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

Hasonló dokumentumok
Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár. Hegyi Géza. Filozofia és Történelem Kar, Kolozsvár. M.A. Santos, R. Coelho és J.J.

Vagyoneloszlás a társadalmakban - egy fizikus megközelítése -

Szociális hálozatok és a vagyoneloszlás a társadalmakban. Néda Zoltán. Babeş-Bolyai Tudományegyetem Elméleti Fizika Tanszék

Hálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet

Statisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.

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

Véletlenszám generátorok. 6. előadás

Statisztikai módszerek a skálafüggetlen hálózatok

Társadalmi és gazdasági hálózatok modellezése

Az entrópia statisztikus értelmezése

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

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

Turbulens áramlás modellezése háromszög elrendezésű csőkötegben

Doktori disszertáció. szerkezete

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

Szalai Péter. April 17, Szalai Péter April 17, / 36

Regresszió. Fő cél: jóslás Történhet:

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

Sztochasztikus folyamatok alapfogalmak

Betekintés a komplex hálózatok világába

Véletlen gráfok, hálózatok

A Barabási-Albert-féle gráfmodell

Valószínűségi változók. Várható érték és szórás

Gazdasági matematika II. vizsgadolgozat megoldása A csoport

Extrém-érték elemzés. Extrém-érték eloszlások. A normálhatóság feltétele. Megjegyzések. Extrém-érték modellezés

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

MATEMATIKAI STATISZTIKA KISFELADAT. Feladatlap

Variancia-analízis (ANOVA) Mekkora a tévedés esélye? A tévedés esélye Miért nem csinálunk kétmintás t-próbákat?

Fizika labor zh szept. 29.

Univerzalitási osztályok nemegyensúlyi rendszerekben, Ódor Géza

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

Valószínűségszámítás összefoglaló

DFTH november

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

A MATEMATIKA NÉHÁNY KIHÍVÁSA

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

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

METROLÓGIA ÉS HIBASZÁMíTÁS

,...,q 3N és 3N impulzuskoordinátával: p 1,

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

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

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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

Minősítéses mérőrendszerek képességvizsgálata

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

[Biomatematika 2] Orvosi biometria

A mérési eredmény megadása

Mechanizmus-tervezés: szociális jóléti függvény nem kooperatív (versengő) ágensek. A megegyezés keresése és elérése: Tárgyalás (Negotiation)

4 2 lapultsági együttható =

Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére

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

1. Példa. A gamma függvény és a Fubini-tétel.

Biomatematika 2 Orvosi biometria

Molekuláris dinamika: elméleti potenciálfelületek

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

Eseményvezérelt szimuláció

Szilárdtestek mágnessége. Mágnesesen rendezett szilárdtestek

Véletlenszám generátorok. 5. előadás

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver):

HETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT

2 Wigner Fizikai Kutatóintézet augusztus / 17

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

Integrált rendszerek n é v; dátum

Elemi szelekciós elmélet

Mesterséges Intelligencia MI

Makroszkopikus emisszió modell validálása és irányítási célfüggvényként való alkalmazásának vizsgálata

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Általános esetben az atomok (vagy molekulák) nem függetlenek, közöttük erős

Koncentráció és mérése gazdasági és társadalmi területeken. Kerékgyártó Györgyné BCE Statisztika Tanszék

Műszaki folyamatok közgazdasági elemzése. Kevert stratégiák és evolúciós játékok

[Biomatematika 2] Orvosi biometria

Robotirányítási rendszer szimulációja SimMechanics környezetben

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

Orosz Gyula: Markov-láncok. 4. Statisztikus golyójátékok

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg

Véletlen mátrix extrém-érték statisztika: Tracy-Widom eloszlás

Többváltozós lineáris regressziós modell feltételeinek

Összefoglalás és gyakorlás

Általános egyensúly a kiterjesztett IS-LM modellben

Gazdasági matematika II. vizsgadolgozat, megoldással,

ELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Elektromos zajok. Átlagérték Időben változó jel átlagértéke alatt a jel idő szerinti integráljának és a közben eltelt időnek a hányadosát értik:

MUNKAGAZDASÁGTAN. Készítette: Köllő János. Szakmai felelős: Köllő János január

[Biomatematika 2] Orvosi biometria

A MOLEKULADINAMIKAI MÓDSZEREK SZISZTEMATIKUS TÁRGYALÁSA: KLASSZIKUS DINAMIKA A POSTERIORI KORREKCIÓJA

Loss Distribution Approach

Kísérlettervezés alapfogalmak

Majomnyelv. Szavak előfordulási gyakoriságának modellezése nyelvi statisztikák alapján

20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek!

Van-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag)

Várható érték:... p Módusz:...

Nemparaméteres próbák

Közlekedési áramlatok MSc. Csomóponti-, útvonali eljutási lehetőségek minősítése

Rádl Attila december 11. Rádl Attila Spalláció december / 21

Robotok direkt geometriája

Lineáris regresszió. Statisztika I., 4. alkalom

Extrém-érték elemzés. Extrém-érték eloszlások. Megjegyzések. A normálhatóság feltétele. Extrém-érték modellezés

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

Átírás:

9. előadás

P(k) k Véletlen gráfok szerkesztésekor n csomópontból ndulunk k. p valószínűséggel két csomópontot éllel kötünk össze. A fokszámok Posson eloszlásúak P( k) = e pn ( pn) k! k http://www.ct.nfn.t/cactus/applets/gant%20component.html Ksvlág gráfokat úgy szerkesztünk, hogy rövdítőket adunk rendezett gráfokhoz A fokszámok eloszlása kcsúcsosodk az átlagérték körül http://www.ct.nfn.t/cactus/applets/small%20worlds.html

Növekvő hálózatok modellje (A.-L. Barabás R. Albert 1999) 1) Növekedés Mnden dőlépésben egy új csomópont jelenk meg a rendszerben 2) Preferencáls csatolódás A csatolódás valószínűsége a csomópont fokszámától függ P(k) k P( k ) = k j = 1, N k j A fokszámok hatványfüggvény eloszlásúak http://www.ct.nfn.t/cactus/applets/preferental%20attachment.html

dvatos ága a Komplex Rendszerek Fzkájának Közgazdaság és a társadalomtudományok makroskálán egy megfelelő rendszer a fzka egyes módszerenek az alkalmazására (makroskála: az egyének ndvdualtása elhanyagolható és átlagos vselkedéssel helyettesíthető) olyan folyamatok amelyben sok egyed komplkált módon kölcsönnhat vannak nylvánvaló ok-okozat kapcsolatok, habár egy bzonyos makrosznten a folyamatok stochasztkusnak (véletlenszerűnek) tűnnek vannak unverzáls és smétlődő törvényszerűségek lehet mérn, modellezn és kísérletezn ezen rendszerekben létezk egy általános elv amely ezen rendszerek evolúcóját vezérl: a maxmáls nyereség elve Kondor Imre Bank és kockázat (Mndentudás Egyeteme, 2004, május 24) fzkus értelemben komplex rendszer komplex modellekkel megközelíthető Néhány dvatos ökonofzka téma: tőzsdendexek és árak fluktuácónak a tanulmányozása, korrelácók ezek között... a pac és tőzsde modellezése gazdaság és kereskedelm kapcsolatok hálójának leírása és modellezése, ezen kapcsolathálókon levő tranzakcók és nformácó-áramlások modellezése bank kockázatok tanulmányozása és kezelése a társadalomban levő pozícók, jövedelmek és vagyoneloszlások leírása és modellezése

Kevesebb kísérlet adat (nehezen és általában csak ndrekt módon mérhető) Vagyoneloszlás az ókor Egyptomban Kummulatív vagyoneloszlás a magyar nemesség körében 1500 körül * (logartmkus skála) (az adott nemes család brtokában levő jobbágyporták alapján) * Hegy Géza & Néda Zoltán (BBTE, Fzka Kar)

Vagyoneloszlás az Inda társadalom leggazdagabb 100 családja között (2002, 2003) Vagyoneloszlás Nagy Brttánában (2000), (az örökösödés adatokból) * Kummulatív eloszlásfüggvény Vagyon a sorszám függvényében logartmkus skálán a kapott hatványfüggvény a Pareto törvényt gazolja * R. Coelho, Z. Neda and M.A. Santos, 2005

Pareto eredet mérése α-ra V. Pareto, Cours d Econome Poltque, vol. 2, Macmllan, Pars, 1897 C P >= ( w) = α: a Pareto exponens α w Év jövedelem eloszlása Japánban (1986-2000) α [1.8, 2.2] Év jövedelem eloszlása Olaszországban (1977-2002) α [1.6,1.9] Év övedelem eloszlása az Egyesült államokban (2000) α = 2.1 Vagyoneloszlás a magyar nemesség körében 1500 körül α =0.95 Vagyoneloszlás az Inda társadalom leggazdagabbja között (2002, 2003) α = 0.81; α =0.93 Vagyoneloszlás Nagy Brttánában (2000), (az örökösödés adatokból) α = 2.52 α : 0.8 Mnnél élénkebb gazdaság kapcsolatok vannak a vzsgált társadalom tagja között annál nagyobb a Pareto exponens! 2.6

- Mndenk mndenkvel kölcsönhat (vagyont cserél)! W : az egyedek vagyona; J(,j) az egyedek közt kölcsönhatás erőssége; η (t): egy normáls (Gauss) eloszlású véleltlenszerű változó 2 η ( t) = 0 2 η ( t) η ( t) = 2σ J.-P. Bouchod, M. Mezard; Physca A, vol. 282, pp.536-542 (2000) 2 A feladat másztersz egyenlete (a vagyonok dőbel evolucóját vezérlő egyenlet) dw dt = η ( t) W =1,2,...N + j( ) J ( j, ) W N j j( ) J (, j) W az átlagtér közelítés: az átlagtér megoldás: J α = 1+ σ 2 J (, j) = w J N ( α 1) exp[ ] A w w ρ ech( ) = 1+ α Pareto exponens

-A valód társadalmakban a vagyoncsere nem egy teljesen összekötött hálon történk (nem mndenk mndenkvel hat kölcsön). - A társadalm háló fogalma és topologája (szerkezete) fontos a vagyoncsere mechanzmusának a leírásához! (k kvel van összekötve?) - A vagyoncsere mechanzmusában a család hálóknak van ktüntetett szerepe! - Mlyen a család hálónak a szerkezete??? - A család háló és vagyoneloszlás között szoros kapcsolat van! Barabás Albert László, A hálozatok csodálatos vlága, (Mndentudás Egyeteme, 2005 okt. 10) családháló vagyoneloszlás -Egy helyes (komplex) modellnek generálna kell úgy a helyes vagyoneloszlást mnt az őt meghatározó társadalm hálót - A modellnek realsztkus és lehetőleg egyszerű törvényszerűségeket kell tartalmazna - A modell a bonyolult hálószerkezet matt valószínűleg analtkusan nem tanulmányozható - Monte Carlo tpusú számítógépes szmulácók szükségesek... * R. Coelho, Z. Neda, J.J. Ramasco ş M.A. Santos; Physca A, 2005 Szocáls Háló, V. Hugo Nyomorultak

a csomópontok a kötések a családok az elsőrangú család kapcsolatok mnden () csomópontnak van vagyona W() + és kora A() A modell állandó: - a családok száma - az összvagyon a rendszerben Kezdet feltételek: - egy véletlenszerű háló - a vagyonok egyenletes eloszlása a (0,1) ntervallumon - a családok kora a csomópontok () sorszáma A modell dnamkája (1) A legöregebb csomópontot () eltávolítjuk. A vagyonát egyenletesen elosztjuk azon csomópontok között amellyel kötése voltak (ha nncs kötése senkvel, akkor a vagyonát preferencálsan szétosztjuk az összes csomópont között) az örökösödés folyamat (2) Az eltávolított csomópont () 0 korral vsszakerül (születés), és két olyan (j és k) csomóponthoz kapcsolódk amelyeknek a vagyona nagyobb mnt: q (egy új család megalakítása pénzbe kerül). A q vagyon levónódk j és k vagyonából és preferencálsan szétosztódk a családok között (az új család megalapításából a társadalomnak nyeresége van). A j és k családok a megmaradt vagyonuk p-ed részét az új családnak adják (megndulás vagyon) (3) Mnden csomópont kora egységgel nő. W W W ' ( ) = [ W ( j ) q ] p + [ W ( k ) ' ( k ) = [ W ( k ) q ]( 1 p ) ' ( j ) = [ W ( j ) q ]( 1 p ) Kétparaméteres modell: q és p q ] p (2)

A modell a helyes vagyoneloszlást és a hálóstrukturát s generálja! A vagyoneloszlás - q=0.7-0.9 és p=0.2-0.3 értékekre a P >= (w) kummulatív vagyonelszolás görbék megfelelőek - a társadalom felső 10%-ra érvényes a Pareto törvény - a ks vagyonok esetén P >= (w) exponencáls -az α-ra kapott értékek: 1.8 2.0 Számítógép-szmulácós eredmény a családháló modellre. Kummulatív eloszlásfüggvény log-log skálán. - p=0.3, q=0.7 (N=10000 csomópont, 10 generácós szmulácó) A számított Pareto exponens α=1.8

A családháló topológája -A P(k) fokszám-eloszlás (a csomópontokból knduló kötések számának, k, eloszlása) exponencáls - k prob =2; <k>=1.9 (realsztkus) - a kalakuló családháló ks-vlág (small-word) típusú (általában ez jellemző a valós társadalm hálókra) Számítógép-szmulácós eredmények a generált háló fokszámeloszlására. Normál-log skála, N=10000 család (csomópont ) és 10 generácós szmulácó