Véletlenszám generátorok. 6. előadás

Hasonló dokumentumok
Véletlenszám generátorok. 5. előadás

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás

4 2 lapultsági együttható =

Statisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.

Táblázatok 4/5. C: t-próbát alkalmazunk és mivel a t-statisztika értéke 3, ezért mind a 10%-os, mind. elutasítjuk a nullhipotézist.

[Biomatematika 2] Orvosi biometria

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT

Eseményvezérelt szimuláció

Biomatematika 2 Orvosi biometria

s n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés

Hipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?

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

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév

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

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

Valószínűségi változók. Várható érték és szórás

Véletlen gráfok szerkesztésekor n csomópontból indulunk ki. p valószínűséggel két csomópontot éllel kötünk össze.

MATEMATIKAI STATISZTIKA KISFELADAT. Feladatlap

Regresszió. Fő cél: jóslás Történhet:

A valószínűségszámítás elemei

Tanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Erdő generálása a BVEPreproc programmal

NEVEZETES FOLYTONOS ELOSZLÁSOK

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok.

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

VARIANCIAANALÍZIS (szóráselemzés, ANOVA)

Kísérlettervezés alapfogalmak

Valószínűségszámítás összefoglaló

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

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

[Biomatematika 2] Orvosi biometria

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

Lineáris regresszió. Statisztika I., 4. alkalom

Kísérlettervezés alapfogalmak

Másolásra épülő algoritmusok

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

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

Közlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta

METROLÓGIA ÉS HIBASZÁMíTÁS

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

Készítette: Fegyverneki Sándor

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

A multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege

Bevezetés. 1. előadás, február 11. Módszerek. Tematika

d(f(x), f(y)) q d(x, y), ahol 0 q < 1.

Baran Ágnes. Gyakorlat MATLAB. Baran Ágnes Gyakorlat 1 / 70

Matematikai statisztika

Egy negyedrendű rekurzív sorozatcsaládról

Bevezetés a programozásba. 3. Előadás Algoritmusok, tételek

A Statisztika alapjai

4. előadás. Kiegyenlítő számítások MSc 2018/19 1 / 41

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

A valószínűségszámítás elemei

Matematikai alapok és valószínőségszámítás. Normál eloszlás

Függvények ábrázolása

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

Abszolút folytonos valószín ségi változó (4. el adás)

Utolsó módosítás: Véletlenszámok

6. Előadás. Vereb György, DE OEC BSI, október 12.

8. Programozási tételek felsoroló típusokra

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a

Pl.: Galton deszka ( vagy link innen:

Hatékonyság 1. előadás

Centrális határeloszlás-tétel

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

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

Algoritmusok és adatszerkezetek gyakorlat 09 Rendezések

VÉLETLEN PERMUTÁCIÓ ELŐÁLLÍTÁSA

Matematika A3 Valószínűségszámítás, 0. és 1. gyakorlat 2013/14. tavaszi félév

// keressük meg a legnagyobb faktoriális értéket, ami kisebb, // mint százmillió

BIOMATEMATIKA ELŐADÁS

Diszkrét idejű felújítási paradoxon

KÖVETKEZTETŐ STATISZTIKA

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

Szám. szim. labor ea. Tőke Csaba U(0,1) GSL. Adott eloszlás. Brown-mozgás. Hivatkozások. BME Fizika Intézet október 7.

KÖZELÍTŐ INFERENCIA II.

LEGO robotok. XII. rész

Zajok és fluktuációk fizikai rendszerekben

[Biomatematika 2] Orvosi biometria

Gazdasági matematika II. vizsgadolgozat megoldása A csoport

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

12. előadás - Markov-láncok I.

Valószín ségszámítás és statisztika

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre

Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

Információs rendszerek elméleti alapjai. Információelmélet

Többváltozós lineáris regressziós modell feltételeinek tesztelése I.

Felvételi tematika INFORMATIKA

Pontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.

Átírás:

Véletlenszám generátorok 6. előadás

Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes lehetséges esemény esélyének összege A véletlen változókhoz eloszlások tartoznak normáls (Gauss) egyenletes hatványfüggvény Mnden (adat)sokaságnak van gyakorság-eloszlása. A véletlen változóról feltesszük, hogy egy bzonyos (jellegű) sokaságból vesz (véletlen) tákat. A valószínűség változó eloszlása.

Normáls eloszlás a természetben gen gyakor pl. fák évgyűrűnek szélessége, az emberek magassága stb. egy deg (jó régen) egyfajta csoda volt, valamféle felsőbb szabályszerűságet láttak benne. a valószínűségszámítás egyk fontos tétele, a központ határeloszlás tétele szernt: ha nagy számú (lényegében tetszőleges eloszlású) véletlen hatást elegendően nagy számban összegzünk, akkor normáls eloszlást kapunk

Fzka véletlenszám generátorok kezdet módszerek: kockadobás, pénzfeldobás, roulette kerék lassú szerencsejátékokban Zener dódák termáls zaja, fényelektromos hatés, alagúthatás hardveres véletlenszámgenerátorok nterneten elérhető generátorok: -smeretlen forrású vdeofájlonvégrehajtott műveletek alapján: láva lámpák felvétele (http://lavarand.sg.com), ég felé fordított kamera felvétele -Hotbts: radoaktív bomlás alapján http://www.fourmlab.ch/hotbts/ -andom.org: atmoszférkus rádózaj alapján működő http://www.random.org/ CNN számítógéppel

Valód és pszeudo véletlenszám generátorok véletlen folyamatok modellezése véletlenszám generátor és ma között értékek ma = f ( ) = ma f ( ) d = előre rögzített eloszlásfüggvénnyel rendelkeznek f() normált eloszlás Egyenletes eloszlású véletlenszám generátorok az adott ntervallumon den egyes számot azonos valószínűséggel generálnak [, ma] f ( ) = [0, ma] f ( ) = ma tulajdonságok: gyors a generált számok egymástól tökéletesen függetlenek a sorozatnak vagy egy részének nem szabad perodkusan smétlődne az eloszlás nagyszámú próbálkozásra teljesen egyenletes kell legyen véletlenszám generátor véletlenszerű folyamat detersztkus számítógéppel hogyan lehet véletlenszámot generáln? SEHOGY!!! véletlenszámokat hamsítunk detersztkus előállítás, a kívánt tulajdonságokat jól megközelítk ma

Modulo generátorok egész számokat elhelyezn véletlenszerű sorrendben 0 és ma között n = + ( an c) MOD ( ma) a paraméterek megválasztása pl. a = 3, c = 4, ma = 32, 7, 25, 7, 23, 9, 3,, 7, 25,... peródus 8 a,c re ún. mágkus, jól bevált kombnácókat szoktak használn ANSI C-ben: ma = AND_MAX a legnagyobb nteger érték a kezdőértéket (SEED) változtathatjuk [0, ): [, ma ): {,.., ma -}: = = rand () (( double) AND _ MAX +.0) rand () + * + (nt) ( ) ( ) ma AND _ MAX +.0 rand () = * ( ) ( + ) ma AND _ MAX.0

Véletlenszám generátorok tesztelése meghatározzuk, hogy hány véletlenszámot generálunk smétlődés nélkül hsztogramm teszt: ábrázoljuk adott ks ntervallumokba eső véletlenszámok gyakorságát vzuáls teszt: koordnáta rendszerben ábrázoljuk az (n, n+) pontokat egyenletes befeketedés azt jelent, hogy jó a generátor k-ad rendű korrelácók mértéke: c + k k ( k) = = lm + k = + k n ha, +k egymástól független, akkor és így c(k) = 0 n n =

GFS (Generalzed Feedback Shft egster) algortmus a kzárólagos vagy (XO) műveleten alapszk a sorozat n. eleme: p és q egész számok és p > q az első p számot más véletlenszámgenerátortól kapjuk pl. n = 6; p = 5; q = 3; 3 = ; = 6 algortmus: n n p n q. ha k < q, legyen j = k + q, különben j = k p + q 2. legyen k = k j 3. növeljük k-t (k + ) mod p re megjegyzés: kezdetben a k ndeet 0-nak választhatjuk = nagyon gyors, rövdebb peródus, pct korrelált számok p q p q T T F T F T F T T F F F 6 = 3 = 00 0 = 0 = 3 javítható a shufflng algortmussal (összekeverés): -tároljunk egy N elemű lstát random számokból (N < T N ) + generáljunk egy r etra számot. legyen k = (nt)(n * r etra ), és használjuk az r k számot t következő 2. legyen r k = r etra 3. generáljunk r k helyett egy új számot

Tetszőleges eloszlású véletlenszámok generálása GEN generátorunk, am egyenletes eloszlást generál a [0, )-en GEN2 létrehozása, am g() eloszlású véletlenszámokat generál [, ma )-on ma g() normált g( ) d = Kell egy transzformácó, amre gazak a következők: GEN = 0 GEN2 = GEN = GEN2 = y GEN = GEN2 = ma annak valószínűsége, hogy annak valószínűsége, hogy 0, között generáljunk dz = g z dz, y között generáljunk = 0 y ( ) y G = G [ + G( )] ( ) = g( ) d GEN + [ GEN G( )] 2 = G