Matek 3 SZE

Egy egyenletrendszer együtthatómátrixa az x-ek együtthatóiból álló mátrix.

Az egyenletrendszerek megoldásának legszuperebb módja.

Az egyenletrendszer megoldásának egy szuper, de koránt sem a 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.

Egy mátrix LU felbontása azt jelenti, hogy a mátrixot felbontjuk egy alsó és egy felső háromszögmátrix szorzatára.

Egy nxn-es mátrixnak akkor létezik LU-felbontása, ha az első n-1 főminora nem nulla.

Hogyha egy olyan mátrix LU felbontására van szükségünk, amelynek valamelyik (nem utolsó) főminora 0, akkor megtehetjük azt, hogy egy premutációs mátrix segítségével felcseréljük a sorait.

Ez tulajdonképpen egy olyan LU-felbontás, ahol az U mátrix az L-nek a transzponáltja.

Az LU-felbontás módszere nem négyzetes mátrixokra ugyanolyan, mint eddig, a Gauss elimináció segítségével történik.

A QR-felbontás azt jelenti, hogy egy mátrixot egy ortogonális és egy felsőháromszögmátrix szorzatára bontjuk.

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.

Az interpoláció egy közelítő módszer, amely a függvény ismert értékei alapján ad közelítést a nem ismert értékeire. Ennek hibájának a megbecsléséhez van egy remek képlet.

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.

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

Ha a szövegben valószínűségek vannak megadva, akkor a binomiális eloszlást szoktuk használni.

A hipergeometriai eloszlás a visszatevés nélküli mintavételhez kapcsolódó eloszlás.

Ha húzásokat vizsgálunk úgy, hogy a kihúzott elemeket nem tesszük vissza, akkor ez egy visszatevés nélküli mintavétel.

A visszatevées mintavételhez kapcsolódó eloszlás a binomiális eloszlás.

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.

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.

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

Mennyiségek eloszlása.

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.

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.