Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
|
|
- Dániel Mészáros
- 7 évvel ezelőtt
- Látták:
Átírás
1 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. Összetett esemény: legalább 2 tle különböz esemény összegeként állítható el. Ha A csak azokban az esetekben következhet be amikor a B esemény is bekövetkezik, akkor az A maga után vonja a B eseményt, azaz A B. A és B akkor azonos esemény, ha teljesül mind A B, mind B A, ekkor A = B. Egy kísérlettel kapcsolatos elemi események összessége a T eseményteret alkotja. Lehetetlen esemény: ( O ) amely soha nem következik be. Biztos esemény: ( I ) amely a kísérlet során mindig bekövetkezik. A ellentett eseménye az amely akkor, és csakis akkor következik be, amikor A nem következik be. = O, és = I. Mveletek eseményekkel: Összeadás: A és B események A + B összegén azt az eseményt értjük, mely pontosan akkor következik be ha A és B közül legalább az egyik bekövetkezik. Kommutatív és asszociatív : A + B = B + A és A + (B + C) = (A + B) + C Szorzás: A 1 A 2. A n pontosan akkor következik be, ha az összes tényez esemény bekövetkezik. Kommutatív és asszociatív: AB = BA és A(BC) = (AB)C Ha A és B szorzata lehetetlen esemény, azaz AB = O, akkor A és B kizárják egymást. Tetszleges A eseményre fennállnak az alábbiak: A + A = A AO = O AA = A A + I = I A + O = A AI = A A + = I A = O Tetszleges A, B, C eseményekre teljesül az alábbi két törvény: A(B + C) = AB + AC és A + (BC) = (A + B)(A + C) Az A és B események összegének ellentettjére és szorzatának ellentettjére fennállnak az alábbi de Morgan féle képletek:
2 A + B = A B és AB = A + B Kettnél több komponens esetén: A 1 + A A n = A 1 A 2 A n Illetve A 1 A 2 A n = A 1 + A A n Kivonás: B és A esemény különbsége az az esemény, mely akkor következik be, ha B teljesül de A nem, azaz: B A = B. A B 1, B 2,, B n események teljes eseményrendszert alkotnak, ha B 1 + B B n = I és B i B j = O, ha i j (i = 1, 2,, n; j = 1, 2,, n) Események valószínsége Valamely kísérlettel kapcsolatos esemény a kísérlet n-szeri ismétlése során észlelt bekövetkezéseinek k száma osztva a kísérletek n számával megadja az A eseménynek a kísérletsorozatra jellemz relatív gyakoriságát. A tapasztalat azt mutatja hogy ha egyre több kísérletsorozatból határozzuk meg az A relatív gyakoriságát, akkor a kapott relatív gyakoriságok egyre kisebb mértékben ingadoznak egy rögzített szám körül. Ezt a számot az A esemény valószínségének nevezzük és P(A)-val jelöljük. Események valószínségére fennállnak az alábbiak: I. 0 P(A) 1 II. P(O) = 0, P(I) = 1 III. Ha AB = O, akkor P(A + B) = P(A) + P(B), illetve általánosan IV. Ha az A 1, A 2,, A n, események páronként kizárják egymást, akkor P(A 1 + A A n + ) = P(A 1 ) + P(A 2 ) + + P(A n ) + ) A fentiekbl következnek az alábbiak: Ha az A B, akkor P(A) P(B). Ha A és B egy kísérlet 2 eseménye, akkor P(A + B) = P(A) + P(B) P(AB). Ha A 1, A 2,, A n teljes eseményrendszert alkotnak, akkor P(A 1 + P(A 2 ) + + P(A n ) = 1. Ha A egy kísérlet egy eseménye, és ellentettje, akkor P(A) + P() = 1. Klasszikus valószínségi mez Ha egy kísérletnek csak véges sok kimenetele lehet, és az egyes elemi eseményeknek azonos a valószínségük, akkor a kísérlettel kapcsolatos események és ezek valószínségei együtt un. klasszikus valószínségi mezt alkotnak. Ha az A esemény a kísérlet n elemi eseménye közül k különböz elemi esemény összegébl áll, akkor valószínsége: P(A) = k/n
3 A feltételes valószínség fogalma Legyen A és B egy kísérlettel kapcsolatos 2 esemény, és P(B) 0. Az A eseménynek B feltétel melletti P(A B) feltételes valószínsége az A esemény valószínségét jelenti, feltéve hogy a B esemény bekövetkezett, azaz P(A B) = P(AB) / P (B). Ebbl 2 esemény szorzatának valószínsége az alábbiak szerint adódik: P(AB) = P(A B) P(B). Legyenek A 1, A 2,, A n tetszleges események, ezek szorzatának valószínsége: P(A 1 A 2 A n ) = P(A n A 1,. A n 1 ) P(A n - 1 A 1 A n 2 ) P(A 2 A 1 ) P(A 1 ) A teljes valószínség tétele. Ha a B 1, B 2,, B n események teljes eseményrendszert alkotnak és P(B i 0) (i = 1, 2,, n), akkor tetszleges A esemény valószínségére érvényes az alábbi összefüggés: Bayes tétele P(A) = P(A B 1 )P(B 1 ) + P(A B 2 )P(B 2 ) + + P(A B n )P(B n ) = = i = 1 Σ n P(A B i )P(B i ) Ha a B 1, B 2,, B n események teljes eseményrendszert alkotnak és P(B i 0) (i = 1, 2,, n), továbbá tetszleges A eseményre melyre P(A) 0, akkor P(B i A) = P(A B i )P(B i ) / j = 1 Σ n P(A B j )P(B j ) Események függetlensége Az A eseményt a B eseménytl függetlennek nevezzük, ha teljesül hogy P(A B) = P(A). Ha az A esemény a B eseménytl, akkor B esemény is független A-tól. A és B egymástól való függetlenségét fejezi ki az alábbi összefüggés is: P(AB) = P(A)P(B) Az A 1, A 2,, A n események teljesen függetlenek, ha közülük bárhogyan kiválasztva k (k = 2, 3,, n) számú A i1, A i2,, A ik eseményeket, ezekre fennáll az alábbi összefüggés: P(A i1, A i2,, A ik ) = P(A i1 )P(A i2 ) P(A ik ) Kettnél több esemény függetlenségéhez nem elég ha páronként függetlenek, mert összességükben még fennállhat közöttük kapcsolat. Két vagy több kísérletet függetlennek nevezünk, ha mindegyik kísérlet egy egy tetszleges eseményét kiválasztva az így kapott események függetlenek. A és B események függetlensége azt jelenti hogy fennáll: P(AB) = P(A)P(B)
4 A valószínségi változó fogalma, diszkrét valószínségi változó és eloszlása. Egy T eseménytér elemi eseményeihez egy egy számértéket rendelve egy függvényt értelmezünk, melyet valószínségi változónak nevezünk és ξ-vel jelölünk. Ha a ξértékkészlete a véges, vagy végtelen x 1, x 2,, x k, sorozat, akkor ξ-t diszkrét eloszlású valószínségi változónak, vagy rövidebben diszkrét valószínségi változónak nevezzük. Legyen A k a T eseménytér azon elemi eseményeinek részhalmaza melyekhez ξ az x k értéket rendeli, akkor a p k = P(ξ = x k ) = P(A k ) valószínségeket a ξ változó eloszlásának nevezzük, és azt mondjuk hogy a ξ az x k értéket p k valószínséggel veszi fel. Az A k események teljes eseményrendszert alkotnak, ezért a megfelel valószínségek összege: p k = P(ξ = x k ) = Σ P(A k ) = 1 k = 1 k = 1 k = 1 Eloszlásfüggvény, folytonos valószínségi változó eloszlásfüggvénye. Egy ξ valószínségi változó F(x) eloszlásfüggvénye azt adja meg, hogy milyen valószínséggel veszi fel ξ az x-nél kisebb értékeket: F(x) = P(ξ < x). Az F(x) tulajdonságai: 1. monoton növekv, azaz F(x 2 ) F(x 1 ) ha x 2 > x 1 2. lim F(x) = 0 x - 3. lim F(x) = 1 x 4. lim F(x) = F(x 0 ) x x0 0 Jelentse az A esemény azt hogy ξ értékére fennáll a ξ < b, ekkor P(a) = P(a ξ < b) = F(b) F(a) Diszkrét valószínségi változó eloszlásfüggvénye lépcss függvény. Egy ξ valószínségi változó srségfüggvényének nevezzük az f(x) függvényt ha ezzel a ξ F(x) eloszlásfüggvénye az alábbiak szerint adható meg: x F(x) = f(t) dt. - Ha ξ-nek létezik srségfüggvénye, akkor F(x) folytonos, ilyenkor ξ-t folytonos (eloszlású) valószínségi változónak nevezzük. Ekkor fennáll: F (x) = f(x). A srségfüggvény tulajdonságai: f(x) 0 (nem negatív) f(x) dx = 1 -
5 Jelentse az A esemény hogy ξ felvett értékeire teljesül hogy a ξ < b. Legyen f(x) ξ srségfüggvénye, ekkor fennáll: b P(A) = P(a ξ < b) = f(x) dx. a A várható érték Ha egy valószínségi változóval kapcsolatban független kísérleteket hajtunk végre, akkor a ezek során valószínségi változó felvett értékei, - és számtani középértékük is, - általában egy meghatározott szám körül ingadoznak. Minél több kisérletet végzünk, az ingadozás annál kisebb mérték lesz. Azt az (elméleti) értéket, mely körül a tapasztalati értékek ingadoznak, várható értéknek nevezzük. Ha ξ diszkrét valószínségi változó, mely az x k (k = 1, 2,..) értéket p k (k = 1, 2, ) valószínséggel veszi fel, akkor ξ várható értéke M(ξ) = Σ p k x k. Ha ξ végtelen sok értéket vehet fel, akkor a várható értéket csak akkor értelmezzük ha a fenti sor abszolút konvergens, azaz Σ x k p k < k = 1 Ha ξ folytonos eloszlású val. Változó, melynek srségfüggvénye f(x), akkor várható értéke: M(ξ) = x f(x) dx, feltéve hogy x f(x) dx konvergens. - - A szórás A szórás a valószínségi változó várható értéke körüli szóródását méri. Négyzete az un. szórásnégyzet, ξ és M(ξ) eltérése négyzetének várható értéke, azaz D 2 (ξ) = M {[ξ - M(ξ)] 2 }. A szórást D(ξ)-vel jelöljük, ez a szórásnégyzet négyzetgyöke, mindkett csak akkor van értelmezve ha a fenti várható értékek léteznek. Az alábbi összefüggéssel a szórás egyszerbben számítható ki: D 2 (ξ) = M(ξ 2 ) [M(ξ)] 2 Ha ξ diszkrét valószínségi változó, szórásnégyzete, - amennyiben létezik, - az alábbiak szerint számítható ki: D 2 (ξ) = Σ x k 2 p k ( Σ x k p k ) 2 k = 1 k = 1 Ha ξ folytonos eloszlású valószínségi változó, melynek srségfüggvénye f(x), akkor szórásnégyzete amennyiben létezik, az alábbiak szerint adódik: D 2 (ξ) = x 2 f(x) dx [ x f(x) dx ] 2 - -
6 Diszkrét eloszlások Binomiális eloszlás Legyen egy kísérlet valamely A eseményének valószínsége P(A) = p, és az ellentett eseményé P() = 1 p = q. Ismételjük meg a kísérletet n-szer, egymástól függetlenül! Legyen a ξ valószínségi változó értéke az A esemény bekövetkezéseinek száma. Annak valószínsége hogy ξ az x k = k (k = 0, 1,, n) értéket veszi fel, n P k = P(ξ =k) = ( )p k q n k (k = 0, 1,, n) k A binomiális eloszlású valószínségi változó várható értéke és szórása: M(ξ) = np, D 2 (ξ) = npq Az eloszlás csak akkor szimmetrikus, ha p = 0,5 Poisson eloszlás Ha a ξ val. változó az x k = k (k = 0, 1, 2, ) értékeket veheti fel és eloszlásfüggvénye P(ξ = k) = p k = (λ k / k!) e -λ (k = 0, 1, 2, ), ahol λ > 0 tetszleges adott szám, ξ eloszlását λ paraméter Poisson eloszlásnak nevezzük. A Poisson eloszlású ξ valószínségi változó várható értéke és szórása: M(ξ) = λ, D(ξ) = (λ) 1/2 A Poisson eloszlás tagjai bizonyos esetekben megfelel paraméter választásával jól közelítik a binomiális eloszlás tagjait: ha nagy a binomiális eloszlásban n értéke k-hoz képest, és p értéke kicsi, akkor λ = np választva fennáll : n ( ) p k q n k [ (np) k /k! ] e np = (λ k /k!)e - λ k Legegyszerbben az alábbi rekurziós formulával számítható: P(0) = e - λ, és P(k + 1) = [λp(k)] / (k + 1) Folytonos eloszlások Egyenletes eloszlás Egy ξ folytonos eloszlású valószínségi változót az (a,b) intervallumon egyenletes eloszlásúnak mondunk, ha srségfüggvénye: 0, ha x a; f(x) = 1/ (b a), ha a < x b; 0, ha x > b. Ebbl következen eloszlásfüggvénye:
7 0, ha x a; F(x) = P(ξ < x) = (x a) / (b a), ha a < x b; 1, ha x > b. Annak valószínsége hogy ξ az (a, b ) részintervallumba (a a, b b) esik, egyenl a részintervallum hosszának és a teljes (a,b) intervallum hosszának hányadosával, vagyis: b P(a ξ < b ) = f(x) dx = (b a ) / (b a) a Várható értéke és szórásnégyzete: M(ξ) = (a + b) / 2 illetve D 2 (ξ) = (b a) 2 /12 Exponenciális eloszlás Egy ξ folytonos eloszlású változót exponenciális eloszlásúnak nevezünk, ha srségfüggvényének alakja: f(x) = 0, ha x 0, és f(x) = λe -λx paramétere. ξ eloszlásfüggvénye:, ha x > 0, λ tetszleges pozitív szám, az eloszlás 0, ha x 0; F(x) = P(ξ < x) = 1 e -λx, ha x > 0. A λ paraméter exponenciális eloszlású valószínségi változó várható értéke és szórása: M(ξ) = 1 / λ; illetve D(ξ) = 1 / λ. Ha a ξ valamilyen esemény bekövetkezéséig eltelt idtartamot jelöli és ξ olyan tulajdonságú hogy ha a kiinduló idponttól tetszleges T idpontig még nem következett be az esemény, akkor tekinthet ez a T idpont is kiinduló idpontnak, vagyis: P(ξ T + t ξ T) = P(ξ t), akkor ξ exponenciális eloszlású. Ez esetben kis t értékekre az esemény bekövetkezésének feltételes valószínsége, feltéve hogy a t szakasz kezdetéig az esemény nem következett be: P(ξ < T + t ξ T) = λ t. Vagyis az esemény bekövetkezésének esélye az id múlásával nem n, - az exponenciális eloszlású változó nem öregszik. Normális eloszlás Egy ξ valószínségi változót normális eloszlásúnak nevezünk, ha srségfüggvénye: f(x) = [1 / (2) 1/2 ]e u u = [(x m) 2 / 2 2 ]
8 ahol m tetszleges valós szám, tetszleges pozitív szám lehet; m és az eloszlás 2 paramétere. eloszlásfüggvénye: x F(x) = P( < x) = 1/ [ (2) 1/2 ] e -u dt ; u = [(t m) 2 /2 2 ] - várható értéke és szórása: M() = m; D() =. Ha m = 0 és = 1, akkor srségfüggvénye: (x) = 1/ (2) 1/2 e -v ; v = x 2 /2 x Az eloszlásfüggvénye pedig: (x) = 1 / (2) 1/2 e -v dt; v = t 2 /2 - Ezt standard normális eloszlásnak nevezzük. A (x) és (x) függvényekkel az m és paraméter normális eloszlású valószínségi változó srségfüggvénye és eloszlásfüggvénye az alábbiak szerint adható meg: f(x) = (1 /)[(x m)/ ], illetve F(x) = [(x m)/] A normális eloszlás srségfüggvénye szimmetrikus a várható értékre. Így fennállnak az alábbi összefüggések: (-x) = (x); (-x) = 1 (x) Ebbl következen a standard normális eloszlásra P( -x < x) = (x) (-x) = (x) [1 (x)] = 2(x) 1 χ 2 eloszlás Csak pozitív számokra értelmezzük. Legyenek x 1, x 2,, x n egymástól független standard normális eloszlású valószínségi változók. Ekkor a χ 2 = x x x n 2. χ 2 eloszlású valószínségi változó, n szabadsági fokkal. Paramétere n, várható értéke M(χ 2 ) = n, szórásnégyzete D 2 (χ 2 ) = 2n. Az eloszlás nem szimmetrikus. Student eloszlás
9 W. Gosset ír kémikustól származik. Legyenek Y, x 1, x 2,, x n független, standard normális eloszlású valószínségi változók. Képezzük az n szabadsági fokú χ 2 eloszlású valószínségi változót. Osszuk el ezt a szabadsági fokok számával, és vonjunk a hányadosból négyzetgyököt. Így (χ 2 /n) 1/2 hez jutunk. Ha az Y standard normális eloszlású valószínségi változót osztjuk a fenti kifejezéssel, az n szabadsági fokú Student eloszlású valószínségi változóhoz jutunk: t n = (n) 1/2 Y / (x x x n 2 ) 1/2 értelmezési tartománya - < x < +. Paramétere n, ahol n pozitív egész szám. n 20 esetén gyakorlatilag egybeesik a normális eloszlással. Fisher eloszlás (F eloszlás) Legyen 2 független χ 2 eloszlású n 1 és n 2 szabadsági fokú valószínségi változó, X 1 és X 2. A hányadosukból képzett F = (X 1 / n 1 ) / (X 2 / n 2 ) eloszlás. Két paramétere n 1 és n 2, várható értéke: valószínségi változó eloszlása a Fisher M(F) = n 2 / (n 2 2), feltéve hogy n 2 > 2. Szórásnégyzete: D 2 (F) = [2n 2 2 (n 1 + n 2 2)] / [n 1 (n 2 2) 2 (n 2 4)] Elssorban szórások összehasonlítására alkalmazzák. Megoldandó feladatok a gyakorlatra: 1. 2 játékos felváltva dob kosárra, ha egyikük dobása sikeres abbahagyják a játékot. 0,5 a valószínsége. hogy a kezd játékos talál, 0,6 a val. a másik sikeres dobásának. Írjuk fel annak a valószínségi változónak az eloszlását melynek értékei azon dobások száma, melyet a játékosok a sikeres dobással együtt végeznek 2. 2 pontot választunk találomra egy egységnyi hosszúságú szakaszon. Mennyi a 2 pont távolságának várható értéke?
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.
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
RészletesebbenJármőtervezés 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
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
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.
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
RészletesebbenA valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
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
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:
RészletesebbenBiomatematika 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)
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 :
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.
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
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
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:
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.):
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
RészletesebbenMi az adat? Az adat elemi ismeret. Az adatokból információkat
Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás
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
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:
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,
RészletesebbenAbszolút 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
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
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.
RészletesebbenVALÓSZÍNŰSÉG, 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
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.
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
Részletesebben1. 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
Részletesebben1. 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
Részletesebben3. 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[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 =
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 +
RészletesebbenMatematika 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
RészletesebbenGazdasági 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
RészletesebbenGRADUÁLIS BIOSTATISZTIKAI KURZUS február hó 22. Dr. Dinya Elek egyetemi docens
GRADUÁLIS BIOSTATISZTIKAI KURZUS 2012. február hó 22. Dr. Dinya Elek egyetemi docens Biometria fogalma The active pursuit of biological knowledge by quantitative methods Sir R. A. Fisher, 1948 BIOMETRIA
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
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
RészletesebbenNemparaméteres 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
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
Részletesebben1. 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
RészletesebbenFeladatok 2. zh-ra. 1. Eseményalgebra április Feladat. Az A és B eseményekr l tudjuk, hogy P (A) = 0, 6, P (B) = 0, 7 és
Feladatok 2 zh-ra 205 április 3 Eseményalgebra Feladat Az A és B eseményekr l tudjuk, hogy P (A) = 0, 7, P (B) = 0, 4 és P (A B) = 0, 5 Határozza meg az A B esemény valószín ségét! P (A B) = 0, 2 2 Feladat
RészletesebbenSzámítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
RészletesebbenMatematika 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
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségszámítási alapok
Matematikai alapok és valószínőségszámítás Valószínőségszámítási alapok Bevezetés A tudományos életben vizsgálódunk pontosabb megfigyelés, elırejelzés, megértés reményében. Ha egy kísérletet végzünk, annak
RészletesebbenNyugat-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
RészletesebbenStatisztika 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,
RészletesebbenStatisztika 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,
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
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
RészletesebbenMatematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József
Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Matematika III. 5. : Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP
RészletesebbenValószínűségszámítás
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
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
RészletesebbenTerületi sor Kárpát medence Magyarország Nyugat-Európa
Területi sor Terület megnevezése Magyarok száma 2011.01.01. Kárpát medence 13 820 000 Magyarország 10 600 00 Nyugat-Európa 1 340 000 HIV prevalence (%) in adults in Africa, 2005 2.5 Daganatos halálozás
Részletesebben(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,
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenMegoldások MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!
MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!) 2016. JANUÁR 21. Elérhető pontszám: 50 pont Megoldások 1. 6. 2. 7. 3. 8. 4. 9. 5. Össz.:
RészletesebbenKözlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta
Közlemény Biostatisztika és informatika alajai. előadás: Az orvostudományban előforduló nevezetes eloszlások 6. szetember 9. Veres Dániel Statisztika és Informatika tankönyv (Herényi Levente) már kaható
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenLegfontosabb bizonyítandó tételek
Legfontosabb bizonyítandó tétele 1. A binomiális tétel Tetszőleges éttagú ifejezés (binom) bármely nem negatív itevőj ű hatványa polinommá alaítható a övetez ő módon: Az nem más, mint egy olyan n tényezős
RészletesebbenAz ész természetéhez tartozik, hogy a dolgokat nem mint véletleneket, hanem mint szükségszerűeket szemléli (Spinoza: Etika, II. rész, 44.
Dr. Vincze Szilvia Az ész természetéhez tartozik, hogy a dolgokat nem mint véletleneket, hanem mint szükségszerűeket szemléli (Spinoza: Etika, II. rész, 44. tétel) Környezetünkben sok olyan jelenséget
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
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
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre
RészletesebbenVALÓSZÍNŰSÉGSZÁMÍTÁS KIDOLGOZOTT FELADATOK
VALÓSZÍNŰSÉGSZÁMÍTÁS KIDOLGOZOTT FELADATOK KOMBINATORIKA Példa: a) Hányféle módon rakható sorba egy csomag Magyar kártya 3 lapja? Nyilván 3! féle módon. Ez nagyon nagy szám, 3!,63 0 35. b) Hányféle módon
RészletesebbenGyakorló 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.,
RészletesebbenValószínűségszámítás
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
Részletesebbenegyetemi jegyzet Meskó Balázs
egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.
Részletesebben36 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;
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
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 7. Bevezetés a valószínűségszámításba Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés 2 Definíciók, tulajdonságok Példák Valószínűségi mező
RészletesebbenMatematika III. 2. Eseményalgebra Prof. Dr. Závoti, József
Matematika III. 2. Eseményalgebra Prof. Dr. Závoti, József Matematika III. 2. : Eseményalgebra Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP - 4.1.2-08/1/A-2009-0027 Tananyagfejlesztéssel
RészletesebbenGyakorló 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,
Részletesebbenf(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
RészletesebbenFeladatok és megoldások a 13. hétre
Feladatok és megoldások a. hétre Építőkari Matematika A. Az alábbi függvények melyike lehet eloszlásfüggvény? + e x, ha x >, (a F(x =, ha x, (b F(x = x + e x, ha x, (c F(x =, ha x, x (d F(x = (4 x, ha
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
RészletesebbenBiometria, 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[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
RészletesebbenGyakorló feladatok a 2. dolgozathoz
Gyakorló feladatok a. dolgozathoz. Tíz darab tízforintost feldobunk. Mennyi annak a valószínűsége hogy vagy mindegyiken írást vagy mindegyiken fejet kapunk? 9. Egy kör alakú asztal mellett tízen ebédelnek:
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
RészletesebbenBackhausz 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
RészletesebbenMatematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
RészletesebbenA lineáris algebrában központi szerepet betöltı vektortér fogalmát értelmezzük most, s megvizsgáljuk e struktúra legfontosabb egyszerő tulajdonságait.
2. VEKTORTÉR A lineáris algebrában központi szerepet betöltı vektortér fogalmát értelmezzük most, s megvizsgáljuk e struktúra legfontosabb egyszerő tulajdonságait. Legyen K egy test és V egy nem üres halmaz,
RészletesebbenA mérési eredmény megadása
A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk meg: a determinisztikus és a véletlenszerű
RészletesebbenVALÓSZÍNŰSÉGSZÁMÍTÁS. 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.
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok II. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok II. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
Részletesebben1. Oldja meg a z 3 (5 + 3j) (8 + 2j) 2. Adottak az A(1,4,3), B(3,1, 1), C( 5,2,4) pontok a térben.
Szak: Műszaki menedzser I. Dátum: 006. június. MEGOLDÓKULCS Tárgy: Matematika szigorlat Idő: 0 perc Neptun kód: Előadó: Berta Gábor szig 06 06 0 Pontszám: /00p. Oldja meg a z (5 + j (8 + j + = (+5j (7
RészletesebbenStatisztika I. 8. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes
RészletesebbenA biostatisztika és informatika szerepe a mindennapi orvosi gyakorlatban
A biostatisztika és informatika szerepe a mindennapi orvosi gyakorlatban Az orvostudomány célja (belgyógyászat tankönyvből): a betegségek megelőzése, a betegek meggyógyítása Diagnosztika, a betegségek
RészletesebbenA 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
RészletesebbenLineáris leképezések. 2. Lineáris-e az f : R 2 R 2 f(x, y) = (x + y, x 2 )
Lineáris leképezések 1 Lineáris-e az f : R 2 R 2 f(x, y = (3x + 2y, x y leképezés? A linearitáshoz ellen riznünk kell, hogy a leképzés additív és homogén Legyen x = (x 1, R 2, y = (y 1, y 2 R 2, c R Ekkor
RészletesebbenA 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,
RészletesebbenKVANTITATÍV MÓDSZEREK
BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM Gazdaság- és Társadalomtudományi Kar Üzleti Tudományok Intézet Dr. Kövesi János Erdei János Dr. Tóth Zsuzsanna Eszter Dr. Jónás Tamás KVANTITATÍV MÓDSZEREK
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
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:
RészletesebbenGyakorló feladatok valószínűségszámításból végeredményekkel. a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli
Gyakorló feladatok valószínűségszámításból végeredményekkel a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli Mutassuk meg, hogy tetszőleges A és B eseményekre PA B PA+PB. Mutassuk
RészletesebbenPopulációbecslés és monitoring. Eloszlások és alapstatisztikák
Populációbecslés és monitoring Eloszlások és alapstatisztikák Eloszlások Az eloszlás megadja, hogy milyen valószínűséggel kapunk egy adott intervallumba tartozó értéket, ha egy olyan populációból veszünk
RészletesebbenMatematika 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
RészletesebbenGazdasági 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
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
Részletesebben