Alkalmazott matematika OE

A mátrixok rendkívül barátságosak. Egy nXk-as mátrix tulajdonképpen nem más, mint egy táblázat, aminek n darab sora és k darab oszlopa van.

Ha egy mátrixot egy számmal szorzunk, akkor a mátrix összes elemét meg kell szorozni a számmal.

Ha egy mátrixot osztunk egy számmal, akkor a mátrix minden elemét osztani kell a számmal.

Két mátrix összeadásakor összeadjuk az ugyanazon pozícióban lévő elemeket. Két mátrixot csak akkor lehet összeadni, ha ugyanannyi soruk és oszlopuk van.

Két mátrix kivonásakor kivonjuk az ugyanazon pozícióban lévő elemeket. Két mátrixot csak akkor lehet kivonni egymásból, ha ugyanannyi soruk és oszlopuk van.

Két mátrix szorzata akkor létezik, ha a bal oldali mátrix oszlopainak száma megegyezik a jobb oldali mátrix sorainak számával. Az eredménymátrix i-edik sorának j-edik elemét úgy kapjuk, hogy a bal oldali mátrix i-edik sorát skalárisan szorozzuk a jobb oldali mátrix j-edik oszlopával. (Tehát az első elemet az elsővel, a másodikat a másodikkal stb. szorozzuk, majd összeadjuk)

A mátrix összeadás kommutatív és asszociatív.

A mátrixszorzás nem kommutattív, de asszociatív.

A kvadratikus mátrix négyzetes mátrix vagyis ugyanannyi sora van, mint oszlopa.

A diagonális mátrix olyan kvadratikus mátrix, aminek a főátlóján kívüli elemek nullák.

Az egységmátrixok olyan diagonális mátrixok, aminek minden főátló-eleme egy.

Az inverz mátrix egy olyan mátrix, hogy ha azzal szorozzuk az eredeti mátrixot, akkor egységmátrixot kapunk. Ha balról szorozva kapunk egységmátrixot, akkor bal inverz, ha jobbról szorozva, akkor jobb inverz mátrix.

A transzponált a mátrix sorainak és oszlopainak felcserélése.

Azokat a mátrixokat, melyek transzponáltjuk önmaga, szimmetrikus mátrixnak nevezzük.

Vektort egy számmal úgy szorzunk, hogy a vektor minden koordinátáját megszorozzuk a számmal.

Vektort egy számmal úgy osztunk, hogy a vektor minden koordinátáját leosztjuk a számmal.

Két vektort úgy adunk össze, hogy minden egyes koordinátájukat külön-külön össze adjuk.

Két vektort úgy vonunk ki egymásból, hogy minden egyes koordinátájukat külön-külön kivonjuk egymásból.

A skaláris szorzat két vektor közti művelet, ami csinál belőlük egy számot.

Két vektor diadikus szorzata egy mátrix. Lássuk milyen.

Egy olyan vektor, amivel beszorozva a mátrixunkat, összeadja annak sorait.

Egy olyan vektor, amivel beszorozva a mátrixunkat, összeadja annak egy oszlopában lévő elemeit.

Ha egy mátrixot megszorzunk jobbról egy $\underline{e}_i$ egységvektorral, akkor megkapjuk a mátrix i-edik oszlopát.

Ha egy mátrixot megszorzunk balról egy $\underline{e}_i$ egységvektorral, akkor megkapjuk a mátrix i-edik sorát.

Az egyenes egyenletének felírásához kell egy pontja és egy normálvektora.

A sík egyenletének felírásához kell egy pontja és egy normálvektora.

Két pont közti vektort a vektorok koordinátáinak különbségével írhatunk fel.

Két pont távolsága gyök alatt a koordináták különbségeinek négyzetösszege.

Az egyenes egyenletének felírásához a síkban szükségünk van az egyenes egy pontjára és a normálvektorára.

A sík egyenletének felírásához kell a sík egy pontja és a normálvektora.

Két vektor vektoriális szorzatát egy 3x3-as mátrix determinánsával számíthatjuk ki, ahol a mátrix első sora egységvektorok, a második és harmadik sora pedig az a és b vektorok.

Két vektor vektoriális szorzata egy olyan harmadik vektort ad, ami merőleges a két vektor által kifeszített síkra.

A vektorösszeadás kommutatív, asszociatív, létezik nullelem és létezik ellentett. A skalárszoros asszociatív, disztributív a vektorokra és a skalárokra is, és létezik egységszeres.

Egy vektorrendszer akkor lineárisan független, ha a vektorok lineáris kombinációjaként a nullvektor csak úgy áll elő, ha minden szorzótényező 0.

Egy vektorrendszer akkor lineárisan összefüggő, ha a vektorok lineáris kombinációjaként a nullvektor úgy is elő tud állni, hogy nem minden szorzótényező 0.

Vektorok generátor-rendszert alkotnak, ha minden vektortérbeli vektor elő áll az ő lineáris kombinációjuként.

Egy vektorrendszer akkor alkot független rendszert, ha a vektorok lineáris kombinációjaként a nullvektor csak úgy áll elő, ha minden szorzótényező 0.

A bázis független generátorrendszer.

Egy vektorrendszer rangja a benne lévő független vektorok maximális száma

W altér V-ben, ha részhalmaza és maga is vektortér a V-beli műveletekre. Nos ez remek, de nézzük meg, mit is jelet mindez.

Egy vektor akkor állítható egy vektorrendszerrel, ha előáll azon vektorok lineáris kombinációjaként.

Egy egyenletrendszer együtthatómátrixa az x-ek együtthatóiból álló mátrix.

Az egyenletrendszer megoldásának egy szuper, de koránt sem a legszuperebb módja.

Az egyenletrendszerek megoldásának legszuperebb módja.

Az egyenletrendszerek megoldásának legszuperebb módja.

Ha egy egyenletrendszernek több az ismeretlene, mint ahány egyenlete van, akkor az egyenletrendszernek nincs egyértelmű megoldása.

Ha egy egyenletrendszerben két olyan egyenlet szerepel, ahol az ismeretlenek együtthatói megegyeznek, de más az eredményük, akkor az ellentmondó egyenletrendszer, aminek nincs megoldása.

A szabadságfok a szabadváltozók száma.

Lássuk hogyan kell kiszámolni mátrixok inverzét. Kezdjük az nxn-es mátrixokkal.

Lássuk hogyan kell kiszámolni mátrixok inverzét. Kezdjük az nxn-es mátrixokkal.

Most pedig olyan mátrixok inverzét próbáljuk meg kiszámolni, amelyek nem négyzetesek.

Most pedig olyan mátrixok inverzét próbáljuk meg kiszámolni, amelyek nem négyzetesek.

A determináns úgy működik, hogy minden négyzetes mátrixból csinál egy valós számot. Hogy miért, és, hogy hogyan, az mindjárt kiderül.

Egy 2x2-es mátrix determinánsát úgy kapjuk, hogy a bal átló elemeinek szorzatából kivonjuk a jobb átló elemeinek szorzatát.

Egy nem túl jó módszer a determináns kiszámolására.

Egy túl jó módszer a determináns kiszámolására.

Példák mikor nulla egy mátrix determinánsa. Két mátrix szorzatának determinánsa.

Azokat a mátrixokat nevezzük szingulárisnak, amelyek determinánsa nulla.

Azokat a mátrixokat nevezzük regulárisnak, amelyek determinánsa nem nulla.

A Cramer szabály egy újabb módszer az egyenletrendszerek megoldására.

Egy mátrix sajátértéke egy valós szám, amely azt mondja meg, hogy a sajátvektor hányszorosát kapjuk akkor, ha azt a mátrixszal szorozzuk.

Egy mátrix sajátvektora egy olyan nem nullvektor, ami azt tudja, hogy megszorozva a mátrixszal az eredeti vektor skalárszorosát kapjuk. Ez igazán remek, de, hogy pontosan miért, nos ez mindjárt kiderül.

A sajátértékek kiszámolásához szükséges egyenlet.

A mátrix főátló elemeiből kivonunk $\lambda$-kat, majd ennek vesszük a determinánsát.

Ha egy nxn-es mátrixnak van n darab független sajátvektora, akkor képesek vagyunk előállítani a mátrix diagonális alakját. Lássuk ez miért ilyen roppant fontos.

Ha egy nxn-es mátrixnak van n darab független sajátvektora, akkor képesek vagyunk előállítani a mátrix spektrálfelbontását.

Ha egy nxn-es mátrixnak van n darab független sajátvektora, akkor a mátrix diagonizálható.

A sajátfelbontás egy olyan, kizárólag diagonalizálható mátrixokkal végezhető felbontás, ami megkönnyíti a hatványozást.

A spektrálfelbontás segítségével könnyebben hatványozhatunk.

Egy mátrix sarok főminor mátrixai a mátrix bal felső sarkától kezdődő sarok mátrixok determinánsai.

Egy mátrix főminor mátrixai a mátrix bal felső sarkától kezdődő sarok mátrixok determinánsai.

Egy nxn-es mátrix pozitív definit, ha minden sajátértéke pozitív.

Egy nxn-es mátrix negatív definit, ha minden sajátértéke negatív.

Egy nxn-es mátrix pozitív szemidefinit, ha minden sajátértéke nagyobb vagy egyenlő 0.

Egy nxn-es mátrix negatív szemidefinit, ha minden sajátértéke kisebb vagy egyenlő 0.

Egy nxn-es mátrix indefinit, ha van nullánál nagyobb és nullánál kisebb sajátértéke is..

Éjszaka nem ajánlatos összefutni velük az utcán...

A kvadratikus alakok mátrixa segít eldönteni a definitséget.

A lineáris leképezés egy test feletti vektorterek között ható művelettartó függvény.

A képtér egy olyan altér $V_2$-ben, amely azokból a vektorokból áll, amiket a $V_1$-beli vektorokból csinál a leképezés.

A magtér egy olyan altér $V_1$-ben, amelyek képe a leképezés során nullvektor.

A képtér és a magtér dimenzióinak összege éppen $V_1$ dimenziója.

Minden lineáris leképezést jellemezhetünk egy mátrixszal.

Egy leképezésnek akkor létezik inverze, ha a leképezés mátrixának létezik inverze.

Két leképezés kompozíciója a mátrixaik szorzata.

Ha egy nxn-es mátrixnak van n darab független sajátvektora, akkor képesek vagyunk előállítani a mátrix diagonális alakját. Lássuk ez miért ilyen roppant fontos.

Ha a mátrixnak létezik diagonális alakja, akkor van sajátbázisa, ami fantasztikus dolgokra képes.

A lineáris leképezések másnéven homomorfizmusok. Ezek a homomorfizmusok és azok mátrixai maguk is egy vektorteret alkotnak, ezt a vektorteret $Hom(V_1, V_2)$-nek nevezzük.

Az A és B mátrixok hasonlók, ha létezik egy C mátrix, amivel ha jobbról szorozzuk a B-t, balról pedig a C inverzével szorozzuk, akkor ennek eredménye A.

A kétváltozós függvények úgy működnek, hogy két valós számhoz rendelnek hozzá egy harmadik valós számot.

A vegyes másodrendű deriváltak mindig egyenlők, ha a függvény kétszer folytonosan deriválható.

A kétváltozós függvényeket x és y szerint is tudjuk deriválni. Ezeket a különböző változók szerinti deriváltakat parciális deriváltaknak nevezzük.

Egy általános módszer, amivel kétváltozós függvények szélsőértékeit és nyeregpontjait lehet meghatározni

Az elsőrendű parciális deriváltakat nullával egyenlővé téve egy egyenletrendszert kapunk. Ennek az egyenletrendszernek a megoldásai a stacionárius pontok.

Az elsőrendű parciális deriváltakat nullával egyenlővé téve egy egyenletrendszert kapunk. Ennek az egyenletrendszernek a megoldásai a stacionárius pontok.

 másodrendű deriváltakból képzett mátrix, amely segít eldönteni, hogy a függvénynek a stacionárius pontokban minimuma, maximuma, vagy éppen nyeregpontja van-e.

A sík azon pontjainak összességét, amelyekben az $f$ függvény ugyanazt a konstans értéket veszi fel, az $f$ függvény szintvonalának nevezzük.

Az egyváltozós függvények mintájára bevezetjük az érintő fogalmát. Ez esetben most egy sík lesz az érintő.

A parciális deriváltakból keletkező vektort gradiensnek vagy másként deriváltvektornak neveznek.

Azt mondja meg, hogy egy adott irányban haladva milyen meredeken emelkedik a felület. Nagyon érdekes. Az iránymenti derivált nagyon érdekes.

Egy függvény akkor implicit, ha $y$ nincs kifejezve, vagyis nem $y=\dots$ alakú.

Megismerkedünk az implicit függvényekkel, és ha már megismerkedtünk, nézzük meg, hogyan lehet deriválni őket.

A kétváltozós függvények határozott integrálja egy test térfogata.

A kettősintegrálok segítségével különböző felületek alatti térfogatokat tudunk kiszámolni. A legegyszerűbb eset, amikor egy téglalapon integrálunk. Ilyenkor az integrálás határai valamilyen számok.

Bizonyos kettősintegrálok kiszámolását megkönnyíti, ha inkább polárkoordinátákat használunk.

A síkbeli polárkoordináták egyik térbeli kiterjesztése - de nem az igazi...

A polárkoordináták háromdimenziós változatát gömbi koordinátáknak nevezzük. A régi x, y, z koordinátákat új gömbi koordinátákkal helyettesítjük.

Az interpoláció egy közelítő módszer, amely a függvény ismert értékei alapján ad közelítést a nem ismert értékeire.

A Lagrange-féle interpolációs polinom megadja azt a polinomot, amely $x_1$-ben $y_1$-et, $x_2$-ben $y_2$-t és így tovább $x_n$-ben $y_n$ értéket vesz föl.

A Newton interpoláció első lépése, hogy elkészítjűk az úgynevezett Newton-együtthatókat. Ezt követően ezek segítségével állítjuk elő a polinomot.

A Hermite interpoláció abban különbözőik a Lagrange és Newton féle interpolációktól, hogy az $x_1, x_2, \dots , x_n$ helyeken nem csak az eredeti polinom-függvény értékeit, hanem a deriváltjait is nézzük.

Eseményeknek nevezzük a valószínűségi kísérlet során bekövetkező lehetséges kimeneteleket.

A valószínűség kiszámításának klasszikus modellje az, hogy megszámoljuk hány elemi eseményből áll a vizsgált esemény és ezt elosztjuk az összes elemi esemény számával.

Mikor mondjuk, hogy két esemény egymástól független? Példák független eseményekre.

Mikor kizáró két esemény? Példák kizáró eseményekre.

A feltételes valószínűség. Az A feltéva B valószínűség azt jelenti, hogy mekkora eséllyel következik be az A esemény, ha a B esemény biztosan bekövetkezik..

Események metszetének, uniójának, különbségének és komplementerének valószínűségei.

Ha kör alakban helyezünk el n különböző elemet és azok sorrendjét vizsgáljuk, akkor ciklikus permutációról beszélünk.

Folytonosnak nevezzük azokat a valószínűségi változókat, amik folytonos mennyiségeket mérnek, ilyen például az idő, a távolság.

Diszkrétnek nevezzük azokat a valószínűségi változókat, amik megszámlálhatóan sok értéket vesznek fel.

Az X valószínűségi változó eloszlásfüggvénye F(x). F(x)=P(x<X) Vagyis minden x számhoz hozzárendeli annak a valószínűségét, hogy X<x. Nos ez elég izgi..

A sűrűségfüggvény a görbe alatti területekkel írja le egy esemény valószínűségét.

Az eloszlásfüggvény határértéke minusz végtelenben 0, plusz végtelenben 1, monoton nő és balról folytonos.

A sűrűségfüggvény integrálja minusz végtelentől plusz végtelenig 1, és nem negatív.

Három nagyon fontos összefüggés eloszlásfüggvény és sűrűségfüggvény között.

Az $X$ valószínűségi változó $F(x)$ eloszlásfüggvényéből úgy kapjuk meg az $f(x)$ sűrűségfüggvényét, hogy az $F(x)$ eloszlásfüggvényt deriváljuk. Fordítva pedig integrálni kell.

A valószínűségi változó értékeinek valószínűségekkel súlyozott átlaga. De valójában ez rém egyszerű, nézzünk rá néhány példát.

A szórás azt mutatja meg, hogy a várható érték körül milyen nagy ingadozásra számíthatunk.

Folytonos valószínűségi változók esetén a várható értéket egy integrálás segítségével számítjuk.

Folytonos valószínűségi változó esetén a szórást ugyanúgy kell számolni, mint diszkrét valószínűségi változó esetén:

A Markov egyenlőtlenség arról szól, hogy az X valószínűségi változó a várható értéknél nem lehet sokkal nagyobb.

A Csebisev egyenlőtlenség azt írja le, hogy az X valószínűségi változó várható értéktől való eltérése nem lehet túl nagy.

Ha egy esemény bekövetkezésének elméleti valószínűsége $p$, akkor minél többször végezzük el a kísérletet, a relatív gyakoriság és az elméleti valószínűség eltérése annál kisebb lesz.

A hipergeometriai eloszlás egy diszkrét eloszlás, ahol N darab elem közül kiválasztunk n darab elemet visszatevés nélkül. Az összes elem között K darab selejtes található. Az eloszlás annak valószínűségét írja le, hogy a kiválasztott elemek között éppen k darab selejtes van.

A binomiális eloszlás egy diszkrét eloszlás, ahol egy esemény bekövetkezésének a valószínűsége p és egymástól függetlenül elvégzünk n darab kísérletet, ahol a kísérletek mindegyikében az esemény vagy bekövetkezik vagy nem. Az eloszlás annak valószínűségét írja le, hogy az esemény éppen k-szor következik be.

A Poisson eloszlás egy diszkrét eloszlás, ahol egy esemény bekövetkezésének a várható előfordulása lambda darab. Az eloszlás annak valószínűségét írja le, hogy az esemény éppen k-szor következik be.

Az eltelt idők és a távolságok eloszlása.

Ez egy folytonos eloszlás, ahol egy esemény bekövetkezésének valószínűsége valamely intervallumon konstans.

Mennyiségek eloszlása.

A regressziószámítás lényege annak vizsgálata, hogy egy bizonyos változó, amit eredményváltozónak hívunk, hogyan függ más változók, az úgynevezett magyarázó változók alakulásától.

A regressziós egyenes egy lineáris függvény, ami mindegyik x-hez hozzárendel valamilyen y-t. Ezek általánan eltérnek a valódi y-októl. Ezeket az eltéréseket reziduumoknak nevezzük.

A reziduumokból képzett mutató az úgynevezett SSE, jelentése sum of squares of the errors vagyis eltérés-négyzetösszeg.

Ha az SSE értékeit elosztjuk a megfigyelt pontok számával és a kapott eredménynek vesszük a gyökét, akkor kapjuk a reziduális szórást.

A lineáris korrelációs együttható azt méri, hogy x és y között milyen szoros lineáris kapcsolat van.

A magyarázóerőt méri az úgynevezett determinációs együttható.

A hatványkitevős modellben y helyett lg y, x helyett lg x van, $\hat{b}_1$ viszont marad $\hat{b}_1$

Az exponenciális modellben y helyett lg y van, az x viszont marad x, $\hat{b}_1$ helyett pedig $\lg{ \hat{b}_1}$ van.

Az elaszticitás két összefüggő jelenség közti kapcsolat.

5 feltétel standard lineáris modellhez.

A paraméterek és a regresszió becslése standard lineáris modellben.

A többváltozós regressziós modelleket olyankor alkalmazzuk, amikor az eredményváltozó alakulását több magyarázó változó tükrében vizsgáljuk.

A kétváltozós esethez hasonlóan a korreláció itt is a változók közti kapcsolat szorosságát írja le, csakhogy itt egy fokkal rosszabb a helyzet, ugyanis most bármely két változó korrelációját vizsgálhatjuk. Ezt tartalmazza a korrelációmátrix.

A tesztelés úgy zajlik, hogy nullhipotézisnek tekintjük a $H_0 :  b_i = 0$ feltevést, ellenhipotézisnek pedig azt, hogy $H_1  :  b_i \neq 0$.

Négyzetösszeg, szabadságfok, átlagos négyzetösszeg, F.

A multikollinearitás röviden összefoglalva azt jelenti, hogy két vagy több magyarázó változó között túl szoros korrelációs kapcsolat van, és ez zavarja a becslést.

Az autokorreláció a regresszió maradéktagjának a saját későbbi értékeivel való korrelációját jelenti, vagyis egyfajta szabályszerűséget a maradékváltozóban.

A Durbin-Wattson-teszt lényegében egy hipotizésvizsgálat.