Matematika 2 RKK

Komplex számok összeadásakor összeadjuk a valós részeket és külön összeadjuk a képzetes részeket. Kivonáskor külön kivonjuk egymásból a valós részeket és a képzetes részeket.

Egy képlet az a+bi alakú komplex számok szorzásához.

A komplex számok egy valós és egy imaginárius (képzetes) számból épülnek föl. A valós számok a szokásos x tengelyen helyezkednek el, míg az imaginárius számok egy erre merőleges y tengelyen, amit imaginárius tegelynek, vagy képzetes tengelynek nevezünk.

Olyan számok, amelyek valós és képzetes részből épülnek fel.

A valós számokat úgy érdemes elképzelni, mint egy koordinátarendszer x tengelyét. És minden helyet ki is töltenek a valós számok ezen a számegyenesen. A komplex számok egy valós és egy imaginárius (képzetes) részből épülnek föl, és szemléltetésükhöz nem egy, hanem két koordinátatengelyre van szükség. Az x tengelyen vannak a valós számok, az y tengelyen pedig az imaginárius, vagyis a képzetes számok. A valós számok tengelyén az egység a szokásos 1, míg az imaginárius számok tengelyén az egység az i. A kétb tengely által kifeszített síkot nevezzük komplex számsíknak, vagy másknt Gauss-féle számsíknak. 

A komplex szám tükörképe az x tengelyre.

Egy komplex szám abszolútértéke az origotól mért távolsága.

A komplex számok osztását, szorzását és hatványozását megkönnyítő forma.

Képlet komplex számok szorzásához és osztásához, ha azok trigonometrikus alakban vannak megadva.

Egy képlet komplex számok hatványozásához, ha a komplex szám trigonometrikus alakban van.

Egy képlet komplex számok gyökvonásához, ha a komplex szám trigonometrikus alakban van.

Képlet komplex számok szorzásához és összeadásához, ha a komplex számok exponenciális alakban vannak megadva.

Egy képlet komplex számok hatványozásához, ha a komplex szám exponenciális alakban van.

Egy képlet komplex számok gyökvonásához, ha a komplex szám exponenciális alakban van.

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.

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 deriváltvektor azt jelenti, hogy egy többváltozós függvény parciális deriváltjait beletesszük egy vektorba. A deriváltvektort szokás gradiensvektornak is nevezni, és az f(x,y) kétváltozós függvény gradiensvektorát úgy jelöljük, hogy grad(f(x,y)). A gradiensvektor elnevezés onnan ered, hogy éppen a gradiens vektor irányában emelkedik mindig a legjobban a kétváltozós függvény grafikonja, ami egy felület. A deriváltvektort vagy gardiensvektort egy úgynevezett nabla szimbólummal is szokás jelölni. Ez egy csúcsára állított háromszög és a nabla operátor azt csinálja, hogy egy függvény parciális deriváltjait bepakolja egy vektorba. Ezt nem csak az f(x,y) kétváltozós függvénnyel lehet megtenni, hanem az f(x,y,z) háromváltozós függvénnyel is, vagy akár általánosan egy n változós függvénnyel. A nabla operátort alkalmazva erre a függvényre egy n koordinátás vektort kapunk, aminek a koordinátái a különböző parciális deriváltak lesznek. 

A deriváltvektor azt jelenti, hogy egy többváltozós függvény parciális deriváltjait beletesszük egy vektorba. A deriváltvektort szokás gradiensvektornak is nevezni, és az f(x,y) kétváltozós függvény gradiensvektorát úgy jelöljük, hogy grad(f(x,y)). A gradiensvektor elnevezés onnan ered, hogy éppen a gradiens vektor irányában emelkedik mindig a legjobban a kétváltozós függvény grafikonja, ami egy felület. A deriváltvektort vagy gardiensvektort egy úgynevezett nabla szimbólummal is szokás jelölni. Ez egy csúcsára állított háromszög és a nabla operátor azt csinálja, hogy egy függvény parciális deriváltjait bepakolja egy vektorba. Ezt nem csak az f(x,y) kétváltozós függvénnyel lehet megtenni, hanem az f(x,y,z) háromváltozós függvénnyel is, vagy akár általánosan egy n változós függvénnyel. A nabla operátort alkalmazva erre a függvényre egy n koordinátás vektort kapunk, aminek a koordinátái a különböző parciális deriváltak lesznek. 

Az iránymenti derivált azt jelenti, hogyha a kétváltozós függvény grafikonjának egy pontjában áll egy hagymászó, és elindul egy v irányban, akkor ebben az irányban milyen meredeken emelkedik a felület. Az iránymenti derivált kiszámolása nagyon egyszerű. Azzal kell kezdeni, hogy a P pontban kiszámoljuk a deriváltvektort. Ezek után a v irányba mutató vektorból egységnyi hosszú vektort csinálunk úgy, hogy elosztjuk a saját hosszával. Az így keletkező e vektort skalárisan megszorozzuk a deriváltvektorral és meg is van az iránymenti derivált.

Ahogy már láttuk, az iránymenti derivált azt jelenti, hogyha a kétváltozós függvény grafikonjának egy pontjában áll egy hagymászó, és elindul egy v irányban, akkor ebben az irányban milyen meredeken emelkedik a felület. Ahogy a v irányt változtatjuk, az iránymenti derivált értéke is változik. És van egy olyan v irány, ahol az iránymenti derivált maximális. Ezt az irányt nevezzük gradiens iránynak és ez mindig megegyezik a deriváltvektor irányával. Vagyis egy P pontban a függvény iránymenti deriváltja éppen abban az irányban a legnagyobb, ami a P ponthoz tartozó deriváltvektor iránya. A dolog egy egyszerű skaláris szorzattal könnyedén kijön. És az is kiderül, hogy melyik az az irány, amely mentén az iránymenti derivált éppen nulla. Ez a gradiens irányra merőleges irány, amit szintvonal iránynak nevezünk.

Az érintősík képlete nagyon hasonlít az egyváltozós függvényeknél az érintő egyenletére, csak most x és y szerint is deriválni kell. Lépésről lépésre megoldunk néhány feladatot a kétváltozós függvények érintősíkjával kapcsolatban. Az első lépés mindig a parciális deriváltak kiszámolása, aztán ezekbe a parciális deriváltakba behelyettesítjük az érintési pont koordinátát. Ezek után még kiszámoljuk a függvényértéket is az érintési pontban és már jöhet is az érintősík egyenletének a képlete.

A függvényeket két nagy típusba sorolhatjuk, az explicit és az implicit függvények csoportjába. Az explicit függvények azok, amelyek egy konkrét képlettel vannak megadva, míg az implicit függvények valamilyen egyenlet formájában adhatók meg. 

 A függvényeket két nagy típusba sorolhatjuk, az explicit és az implicit függvények csoportjába. Az explicit függvények azok, amelyek egy konkrét képlettel vannak megadva, míg az implicit függvények valamilyen egyenlet formájában adhatók meg. Az implicit függvények deriválására egy nagyon egyszerű képletet alkothatunk a parciális deriválás segítségével.

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 érintősík képlete nagyon hasonlít az egyváltozós függvényeknél az érintő egyenletére, csak most x és y szerint is deriválni kell. Lépésről lépésre megoldunk néhány feladatot a kétváltozós függvények érintősíkjával kapcsolatban. Az első lépés mindig a parciális deriváltak kiszámolása, aztán ezekbe a parciális deriváltakba behelyettesítjük az érintési pont koordinátát. Ezek után még kiszámoljuk a függvényértéket is az érintési pontban és már jöhet is az érintősík egyenletének a képlete.

Az iránymenti derivált azt jelenti, hogyha a kétváltozós függvény grafikonjának egy pontjában áll egy hagymászó, és elindul egy v irányban, akkor ebben az irányban milyen meredeken emelkedik a felület. Az iránymenti derivált kiszámolása nagyon egyszerű. Azzal kell kezdeni, hogy a P pontban kiszámoljuk a deriváltvektort. Ezek után a v irányba mutató vektorból egységnyi hosszú vektort csinálunk úgy, hogy elosztjuk a saját hosszával. Az így keletkező e vektort skalárisan megszorozzuk a deriváltvektorral és meg is van az iránymenti derivált.

A függvényeket két nagy típusba sorolhatjuk, az explicit és az implicit függvények csoportjába. Az explicit függvények azok, amelyek egy konkrét képlettel vannak megadva, míg az implicit függvények valamilyen egyenlet formájában adhatók meg. 

 A függvényeket két nagy típusba sorolhatjuk, az explicit és az implicit függvények csoportjába. Az explicit függvények azok, amelyek egy konkrét képlettel vannak megadva, míg az implicit függvények valamilyen egyenlet formájában adhatók meg. Az implicit függvények deriválására egy nagyon egyszerű képletet alkothatunk a parciális deriválás segítségével.

Az egyváltozós függvények határértékének epszilon-deltás definícióját átültetjük a kétváltozós esetre.

Hogyan vihető át a deriválás szemléletes jelentése egyváltozós függvényekről kétváltozós függvényekre?

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

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 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.

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.

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.

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.

Kéttagú összegek n-edik hatványra emelésének képlete.

Az (a+b) hatványainak általánosítására egy képlet.

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.

$X$ 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.

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.

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.

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.