Készítette: Fegyverneki Sándor

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Készítette: Fegyverneki Sándor"

Átírás

1 VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, i

2 JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y R} A B az A részhalmaza a B-nek A B az A és B halmaz közös része A B az A és B halmaz összes eleme egy halmazban A az alaphalmaz A halmazon kívüli elemei A\B A B F (a + 0) a jobboldali határérték, azaz F (a 0) a baloldali határérték, azaz exp(x) e x lim F (x) x a+0 lim F (x) x a 0 f( ) : D R az f leképezés, D az értelmezési tartomány, a pont a változót helyettesíti f(d) az f leképezés értékkészlete ii

3 A VALÓSZÍNŰSÉG FOGALMA Definíció: Egy véletlen kísérlet lehetséges eredményeinek összeségét eseménytérnek (mintatér) nevezzük. Jele: Ω. Az Ω elemeit elemi eseményeknek nevezzük. Definíció: Az Ω részhalmazainak egy F rendszerét σ-algebrának nevezzük, ha (1) Ω F, (2) A F, akkor A F, (3) A 1, A 2,... F, akkor A 1 A 2... F. Az F elemeit pedig eseményeknek nevezzük. Megjegyzés: Ha A, B F, akkor A B F. Definíció: Az Ω-t szokás biztos eseménynek, az -t pedig lehetetlen eseménynek nevezni. Továbbá, az A esemény bekövetkezik, ha a kísérlet eredménye eleme az A halmaznak. Megjegyzés: Az A B esemény bekövetkezik, ha legalább az egyik közülük bekövetkezik, míg az A B esemény akkor következik be, ha mind a kettő bekövetkezik. Definíció: A P : F R nemnegatív leképezést valószínűségnek nevezzük, ha (1) P (Ω) = 1, (2) A B =, akkor P (A B) = P (A) + P (B), (3) A 1, A 2,... egymást kölcsönösen kizáró események (azaz A i A j =, ha i < j és i, j = 1, 2,...), akkor P ( ) A i = 1 P (A i ).

4 LEMMA: (1) P ( A ) = 1 P (A). (2) P ( ) = 0. (3) P (B\A) = P (B) P (A B). (4) Ha A B, akkor P (A) P (B). (5) P (A B) = P (A) + P (B) P (A B). (6) Ha B n+1 B n és B n =, akkor lim P (B n) = 0. n Definíció: Az (Ω, F, P ) hármast valószínűségi mezőnek nevezzük. Definíció: Ha az elemi események száma véges és valószínűségük megegyezik, akkor a valószínűségi mezőt klasszikusnak nevezzük. Megjegyzés: Legyen Ω = n és jelölje az elemi eseményeket ω i (i = 1, 2,..., n). Ekkor ( n ) n 1 = P (Ω) = P {ω i } = P ({ω i }) = np ({ω i }). Tehát P ({ω i }) = 1 n (i = 1, 2,..., n). Definíció: Bernoulli kísérletsorozatnak nevezzük azt, ha adott A F és egymástól függetlenül, azonos körülmények között elvégezzük ugyanazt a kísérletet, s csak azt figyeljük, hogy az A esemény bekövetkezett-e vagy sem. Példa: 1. Visszatevéses mintavétel: Adott N darab különböző objektum, amelyek közül s darab rendelkezik egy bizonyos tulajdonsággal, például selejt. Visszatevéssel kiveszünk n darabot. Legyen a kivett selejtek száma ξ. Mennyi a valószínűsége, hogy ξ = k, ahol 0 k n. P (ξ = k) = ( n k ) s k (N s) n k N n. 2. Visszatevés nélküli mintavétel: Adott N darab különböző objektum, amelyek közül s darab rendelkezik egy bizonyos tulajdonsággal, 2

5 például selejt. Visszatevés nélkül kiveszünk n darabot. Legyen a kivett selejtek száma ξ. Mennyi a valószínűsége, hogy ξ = k, ahol 0 k min{n, s}. P (ξ = k) = ( )( ) s N s k n k ( ). N n TÉTEL: (Poincaré) Az A 1, A 2,..., A n eseményekre ( n ) n k P A i = ( 1) k 1 k=1 i 1 <i 2 < <i k P ahol az összegzést az összes lehetséges {i 1, i 2,..., i k } {1, 2,..., n} esetre tekintjük. Definíció: Az A esemény B feltétel melletti feltételes valószínűségének nevezzük a P (A B) P (A B) = P (B) mennyiséget, ha P (B) > 0. Megjegyzés: A P ( B) : F R leképezés tényleg valószínűség. n 1 LEMMA: Ha az A 1, A 2,..., A n eseményrendszerre P ( A i ) > 0, akkor P ( j=1 A ij, n A i ) = P (A 1 )P (A 2 A 1 ) P (A n A 1 A 2... A n 1 ). Definíció: Az A 1, A 2,... eseményrendszert teljes eseményrendszernek nevezzük, ha A i A j =, ha i < j és i, j = 1, 2,..., és A i = Ω. TÉTEL: (teljes valószínűség) Ha A 1, A 2,... teljes eseményrendszer és P (A i ) > 0, ha i = 1, 2,..., akkor tetszőleges B esemény esetén P (B) = P (B A i )P (A i ). 3

6 TÉTEL: (Bayes) Ha A 1, A 2,... teljes eseményrendszer és P (A i ) > 0, ha i = 1, 2,..., akkor tetszőleges pozitív valószínűségű B esemény esetén P (A k B) = P (B A k)p (A k ) P (B A i)p (A i ). Megjegyzés: A Bayes-tételhez kapcsolódóan bevezethetjük a következő elnevezéseket: P (A i ) az ún. a-priori valószínűség és P (A i A) az ún. a-posteriori valószínűség. Definíció: Az A és B eseményt sztochasztikusan függetlennek nevezzük, ha P (A B) = P (A)P (B). Az A 1, A 2,..., A n eseményeket páronként sztochasztikusan függetlennek nevezzük, ha P (A i A j ) = P (A i )P (A j ) (1 i < j n). Az A 1, A 2,..., A n eseményeket teljesen sztochasztikusan függetlennek nevezzük, ha P (A i1... A ik ) = P (A i1 ) P (A ik ), ahol 1 i 1 < < i k n, 2 k n. Példa: Ha az A és B események függetlenek, akkor A és B, A és B és A és B is függetlenek. LEMMA: Ha A 1, A 1,..., A n független események és P (A i ) < 1 (i = n 1, 2,..., n), akkor P ( A i ) < 1. Bizonyítás: ( n ) P A i = P n A i = 1 P n A i = = 1 P ( n ) n A i = 1 P ( A i ). 4

7 A VALÓSZÍNŰSÉGI VÁLTOZÓ Definíció: A ξ : Ω R leképezést valószínűségi változónak nevezzük, ha {ξ < x} = {ω ω Ω, ξ(ω) < x} F x R. Definíció: Az F (x) = P (ξ < x) formulával meghatározott valós függvényt a ξ valószínűségi változó eloszlásfüggvényének nevezzük. TÉTEL: Az F valós függvény akkor és csak akkor lehet eloszlásfüggvény, ha 1. lim F (x) = 0, x 2. lim F (x) = 1, x 3. F (x 1 ) F (x 2 ), ha (x 1 < x 2 ), azaz monoton növekvő, 4. lim x x 0 0 F (x) = F (x 0), x 0 R, azaz balról folytonos. TÉTEL: Legyen F a ξ valószínűségi változó eloszlásfüggvénye és a, b R, ekkor 1. P (a ξ < b) = F (b) F (a), 2. P (ξ = a) = F (a + 0) F (a). Definíció: A ξ valószínűségi változót diszkrétnek nevezzük, ha a lehetséges értékek ξ(ω) halmazának számossága legfeljebb megszámlálhatóan végtelen. Megjegyzés: Diszkrét valószínűségi változó esetén a lehetséges értékek felírhatók egy sorozatként. Definíció: Legyen a ξ valószínűségi változó lehetséges értekeinek sorozata x 1, x 2,.... A p i = P (ξ = x i ) (i = 1, 2,...) valószínűségek sorozatát eloszlásnak nevezzük. 5

8 TÉTEL: Ha p 1, p 2,... eloszlás, akkor p i 0 (i = 1, 2,...) és p i = 1. Definíció: Ha létezik f nemnegatív valós függvény, melyre F (x) = x f(t)dt, x R akkor f az F eloszlásfüggvényhez tartozó sűrűségfüggvény. Megjegyzés: A sűrűségfüggvény nem egyértelmű. TÉTEL: Az f valós függvény akkor és csak akkor lehet sűrűségfüggvény, ha nemnegatív és + f(t)dt = 1. Definíció: A valószínűségi változót folytonosnak nevezzük, ha létezik a sűrűségfüggvénye. TÉTEL: Legyen a ξ folytonos valószínűségi változó f sűrűségfüggvénnyel és a, b R, ekkor P (ξ = a) = 0, és P (a ξ < b) = b a f(x)dx. Definíció: 1. Ha a ξ diszkrét valószínűségi változó lehetséges értékeinek a száma véges, azaz a lehetséges értékek x 1, x 2,..., x n és p i = P (ξ = x i ) (i = 1, 2,..., n), akkor a n x i p i mennyiséget várható értéknek nevezzük. 6

9 2. Ha a ξ diszkrét valószínűségi változó lehetséges értékeinek számossága megszámlálhatóan végtelen, azaz a lehetséges értékek akkor a x 1, x 2,..., és p i = P (ξ = x i ) (i = 1, 2,...), x i p i mennyiséget várható értéknek nevezzük, ha a + x i p i < Ha ξ folytonos valószínűségi változó f sűrűségfüggvénnyel, akkor xf(x)dx mennyiséget várható értéknek nevezzük, ha + x f(x)dx < +. A ξ valószínűségi változó várható értékének a jele: E(ξ) TÉTEL: 1. E(aξ + b) = ae(ξ) + b, a, b R. 2. Ha m ξ M, akkor m E(ξ) M. Definíció: Legyen ξ valószínűségi változó és g valós függvény. Ha az η = g(ξ) függvény valószínűségi változó, akkor a ξ transzformáltjának nevezzük. Megjegyzés: A transzformált eloszlásfüggvénye F η (y) = P ({ω g(ξ(ω)) < y}). TÉTEL: Ha g differenciálható és g (x) 0, akkor ξ folytonos valószínűségi változó esetén η = g(ξ) folytonos valószínűségi változó, melynek sűrűségfüggvénye { f η (y) = f ξ (g 1 (y)) d dy g 1 (y), ha a < y < b, 0, egyébként, 7

10 ahol a = min( lim g(x), lim g(x)), x x + b = max( lim g(x), x lim g(x)). x + TÉTEL: Ha η = g(ξ) a ξ valószínűségi változó transzformáltja, akkor E(η) = g(x i )P (ξ = x i ), + g(x)f ξ (x)dx, ha ξ diszkrét, ha ξ és η folytonos. Definíció: Az E((ξ E(ξ)) 2 ) mennyiséget a ξ valószínűségi változó szórásnégyzetének nevezzük. Jele: D 2 (ξ). Definíció: A E((ξ E(ξ)) 2 ) mennyiséget a ξ valószínűségi változó szórásának nevezzük. Jele: D(ξ). Definíció: Az E(ξ k ) mennyiséget a ξ valószínűségi változó k-adik momentumának nevezzük. Definíció: Az E((ξ E(ξ)) k ) mennyiséget a ξ valószínűségi változó k-adik centrális momentumának nevezzük. TÉTEL: 1. D(aξ + b) = a D(ξ), a, b R. 2. min a R E((ξ a)2 ) = D 2 (ξ), és ekkor a = E(ξ). 3. D 2 (ξ) = E(ξ 2 ) E 2 (ξ). NÉHÁNY DISZKRÉT ELOSZLÁS ÉS JELLEMZŐI: 1. BINOMIÁLIS ELOSZLÁS Legyen n N, A F, és végezzünk el egy n hosszúságú Bernoulli kísérletsorozatot. Továbbá, legyen ξ az A esemény bekövetkezéseinek a száma. Ekkor ξ eloszlása ( ) n P (ξ = k) = p k q n k, (k = 0, 1,..., n), k 8

11 ahol P (A) = p és q = 1 p. Fegyverneki Sándor: Valószínűségszámítás E(ξ) = np, D 2 (ξ) = npq. Megjegyzés: vezet. A visszatevéses mintavétel binomiális eloszláshoz 2. POISSON-ELOSZLÁS Legyen λ > 0 és λ = np n, ekkor lim n,λ=np n ( n )p kn(1 p n ) n k λ λk = e, ahol k = 0, 1,.... k k! A ξ valószínűségi változót Poisson-eloszlásúnak nevezzük λ > 0 paraméterrel, ha eloszlása λ λk P (ξ = k) = e, ahol k = 0, 1,.... k! E(ξ) = λ, D 2 (ξ) = λ. 3. GEOMETRIAI ELOSZLÁS A binomiális eloszlás bevezetésekor használt jelölések mellett a ξ valószínűségi változó jelentse az A esemény első bekövetkezéséhez szükséges kísérletek számát. A ξ eloszlása P (ξ = k) = pq k 1, ahol k = 1, 2,.... E(ξ) = 1 p, D2 (ξ) = q p 2. Megjegyzés: A η = ξ 1 valószínűségi változót is szokás geometriai eloszlásúnak nevezni. Az η eloszlása P (η = k) = pq k, ahol k = 0, 1, 2,.... E(η) = q p, D2 (η) = q p 2. 9

12 NÉHÁNY FOLYTONOS ELOSZLÁS ÉS JELLEMZŐI: 1. EGYENLETES ELOSZLÁS Legyen a, b R és a < b. A ξ egyenletes eloszlású az (a, b) intervallumon, ha a sűrűségfüggvénye E(ξ) = a + b 2, D2 (ξ) = 1, ha a < x < b, f(x) = b a 0, egyébként. (b a)2. Az eloszlásfüggvény 12 0, ha x a, x a F (x) =, ha a < x b, b a 1, ha x > b. 2. EXPONENCIÁLIS ELOSZLÁS A ξ exponenciális eloszlású λ > 0 paraméterrel, ha a sűrűségfüggvénye { λe f(x) = λx, ha x 0, 0, egyébként. E(ξ) = 1 λ, D2 (ξ) = 1. Az eloszlásfüggvény λ2 F (x) = { 0, ha x 0, 1 e λx, ha x > 0. Örökifjú tulajdonság: P (ξ a + b ξ a) = P (ξ b), ahol a > 0, b > NORMÁLIS ELOSZLÁS Legyen m R, σ > 0. Az η normális eloszlású, ha a sűrűségfüggvénye f(x) = 1 ) ( σ 2π exp (x m)2 2σ 2, x R. 10

13 E(ξ) = m, D 2 (ξ) = σ 2. Ha m = 0 és σ = 1, akkor a valószínűségi változót standard normális eloszlásúnak nevezzük. Jelölje a sűrűségfüggvényét ϕ és az eloszlásfüggvényét Φ. Ha ξ standard normális eloszlású, akkor az η = σξ+m valószínűségi változó F eloszlásfüggvényére jellemző, hogy ( ) x m F (x) = Φ. σ Megjegyzés: 1. A ϕ függvény írja le a Gauss-görbét(harang görbét). 2. Φ(0) = 0.5 és Φ( x) = 1 Φ(x). 4. CAUCHY ELOSZLÁS Legyen c R, s > 0. Az η Cauchy eloszlású, ha a sűrűségfüggvénye f(x) = 1 [ ( ) 2 ], x R. x c πs 1 + s Nem létezik a várható érték. Az eloszlásfüggvény F (x) = π arctan ( x c s Megjegyzés: Szokás csak a c = 0, s = 1 esetet (standard) Cauchyeloszlásnak nevezni. ). A VÉLETLEN VEKTOROK Definíció: A (ξ, η) : Ω R 2 leképezést (kétdimenziós) véletlen vektornak nevezzük, ha {ξ < x, η < y} = {ω ω Ω, ξ(ω) < x, η(ω) < y} F x, y R. Definíció: Az F (x, y) = P (ξ < x, η < y) formulával meghatározott valós értékű függvényt a (ξ, η) véletlen vektor együttes eloszlásfüggvényének nevezzük. Az F ξ (x) = lim F (x, y), F η(y) = lim F (x, y) y + x + 11

14 függvényeket peremeloszlásfüggvénynek nevezzük TÉTEL: Az F függvény akkor és csak akkor lehet együttes eloszlásfüggvény, ha 1. lim F (x, y) = 0, lim x 2. x lim F (x, y) = 1, y F (x, y) = 0, y 3. F mindkét változójában balról folytonos, 4. F (b, d) F (b, c) F (a, d) + F (a, c) 0, a < b, c < d esetén, azaz teljesül az ún. téglalap tulajdonság. Megjegyzés: A téglalap tulajdonságból következik, hogy mindkét változójában monoton növekvő. Definíció: A (ξ, η) véletlen vektort diszkrétnek nevezzük, ha a lehetséges értékek számossága legfeljebb megszámlálhatóan végtelen. Definíció: Legyen a ξ, illetve η valószínűségi változó lehetséges értekeinek sorozata x 1, x 2,..., illetve y 1, y 2,.... A P (ξ = x i, η = y j ) = p ij (i, j = 1, 2,...) valószínűségek sorozatát együttes eloszlásnak nevezzük. A q i = p ij, (i = 1, 2,...), r j = j=1 p ij, (j = 1, 2,...) valószínűség sorozatokat peremeloszlásnak nevezzük. Minden r j > 0 esetén a ξ feltételes eloszlása adott η = y j mellett P (ξ = x i η = y j ) = p ij r j. Az E(ξ η = y j ) = 12 x i p ij r j

15 mennyiséget feltételes várható értéknek nevezzük. Az E(ξ η = y j ) = m 2 (y j ) függvényt a ξ-nek az η-ra vonatkozó regressziós függvényének nevezzük. TÉTEL: Ha p ij (i, j = 1, 2,...) együttes eloszlás, akkor p ij 0 (i, j = 1, 2,...) és p ij = 1. j=1 Definíció: Ha létezik f nemnegatív valós értékű függvény, melyre F (x, y) = x y f(u, v)dvdu, x, y R, akkor f az F eloszlásfüggvényhez tartozó együttes sűrűségfüggvény. Az f ξ (x) = + f(x, y)dy, f η (y) = + függvényeket peremsűrűségfüggvénynek nevezzük. f(x, y)dx TÉTEL: Az f függvény akkor és csak akkor lehet együttes sűrűségfüggvény, ha nemnegatív és + + f(x, y)dydx = 1. Definíció: A (ξ, η) véletlen vektort folytonosnak nevezzük, ha létezik az együttes sűrűségfüggvénye. Definíció: A ξ és η) valószínűségi változót függetlennek nevezzük, ha F (x, y) = F ξ (x)f η (y), x, y R. 13

16 Megjegyzés: A függetlenség megfelelői diszkrét illetve folytonos esetben: p ij = q i r j, (i, j = 1, 2,...), f(x, y) = f ξ (x)f η (y) x, y R. Definíció: Legyen (ξ, η) véletlen vektor. Az F (x y) az feltételes eloszlásfüggvénye a ξ-nek η = y esetén, ha F (x y) = P (ξ < x η = y) = lim P (ξ < x y η < y + h). h 0+0 Megjegyzés: Ha léteznek a feltételes valószínűségek. Definíció: Ha létezik f ξ η nemnegatív valós értékű függvény, melyre F (x y) = x f ξ η (u y)du, x, y R akkor f ξ η a ξ-nek az η-ra vonatkozó feltételes sűrűségfüggvénye. Megjegyzés: f ξ η (x y) = f(x, y) f η (y). Definíció: A feltételes sűrűségfüggvény segítségével meghatározott feltételes várható értéket regressziós függvénynek nevezzük, azaz az + f ξ η (x y)dx = m 2 (y) függvényt a ξ-nek az η-ra vonatkozó regressziós függvényének nevezzük. Megjegyzés: Ha (ξ, η) véletlen vektor g : R 2 R olyan függvény, hogy g(ξ, η) valószínűségi változó, akkor g(x i, y j )p ij, ha (ξ, η) diszkrét, i,j E(g(ξ, η)) = + + g(x, y)f(x, y)dydx, ha (ξ, η) folytonos. 14

17 Definíció: A cov(ξ, η) = E((ξ E(ξ))(η E(η))) mennyiséget kovarianciának nevezzük. Az r(ξ, η) = cov(ξ, η) D(ξ)D(η) mennyiséget pedig korrelációs együtthatónak nevezzük. TÉTEL: 1. E(ξ + η)) = E(ξ) + E(η). 2. D 2 (ξ + η)) = D 2 (ξ) + D 2 (η) + 2cov(ξ, η). 3. E(E(ξ η = y)) = E(ξ). 4. cov(ξ, η) D(ξ)D(η), azaz r(ξ, η) 1. NÉHÁNY FOLYTONOS ELOSZLÁS: A (ξ, η) véletlen vektor Q = (i) normális eloszlású, ha f(x, y) = 1 2πσ 1 σ 2 1 ρ 2 exp[ Q], [ 1 2(1 ρ 2 ( x m 1 ) 2 2ρ( x m 1 )( y m 2 ) + ( y m ] 2 ) 2, ) σ 1 σ 1 σ 2 σ 2 ahol σ 1 > 0, σ 2 > 0, 1 < ρ < 1. (ii) egyenletes eloszlású az A R 2 tartományon, ha { 1, f(x, y) = A ha (x, y) A, 0, egyébként. Megjegyzés: A véletlen vektor és a hozzákapcsolódó fogalmak definícióját csak kétdimenziós esetben adtuk meg, de nagyon egyszerűen 15

18 kiterjeszthetőek véges sok valószínűségi változó esetére. Például, a ξ 1, ξ 2,..., ξ n valószínűségi változókat függetlennek nevezzük, ha F (x 1, x 2,..., x n ) = F ξ1 (x 1 )F ξ2 (x 2 ) F ξn (x n ) x 1, x 2,..., x n R. TÉTEL: Az F (x 1, x 2,..., x n ) függvény akkor és csak akkor együttes eloszlásfüggvény, ha minden változójában balról folytonos, és lim F (x 1, x 2,..., x n ) = 0, x i (i = 1, 2,..., n), lim F (x 1, x 2,..., x n ) = 1, x i + (,2,...,n) K=e 1 +e e n ( 1) K F (e 1 a 1 + (1 e 1 )b 1,..., e n a n + (1 e n )b n ) 0 a i b i (i = 1, 2,..., n) és az összegzést K esetében vesszük, ahol az e 1, e 2,..., e n értéke 0 és 1 lehet. TÉTEL: Legyenek ξ 1, ξ 2,..., ξ n független valószínűségi változók, melyeknek rendre F ξ1, F ξ2,..., F ξn az eloszlásfüggvénye. Ekkor (a) az η(ω) = max{ξ 1 (ω),..., ξ n (ω)} ( ω Ω) valószínűségi változó eloszlásfüggvénye F η (y) = F ξ1 (y)f ξ2 (y) F ξn (y). (b) az η(ω) = min{ξ 1 (ω),..., ξ n (ω)} ( ω Ω) valószínűségi változó eloszlásfüggvénye F η (z) = 1 (1 F ξ1 (z))(1 F ξ2 (z)) (1 F ξn (z)). TÉTEL: (Markov-egyenlőtlenség) Legyen a ξ nemnegatív valószínűségi változó, melynek létezik a várható értéke, ekkor c > 0 esetén P (ξ c) E(ξ). c 16

19 TÉTEL: (Csebisev-egyenlőtlenség) Ha a ξ valószínűségi változónak létezik a szórásnégyzete, akkor ε > 0 esetén P ( ξ E(ξ) ε) D2 (ξ) ε 2. TÉTEL: (nagy számok gyenge törvénye) Legyen ξ 1, ξ 2,... független, azonos eloszlású valószínűségi változók sorozata. Létezik a szórásnégyzet. Ekkor tetszőleges ε > 0 esetén ( lim P ξ ) ξ n E(ξ 1 ) ε = 0. n + n Megjegyzés: Legyen A esemény és S n az A esemény gyakorisága az első n kísérletből egy Bernoulli kísérletsorozatnál. Ekkor tetszőleges ε > 0 esetén ( lim P S ) n n + n P (A) ε = 0. TÉTEL: (centrális határeloszlás-tétel) Legyen ξ 1, ξ 2,... független, azonos eloszlású valószínűségi változók sorozata és létezik az E(ξ i ) = µ és n D 2 (ξ i ) = σ 2 > 0. Ha S n = ξ k, akkor k=1 ( lim P Sn nµ n + σ n ahol Φ a standard normális eloszlásfüggvény. ) < x = Φ(x), x R, TÉTEL: (Moivre-Laplace) Legyen a ξ valószínűségi változó binomiális eloszlású n és p paraméterrel és 0 a < b n egész, akkor b ( ) n P (a ξ b) = p k q n k k k=a b np + 1 Φ 2 Φ npq a np 1 2 npq. 17

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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:

Részletesebben

Elméleti összefoglaló a Valószín ségszámítás kurzushoz

Elméleti összefoglaló a Valószín ségszámítás kurzushoz Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek

Részletesebben

4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O

4. 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.

Részletesebben

Gazdasági matematika II. vizsgadolgozat megoldása A csoport

Gazdasági 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

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 2 II. A valószínűségi VÁLTOZÓ És JELLEMZÉsE 1. Valószínűségi VÁLTOZÓ Definíció: Az leképezést valószínűségi változónak nevezzük, ha

Részletesebben

Elméleti összefoglaló a Sztochasztika alapjai kurzushoz

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

Részletesebben

Valószínűségi változók. Várható érték és szórás

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

Részletesebben

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:

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.

Részletesebben

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

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

Részletesebben

Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.

Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.

Részletesebben

Matematika III. Nagy Károly 2011

Matematika III. Nagy Károly 2011 Matematika III előadások összefoglalója (Levelezős hallgatók számára) Nagy Károly 20 . Kombinatorika.. Definíció. Adott n darab egymástól különböző elem. Ezeknek egy meghatározott sorrendjét az n elem

Részletesebben

MITISZK Miskolc-Térségi Integrált Szakképző Központ

MITISZK Miskolc-Térségi Integrált Szakképző Központ MITISZK Miskolc-Térségi Integrált Szakképző Központ VALÓSZÍNŰSÉG-SZÁMÍTÁS ÉS MATEMATIKAI STATISZTIKA FEGYVERNEKI SÁNDOR Miskolci Egyetem Gépészmérnöki és Informatikai Kar Készült a HEFOP-3.2.2-P.-2004-10-0011-/1.0

Részletesebben

A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.

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

Részletesebben

1. Kombinatorikai bevezetés

1. Kombinatorikai bevezetés 1. Kombinatorikai bevezetés 1.1. Permutációk Adott n különböző elem ismétlés nélküli permutációján az elemek egy meghatározott sorrendjét értjük. Az n különböző elem összes permutációinak számát P n -nel

Részletesebben

BIZTOSÍTÁSI MATEMATIKA ALAPJAI1

BIZTOSÍTÁSI MATEMATIKA ALAPJAI1 BIZTOSÍTÁSI MATEMATIKA ALAPJAI1 Készítette: FEGYVERNEKI SÁNDOR,2 March 7, 2009 1 Előadás vázlat 1.0 verzió 2 Miskolci Egyetem, Alkalmazott Matematikai Tanszék Tartalomjegyzék 1. Bevezetés 1 1.1 Követelmények...............................

Részletesebben

Valószínűségszámítás

Valószínűségszámítás European Virtual Laboratory of Mathematics Project No. 2006 - SK/06/B/F/PP - 177436 Európai Virtuális Matematikai Laboratórium Árvai- Homolya Szilvia Valószínűségszámítás EVML e-könyvek Miskolc 2008 Sorozat

Részletesebben

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

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

Részletesebben

Sztochasztikus modellezés

Sztochasztikus modellezés Sztochasztikus modellezés Szerzı: Dr. Raisz Péter Dr. Fegyverneki Sándor Lektor: Dr. Kálovics Ferenc Tartalomjegyzék 1. Valószínűség-számítási alapok 5 1.1. Eseménytér, műveletek eseményekkel..............

Részletesebben

Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János

Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János BUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI KAR JÁRMŐELEMEK ÉS HAJTÁSOK TANSZÉK Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János Budapest 2008

Részletesebben

Biometria az orvosi gyakorlatban. Számítógépes döntéstámogatás

Biometria az orvosi gyakorlatban. Számítógépes döntéstámogatás SZDT-01 p. 1/23 Biometria az orvosi gyakorlatban Számítógépes döntéstámogatás Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Gyakorlat SZDT-01 p.

Részletesebben

BIOMATEMATIKA ELŐADÁS

BIOMATEMATIKA ELŐADÁS BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség

Részletesebben

Valószín ségszámítás és statisztika

Valószín ségszámítás és statisztika Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@cs.elte.hu 2016/2017. tavaszi félév Bevezetés Célok: véletlen folyamatok modellezése; kísérletekb l, felmérésekb

Részletesebben

Valószínűségszámítás összefoglaló

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

Részletesebben

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

Matematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév Matematika A3 Valószínűségszámítás, 5. gyakorlat 013/14. tavaszi félév 1. Folytonos eloszlások Eloszlásfüggvény és sűrűségfüggvény Egy valószínűségi változó, illetve egy eloszlás eloszlásfüggvényének egy

Részletesebben

1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.

1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. 1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,

Részletesebben

Gazdasági matematika II. tanmenet

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.):

Részletesebben

Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés

Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák

Részletesebben

TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató

TANTÁRGYI 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:

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1 Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában

Részletesebben

Valószínűségszámítás

Valószínűségszámítás Valószínűségszámítás Pap Gyula Szegedi Tudományegyetem 2010/2011 tanév, II. félév Pap Gyula (SZE) Valószínűségszámítás 2010/2011 tanév, II. félév 1 / 122 Ajánlott irodalom: RÉNYI ALFRÉD Valószínűségszámítás

Részletesebben

Backhausz Ágnes 1. Bevezetés A valószínűség elemi tulajdonságai... 5

Backhausz Ágnes 1. Bevezetés A valószínűség elemi tulajdonságai... 5 Valószínűségszámítás Földtudomány BSc szak, 2016/2017. őszi félév Backhausz Ágnes agnes@cs.elte.hu Tartalomjegyzék 1. Bevezetés 2 2. A Kolmogorov-féle valószínűségi mező 3 2.1. Klasszikus valószínűségi

Részletesebben

Gazdasági matematika II. Tantárgyi útmutató

Gazdasági matematika II. Tantárgyi útmutató Módszertani Intézeti Tanszék Gazdálkodási és menedzsment, pénzügy és számvitel szakok távoktatás tagozat Gazdasági matematika II. Tantárgyi útmutató 2016/17 tanév II. félév 1/6 A KURZUS ALAPADATAI Tárgy

Részletesebben

Abszolút folytonos valószín ségi változó (4. el adás)

Abszolút folytonos valószín ségi változó (4. el adás) Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t

Részletesebben

Biomatematika 2 Orvosi biometria

Biomatematika 2 Orvosi biometria Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)

Részletesebben

TANTÁRGYI PROGRAM Matematikai alapok II. útmutató

TANTÁRGYI 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:

Részletesebben

A valószínűségszámítás elemei

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

Részletesebben

matematikai statisztika

matematikai statisztika Valószínűségszámítás és matematikai statisztika 2003. május 23. ii Tartalomjegyzék I. Valószínűségszámítás 1 1. Véletlen jelenségek matematikai modellje 3 1.1. Valószínűségi mező..............................

Részletesebben

Bevezetés. Valószínűségszámítás 2 előadás III. alk. matematikus szak. Irodalom. Egyéb info., számonkérés. Cél. Alapfogalmak (ismétlés)

Bevezetés. 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

Részletesebben

A valószínűségszámítás elemei

A valószínűségszámítás elemei A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:

Részletesebben

[Biomatematika 2] Orvosi biometria

[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.

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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

Részletesebben

Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József

Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Matematika III. 4. : A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul

Részletesebben

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

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

Részletesebben

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

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

Részletesebben

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 4. MA3-4 modul. A valószínűségi változó és jellemzői

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 4. MA3-4 modul. A valószínűségi változó és jellemzői Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematika III. 4. MA3-4 modul A valószínűségi változó és jellemzői SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról

Részletesebben

1. A kísérlet naiv fogalma. melyek közül a kísérlet minden végrehajtásakor pontosan egy következik be.

1. A kísérlet naiv fogalma. melyek közül a kísérlet minden végrehajtásakor pontosan egy következik be. IX. ESEMÉNYEK, VALÓSZÍNŰSÉG IX.1. Események, a valószínűség bevezetése 1. A kísérlet naiv fogalma. Kísérlet nek nevezzük egy olyan jelenség előidézését vagy megfigyelését, amelynek kimenetelét az általunk

Részletesebben

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Mi 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

Részletesebben

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,

Bevezetés 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.

Részletesebben

36 0,3. Mo.: 36 0,19. Mo.: 36 0,14. Mo.: 32 = 0,9375 32 = 0,8125 32 = 0,40625. Mo.: 32 = 0,25

36 0,3. Mo.: 36 0,19. Mo.: 36 0,14. Mo.: 32 = 0,9375 32 = 0,8125 32 = 0,40625. Mo.: 32 = 0,25 Valószínűségszámítás I. Kombinatorikus valószínűségszámítás. BKSS 4... Egy szabályos dobókockát feldobva mennyi annak a valószínűsége, hogy a -ost dobunk; 0. b legalább 5-öt dobunk; 0, c nem az -est dobjuk;

Részletesebben

Gazdasági matematika II. vizsgadolgozat, megoldással,

Gazdasági matematika II. vizsgadolgozat, megoldással, Gazdasági matematika II. vizsgadolgozat, megoldással, levelező képzés Definiálja az alábbi fogalmakat! 1. Kvadratikus mátrix invertálhatósága és inverze. (4 pont) Egy A kvadratikus mátrixot invertálhatónak

Részletesebben

Matematikai statisztika Tómács Tibor

Matematikai statisztika Tómács Tibor Matematikai statisztika Tómács Tibor Matematikai statisztika Tómács Tibor Publication date 2011 Szerzői jog 2011 Hallgatói Információs Központ Copyright 2011, Educatio Kht., Hallgatói Információs Központ

Részletesebben

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

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

Részletesebben

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

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

Részletesebben

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

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

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Tartalomjegyzék Szitaformulák Példák a szitaformulára Mintavételezés Bayes-tétel... 17

Tartalomjegyzék Szitaformulák Példák a szitaformulára Mintavételezés Bayes-tétel... 17 Valószínűségszámítás Földtudomány szak, 2015/2016. tanév őszi félév Backhausz Ágnes (ELTE TTK Valószínűségelméleti és Statisztika Tanszék)1 Tartalomjegyzék 1. Valószínűségi mező 3 1.1. Példák valószínűségi

Részletesebben

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

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

Részletesebben

Informatikai rendszerek modellezése, analízise

Informatikai rendszerek modellezése, analízise Informatikai rendszerek modellezése, analízise Dr. Sztrik János Debreceni Egyetem, Informatikai Kar Lektorálta: Dr. Bíró József MTA doktora, egyetemi tanár 2 Jelen jegyzetet feleségemnek ajánlom, aki nélkül

Részletesebben

3. Egy ξ valószínűségi változó eloszlásfüggvénye melyik képlettel van definiálva?

3. Egy ξ valószínűségi változó eloszlásfüggvénye melyik képlettel van definiálva? . z és események függetlensége melyik összefüggéssel van definiálva? P () + P () = P ( ) = P ()P () = P ( ) = P () P () 2. z alábbi összefüggések közül melyek igazak, melyek nem igazak tetszőleges és eseményeke?

Részletesebben

Biomatematika 8. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Biomatematika 8. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 8. Valószínűség-számítás II. Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:

Részletesebben

Valószínűségelmélet. Pap Gyula. Szegedi Tudományegyetem. Szeged, 2016/2017 tanév, I. félév

Valószínűségelmélet. 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

Részletesebben

Valószínűségszámítás. Tómács Tibor. F, P ) egy valószínűségi mező, A P (A). Ha ϱ n az A gyakorisága, kísérletek száma, akkor minden ε. p(1 p) nε 2.

Valószínűségszámítás. Tómács Tibor. F, P ) egy valószínűségi mező, A P (A). Ha ϱ n az A gyakorisága, kísérletek száma, akkor minden ε. p(1 p) nε 2. Tómács Tibor Valószínűségszámítás F, P egy valószínűségi mező, A P (A. Ha ϱ n az A gyakorisága, kísérletek száma, akkor minden ε én ( ϱ n P n p ε p(1 p nε 2. Matematikai és Informatikai Intézet Tómács

Részletesebben

(Independence, dependence, random variables)

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

Részletesebben

Funkcionálanalízis. n=1. n=1. x n y n. n=1

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

Részletesebben

VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA

VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA A VALÓSZÍNŰSÉGI SZEMLÉLET ALAPOZÁSA 1-6. OSZTÁLY A biztos, a lehetetlen és a lehet, de nem biztos események megkülünböztetése Valószínűségi játékok, kísérletek események

Részletesebben

Nemparaméteres próbák

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

Részletesebben

VALÓSZÍNŰSÉGSZÁMÍTÁS. MSc. Órai Feladatok

VALÓSZÍNŰSÉGSZÁMÍTÁS. MSc. Órai Feladatok VALÓSZÍNŰSÉGSZÁMÍTÁS MSc Órai Feladatok 1. Feladat (Diszkrét eloszlás) Ketten kosárlabdáznak. Az A játékos 0,4 a B játékos 0,3 valószínűséggel dob kosarat. A dobást A kezdi és felváltva dobnak egymás után.

Részletesebben

Mérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik

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

Részletesebben

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

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

Részletesebben

Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek

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,

Részletesebben

2014. szeptember 24. és 26. Dr. Vincze Szilvia

2014. szeptember 24. és 26. Dr. Vincze Szilvia 2014. szeptember 24. és 26. Dr. Vincze Szilvia Mind a hétköznapi, mind a tudományos életben gyakran előfordul, hogy bizonyos halmazok elemei között kapcsolat figyelhető meg. A kapcsolat fogalmának matematikai

Részletesebben

Barczy Mátyás és Pap Gyula

Barczy Mátyás és Pap Gyula Barczy Mátyás és Pap Gyula mobidiák könyvtár Barczy Mátyás és Pap Gyula mobidiák könyvtár SOROZATSZERKESZTŐ Fazekas Iván Barczy Mátyás és Pap Gyula Debreceni Egyetem Oktatási segédanyag mobidiák könyvtár

Részletesebben

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 ) 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

Optimalizálási eljárások GYAKORLAT, MSc hallgatók számára. Analízis R d -ben

Optimalizálási eljárások GYAKORLAT, MSc hallgatók számára. Analízis R d -ben Optimalizálási eljárások GYAKORLAT, MSc hallgatók számára Analízis R d -ben Gyakorlatvezetõ: Hajnal Péter 2012. február 8 1. Konvex függvények Definíció. f : D R konvex, ha dom(f) := D R n konvex és tetszőleges

Részletesebben

a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli

a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli Gyakorló feladatok valószínűségszámításból végeredményekkel a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli. Igaz-e, hogy tetszőleges A, B és C eseményekre teljesül a A B \ C =

Részletesebben

előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás

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

Részletesebben

Gyakorló feladatok I.

Gyakorló feladatok I. Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,

Részletesebben

Tantárgy kódja Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2

Tantárgy kódja Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2 Tantárgy neve Alkalmazott matematika II. Tantárgy kódja MT003 Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2 Számonkérés módja gyakorlati jegy Előfeltétel (tantárgyi kód) MT002 Tantárgyfelelős

Részletesebben

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

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

Részletesebben

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

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

Részletesebben

1. Előszó. 2. Valószínűségszámítás

1. Előszó. 2. Valószínűségszámítás 1. Előszó Ez a jegyzet a BME Építőmérnök hallgatóinak számára az A3 előadáshoz készült. Ennek a tárgynak előfeltétele az A1 tárgy, ami az egy változós kalkulus, és az A2 tárgy, ami a többváltozós kalkulusból

Részletesebben

A maximum likelihood becslésről

A 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

Részletesebben

yf X (y)dy a af X (y)dy = a P (X a)

yf X (y)dy a af X (y)dy = a P (X a) Valószínűségszámítás jegyzet 3. rész. Markov- és Csebisev-egyenlőtlenség. Együttesés vetületi eloszlásfüggvény, függetlenség. Diszkrét és folytonos eset. Együttes- és vetületi eloszlás. Együttes- és vetületi

Részletesebben

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

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

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =

Részletesebben

CHT& NSZT Hoeffding NET mom. stabilis. 2011. november 9.

CHT& NSZT Hoeffding NET mom. stabilis. 2011. november 9. CHT& NSZT Hoeffding NET mom. stabilis Becslések, határeloszlás tételek Székely Balázs 2011. november 9. CHT& NSZT Hoeffding NET mom. stabilis 1 CHT és NSZT 2 Hoeffding-egyenlőtlenség Alkalmazása: Beengedés

Részletesebben

matematikai statisztika gyakorlatok feladatok és megoldások

matematikai statisztika gyakorlatok feladatok és megoldások Valószínűségszámítás és matematikai statisztika gyakorlatok feladatok és megoldások. május 6. ii Tartalomjegyzék. Valószínűségszámítási feladatok.. Függetlenség, feltételes valószínűség.......................

Részletesebben

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 Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:

Részletesebben

Matematikai statisztika c. tárgy oktatásának célja és tematikája

Matematikai 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:

Részletesebben

Negyedik fejezet. meglehetősen nagy, de az is lehet, hogy az X szín 5 évvel ezelőtt elő sem fordult. Tehát két. P (a ξ b, c η d)

Negyedik fejezet. meglehetősen nagy, de az is lehet, hogy az X szín 5 évvel ezelőtt elő sem fordult. Tehát két. P (a ξ b, c η d) Negyedik fejezet Többdimenziós eloszlások Több valószínűségi változó együttes vizsgálatához nem elegendő az egyes változók eloszlásának ismerete. Ez a tény jól érzékelhető a következő hétköznapi életből

Részletesebben

Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem

Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,

Részletesebben

A fontosabb definíciók

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,

Részletesebben

A Statisztika alapjai

A Statisztika alapjai A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati

Részletesebben

3. Egy szabályos dobókockát kétszer feldobva mennyi annak a valószínűsége, hogy a dobott számok különbségének abszolutértéke nagyobb mint 4?

3. Egy szabályos dobókockát kétszer feldobva mennyi annak a valószínűsége, hogy a dobott számok különbségének abszolutértéke nagyobb mint 4? 1. Kombinatorikus valószínűség 1. Egy dobókockát kétszer feldobunk. a) Írjuk le az eseményteret! b) Mennyi annak a valószínűsége, hogy az első dobás eredménye nagyobb, mint a másodiké? 2. Mennyi a valószínűsége

Részletesebben

VIK A1 Matematika BOSCH, Hatvan, 5. Gyakorlati anyag

VIK A1 Matematika BOSCH, Hatvan, 5. Gyakorlati anyag VIK A1 Matematika BOSCH, Hatvan, 5. Gyakorlati anyag 2018/19 1. félév Függvények határértéke 1. Bizonyítsuk be definíció alapján a következőket! (a) lim x 2 3x+1 5x+4 = 1 2 (b) lim x 4 x 16 x 2 4x = 2

Részletesebben

Val osz ın usegsz am ıt as jegyzet Buzga Viktor March 21, 2011

Val osz ın usegsz am ıt as jegyzet Buzga Viktor March 21, 2011 Valószínűsegszámítás jegyzet Buzga Viktor March 21, 2011 Contents 1 Bevezető 3 I Valószínűségszámítás 4 2 Valószínűségi alapfogalmak 5 3 Kolmogorov-féle valószínűségi mező 7 4 Klasszikus valószínűségi

Részletesebben

4. A negatív binomiális eloszlás

4. A negatív binomiális eloszlás 1 / 7 2011.03.17. 14:27 Virtuális laboratóriumok > 10. Bernoulli kísérletek > 1 2 3 4 5 6 4. Alapelmélet Tételezzük fel, hogy a véletlen kísérletünk, amit végrehajtunk Bernoulli kísérleteknek egy X = (X

Részletesebben

1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0

1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0 I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)

Részletesebben