Analízis 3

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.

A differenciálegyenletek olyan egyenletek, amiben az ismeretlenek függvények. Az egyenletben ezeknek a függvényeknek a különböző deriváltjai és hatványai szerepelnek.

Azt mondja meg, hogy az ismeretlen függvény maximum hanyadik deriváltja szerepel az egyenletben.

Ha az ismeretlen függvény és deriváltjai csak első fokon szerepelnek a differenciálegyenletben, akkor az egyenlet lineáris.

Olyan differenciálegyenlet, amelyet az egyenlet szétválasztásával és a két rész külön-külön integrálásával lehet megoldani

Egy differenciálegyenlet homogén fokszámú, ha $y=ux$ helyettesítés után minden $x$-es tag kitevője megegyezik.

A differenciálegyenletek második fő típusa, sok helyen nincs benne a tananyagban.

annak olyan egyenletek, amelyek ugyan nem egzaktak, de egy ügyes trükk segítségével egzakttá tehetők. Itt jön a trükk...

Az egyik legfontosabb típus az y'+Py=Q alakú differenciálegyenlet, amelyre egy részletes megoldási tervet adunk.

A konstans variálás módszere egy megoldási módszer az elsőrendű lineáris differenciálegyenletekhez.

Az elsőrendű lineáris állandó együtthatós differenciálegyenlet egy speciális esete a lineáris elsőrendű egyenleteknek. Azért hívják állandó együtthatósnak, mert a $P(x)$ függvény ilyenkor valamilyen konstans, mondjuk $a$.

 Ez olyankor van, ha a homogén megoldás és a partikuláris megoldás hasonlít egymásra. Lássuk mit is jelent ez...

A másodrendű lineáris állandó együtthatós homogén differenciálegyenlet általános alakja: $ay'' + by' + cy = 0 $. Megoldásához a karakterisztikus egyenletet használjuk.

A másodrendű lineáris állandó együtthatós inhomogén differenciálegyenlet általános alakja: $ay'' + by' + cy = Q(x) $. A homogén megoldást megkapjuk a karakterisztikus egyenlet segítségével, a partikuláris megoldást pedig a próbafüggvény módszerrel végezzük.

Azon pontok halmazát, melyekben a megoldásfüggvények meredeksége egy adott számmal egyenlő, a differenciálegyenlet izoklinájának nevezzük.

Hát ez egy elég rémes improprius integrálás, de azért kimondottan hasznos, tehát megér egy megnézést...

Kiszámoljuk pár nevezetes függvény Laplace transzformáltját.

Ez a Laplace transzformált vissza-iránya, ami a differenciálegyenletek megoldásának a végén tartogat izgalmakat.

A ciklois egy olyan görbe, amelyet egy irányított görbén csúszás nélkül legördülő kör egy meghatározott pontja ír le.

A görbe ívhossza egy differencálható görbe szakaszának a hossza.

A paraméteres görbe egyenlete a görbén mozgó pont pillanatnyi koordinátáit írja le. A paraméteres görbe deriválásával kapjuk a $v(t)$ sebességvektort, ami minden időpillanatban megadja a görbén mozgó $P$ pont sebességének irányát és nagyságát.

Binormálisvektornak nevezzük a görbe sebességvektorával és gyorsulásvektorával alkotott szorzatot.

Az $r(t)$ paraméteres görbe első deriváltja a görbe érintővektora vagy más néven sebességvektora.

Az $r(t)$ paraméteres görbe második deriváltja a görbe gyorsulásvektora. Ha ezt elosztjuk a saját hosszával, az így keletkező egységnyi hosszú vektor a görbe főnormálisvektora.

A $\underline{T}(t)$, $\underline{N}(t)$ és $\underline{B}(t)$ vektorok együttes elnevezése kísérő triéder.

Az $r(t)$ paraméteres görbe második deriváltja a gyorsulást írja le. Ezek a vektorok egy síkot feszítenek ki, ezt a síkot a görbe simulósíkjának nevezzük.

A görbület azt írja le, hogy a simulósíkon belül milyen erősen kanyarodik a görbe. A térgörbék azonban nem csak a simulósíkon belül kanyarodnak, hanem közben ki is csavarodnak abból. Azt, hogy egy térgörbe éppen milyen ütemben csavarodik ki a simulósíkjából, a torzió írja le.

A paraméteres görbe görbülete a görbe egyenestől való eltérését jellemző számérték.

A simulókörök középpontjai által kirajzolt alakzatot evolutának hívjuk.

Hogyha a görbének egy $P$ pontjában létezik nem nulla görbülete, akkor azt a kört, amel a $P$-ben érinti a görbét és a görbülete megegyezik a görbe $P$-beli görbületével és a középpontja a görbe konkáv részében található, a görbe $P$ pontbeli simulókörének nevezzük.

Az ellipszis egy olyan görbe, amely azon pontok mértani helye egy síkon, ahol a pontok két rögzített ponttól mért távolságának összege a két pont távolságánál nagyobb állandó.

A hiperbola azon pontok halmaza, melyeknek két rögzített ponttól való távolságának különbségének abszolút értéke állandó.

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

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

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

Minden lineáris leképezést jellemezhetünk egy mátrixszal.

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

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

Két leképezés kompozíciója a mátrixaik szorzata.

Az x tengelyre, az y tengelyre, és az y=x egyenletű egyenesre való tükrözések mátrixai.

Az alfa szögű forgatás mátrixa.

Az origóra való középpontos tükrözés mátrixa egy 180°-os fogatásnak felel meg.

Az $i$ és $j$ koordinátatengelyek síkjában történő Givens forgatás mátrixát úgy kapjuk, hogy arra a négy helyre ahol az egységmátrix $i$-edik és $j$-edik sora és oszlopa metszi egymást beírjuk szépen az $\alpha$ szögű forgatás mátrixának elemeit.

A Householder tükrözés mátrixa.

Az origón átmenő síkokra való tükrözést Householder-tükrözésnek nevezzük.

Az x és az y tengelyre való merőleges vetítés mátrixai.

Az x és az y tengelyre való merőleges vetítés mátrixai.

A $\underline{v}$ irányvektorú origón átmenő egyenesre történő merőleges vetítés mátrixa.

Az $\underline{a}$ normálvektorú origón átmenő egyenesre, síkra, vagy hipersíkra vetítés mátrixa.

A vektormező egy olyan függvény, ami egy tér pontjaihoz vektort rendel.

A $v(x,y)$ vektormezőnek az $r(t)= ( x(t), y(t) )$ görbe mentén vett integrálja $t_1$ és $t_2$ között.

A fluxus azt mondja meg, hogy egy adott felületen mekkora az átáramló anyag vagy energia.

A $v(x,y,z)$ vektormezőnek az $S(t,u)=\left(  x(t,u), y(t,u), z(t,u) \right)$ felületi integrálja.

A $v(x,y,z)$ vektormezőnek az $r(t)= ( x(t), y(t), z(t) )$ görbe mentén vett integrálja.

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

A kétváltozós függvények határozott integrálja egy test térfogata.

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.

A vektormező divergenciája egy olyan függvény, amely a vektormező minden pontjában megméri, hogy ott mennyi anyag áramlik a rendszerbe vagy épp mennyi tűnik el.

A rotáció a vektormező örvénylését írja le.

Egy vektormező akkor forrásmentes, ha nincs benne forrás, vagyis nincs benne olyan pont, amelynek pozitív a divergenciája.

Egy vektormező akkor örvénymentes, ha a vektormező rotációja mindenütt nulla.

A konzervatív vektormezőre több különböző definíció van forgalomban attól függően, hogy fizikusok vagy matematikusok alkották-e meg magát a definíciót.

A vektormező akkor konzervatív, ha létezik $F$ primitív függvénye. Ez az $F$ függvény a vektormező potenciál-függvénye.

Az első Green-tétel azt írja le a rotáció segítségével, hogy mekkora egy vektormező örvénylése a zárt görbén. A második Green-tétel pedig azt írja le a divergencia segítségével, hogy mekkora egy vektormező fluxusa a zárt görbén.

A második Green-tétel térbeli változata azt mondja, hogy egy vektormező integrálja az $S$ kifelé irányított zárt felületen egyenlő a divergencia integráljával a felület által határolt $D$ tartományon.

Az első Green-tétel térbeli változatát Stokes-tételnek nevezzük.

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.

Olyankor használjuk, ha egy korábban bekövetkezett $B_k$ esemény valószínűségére vagyunk kíváncsiak egy később bekövetkezett A esemény tükrében.

A teljes valószínűség tétele azt mondja ki, hogy ha ismerjük egy A esemény feltételes valószínűségét egy teljes eseményrendszer valamennyi eseményére, akkor ebből az A esemény valószínűsége kiszámítható.

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..

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

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.

Három nagyon fontos összefüggés eloszlásfüggvény és sűrűségfüggvény között.

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

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

Ha egy esemény előfordulását geometriai alakzat (vonal, síkidom, test) mértékével jellemezzük, akkor geometriai valószínűségről beszélünk.

Kéttagú összegek n-edik hatványra emelésének képlete.

Az (a+b) hatványainak általánosítására egy képlet.

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

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

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

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

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 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.

Az eltelt idők és a távolságok eloszlása.

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 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.

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

Mennyiségek eloszlása.

$X$ és $Y$ együttes eloszlása egy táblázat, amelyben szerepel $X$ és $Y$ összes lehetséges értéke és a hozzájuk tartozó valószínűségek.

A korreláció $X$ és $Y$ valószínűségi változók közötti kapcsolatot írja le.

Két valószínűségi változó együttes eloszlásfüggvényeinek felírása.

Két valószínűségi változó peremeloszlás-függvényeinek felírása.

Két valószínűségi változó együttes sűrűségfüggvény nagyon vicces módon írja le a valószínűségeket a függvény felülete alatti térfogat segítségével, vagyis jó sokat kell integrálgatni.

Két valószínűségi változó együttes sűrűségfüggvényéből ki tudjuk számolni az X és az Y valószínűségi változó saját sűrűségfüggvényét. Ezeket hívjuk perem-sűrűségfüggvényeknek.

Két valószínűségi változó peremeloszlás-függvényeinek felírása.

Módszer az átlag intervallumbecslésére, ha a sokasági szórás ismert.

Olyan esetekben, amikor valamiért nem tudjuk vagy nem akarjuk a teljes sokaságot megvizsgálni, hogy meghatározzuk a fontosabb statisztikai mutatóit, becslést alkalmazunk.

Az $1- \alpha$ megbízhatósági szinthez, vagy másként konfidencia szinthez tartozó konfidencia intervallumok azok az intervallumok, amik a sokasági átlagot $1-\alpha$ valószínűséggel tartalmazzák.

A megbízhatósági szintet konfidencia szintnek nevezzük.

Módszer arány intervallumbecslésére.

Módszer átlag intervallumbecslésére, ha a sokasági szórás nem ismert.

A FAE minta azt jelenti, hogy a mintavétel során bármely mintaelemet azonos eséllyel választunk ki.

Módszer variancia intervallumbecslésre.

Módszer arány intervallumbecslésére EV-minta esetén.

Módszer átlag intervallumbecslésre, ha a sokasági szórás nem ismert (EV-minta).

Az EV-minta abban különbözik a FAE-mintától, hogy a kiválasztott mintaelemek nem függetlenek egymástól.

Ha a teljes sokaságot felosztjuk viszonylag homogén rétegekre, és a mintát is ezen a rétegek szerint vizsgáljuk, a variancia csökkenthető.

Ha mindkét sokaság közel normális eloszlású, akkor az átlagok különbségének becslésére ez a formula van forgalomban.

A kétmintás becslésekre akkor van szükség, amikor két sokaság valamilyen paraméterét, leginkább az átlagát szeretnénk összehasonlítani.

Egy becslést torzítatlannak nevezünk, ha az egyes mintákból kapott becslések várható értéke megegyezik a becsülni kívánt mennyiséggel.

A kérdés az, hogy ha egy sokasági jellemzőre több becslés jöhet szóba, hogyan válasszunk közülük, vagyis mikor tekintünk egy becslést jónak, kettő közül melyiket tekintjük jobbnak és kijelenthetjük-e valamelyikről, hogy a legjobb?

Két becslés közül azt részesítjük előnyben, amelyre MSE kisebb.

Mintavételi hibának azokat a hibákat nevezzük, amik kimondottan azért fordulnak elő, mert nem tudjuk, vagy nem akarjuk a teljes sokaságot vizsgálni.

A standard hiba azt mondja meg, hogy a mintaátlagok mekkora szórással ingadoznak a tényleges sokasági átlag körül.

Az elfogadási tartomány az a tartomány, ahová ha a próba értéke kerül, akkor a nullhipotézist elfogadjuk.

A kritikus tartomány az a tartomány, ahová ha a próba értéke kerül, akkor a nullhipotézist elvetjük.

A szignifikanciaszint a hibás döntés valószínűsége.

A hipotézis megfogalmazása. A próbafüggvény kiválasztása. Szignifikanciaszint és kritikus tartomány. Mintavétel és döntés.

A sokaság normális eloszlású, szórása $\sigma$, $H_0$ a sokaság átlagára vonatkozik, a minta elemszáma $n$.

A sokaság normális eloszlású, szórása nem ismert, $H_0$ a sokaság átlagára vonatkozik, a minta elemszáma $n$

A sokaság tetszőleges eloszlású, szórása nem ismert, $H_0$ a sokaság átlagára vonatkozik, a minta $n$ elemű, elemszáma nagy.

A sokaság tetszőleges eloszlású, $H_0$ a sokasági arányra vonatkozik, a minta $n$ elemű, elemszáma nagy

A sokaság normális eloszlású, $H_0$ a sokasági szórásra vonatkozik, a minta $n$ elemű.

A sokaság eloszlására irányuló vizsgálat.

A sokaságon belül két ismérv függetlenségére irányuló vizsgálat. $H_0$: a két ismérv független, az ellenhipotézis pedig, $H_1$: a két ismérv közti kapcsolat sztochasztikus vagy függvényszerű.

Két sokaságban valamely változó eloszlásának egyezőségére irányuló vizsgálat. $H_0$: a két sokaságban az eloszlás egyező, az ellenhipotézis pedig, $H_1$: a két eloszlás nem egyező.

Mindkét sokaság normális eloszlású, szórásaik $\sigma_X$ és $\sigma_Y$.

A két sokaság normális eloszlású és szórásaik egyformák.

A két sokaság eloszlása és szórása nem ismert, mindkettő szórása véges, és mindkét minta elemszáma elég nagy.

Két sokaság szórásának összehasonlítására irányuló próba, ha mindkét sokaság normális eloszlású. A nullhipotézis $H_0$: $\sigma_1^2 = \sigma_2^2$

Több sokaság várható értékének összehasonlítására vonatkozó próba, ha mindegyik sokaság normális eloszlású és azonos szórású.

A Bartlett-próba több sokaság szórásának összehasonlítására vonatkozó próba, ha mindegyik sokaság normális eloszlású.