es E 1 alapján és a fentiekb l a várható v v szabad úthossz is megadható. Ebb l az Et = c (Es) 2 reláció adódik.
8 Visszatérve a részecske mozgására, a t id pontban a helyzete legyen w(t). Az n-edik közelítésben t ideig n t ütközés (pontosabban [n t] de n miatt ez nem lényeges) történt így a részecske heylzete 1 n S nt, tehát w(t) = lim n t S nt = t lim n t n S nt, mivel nt S nt = nt k=1 X k és D 2 X k = 1, X k független azonos eloszlású ezért a centrális határeloszlás tétel miatt az S nt val. változó egy standard normális eloszláshoz tart eloszlásban ( nem valváltozóhoz ). Tehát w(t)0 várható érték t szórású normális eloszlású valváltozó. Az egyes bolyongások független, stacionárius növekmény folyamatok, ezért feltételezhetjük, hogy e tulajdonság a fenti határátmenet során is megmarad. Mindegyik bolyongás a 0-ból indul, tehát w(0) = 0 nt
9 Deníció: A standart Wiener-folyamat vagy standard Brown-mozgás olyan folytonos idej, független stacionálrius növekmény w(t) folyamat, amelyre w(t)n(0, t) eloszlású, speciálisan w(0) = 0. Megjegyzés: Nyilván Ew(t) = 0 és D 2 w(t) = t, továbbá w(t + s) w(s) szintén N(0, t) eloszlású. Megjegyzés: Tetsz leges t > 0-ra (tehát 0-hoz bármilyen közel is) és tetsz leges x R-re h > 0 mellett P(x w(t) < x + h) > 0, de persze nagy x-re ez a valószín ség elenyész en kicsiny. Tetsz legesen kis id alatt tetsz legesen messze is kerülhet a részecske. Deníció: Általában Brown-mozgásnak hívjuk a standard Brown mozgás konstansszorosát X (t) = σ w(t) Ez független stacionárius növekmény w(t) M(0, σ t).
10 Megjegyzés: A Brown mozgás deníciójában a fentiek mellett gyakran a folytonosságra vonatkozó kikötés is áll. Ezt némi el készítés uután mi is megtesszük. Megjegyzés: A fenti deníció önmagában nem biztosítja, hogy ilyen folyamat valóban létezik is. Ezt külön meg kell mutatni és ez meglehet sen "munkaigényes". 3 féle szokásos módja is van a létezés bizonyításának, azonban itt egyiket sem követjük végig. Az els lehet ség az lenne, hogy követve azt az utat, ahogyan heurisztikusan bevezettök a Wiener folyamatot, az "összenyomott" bolyongásokról megmutatnánk azt a jóval élesebb tényt, hogy nem csupán eloszlásban konvergálnak, hanem 1 valószín séggel is és határértékük eloszlása ekkor már egybe kell essen a Wiener folyamatval.
11 Másik lehet ség lenne, hogy bizonyítanánk Kolomogorov alaptételét, mely szerint tetsz leges egyeztetetten megadott véges dimenziós eloszláscsaládokhoz létezik valváltozók összessége pont megadott eloszlással. Mivel a deníciónk egyértelm en és egyeztetetten meghatározza a Wiener folyamat véges dimenziós eloszlásait így e tételb l egyúttal a Wiener folyamat létezése is következik. Végül harmadik lehet ségként megkonstruálhatnánk a Wiener folyamatot bizonyos ortonormált függvénysorok véletlen (v. v.) együtthatós lineáris kombinációjaként és ellen riznénk, hogy eloszlása épp a kívánt.
12 A Wiener folyamat folytonosságáról Állítás: w(t)l 2 -ben folytonos. Bizonyítás: Legyen t n olyan sorozat, hogy t n t. Ekkor w(t n ) w(t) N(0, t t n ) és így E [w(t n ) w(t)] 2 = D 2 (w(t n ) w(t)) = t n t 0, tehát n w(t n ) L 2 w(t) Megjegyzés: Ezzel még nem mondtunk sokat ugyanis igaz a következ : Állítás: A Poisson folyamat L 2 -ben folytonos! Bizonyítás: Ha X (t) Poisson folyamat, akkor X (t n ) X (t) Poisson λ t n t paraméterrel (t n mint fent). Így E [X (t n ) X (t)] 2 = D 2 (X (t n X (t)) + [E(X (t n ) X (t))] 2 = λ t n t + (λ t n t ) 2 t n t L 0 tehát X (t n X (t).
13 Megjegyzés: Természetesen mind a Wiener, mind a Poisson folyamat sztochasztikusan is folytonos. Er sebbet is állíthatunk. Állítás: A Wiener-folyamat 1 valószín séggel is folytonos. Bizonyítás: Legyen t 0 = 0, és t 1, t 2,... monoton növeked, Y i = w(t i ) w(t i 1) i = 1, 2,.... Feltételeink szerint Y i -k független N(0, t i t i+1 ) val változók, tehát EY 2 < és i EY i 2 = (t i t i 1) = t <. i=1 i=1 Így a Kolmogorov-Hincsin tétel alkalmazható, tehát Y i sor 1 valószín séggel konvergens. Így részletösszegei 1 valószín séggel konvergálnak. Tehát = w(t n ) 1 valószín séggel konvergens. i=1 Y i De pl sztochasztikusan is konvergens és úgy w(t)-hez tart, tehát 1 valószín ség határértéke sem lehet más. i=1
14 Igaz azonban a következ is: Állítás: A Poisson folyamat 1 valószín séggel folytonos! Bizonyítás: P ({w : X s (w) s t X t (w)}) = P(t-ben a Poisson folyamat ugrik) = P( {τ i = t}) = i=1 P(τ i=1 i = t) = 0 Mivel τ i -k i-edrend Γ eloszlásúak, tehát folytonos eloszlásúak. Tehát ezek a fogalmak - sztochasztikus, L 2 -beli, 1 valószín ség folytonosság - értelmesek, de nem azt fejezik ki, amit "látnk". Szükség van további fogalmakra. Deníció: Azt mondjuk, hogy X (t) az X (t) sztochasztikus folyamat modikációja, ha minden t-re P( X (t) = X (t)) = 1, vagyis a két folyamat értékei minden id pillanatban 1 valószín séggel megegyeznek. (Szokás az X (t)-t az X (t)-vel sztochasztikusan ekvivalens folyamatnak is hívni.)
15 Deníció: Rögzített ω Ω mellett az X (t, ω)-t, mint t függvényét a sztochasztikus folyamat trajektóriájának (vagy realizációjának) hívjuk. Állítás: Ha X (t) diszkrét idej és X (t) az X (t) modikációja, úgy trajektóriáik 1 valószín séggel megegyeznek. Bizonyítás: Azon ω-k, amelyekre a trajektóriák nem egyeznek meg az uniójaként kapható azon ω-knak, amelyekre valamilyen t mellett X (t, ω) X (t, ω), azaz P ( X (., ω) X (., ω) ) ( = P t { X (t) X (t)} ). Mivel X az X modikációja, a jobboldalon 0 valószín ség eseményeket uniózunk és mivel az id diszkrét, ezért az megszámlálható, tehát az valószín sége is 0.
16 Ha azonban az id nem diszkrét, hanem folytonos, úgy az nem megszámlálható, ezért a valószín sége sem feltétlen 0, így igaz a következ : Állítás: Ha X (t) folytonos idej, akkor nem határozza meg 1 valószín séggel a modikációinak trajektóriáit. Megjegyzés: Túl sok modikáció van. Túl sok lényegtelen változtatás lényegessé válhat. Deníció: X (t) folytonos trajektóriájú, ha trajektóriái 1 valószín séggel t folytonos függvényei. Deníció: X (t)-nek létezik folytonos trajektória modikációja, ha van ilyen modikáció. Megjegyzés: Sok Wiener folyamat van.
17 Az eloszlások megadásának egy másik módja, hogy a Markov tulajdonság alapján megadják a kezdeti eloszlást és az átmenet valószín ségeket. Az átmenetvalószín ségek feltételes valószín ségek. Mivel itt nyilván 0 valószín ség a feltétel, ezért az átmenetvalószín ség helyett itt a feltételes s r ségfüggvényt kell megadnunk. A P (ω(t) = x ω(s) = y) s t valószín ségekre vagyunk kíváncsiak. Ezek E(χ {ω(t)=x} ω(s) = y)-ként is értelmezhet ek. Másfel l P(ω(t) < x ω(s) = y) = F ω(t)(x ω(s) = y) a feltételes eloszlásfüggvény és ennek létezik a feltételes s r ségfüggvénye, erre vagyunk kíváncsiak.
18 A Wiener folyamatot a közönséges bolyongás átskálázásával közelítettük. (Még nem tisztáztuk a közelítés mibenlétét). A közönséges bolyongás átmenetvalószín ségeire a p k (m + 1) = 1 2 p k+1(m) p k 1(m) rekurzió áll. Az átskálázott modellben az ütközések 1 id nként történnek, tehát t = 1 -ként n n lépünk és a részecske 1 1 -nyit mozdul el: x =, így fennáll a n n t = ( x) 2 reláció. Az el z reláció így alakul: p k x((m + 1) t) = 1 2 (p (k+1) x(m t) + p (k 1) x(m t)). Írjuk át ezt a következ képpen: p k x((m + 1) t) p k x(m t) t = = 1 2 (p (k+1) x(m t) 2p k x(m t) + p (k 1) x(m t)) 2 x
19 Ha a modellünkben a konvergencia "elég jó", akkor a megfelel átmenetvalószín ségek a megfelel átmenetvalószín ségekhez tartanak, tehát p k x(m t) f ω(s+t)(x ω(s) = x 0 ) = f (x, t x 0 )-hoz. Így a baloldal és a jobboldal tart f (x, t x t 0) = f (x, t x 0). x Ez az Einstein-féle diúziós egyenlet a Wiener folyamatra, a h vezetés egyenlete is f f t = 1 2 x 2 Megoldása létezik és egyértelm : f (x, t x 0 ) = 1 } exp { 12t (x x 0) 2 2πt
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
RészletesebbenVéletlen bolyongás. Márkus László március 17. Márkus László Véletlen bolyongás március / 31
Márkus László Véletlen bolyongás 2015. március 17. 1 / 31 Véletlen bolyongás Márkus László 2015. március 17. Modell Deníció Márkus László Véletlen bolyongás 2015. március 17. 2 / 31 Modell: Egy egyenesen
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenYule és Galton-Watson folyamatok
Dr. Márkus László Yule és ok 2015. március 9. 1 / 36 Yule és ok Dr. Márkus László 2015. március 9. Yule folyamat Dr. Márkus László Yule és ok 2015. március 9. 2 / 36 A független stacionárius növekmény
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
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@cs.elte.hu 2016/2017. tavaszi félév Bevezetés Célok: véletlen folyamatok modellezése; kísérletekb l, felmérésekb
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
Részletesebben1. Példa. A gamma függvény és a Fubini-tétel.
. Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +
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:
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
Részletesebben0,424 0,576. f) P (X 2 = 3) g) P (X 3 = 1) h) P (X 4 = 1 vagy 2 X 2 = 2) i) P (X 7 = 3, X 4 = 1, X 2 = 2 X 0 = 2) j) P (X 7 = 3, X 4 = 1, X 2 = 2)
Legyen adott a P átmenetvalószín ség mátrix és a ϕ 0 kezdeti eloszlás Kérdés, hogy miként lehetne meghatározni az egyes állapotokban való tartózkodás valószín ségét az n-edik lépés múlva Deniáljuk az n-lépéses
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenCHT& NSZT Hoeffding NET mom. stabilis. 2011. november 9.
CHT& NSZT Hoeffding NET mom. stabilis Becslések, határeloszlás tételek Székely Balázs 2011. november 9. CHT& NSZT Hoeffding NET mom. stabilis 1 CHT és NSZT 2 Hoeffding-egyenlőtlenség Alkalmazása: Beengedés
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 :
RészletesebbenSorozatok és Sorozatok és / 18
Sorozatok 2015.11.30. és 2015.12.02. Sorozatok 2015.11.30. és 2015.12.02. 1 / 18 Tartalom 1 Sorozatok alapfogalmai 2 Sorozatok jellemz i 3 Sorozatok határértéke 4 Konvergencia és korlátosság 5 Cauchy-féle
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
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
RészletesebbenGazdasági matematika II. tanmenet
Gazdasági matematika II. tanmenet Mádi-Nagy Gergely A hivatkozásokban az alábbi tankönyvekre utalunk: T: Tóth Irén (szerk.): Operációkutatás I., Nemzeti Tankönyvkiadó 1987. Cs: Csernyák László (szerk.):
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,
RészletesebbenSztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
RészletesebbenSztochasztikus folyamatok
Sztochasztikus folyamatok Benke János és Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet 2016. tavaszi félév Sztochasztikus folyamatok Deníció, példák Sztochasztikus folyamatok A továbbiakban legyen
Részletesebbenelőadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás
13-14. előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 2016. november 28. és december 5. 13-14. előadás 1 / 35 Bevezetés A diszkrét
RészletesebbenMegoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1
Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =
Részletesebben2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben
1 feladatsor 1 Egy dobozban 20 fehér golyó van Egy szabályos dobókockával dobunk, majd a következ t tesszük: ha a dobott szám 1,2 vagy 3, akkor tíz golyót cserélünk ki pirosra; ha a dobott szám 4 vagy
RészletesebbenValószín ségelmélet. Pap Gyula
Valószín ségelmélet Pap Gyula Szegedi Tudományegyetem, Bolyai Intézet, Sztochasztika Tanszék papgy@math.u-szeged.hu 1 Mértékelméleti el készítés 1.1 Deníció. Legyen Ω nemüres halmaz. Az Ω bizonyos részhalmazaiból
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.
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
RészletesebbenModellek és Algoritmusok - 2.ZH Elmélet
Modellek és Algoritmusok - 2.ZH Elmélet Ha hibát elírást találsz kérlek jelezd: sellei_m@hotmail.com A fríss/javított változat elérhet : people.inf.elte.hu/semsaai/modalg/ 2.ZH Számonkérés: 3.EA-tól(DE-ek)
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
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
RészletesebbenHALMAZELMÉLET feladatsor 1.
HALMAZELMÉLET feladatsor 1. Egy (H,, ) algebrai struktúra háló, ha (H, ) és (H, ) kommutatív félcsoport, és teljesül az ún. elnyelési tulajdonság: A, B H: A (A B) = A, A (A B) = A. A (H,, ) háló korlátos,
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
RészletesebbenFunkcionálanalízis. Gyakorló feladatok március 22. Metrikus tér, normált tér és skalárszorzat tér
Funkcionálanalízis Gyakorló feladatok 2017 március 22 Metrikus tér, normált tér és skalárszorzat tér N1 Metrikát deniálnak-e R-en az alábbi függvények: (a) d(x, y) = x y (b) d(x, y) = x y (c) d(x, y) =
RészletesebbenCentrális határeloszlás-tétel
13. fejezet Centrális határeloszlás-tétel A valószínűségszámítás legfontosabb állításai azok, amelyek független valószínűségi változók normalizált összegeire vonatkoznak. A legfontosabb ilyen tételek a
RészletesebbenBiostatisztika. Sz cs Gábor. 2018/19 tavaszi félév. Szegedi Tudományegyetem, Bolyai Intézet
Biostatisztika Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet 2018/19 tavaszi félév Bevezetés Tudnivalók, követelmények Tudnivalók, követelmények Félév tematikája: Értékelés: Valószín ségszámítás
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:
Részletesebben4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O
1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.
RészletesebbenBemenet modellezése (III.), forgalommodellezés
Bemenet modellezése (III.), forgalommodellezés Vidács Attila 2007. október 31. Hálózati szimulációs technikák, 2007/10/31 1 Modellválasztás A modellezés kedvez esetben leegyszer södik a megfelel eloszlás
RészletesebbenFunkcionálanalízis. n=1. n=1. x n y n. n=1
Funkcionálanalízis 2011/12 tavaszi félév - 2. előadás 1.4. Lényeges alap-terek, példák Sorozat terek (Folytatás.) C: konvergens sorozatok tere. A tér pontjai sorozatok: x = (x n ). Ezen belül C 0 a nullsorozatok
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 2 II. A valószínűségi VÁLTOZÓ És JELLEMZÉsE 1. Valószínűségi VÁLTOZÓ Definíció: Az leképezést valószínűségi változónak nevezzük, ha
RészletesebbenUtolsó el adás. Wettl Ferenc BME Algebra Tanszék, Wettl Ferenc (BME) Utolsó el adás / 20
Utolsó el adás Wettl Ferenc BME Algebra Tanszék, http://www.math.bme.hu/~wettl 2013-12-09 Wettl Ferenc (BME) Utolsó el adás 2013-12-09 1 / 20 1 Dierenciálegyenletek megoldhatóságának elmélete 2 Parciális
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@math.elte.hu fogadóóra: szerda 10-11 és 13-14, D 3-415 2018/2019. tavaszi félév Bevezetés A valószín ségszámítás
Részletesebben12. előadás - Markov-láncok I.
12. előadás - Markov-láncok I. 2016. november 21. 12. előadás 1 / 15 Markov-lánc - definíció Az X n, n N valószínűségi változók sorozatát diszkrét idejű sztochasztikus folyamatnak nevezzük. Legyen S R
RészletesebbenItô-formula. A sztochasztikus folyamatok egyik legfontosabb formulája. Medvegyev Péter Matematika tanszék
Itô-formula A sztochasztikus folyamatok egyik legfontosabb formulája Medvegyev Péter Matematika tanszék 2008 Medvegyev (Corvinus Egyetem) Itô-formula 2008 1 / 39 Az Itô-formula Theorem Ha F kétszer folytonosan
RészletesebbenMérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik
Mérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik Az A halmazrendszer σ-algebra az Ω alaphalmazon, ha Ω A; A A A c A; A i A, i N, i N A i A. Az A halmazrendszer
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
Részletesebben(Diszkrét idejű Markov-láncok állapotainak
(Diszkrét idejű Markov-láncok állapotainak osztályozása) March 21, 2019 Markov-láncok A Markov-láncok anaĺızise főként a folyamat lehetséges realizációi valószínűségeinek kiszámolásával foglalkozik. Ezekben
RészletesebbenValószín ségelmélet házi feladatok
Valószín ségelmélet házi feladatok Minden héten 3-4 házi feladatot adok ki. A megoldásokat a következ órán kell beadni, és kés bb már nem lehet pótolni. Csak az mehet vizsgázni, aki a 13 hét során kiadott
RészletesebbenDiMat II Végtelen halmazok
DiMat II Végtelen halmazok Czirbusz Sándor 2014. február 16. 1. fejezet A kiválasztási axióma. Ismétlés. 1. Deníció (Kiválasztási függvény) Legyen {X i, i I} nemüres halmazok egy indexelt családja. Egy
Részletesebben0.1 Deníció. Egy (X, A, µ) téren értelmezett mérhet függvényekb l álló valamely (f α ) α egyenletesen integrálhatónak mondunk, ha
Vegyük észre, hogy egy mérhet f függvény pontosn kkor integrálhtó, h f dµ =. lim N Ez indokolj következ deníciót. { f α >N}. Deníció. Egy X, A, µ téren értelmezett mérhet függvényekb l álló vlmely f α
RészletesebbenSzinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28
Szinguláris értékek Wettl Ferenc 2015. április 3. Wettl Ferenc Szinguláris értékek 2015. április 3. 1 / 28 Tartalom 1 Szinguláris érték 2 Alkalmazások 3 Norma 4 Mátrixnorma Wettl Ferenc Szinguláris értékek
Részletesebben1. Komplex függvények dierenciálhatósága, Cauchy-Riemann egyenletek. Hatványsorok, elemi függvények
1. Komplex függvények dierenciálhatósága, Cauchy-Riemann egyenletek. Hatványsorok, elemi függvények 1.1. Dierenciálhatóság 1.1. deníció. Legyen a z 0 pont az f(z) függvény értelmezési tartományának torlódási
RészletesebbenLagrange és Hamilton mechanika
Lagrange és 2010. október 17. Lagrange és Tartalom 1 Variáció Lagrange egyenlet Legendre transzformáció Hamilton egyenletek 2 3 Szimplektikus sokaság Hamilton mez Hamilton és Lagrange egyenletek ekvivalenciája
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása, június 10
Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett
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
RészletesebbenFraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk
Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér
RészletesebbenA sorozat fogalma. függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet. az értékkészlet a komplex számok halmaza, akkor komplex
A sorozat fogalma Definíció. A természetes számok N halmazán értelmezett függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet a valós számok halmaza, valós számsorozatról beszélünk, mígha az
Részletesebbenismertetem, 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
RészletesebbenFeladatok megoldásokkal az első gyakorlathoz (differencia- és differenciálhányados fogalma, geometriai és fizikai jelentése) (x 1)(x + 1) x 1
Feladatok megoldásokkal az első gyakorlathoz (differencia- és differenciálhányados fogalma, geometriai és fizikai jelentése). Feladat. Határozzuk meg az f(x) x 2 függvény x 0 pontbeli differenciahányados
RészletesebbenSzinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35
Szinguláris értékek Wettl Ferenc 2016. április 12. Wettl Ferenc Szinguláris értékek 2016. április 12. 1 / 35 Tartalom 1 Szinguláris érték 2 Norma 3 Mátrixnorma 4 Alkalmazások Wettl Ferenc Szinguláris értékek
RészletesebbenLineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31
Lineáris leképezések Wettl Ferenc 2015. március 9. Wettl Ferenc Lineáris leképezések 2015. március 9. 1 / 31 Tartalom 1 Mátrixleképezés, lineáris leképezés 2 Alkalmazás: dierenciálhatóság 3 2- és 3-dimenziós
RészletesebbenDiszkrét és folytonos idej Markov-láncok. Csiszár Vill
Diszkrét és folytonos idej Markov-láncok Csiszár Vill Tartalomjegyzék 1. Bevezetés 1 2. Diszkrét idej Markov-láncok 3 2.1. Markov tulajdonság............................. 3 2.2. Az állapotok osztályozása.........................
RészletesebbenNormális eloszlás paramétereire vonatkozó próbák
Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású
Részletesebbenminden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.
Függvények határértéke és folytonossága Egy f: D R R függvényt korlátosnak nevezünk, ha a függvényértékek halmaza korlátos. Ha f(x) f(x 0 ) teljesül minden x D esetén, akkor x 0 -at a függvény maximumhelyének
RészletesebbenAnalízis I. beugró vizsgakérdések
Analízis I. beugró vizsgakérdések Programtervező Informatikus szak 2008-2009. 2. félév Készítette: Szabó Zoltán SZZNACI.ELTE zotyo@bolyaimk.hu v1.7 Forrás: Dr. Weisz Ferenc: Prog. Mat. 2006-2007 definíciók
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség
Részletesebben3. fejezet. Lineáris folyamatok Zaj folyamatok. 1. Az ε(t) folyamat független érték zaj, ha a várható értéke 0 és
18 3. fejezet Lineáris folyamatok 3.1. Zaj folyamatok 1. Az ε(t) folyamat független érték zaj, ha a várható értéke 0 és ε(t)-k független, azonos eloszlású valószín ségi változók. 2. Az ε(t) folyamat fehér
Részletesebben2. SZÉLSŽÉRTÉKSZÁMÍTÁS. 2.1 A széls érték fogalma, létezése
2 SZÉLSŽÉRTÉKSZÁMÍTÁS DEFINÍCIÓ 21 A széls érték fogalma, létezése Azt mondjuk, hogy az f : D R k R függvénynek lokális (helyi) maximuma (minimuma) van az x 0 D pontban, ha van olyan ε > 0 hogy f(x 0 )
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenMM CSOPORTELMÉLET GYAKORLAT ( )
MM4122-1 CSOPORTELMÉLET GYAKORLAT (2008.12.01.) 1. Ismétlés szeptember 1.szeptember 8. 1.1. Feladat. Döntse el, hogy az alábbi állítások közül melyek igazak és melyek (1) Az A 6 csoportnak van 6-odrend
RészletesebbenMatematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
Részletesebben1. 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,
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
RészletesebbenVektorterek. 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
RészletesebbenGibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén
Matematikai modellek, I. kisprojekt Gibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén Unger amás István B.Sc. szakos matematikus hallgató ungert@maxwell.sze.hu, http://maxwell.sze.hu/~ungert
RészletesebbenAnalízisfeladat-gyűjtemény IV.
Oktatási segédanyag a Programtervező matematikus szak Analízis. című tantárgyához (003 004. tanév tavaszi félév) Analízisfeladat-gyűjtemény IV. (Függvények határértéke és folytonossága) Összeállította
RészletesebbenMatematikai alapok és valószínőségszámítás. Normál eloszlás
Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak
Részletesebben(!), {z C z z 0 < R} K (K: konv. tart.) lim cn+1
Komlex analízis Komlex hatványsorok c n (z z 0 ) n ; R = lim n c n, R = (!), {z C z z 0 < R} K (K: konv. tart.) lim cn+ c n n=0. Van-e olyan komlex hatványsor, melynek a) üres a konvergenciatartománya,
RészletesebbenTovábblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás,
Matematikai statisztika. elıadás, 9.5.. Továbblépés Ha nem fogadható el a reziduálisok korrelálatlansága: Lehetnek fel nem tárt periódusok De más kapcsolat is fennmaradhat az egymáshoz közeli megfigyelések
Részletesebben18. Valószín ségszámítás. (Valószín ségeloszlások, függetlenség. Valószín ségi változók várható
8. Valószí ségszámítás. (Valószí ségeloszlások, függetleség. Valószí ségi változók várható értéke, magasabb mometumok. Kovergeciafajták, kapcsolataik. Borel-Catelli lemmák. Nagy számok gyege törvéyei.
RészletesebbenVéletlenszám generátorok és tesztelésük. Tossenberger Tamás
Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél
RészletesebbenWiener-folyamatok legfontosabb tulajdonságai. Poisson-folyamatok.
Wiener-folyamatok legfontosabb tulajdonságai. Poisson-folyamatok. Láttuk, hogy a Wiener-folyamat teljesíti az úgynevezett funkcionális centrális határeloszlástételt. Ez az eredmény durván szólva azt fejezi
RészletesebbenA valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
RészletesebbenFraktálok. Hausdorff távolság. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék március 14.
Fraktálok Hausdorff távolság Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék 2015. március 14. TARTALOMJEGYZÉK 1 of 36 Halmazok távolsága ELSŐ MEGKÖZELÍTÉS Legyen (S, ρ) egy metrikus tér, A, B S, valamint
RészletesebbenDierenciálhatóság. Wettl Ferenc el adása alapján és
205.0.9. és 205.0.26. 205.0.9. és 205.0.26. / Tartalom A dierenciálhatóság fogalma Pontbeli dierenciálhatóság Jobb és bal oldali dierenciálhatóság Folytonosság és dierenciálhatóság Deriváltfüggvény 2 Dierenciálási
RészletesebbenBevezetés. Valószínűségszámítás 2 előadás III. alk. matematikus szak. Irodalom. Egyéb info., számonkérés. Cél. Alapfogalmak (ismétlés)
Valószínűségszámítás 2 előaás III. alk. matematikus szak 2016/2017 1. félév Zempléni Anrás Bevezetés Iroalom, követelmények A félév célja Alapfogalmak mértékelméleti alapon Kapcsolóás a val.szám. 1-hez
RészletesebbenValószínűségelmélet. Pap Gyula. Szegedi Tudományegyetem. Szeged, 2016/2017 tanév, I. félév
Valószínűségelmélet Pap Gyula Szegedi Tudományegyetem Szeged, 2016/2017 tanév, I. félév Pap Gyula (SZTE) Valószínűségelmélet 2016/2017 tanév, I. félév 1 / 125 Ajánlott irodalom: CSÖRGŐ SÁNDOR Fejezetek
Részletesebben6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió
6. Előadás Megyesi László: Lineáris algebra, 37. 41. oldal. Gondolkodnivalók Lineáris függetlenség 1. Gondolkodnivaló Legyen V valós számtest feletti vektortér. Igazolja, hogy ha a v 1, v 2,..., v n V
Részletesebben3. el adás: Determinánsok
3. el adás: Determinánsok Wettl Ferenc 2015. február 27. Wettl Ferenc 3. el adás: Determinánsok 2015. február 27. 1 / 19 Tartalom 1 Motiváció 2 A determináns mint sorvektorainak függvénye 3 A determináns
Részletesebben2014. november 5-7. Dr. Vincze Szilvia
24. november 5-7. Dr. Vincze Szilvia A differenciálszámítás az emberiség egyik legnagyobb találmánya és ez az állítás nem egy matek-szakbarbár fellengzős kijelentése. A differenciálszámítás segítségével
RészletesebbenLineáris algebra és a rang fogalma (el adásvázlat, szeptember 29.) Maróti Miklós
Lineáris algebra és a rang fogalma (el adásvázlat, 2010. szeptember 29.) Maróti Miklós Ennek az el adásnak a megértéséhez a következ fogalmakat kell tudni: (1) A mátrixalgebrával kapcsolatban: számtest
Részletesebbeni p i p 0 p 1 p 2... i p i
. vizsga, 06--9, Feladatok és megoldások. (a) Adja meg az diszkrét eloszlás várható értékének a definícióját! i 0... p i p 0 p p... i p i (b) Tegyük fel, hogy a rigófészkekben található tojások X száma
RészletesebbenMatematikai statisztika I. témakör: Valószínűségszámítási ismétlés
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák
RészletesebbenDiszkrét és folytonos paraméter Markov láncok. Csiszár Vill
Diszkrét és folytonos paraméter Markov láncok Csiszár Vill Tartalomjegyzék 1. Bevezetés 1 I. Diszkrét paraméter Markov láncok 2 2. Visszatér ség 2 2.1. Markov-tulajdonság............................. 2
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 10. előadás: Nemlineáris egyenletek numerikus megoldása Lócsi Levente ELTE IK 2013. november 18. Tartalomjegyzék 1 Bolzano-tétel, intervallumfelezés 2 Fixponttételek, egyszerű iterációk
RészletesebbenLegyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0, 1, 2,..., N}, {0, 1, 2,... }.
. Markov-láncok. Definíció és alapvető tulajdonságok Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0,,,..., N}, {0,,,... }.. definíció. S értékű valószínűségi
RészletesebbenSzámsorok. 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
Részletesebben