Matek 3 DE

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

A megbízhatósági szintet konfidencia szintnek nevezzük.

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

Módszer az átlag intervallumbecslésére, ha a sokasági szórás ismert.

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

Módszer átlag intervallumbecslésére, ha a sokasági szórás nem ismert.

Módszer arány intervallumbecslésére.

Módszer variancia intervallumbecslésre.

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

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

Módszer arány intervallumbecslésére EV-minta esetén.

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

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

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

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.

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

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

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.

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 Fourier sorok speciális függvénysorok, amelyeket periodikus függvényekre fejlesztettek ki.

Kéttagú összegek n-edik hatványra emelésének képlete.

Az (a+b) hatványainak általánosítására egy képlet.

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.

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.

$X$ 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 peremeloszlás-függvényeinek felírása.

Két valószínűségi változó együttes eloszlásfüggvényeinek 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.

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 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 mértani sor képlete, példák mértani sorokra.

Egy végtelen sor akkor konvergens, ha részletösszegsorozata konvergens.

Ha egy sorozat határértéke nem 0, akkor a belőle képzett sor divergens.

Speciális sorok.

Egy másik fontos konvergenciakritérium, ami az n-edik tag n-edik gyökének segítségével dönti el a konvergenciát.

Egy fontos konvergenciakritérium, amely az n+1-edik tag és az n-edik tag hányadosával dönti el a konvergenciát.

Speciális sorok.

A sorok konvergenciájának megállapítására vonatkozó képletek.

Tört hatványának sorának konvergenciája a hatványkitevőtől függően.

Olyan sorok, amelyek valójában az első és az utolsó tagon kívül semmilyen más tagot nem tartalmaznak.

Ha $x_0$ a hatványsor középpontja, akkor az $x_0$ pont $r$ sugarú környezetét konvergencia tartománynak nevezzük, ahol $r$ a konvergenciasugár.

A hatványsorok konvergenciájának vizsgálata.

Arra való, hogy különböző függvényeket polinomok segítségével közelítsünk, illetve előállítsuk hatványsorukat. Nagyon izgi - tényleg...

Arra való, hogy különböző függvényeket polinomok segítségével közelítsünk, illetve előállítsuk hatványsorukat. Nagyon izgi - tényleg...

Az $e^x$, lnx, sinx és cosx függvények Taylor sorai.

Amikor egy függvény x helyen lévő értékét szeretnénk közelíteni egy Taylor polinommal, akkor lesz egy kis hibánk, mivel a polinom nem teljesen követi a függvényt. Ennek a hibának a kifejezésére van a Lagrange-féle maradéktag. 

A végtelen sorok egy speciális fajtája.

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.

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

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.

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: