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

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

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

Gazdasági matematika II. vizsgadolgozat megoldása A csoport

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Abszolút folytonos valószín ségi változó (4. el adás)

Készítette: Fegyverneki Sándor

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

BIOMATEMATIKA ELŐADÁS

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

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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

A valószínűségszámítás elemei

egyetemi jegyzet Meskó Balázs

[Biomatematika 2] Orvosi biometria

A valószínűségszámítás elemei

Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés

Közlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta

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

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

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

Valószínűségi változók. Várható érték és szórás

Biometria az orvosi gyakorlatban. Számítógépes döntéstámogatás

Számítógépes döntéstámogatás. Statisztikai elemzés

[Biomatematika 2] Orvosi biometria

Loss Distribution Approach

Valószínűségszámítás összefoglaló

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

Elméleti összefoglaló a Valószín ségszámítás kurzushoz

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

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

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

NEVEZETES FOLYTONOS ELOSZLÁSOK

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

1. Kombinatorikai bevezetés

Valószín ségszámítás és statisztika

Gazdasági matematika II. vizsgadolgozat, megoldással,

Dr. Karácsony Zsolt. Miskolci Egyetem november

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

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

Biomatematika 2 Orvosi biometria

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

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

Valószínűségszámítás

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

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

Vérsejtszámlálás. Bürker kamra

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

Feladatok és megoldások a 13. hétre

A Statisztika alapjai

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

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

Gyakorló feladatok valószínűségszámításból végeredményekkel. a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.

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

A maximum likelihood becslésről

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

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

Nemparaméteres próbák

Elméleti összefoglaló a Sztochasztika alapjai kurzushoz

Sztochasztikus folyamatok alapfogalmak

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

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

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

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek

Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58

0,9268. Valószín ségszámítás és matematikai statisztika NGB_MA001_3, NGB_MA002_3 zárthelyi dolgozat

Valószínűségszámítás

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Matematikai statisztika c. tárgy oktatásának célja és tematikája

GRADUÁLIS BIOSTATISZTIKAI KURZUS február hó 22. Dr. Dinya Elek egyetemi docens

Eloszlások jellemzése. Momentumok. Medián és kvantilis. Karakterisztikus függvény

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

2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben

Valószínűségszámítás jegyzet 2. rész

Barczy Mátyás és Pap Gyula

Eloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

Egymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?

Gyakorló feladatok a 2. dolgozathoz

Gyakorló feladatok I.

Matematika III. Nagy Károly 2011

matematikai statisztika

Legfontosabb bizonyítandó tételek

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

Matematika B4 VIII. gyakorlat megoldása

Adatmodellez es, f uggv enyilleszt es m arcius 12.

Bemenet modellezése (III.), forgalommodellezés

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

Poisson-eloszlás Exponenciális és normális eloszlás (házi feladatok)

Csendes Tibor

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Biometria gyakorló feladatok BsC hallgatók számára

Kísérlettervezés alapfogalmak

a megoldásra ajánlott feladatokat jelöli, a nehezebb feladatokat jelöli

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

Matematikai statisztikai elemzések 3.

Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef.

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

Matematikai statisztika Tómács Tibor

Átírás:

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: f (t) = 1 σ 2π (t µ) 2 e 2σ 2 Normális eloszlásfüggvény: F (t) = 1 σ 2π t e (t µ) 2 2σ 2 Normális eloszlás várható értéke: E (ξ) = µ Normális eloszlás szórásnégyzete: V ar (ξ) = σ 2 Normális eloszlás negyedik centrális momentuma: µ 4 = E ( (ξ E (ξ)) 4) = 3 σ 4

Beta eloszlás ξ valószínűségi változó Beta eloszlású. ξ Beta (N k + 1, k + 1) N + 1 darab [0, 1]-ben egyenletes eloszlású valószínűségi változó közül a nagyság szerinti k + 1-edik eloszlása Beta eloszlás sűrűségfüggvénye: f (t) = (N + 1)! (N k)! k! tk (1 t) N k ha 0 t 1 és f (t) = 0, ha t < 0 vagy 1 < t (N és k pozitív egész, k N ). Beta eloszlás várható értéke: E (ξ) = k + 1 N + 2 Beta eloszlás szórásnégyzete: V ar (ξ) = (N k + 1) (k + 1) (N + 3) (N + 2) 2

Binomiális eloszlás ξ valószínűségi változó N-ed rendű, p paraméterű binomiális eloszlású ξ B (N, p) (N pozitív egész, k nemnegatív egész, k N, 0 p 1) P (ξ = k): annak a valószínűsége, hogy egy p valószínűségű esemény N független megfigyelésben pontosan k alkalommal fordul elő. P (ξ = k) = ( N k ) p k (1 p) N k A binomiális eloszlás várható értéke: E (ξ) = Np A binomiális eloszlás szórásnégyzete: V ar (ξ) = Np(1 p)

Exponenciális eloszlás ξ valószínűségi változó λ-paraméterű exponenciális eloszlású. (λ > 0) ξ valószínűségi változó sűrűségfüggvénye. f (t) = { 0,ha t 0, λe λt,ha t > 0. ξ valószínűségi változó eloszlásfüggvénye. F (t) = { 0,ha t 0, 1 e λt,ha t > 0. Az exponenciális eloszlás várható éréke: E (ξ) = 1 λ Az exponenciális eloszlás szórásnégyzete: V ar (ξ) = 1 λ 2 Tehát az exponenciális eloszlás szórása és várható értéke megegyezik.

Gamma eloszlás ξ valószínűségi változó (λ,k)-paraméterű Gamma eloszlású, (ahol λ > 0 valós szám, K 1 egész szám): K darab független λ paraméterű exponenciális eloszlású valószínűségi változó összege. A gamma eloszlás sűrűségfüggvénye: { 0,ha t 0, f K (t) = λ K (K 1)! e λt t K 1,ha t > 0. A gamma eloszlás várható értéke: E(ξ) = K λ A gamma eloszlás szórásnégyzete: V ar(ξ) = K λ 2

Lognormális eloszlás A ξ valószínűségi változó lognormális eloszlású, ha ξ e alapú logaritmusa (azaz log ξ) normális eloszlású. A lognormális eloszlásfüggvény, ha t > 0: F (t) = 1 σ 2π logt e (t µ) 2σ 2 2 dt A lognormális eloszlás sűrűségfüggvénye: f(t) = { 0,ha t 0, (logt µ) 2 e 2σ 2,ha t > 0. 1 tσ 2π A lognormális eloszlás várható értéke: σ2 µ+ E(ξ) = e 2 A lognormális eloszlás szórásnégyzete: V ar(ξ) = e 2µ+σ2 ( ) e σ2 1

Khi-négyzet eloszlás K számú standard normális eloszlású független valószínűségi változó négyzetének összegét K szabadságfokú χ 2 -eloszlásúnak nevezzük: χ 2 = ξ 2 1 + ξ 2 2 +... + ξ 2 K, ahol ξ 1, ξ 2,..., ξ K N (0, 1) eloszlású független valószínűségi változók. A K szabadságfokú χ 2 -eloszlás sűrűségfüggvénye: f K (t) = { 0,ha t 0, t K 2 1 e t 2 2 K 2 Γ( K 2 ),ha t > 0. A K szabadságfokú χ 2 -eloszlás várható értéke: E ( χ 2) = K A K szabadságfokú χ 2 -eloszlás szórásnégyzete: V ar ( χ 2) = 2K

Hipergeometrikus eloszlás A ξ valószínűségi változó hipergeometrikus eloszlású, ha P (ξ = b) = ( ) B b ( W N b A paraméterek jelentése: N különböző elemet választunk ki a T elemszámú alapsokaságól. Az alapsokaság B darab fekete és W darab fehér elemből áll és T = B + W. ξ azt jelöli, hogy a kiválasztott elemek között hány fekete van, lehetséges értékei b = 0, 1, 2,..., N Hipergeometrikus eloszlás várható értéke: ( T N ) ) E (ξ) = N p, ahol p = B T Hipergeometrikus eloszlás szórásnégyzete: V ar (ξ) = Np (1 p) ( 1 N 1 ) T 1

Poisson eloszlás A ξ valószínűségi változó λ-paraméterű Poisson eloszlású, ha ξ lehetséges értékei a nem negatív egész számok és: P (ξ = k) = λk k! e λ (k = 0, 1, 2,...). A Poisson eloszlás várható értéke: E (ξ) = λ A Poisson eloszlás szórásnégyzete: V ar (ξ) = λ Tehát a Poisson eloszlás várható értéke és szórásnégyzete megegyezik.

Egyenletes eloszlás A ξ valószínüségi változó folytonos egyenletes eloszlású az (a, b) intervallumban (a < b). Az egyenletes eloszlás sűrűségfüggvénye: f (t) = { 1 b a,ha a < t < b, 0,egyébként. Az egyenletes eloszlásfüggvény: { 0,ha t a, t a F (t) = b a,ha a < t < b, 1,ha t b. Az egyenletes eloszlás várható értéke: E (ξ) = a + b 2 Az egyenletes eloszlás szórásnégyzete: V ar (ξ) = 1 12 (b a)2