Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
Valószínuségszámítás és statisztika afizikában
2019. március 12.
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
MOMENTUMOK, GENERÁTORFÜGGVÉNY, KARAKTERISZTIKUSFÜGGVÉNY
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Momentumok általános definíciója
Momentumok
Definíció: A X valószínuségi változó k-adik momentuma:
⟨Xk⟩ = ⟨xk
⟩ =
∞
∫−∞
xkρX(x)dx.
A X valószínuségi változó k-adik centrális momentuma:
µk ∶= ⟨(X − ⟨X⟩)k⟩ = ⟨(x − ⟨x⟩)k
⟩ =
∞
∫−∞
(x − ⟨x⟩)kρX(x)dx.
• Mi X elso momentuma?
• Mi X második centrális momentuma?
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Momentumok általános definíciója
Momentumok
Definíció: A X valószínuségi változó k-adik momentuma:
⟨Xk⟩ = ⟨xk
⟩ =
∞
∫−∞
xkρX(x)dx.
A X valószínuségi változó k-adik centrális momentuma:
µk ∶= ⟨(X − ⟨X⟩)k⟩ = ⟨(x − ⟨x⟩)k
⟩ =
∞
∫−∞
(x − ⟨x⟩)kρX(x)dx.
• Mi X elso momentuma?
• Mi X második centrális momentuma?
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Momentumok általános definíciója
Momentumok
Definíció: A X valószínuségi változó k-adik momentuma:
⟨Xk⟩ = ⟨xk
⟩ =
∞
∫−∞
xkρX(x)dx.
A X valószínuségi változó k-adik centrális momentuma:
µk ∶= ⟨(X − ⟨X⟩)k⟩ = ⟨(x − ⟨x⟩)k
⟩ =
∞
∫−∞
(x − ⟨x⟩)kρX(x)dx.
• Mi X elso momentuma? A várható érték!
• Mi X második centrális momentuma?
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Momentumok általános definíciója
Momentumok
Definíció: A X valószínuségi változó k-adik momentuma:
⟨Xk⟩ = ⟨xk
⟩ =
∞
∫−∞
xkρX(x)dx.
A X valószínuségi változó k-adik centrális momentuma:
µk ∶= ⟨(X − ⟨X⟩)k⟩ = ⟨(x − ⟨x⟩)k
⟩ =
∞
∫−∞
(x − ⟨x⟩)kρX(x)dx.
• Mi X elso momentuma? A várható érték!
• Mi X második centrális momentuma?
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Momentumok általános definíciója
Momentumok
Definíció: A X valószínuségi változó k-adik momentuma:
⟨Xk⟩ = ⟨xk
⟩ =
∞
∫−∞
xkρX(x)dx.
A X valószínuségi változó k-adik centrális momentuma:
µk ∶= ⟨(X − ⟨X⟩)k⟩ = ⟨(x − ⟨x⟩)k
⟩ =
∞
∫−∞
(x − ⟨x⟩)kρX(x)dx.
• Mi X elso momentuma? A várható érték!
• Mi X második centrális momentuma? A szórásnégyzet!
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Generátorfüggvény
Generátorfüggvény
Definíció: Ha X diszkrét valószínuségi változó, mely nem negatívegész számokat vehet fel a
P(X = 0) = p0, P(X = 1) = p1, ⋯ P(X = k) = pk, ⋯
eloszlással, akkor a hozzá tartozó generátorfüggvény:
GX(z) ∶=∞∑k=0
pkzk,
azaz formálisan GX(z) = ⟨zX⟩.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Generátorfüggvény és momentumok
• Ha G(z) ∶=∞∑k=0
pkzk, akkor
• Mi lesz G(1)?• Hogyan lehet pk-t a G(z) segítségével kifejezni?• Hogyan lehet a ⟨X⟩ = ⟨k⟩ várható értéket G(z) segítségével
kifejezni?
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Generátorfüggvény és momentumok
• Ha G(z) ∶=∞∑k=0
pkzk, akkor
• Mi lesz G(1)?• Hogyan lehet pk-t a G(z) segítségével kifejezni?• Hogyan lehet a ⟨X⟩ = ⟨k⟩ várható értéket G(z) segítségével
kifejezni?Generátorfüggvény és momentumok
G(1) = 1,
pk =1k!
dkG(z)dzk
∣
z=0
,
⟨X⟩ = ⟨k⟩ =∞∑k=0
kpk =dG(z)
dz∣z=1
= G′(1),
⟨Xn⟩ = ⟨kn
⟩ =∞∑k=0
knpk = [z∂
∂z]
n
G(z)∣z=1
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Generátorfüggvény és momentumok
Generátorfüggvény és momentumok
A várható érték és szórás kifejezése a generátorfüggvény segítségével:
⟨X⟩ = ⟨k⟩ =∞∑k=0
kpk =dG(z)
dz∣z=1
= G′(1),
σ2(X) = ⟨X2
⟩ − ⟨X⟩2= [z
∂
∂z]
2
G(z)∣z=1
−G′(1)2
=
[z∂
∂z] zG′
(1)∣z=1
−G′(1)2
= G′′(1) +G′
(1) −G′(1)2.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Generátorfüggvény és momentumok
eloszlás a� � a
momentumok ⇔ generátorfüggvény
Az összes momentum ismerete egyenlo az eloszlás ismeretével!
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
GenerátorfüggvényPéldák
Példa
Korábban láttuk, hogy a binomiális eloszlás számos fontos problémánálfelbukkan, (pl. valszám vizsgát sikeresen lerakó hallgatók száma,véletlen gráf fokszámeloszlása, stb.).→ Mi lesz a binomiális eloszlás generátorfüggvénye?
Bernoulli problémája Binomiális eloszlás I. Várható érték Szórás Binomiális eloszlás II. ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
GenerátorfüggvényPéldák
Példa
Korábban láttuk, hogy a binomiális eloszlás számos fontos problémánálfelbukkan, (pl. valszám vizsgát sikeresen lerakó hallgatók száma,véletlen gráf fokszámeloszlása, stb.).→ Mi lesz a binomiális eloszlás generátorfüggvénye?
P(X = k) = pk = (Nk)pk
(1 − p)N−k,
GX(z) =N
∑k=0
(Nk)pk
(1 − p)N−kzk=
N
∑k=0
(Nk)(pz)k
(1 − p)N−k=
(pz + 1 − p)N= (1 − p(1 − z))N .
Bernoulli problémája Binomiális eloszlás I. Várható érték Szórás Binomiális eloszlás II. ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
GenerátorfüggvényPéldák
Példa
Korábban láttuk, hogy a binomális eloszlást nagy N-ek eseténPoisson–eloszlással szoktuk közelíteni.→ Mi lesz a Poisson–eloszlás generátorfüggvénye?
Poisson–eloszlás I. Poisson–eloszlás II. ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
GenerátorfüggvényPéldák
Példa
Korábban láttuk, hogy a binomális eloszlást nagy N-ek eseténPoisson–eloszlással szoktuk közelíteni.→ Mi lesz a Poisson–eloszlás generátorfüggvénye?
P(X = k) = pk =λke−λ
k!
GX(z) =∞∑k=0
λke−λ
k!zk=
∞∑k=0
(λz)ke−λ
k!= e−λeλz
∞∑k=0
(λz)ke−λz
k!´¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¸¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¶
1
= eλ(z−1).
Poisson–eloszlás I. Poisson–eloszlás II. ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Összeg generátorfüggvénye
• Ha X és Y független, akkor miként lehet a Z = X + Y változógenerátorfüggvényét kifejezni a X és Y generátorfüggvényeivel?
Összeg eloszlása ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Összeg generátorfüggvénye
• Ha X és Y független, akkor miként lehet a Z = X + Y változógenerátorfüggvényét kifejezni a X és Y generátorfüggvényeivel?
p(Z)k =∑i
p(X)i p(Y)k−i ,
→ GZ(z) =∑k
p(Z)k zk=∑
k∑
ip(X)i p(Y)k−i zk
=∑k∑
ip(X)i p(Y)k−i zizk−i
=
GZ(z) =∑i
p(X)i zi∑
jp(Y)j zj
= GX(z)GY(z).
Összeg eloszlása ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Összeg generátorfüggvénye
• Ha X és Y független, akkor miként lehet a Z = X + Y változógenerátorfüggvényét kifejezni a X és Y generátorfüggvényeivel?
p(Z)k =∑i
p(X)i p(Y)k−i ,
→ GZ(z) =∑k
p(Z)k zk=∑
k∑
ip(X)i p(Y)k−i zk
=∑k∑
ip(X)i p(Y)k−i zizk−i
=
GZ(z) =∑i
p(X)i zi∑
jp(Y)j zj
= GX(z)GY(z).
Összeg generátorfüggvénye
Ha X1,X2, ...,Xn független valószínuségi változók és Y = X1 + X2 +⋯ + Xn,akkor Y generátorfüggvénye:
GY(z) = GX1+X2+⋯+Xn(z) = ⟨zX1+X2+⋯+Xn⟩ = ⟨zX1 zX2⋯zXn⟩ =
⟨zX1⟩ ⟨zX2⟩⋯ ⟨zXn⟩ = GX1(z)GX2(z)⋯GXn(z).
Összeg eloszlása ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Több dimenziós eset
Generátorfüggvény több dimenzióban
Definíció: Ha a X valószínuségi változó komponensei nem negatívegész számokat vehetnek fel, a
P(X = k) = P(X1 = k1,X2 = k2, ...,Xn = kn) = pk1,k2,...,kn
eloszlással, akkor a hozzá tartozó generátorfüggvény:
GX(z) = GX(z1, z2, ..., zn) ∶=∞∑k1=0
∞∑k2=0
⋯∞∑kn=0
pk1,k2,...,kn zk11 zk2
2 ⋯zknn .
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Több dimenziós esetMomentumok
Momentumok és G(z)
Az i-edik komponens várható értéke:
⟨Xi⟩ =∞∑k1=0
∞∑k2=0
⋯∞∑kn=0
kipk1,k2,...,kn =∂G(z)∂zi
∣z=1.
A magasabb momentumok és a szórás:
⟨(Xi)r⟩ =
∞∑k1=0
∞∑k2=0
⋯∞∑kn=0
kri pk1,k2,...,kn = [zi
∂
∂zi]
r
G(z)∣z=1,
σ2(Xi) = ⟨X2
i ⟩ − ⟨Xi⟩2= [zi
∂
∂zi]
2
G(z)∣z=1
− [∂G(z)∂zi
∣z=1
]
2
=
∂2G(z)∂z2
i∣
z=1
+∂G(z)∂zi
∣z=1
− [∂G(z)∂zi
∣z=1
]
2
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció véletlen hálózatban
Ez az alfejezet semmilyen formában nem kerül számonkérésre...
De egy érdekes példát mutat generátorfüggvények alkalmazására.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció véletlen hálózatban
Ez az alfejezet semmilyen formában nem kerül számonkérésre...
De egy érdekes példát mutat generátorfüggvények alkalmazására.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció véletlen hálózatban
Perkoláció véletlen hálózatban
• Összefüggo komponens egy hálózatban: olyan rész hálózat,melyben a kapcsolatokon (éleken) keresztül eljuthatunk akármelyikcsomópontból (csúcsból) akármelyik másik csomópontba.
• Óriás komponens: aminek s1 mérete a teljes rendszerméret, Nmellett sem elhanyagolható, s1
N > 0 akkor is, ha N →∞.
• Óriás komponens jelenléte vagy hiánya drasztikusan megváltoztatjaa hálózat viselkedését.
• Mikor jelenik meg/tunik el az óriás komponens?↕
• PERKOLÁCIÓ
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció véletlen hálózatban
Perkoláció véletlen hálózatban
• Összefüggo komponens egy hálózatban: olyan rész hálózat,melyben a kapcsolatokon (éleken) keresztül eljuthatunk akármelyikcsomópontból (csúcsból) akármelyik másik csomópontba.
• Óriás komponens: aminek s1 mérete a teljes rendszerméret, Nmellett sem elhanyagolható, s1
N > 0 akkor is, ha N →∞.
• Óriás komponens jelenléte vagy hiánya drasztikusan megváltoztatjaa hálózat viselkedését.
• Mikor jelenik meg/tunik el az óriás komponens?↕
• PERKOLÁCIÓ
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció véletlen hálózatban
Perkoláció véletlen hálózatban
• Összefüggo komponens egy hálózatban: olyan rész hálózat,melyben a kapcsolatokon (éleken) keresztül eljuthatunk akármelyikcsomópontból (csúcsból) akármelyik másik csomópontba.
• Óriás komponens: aminek s1 mérete a teljes rendszerméret, Nmellett sem elhanyagolható, s1
N > 0 akkor is, ha N →∞.
• Óriás komponens jelenléte vagy hiánya drasztikusan megváltoztatjaa hálózat viselkedését.
• Mikor jelenik meg/tunik el az óriás komponens?↕
• PERKOLÁCIÓ
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció véletlen hálózatban
Perkoláció véletlen hálózatban
• Összefüggo komponens egy hálózatban: olyan rész hálózat,melyben a kapcsolatokon (éleken) keresztül eljuthatunk akármelyikcsomópontból (csúcsból) akármelyik másik csomópontba.
• Óriás komponens: aminek s1 mérete a teljes rendszerméret, Nmellett sem elhanyagolható, s1
N > 0 akkor is, ha N →∞.
• Óriás komponens jelenléte vagy hiánya drasztikusan megváltoztatjaa hálózat viselkedését.
• Mikor jelenik meg/tunik el az óriás komponens?↕
• PERKOLÁCIÓ
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció szabályos rácson
Perkoláció szabályos rácson
• egy rácspont (vagy él) betöltött p valószínuséggel,
• a kritikus pc-nél megjelenik a perkoláló klaszter.
s1
NS=
(Barabási A.-L. fóliáiról) ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció véletlen hálózatban
Pl. a véletlen csúcs (vagy él) meghibásodások felfoghatók úgy, mint egy„inverz” perkolációs folyamat.
(Barabási A.-L. fóliáiról) ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció véletlen hálózatbanCélkituzés
Hol van a perkoláció kritikus pontja egy véletlen hálózatban?
Feltevéseink:
• ismerjük a fokszámeloszlást:p(k) = P( egy v.v. csúcsnak k kapcsolata van ),
• a kritikus pontot a „széttöredezett” fázis felol közelítjük:a hálózat még elég ritka és elég véletlen ahhoz, hogy lokálisanfa–szeru legyen.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
Bevezetünk néhány diszkrét eloszlást:
S=k
m
S=kΣ
H (k)m
S=k
H(k)
I(k)
p(k) k • p(k) = P(v.v csúcsnak k élevan ). (Ezt hívjákfokszámeloszlásnak).
• I(k) = P(v.v. csúcs egy kméretu komponensben van).
• H(k) = P(v.v. él egyik végénegy k méretu komponensvan).
• Hm(k) = P(v.v. m darab élekegyik végein találhatókomponensek összmérete k).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
Alapötlet:
→ I(k) = p(0)H0(k − 1) + p(1)H1(k − 1) + p(2)H2(k − 1) + ...
+p(m)Hm(k − 1) + ... =∞∑m=0
p(m)Hm(k − 1)
Vesszük mindkét oldal generátorfüggvényét:
GI(x) =∞∑k=0
∞∑m=0
p(m)Hm(k − 1)xk =
=∞∑k=0
∞∑m=0
p(m) 1(k − 1)!
dk−1
dxk−1GH,m(x)∣
x=0xk
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
Alapötlet:
→ I(k) = p(0)H0(k − 1) + p(1)H1(k − 1) + p(2)H2(k − 1) + ...
+p(m)Hm(k − 1) + ... =∞∑m=0
p(m)Hm(k − 1)
Vesszük mindkét oldal generátorfüggvényét:
GI(x) =∞∑k=0
∞∑m=0
p(m)Hm(k − 1)xk =
=∞∑k=0
∞∑m=0
p(m) 1(k − 1)!
dk−1
dxk−1GH,m(x)∣
x=0xk
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
Alapötlet:
→ I(k) = p(0)H0(k − 1) + p(1)H1(k − 1) + p(2)H2(k − 1) + ...
+p(m)Hm(k − 1) + ... =∞∑m=0
p(m)Hm(k − 1)
Vesszük mindkét oldal generátorfüggvényét:
GI(x) =∞∑k=0
∞∑m=0
p(m)Hm(k − 1)xk =
=∞∑k=0
∞∑m=0
p(m) 1(k − 1)!
dk−1
dxk−1GH,m(x)∣
x=0xk
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• A GH,m(x) kifejezheto GH(x)-el:
S=k
m
S=kΣ
H (k)mH(k)
⇒ GH,m(x) = [GH(x)]m
→ GI(x) =∞∑k=0
∞∑m=0
p(m) 1(k − 1)!
dk−1
dxk−1GH,m(x)∣
x=0xk
∞∑k=0
∞∑m=0
p(m) 1(k − 1)!
dk−1
dxk−1[GH(x)]m∣
x=0xk
=∞∑m=0
p(m) [GH(x)]m x = xG(GH(x)),
ahol G(x) a p(k) fokszámeloszlás generátorfüggvénye.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• A GH,m(x) kifejezheto GH(x)-el:
S=k
m
S=kΣ
H (k)mH(k)
⇒ GH,m(x) = [GH(x)]m
→ GI(x) =∞∑k=0
∞∑m=0
p(m) 1(k − 1)!
dk−1
dxk−1GH,m(x)∣
x=0xk
∞∑k=0
∞∑m=0
p(m) 1(k − 1)!
dk−1
dxk−1[GH(x)]m∣
x=0xk
=∞∑m=0
p(m) [GH(x)]m x = xG(GH(x)),
ahol G(x) a p(k) fokszámeloszlás generátorfüggvénye.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• I(k) = P(v.v csúcs egy k méretu komponensben van).
→ Egy v.v csúcs komponensének várható mérete:
⟨S⟩ = G′I(1) = [xG(GH(x)]′∣x=1 = G(GI(1)) +G′(1)G′
H(1) == 1 + ⟨k⟩G′
H(1),
ahol G′(1) = ⟨k⟩ a fokszám várható értéke.
• Hogyan lehetne G′H(1)-et meghatározni?
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• I(k) = P(v.v csúcs egy k méretu komponensben van).
→ Egy v.v csúcs komponensének várható mérete:
⟨S⟩ = G′I(1) = [xG(GH(x)]′∣x=1 = G(GI(1)) +G′(1)G′
H(1) == 1 + ⟨k⟩G′
H(1),
ahol G′(1) = ⟨k⟩ a fokszám várható értéke.
• Hogyan lehetne G′H(1)-et meghatározni?
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• I(k) = P(v.v csúcs egy k méretu komponensben van).
→ Egy v.v csúcs komponensének várható mérete:
⟨S⟩ = G′I(1) = [xG(GH(x)]′∣x=1 = G(GI(1)) +G′(1)G′
H(1) == 1 + ⟨k⟩G′
H(1),
ahol G′(1) = ⟨k⟩ a fokszám várható értéke.
• Hogyan lehetne G′H(1)-et meghatározni?
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• G′H(1) meghatározásához egy újabb eloszlást kell bevezetnünk:
} k
q(k)
q(k) = P(v.v él egyik végén k továbbiélekre lehet tovább menni).
• Ötlet:
→ H(k) = q(0)H0(k − 1) + q(1)H1(k − 1) + q(2)H2(k − 1) + ...
+q(m)Hm(k − 1) + ... =∞∑m=0
q(m)Hm(k − 1)
Megint vesszük mindkét oldal generátorfüggvényét.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• G′H(1) meghatározásához egy újabb eloszlást kell bevezetnünk:
} k
q(k)
q(k) = P(v.v él egyik végén k továbbiélekre lehet tovább menni).
• Ötlet:
→ H(k) = q(0)H0(k − 1) + q(1)H1(k − 1) + q(2)H2(k − 1) + ...
+q(m)Hm(k − 1) + ... =∞∑m=0
q(m)Hm(k − 1)
Megint vesszük mindkét oldal generátorfüggvényét.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• G′H(1) meghatározásához egy újabb eloszlást kell bevezetnünk:
} k
q(k)
q(k) = P(v.v él egyik végén k továbbiélekre lehet tovább menni).
• Ötlet:
→ H(k) = q(0)H0(k − 1) + q(1)H1(k − 1) + q(2)H2(k − 1) + ...
+q(m)Hm(k − 1) + ... =∞∑m=0
q(m)Hm(k − 1)
Megint vesszük mindkét oldal generátorfüggvényét.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• G′H(1) meghatározásához egy újabb eloszlást kell bevezetnünk:
} k
q(k)
q(k) = P(v.v él egyik végén k továbbiélekre lehet tovább menni).
• Ötlet:
→ H(k) = q(0)H0(k − 1) + q(1)H1(k − 1) + q(2)H2(k − 1) + ...
+q(m)Hm(k − 1) + ... =∞∑m=0
q(m)Hm(k − 1)
Megint vesszük mindkét oldal generátorfüggvényét.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
GH(x) =∞∑k=0
∞∑m=0
q(m)Hm(k − 1)xk =
=∞∑k=0
∞∑m=0
q(m) 1(k − 1)!
dk−1
dxk−1GH,m(x)∣
x=0xk
=∞∑k=0
∞∑m=0
q(m) 1(k − 1)!
dk−1
dxk−1[GH(x)]m∣
x=0xk
=∞∑m=0
q(m) [GH(x)]m x = xGq(GH(x))
G′H(1) = Gq(GH(1)) +G′
q(1)G′H(1) = 1 +G′
q(1)G′H(1)
→ G′H(1) = 1
1 −G′q(1)
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• Visszahelyettesítve:
⟨S⟩ = 1 + ⟨k⟩G′H(1) = 1 + ⟨k⟩
1 −G′q(1)
→ A kritikus pont:G′
q(1) = 1
• A Gq(x)-t ki tudjuk fejezni a fokszámeloszlás segítségével:q(k) = P(v.v él egyik végén k + 1 fokszámú csúcs),
P(él végén k fokszámú csúcs) = kNk
∑k′ k′Nk′= kp(k)∑k′ k′p(k′)
=
= kp(k)⟨k⟩
→ q(k) = k + 1⟨k⟩
p(k + 1)
Gq(x) = 1⟨k⟩
∞∑k=0
(k + 1)p(k + 1)xk = 1⟨k⟩
∞∑l=1
lp(l)xl−1 = G′(x)⟨k⟩
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• Visszahelyettesítve:
⟨S⟩ = 1 + ⟨k⟩G′H(1) = 1 + ⟨k⟩
1 −G′q(1)
→ A kritikus pont:G′
q(1) = 1
• A Gq(x)-t ki tudjuk fejezni a fokszámeloszlás segítségével:q(k) = P(v.v él egyik végén k + 1 fokszámú csúcs),
P(él végén k fokszámú csúcs) = kNk
∑k′ k′Nk′= kp(k)∑k′ k′p(k′)
=
= kp(k)⟨k⟩
→ q(k) = k + 1⟨k⟩
p(k + 1)
Gq(x) = 1⟨k⟩
∞∑k=0
(k + 1)p(k + 1)xk = 1⟨k⟩
∞∑l=1
lp(l)xl−1 = G′(x)⟨k⟩
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• Visszahelyettesítve:
⟨S⟩ = 1 + ⟨k⟩G′H(1) = 1 + ⟨k⟩
1 −G′q(1)
→ A kritikus pont:G′
q(1) = 1
• A Gq(x)-t ki tudjuk fejezni a fokszámeloszlás segítségével:q(k) = P(v.v él egyik végén k + 1 fokszámú csúcs),
P(él végén k fokszámú csúcs) = kNk
∑k′ k′Nk′= kp(k)∑k′ k′p(k′)
=
= kp(k)⟨k⟩
→ q(k) = k + 1⟨k⟩
p(k + 1)
Gq(x) = 1⟨k⟩
∞∑k=0
(k + 1)p(k + 1)xk = 1⟨k⟩
∞∑l=1
lp(l)xl−1 = G′(x)⟨k⟩
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• Visszahelyettesítve:
⟨S⟩ = 1 + ⟨k⟩G′H(1) = 1 + ⟨k⟩
1 −G′q(1)
→ A kritikus pont:G′
q(1) = 1
• A Gq(x)-t ki tudjuk fejezni a fokszámeloszlás segítségével:q(k) = P(v.v él egyik végén k + 1 fokszámú csúcs),
P(él végén k fokszámú csúcs) = kNk
∑k′ k′Nk′= kp(k)∑k′ k′p(k′)
=
= kp(k)⟨k⟩
→ q(k) = k + 1⟨k⟩
p(k + 1)
Gq(x) = 1⟨k⟩
∞∑k=0
(k + 1)p(k + 1)xk = 1⟨k⟩
∞∑l=1
lp(l)xl−1 = G′(x)⟨k⟩
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• A G′q(1) a másodszomszédok számának várható értékével áll
nagyon szoros kapcsolatban.
• Bevezetjük:
mq (k)
m
k
qm(k) = P(m darab v.v. élek egyikvégein összesen k további élekrelehet továbbmenni).
n2(k) = P(egy v.v. csúcs másodszomszédainak száma k).
→ n2(k) = p(0)q0(k) + p(1)q1(k) + p(2)q2(k) + ...
+p(m)qm(k) + ... =∞∑m=0
p(m)qm(k)
(Megint vesszük mindkét oldal generátorfüggvényét).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• A G′q(1) a másodszomszédok számának várható értékével áll
nagyon szoros kapcsolatban.
• Bevezetjük:
mq (k)
k
m
qm(k) = P(m darab v.v. élek egyikvégein összesen k további élekrelehet továbbmenni).
n2(k) = P(egy v.v. csúcs másodszomszédainak száma k).
→ n2(k) = p(0)q0(k) + p(1)q1(k) + p(2)q2(k) + ...
+p(m)qm(k) + ... =∞∑m=0
p(m)qm(k)
(Megint vesszük mindkét oldal generátorfüggvényét).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• A G′q(1) a másodszomszédok számának várható értékével áll
nagyon szoros kapcsolatban.
• Bevezetjük:
mq (k)
k
m
qm(k) = P(m darab v.v. élek egyikvégein összesen k további élekrelehet továbbmenni).
n2(k) = P(egy v.v. csúcs másodszomszédainak száma k).
→ n2(k) = p(0)q0(k) + p(1)q1(k) + p(2)q2(k) + ...
+p(m)qm(k) + ... =∞∑m=0
p(m)qm(k)
(Megint vesszük mindkét oldal generátorfüggvényét).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
• A G′q(1) a másodszomszédok számának várható értékével áll
nagyon szoros kapcsolatban.
• Bevezetjük:
mq (k)
k
m
qm(k) = P(m darab v.v. élek egyikvégein összesen k további élekrelehet továbbmenni).
n2(k) = P(egy v.v. csúcs másodszomszédainak száma k).
→ n2(k) = p(0)q0(k) + p(1)q1(k) + p(2)q2(k) + ...
+p(m)qm(k) + ... =∞∑m=0
p(m)qm(k)
(Megint vesszük mindkét oldal generátorfüggvényét).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
Gn,2(x) =∞∑k=0
∞∑m=0
p(m)qm(k)xk =
=∞∑k=0
∞∑m=0
p(m) 1k!
dk
dxkGm,q(x)∣
x=0xk =
=∞∑k=0
∞∑m=0
p(m) 1k!
dk
dxk[Gq(x)]m∣
x=0xk =
=∞∑m=0
p(m) [Gq(x)]m = G(Gq(x))
z2 = ⟨n2⟩ = G′n,2(1) = G′(1)G′
q(1) = ⟨k⟩G′q(1)
→ G′q(1) = z2
⟨k⟩= z2
z1
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
A perkoláció kritikus pontja
• Ez alapján a komponensméret várható értéke
⟨S⟩ = 1 + ⟨k⟩1 −G′
q(1)= 1 + ⟨k⟩
1 − z2/ ⟨k⟩=
= 1 + ⟨k⟩2
⟨k⟩ − z2= 1 +
z21
z1 − z2
• Ez a következoket jelenti:
z1 > z2 → pici, izolált klaszterek
z1 = z2 → KRITIKUS PONT!
z1 < z2 → óriás komponens
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
A perkoláció kritikus pontja
• Ez alapján a komponensméret várható értéke
⟨S⟩ = 1 + ⟨k⟩1 −G′
q(1)= 1 + ⟨k⟩
1 − z2/ ⟨k⟩=
= 1 + ⟨k⟩2
⟨k⟩ − z2= 1 +
z21
z1 − z2
• Ez a következoket jelenti:
z1 > z2 → pici, izolált klaszterek
z1 = z2 → KRITIKUS PONT!
z1 < z2 → óriás komponens
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
Perkoláció az Erdos–Rényi–modellben
• Mit kapunk pl. Erdos–Rényi–féle véletlen gráfra?
• A fokszámeloszlás binomiális, ami jól közelíthetoPoisson-eloszlással:
p(k) = (Nk)pk
(1 − p)N−k≃
⟨k⟩k
k!e−⟨k⟩,
→ G(x) = e⟨k⟩(z−1)
Gq(x) =G′
(x)⟨k⟩
= e⟨k⟩(z−1)= G(x),
azaz a kritikus pontra, azt kapjuk, hogy
G′q(1) = G′
(1) = ⟨k⟩ = 1.
(Ez egy híres eredmény, ami teljes precizitással, az általunkhasznált közelíto feltevések nélkül is bebizonyítható).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
Perkoláció az Erdos–Rényi–modellben
• Mit kapunk pl. Erdos–Rényi–féle véletlen gráfra?
• A fokszámeloszlás binomiális, ami jól közelíthetoPoisson-eloszlással:
p(k) = (Nk)pk
(1 − p)N−k≃
⟨k⟩k
k!e−⟨k⟩,
→ G(x) = e⟨k⟩(z−1)
Gq(x) =G′
(x)⟨k⟩
= e⟨k⟩(z−1)= G(x),
azaz a kritikus pontra, azt kapjuk, hogy
G′q(1) = G′
(1) = ⟨k⟩ = 1.
(Ez egy híres eredmény, ami teljes precizitással, az általunkhasznált közelíto feltevések nélkül is bebizonyítható).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
Perkoláció az Erdos–Rényi–modellben
• Mit kapunk pl. Erdos–Rényi–féle véletlen gráfra?
• A fokszámeloszlás binomiális, ami jól közelíthetoPoisson-eloszlással:
p(k) = (Nk)pk
(1 − p)N−k≃
⟨k⟩k
k!e−⟨k⟩,
→ G(x) = e⟨k⟩(z−1)
Gq(x) =G′
(x)⟨k⟩
= e⟨k⟩(z−1)= G(x),
azaz a kritikus pontra, azt kapjuk, hogy
G′q(1) = G′
(1) = ⟨k⟩ = 1.
(Ez egy híres eredmény, ami teljes precizitással, az általunkhasznált közelíto feltevések nélkül is bebizonyítható).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Perkoláció és generátorfüggvények
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Karakterisztikus függvény
Hogyan lehetne általánosítani a generátorfüggvényt folytonoseloszlásokra?
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Karakterisztikus függvény
Karakterisztikus függvény
Definíció: egy X folytonos valószínuségi változó karakterisztikusfüggvénye:
ϕ(t) ∶= ⟨eitX⟩ = ⟨eitx
⟩ =
∞
∫−∞
eitxρ(x)dx.
A generátorfüggvény általánosításának felel meg:Ha X diszkrét és nem negatív egészeken fut végig, akkor
ρ(x) =∞∑k=0
P(X = k)δ(x − k) =∞∑k=0
pkδ(x − k),
→ ϕ(t) =
∞
∫−∞
eitx∞∑k=0
pkδ(x − k)dx =∞∑k=0
pkeitk= G(z = eit
).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Karakterisztikus függvény
Karakterisztikus függvény
Definíció: egy X folytonos valószínuségi változó karakterisztikusfüggvénye:
ϕ(t) ∶= ⟨eitX⟩ = ⟨eitx
⟩ =
∞
∫−∞
eitxρ(x)dx.
A generátorfüggvény általánosításának felel meg:Ha X diszkrét és nem negatív egészeken fut végig, akkor
ρ(x) =∞∑k=0
P(X = k)δ(x − k) =∞∑k=0
pkδ(x − k),
→ ϕ(t) =
∞
∫−∞
eitx∞∑k=0
pkδ(x − k)dx =∞∑k=0
pkeitk= G(z = eit
).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Karakterisztikus függvény és momentumok
Karakterisztikus függvény és momentumok
A ρ(x) suruségfüggvény és az összes momentum meghatározható akarakterisztikus függvény segítségével:
ρ(x) =1
2π
∞
∫−∞
e−itxϕ(t)dt,
⟨Xn⟩ = ⟨xn
⟩ =1in
∂nϕ
∂tn∣t=0
= [1i∂
∂t]
n
ϕ(t)∣t=0.
A ρ(x) egyenleténél kihasználtuk, hogy
12π
∞
∫−∞
e−itxϕ(t)dt =1
2π
∞
∫−∞
e−itx∞
∫−∞
eitx′ρ(x′)dx′dt =
∞
∫−∞
12π
∞
∫−∞
eit(x′−x)dt
´¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¸¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¶δ(x′−x)
ρ(x′)dx′ = ρ(x).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Karakterisztikus függvény és momentumok
eloszlás a� � a
momentumok ⇔ karakterisztikus függvény
Az összes momentum ismerete egyenlo az eloszlás ismeretével!
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Összeg karakterisztikus függvénye
• Ha X és Y függetlenek, akkor mi lesz a Z = X + Y változókarakterisztikus függvénye?
Összeg eloszlása ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Összeg karakterisztikus függvénye
• Ha X és Y függetlenek, akkor mi lesz a Z = X + Y változókarakterisztikus függvénye?
ρZ(x) =∞
∫−∞
ρX(x − y)ρY(y)dy
→ ϕZ(t) =∞
∫−∞
dx∞
∫−∞
dyρX(x − y)ρY(y)eitx=
ϕZ(t) =∞
∫−∞
dx∞
∫−∞
dyρX(x − y)ρY(y)eit(x−y)eity=
ϕZ(t) =∞
∫−∞
dzρX(z)eitz∞
∫−∞
dyρY(y)eity= ϕX(t)ϕY(t).
Összeg eloszlása ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Összeg karakterisztikus függvénye
Összeg karakterisztikus függvénye
Összeg karakterisztikus függvénye a karakterisztikus függvényekszorzata:Ha X1,X2, ...,Xn független valószínuségi változók és Y = X1 + X2 +⋯ + Xn,akkor Y karakterisztikus függvénye:
ϕY(t) = ZX1+X2+⋯+Xn(t) = ⟨eit(X1+X2+⋯+Xn)⟩ = ⟨eitX1 eitX2⋯eitXn⟩ =
⟨eitX1⟩ ⟨eitX2⟩⋯ ⟨eitXn⟩ = ϕX1(t)ϕX2(t)⋯ϕXn(t).
χ2 -eloszlás ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Összeg karakterisztikus függvénye
Összeg karakterisztikus függvénye
Összeg karakterisztikus függvénye a karakterisztikus függvényekszorzata:Ha X1,X2, ...,Xn független valószínuségi változók és Y = X1 + X2 +⋯ + Xn,akkor Y karakterisztikus függvénye:
ϕY(t) = ZX1+X2+⋯+Xn(t) = ⟨eit(X1+X2+⋯+Xn)⟩ = ⟨eitX1 eitX2⋯eitXn⟩ =
⟨eitX1⟩ ⟨eitX2⟩⋯ ⟨eitXn⟩ = ϕX1(t)ϕX2(t)⋯ϕXn(t).
χ2 -eloszlás ¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
MEDIÁN ÉS KVANTILIS
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Hol van egy eloszlás közepe?
• Általában a várható értéket szoktuk az eloszlás „közepének”gondolni...
• Ez a ⟨x⟩-re szimmetrikus ρ(x) esetén teljesen OK, pl. normáliseloszlás:
xρ( )
x
σσµ
µ =2, =1
=7, =2
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
−2 0 2 4 6 8 10 12 14
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Hol van egy eloszlás közepe?
• Elofordulnak azonban olyan eloszlások is, ahol ρ(x) erosenaszimmetrikus.
• Pl. Tegyük fel, hogy egy eloadó 200 csokit oszt ki 50 hallgató köztkülönbözo módokon:
• mindenkinek 4-et,• teljesen véletlenszeruen, (minden egyes csokinál
véletlenszeruen kiválaszt egy hallgatót, függetlenül az elozoválasztásoktól),
• a ZH pontszám alapján elért helyezés szerint-az elso 5 hallgató 20 csokit kap fejenként,-a 6. helyezéstol a 10.-ig 10-et fejenként,-a 11. helyezéstol a 20.-ig 4-et fejenként,-a 21. helyezéstol a 31.-ig 1-et fejenként.
• A 4 legstréberebb hallgatónak ad 50-50 csokit
(Az egy hallgatónak adott csokik számának várható értéke mindenesetben 200/50=4).
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Hol van egy eloszlás közepe?
• Az elso két esetben az eloszlás (közel) szimmetrikus és a várhatóérték tényleg az eloszlás „közepén van”:
xρ( )
x
<x>
0
0.2
0.4
0.6
0.8
1
0 10 20 30 40 50
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Hol van egy eloszlás közepe?
• A másik két esetben viszont egy „tipikus” hallgató kevesebb csokivalrendelkezik mint az átlag:
xρ( )
x
<x>
0
0.2
0.4
0.6
0.8
1
0 10 20 30 40 50
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Medián
Az erosen aszimmetrikus eloszlások esetén ahol nagy kiugró értékekfordulnak elo, a várható érték helyett sokszor szemléletesebb az eloszlásmediánja.
Medián
Definíció: egy eloszlás mediánja az az m érték, ahol azeloszlásfüggvény F(x = m) = 1
2 .Szemléletes jelentése:
- az eloszlás közepén van abból a szempontból, hogy annakvalószínusége, hogy X < m illetve, hogy X > m egyaránt 1
2 .
- ha elég nagy számú mintát veszünk az eloszlásból, akkor nagyjábólugyanannyi lesz alatta mint felette.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Medián
Elofordulhatnak olyan esetek, amikor pontosítani kell a definíción:
• Ha F(x) = 12 teljesül egy egész [x1, x2] szakaszon keresztül, akkor
m = (x1 + x2)/2 a szakasz közepén van.
F(x)
m x
1
0.5
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Medián
Elofordulhatnak olyan esetek, amikor pontosítani kell a definíción:
• Ha F(x) „átugorja” az 12 értéket, azaz F(x) = 1
2 -nek nincsmegoldása, akkor van egy x0, melyre P(X < x0) <
12 és
P(X > x0) <12 . Ilyenkor m = x0.
F(x)
m x
1
0.5
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
MediánPéldák
Példa
A csokoládé osztogatós példánál a medián:
xρ( )
x
<x>
0
0.2
0.4
0.6
0.8
1
0 10 20 30 40 50
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
MediánPéldák
Példa
Mi az exponenciális eloszlás mediánja?
F(x) = 1 − e−λx, ρ(x) = λe−λx
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
MediánPéldák
Példa
Mi az exponenciális eloszlás mediánja?
F(x) = 1 − e−λx, ρ(x) = λe−λx
Suruségfüggvény alapján:
m
∫
0
ρ(x)dx =∞
∫m
ρ(x)dx =m
∫
0
λe−λxdx =∞
∫m
λe−λxdx =12
→ [−e−λx]
m
0= [−e−λx
]∞m= 1 − e−λm
= e−λm=
12
→ m =1λln 2
Eloszlásfüggvény alapján:
F(x = m) = 1 − e−λm=
12
→ e−λm=
12
→ m =1λln 2
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
MediánPéldák
Példa
A lognormális eloszlásnál:
xρ( )
x
m
<x>
<x>m
µ=0, σ=0.3
µ=0, σ=1.5
0
0.2
0.4
0.6
0.8
1
1.2
1.4
0 1 2 3 4 5
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Medián és várható érték
• Ha a suruségfüggvény szimmetrikus ⟨X⟩-re, akkor m = ⟨X⟩.Miért?
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Medián és várható érték
• Ha a suruségfüggvény szimmetrikus ⟨X⟩-re, akkor m = ⟨X⟩.Ilyenkor a szimmetria miatt
⟨x⟩
∫−∞
ρ(x)dx =∞
∫
⟨x⟩ρ(x)dx =
12.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Kvantilis
A medián definícióját általánosíthatjuk úgy, hogy az eloszlásfüggvény,F(x) értékkészletét két nem egyforma nagyságú tartományra osztjukszét:
Kvantilis
Definíció: egy eloszlás p-ed rendu kvantilise az az Qp érték, melyreF(x = Qp) = p.Fontos kvantilisek:
- a Q 12
a medián,
- a Q 14
az alsó kvartilis, a Q 34
a felso kvartilis.
A Q 34−Q 1
4az interkvartilis terjedelem ami pl. a szóráshoz hasonlóan
azt jellemzi, hogy milyen széles egy eloszlás.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Kvantilis
A medián definícióját általánosíthatjuk úgy, hogy az eloszlásfüggvény,F(x) értékkészletét két nem egyforma nagyságú tartományra osztjukszét:
Kvantilis
Definíció: egy eloszlás p-ed rendu kvantilise az az Qp érték, melyreF(x = Qp) = p.Fontos kvantilisek:
- a Q 12
a medián,
- a Q 14
az alsó kvartilis, a Q 34
a felso kvartilis.
A Q 34−Q 1
4az interkvartilis terjedelem ami pl. a szóráshoz hasonlóan
azt jellemzi, hogy milyen széles egy eloszlás.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Kvantilis
A medián definícióját általánosíthatjuk úgy, hogy az eloszlásfüggvény,F(x) értékkészletét két nem egyforma nagyságú tartományra osztjukszét:
Kvantilis
Definíció: egy eloszlás p-ed rendu kvantilise az az Qp érték, melyreF(x = Qp) = p.Fontos kvantilisek:
- a Q 12
a medián,
- a Q 14
az alsó kvartilis, a Q 34
a felso kvartilis.
A Q 34−Q 1
4az interkvartilis terjedelem ami pl. a szóráshoz hasonlóan
azt jellemzi, hogy milyen széles egy eloszlás.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Kvantilis
A medián definícióját általánosíthatjuk úgy, hogy az eloszlásfüggvény,F(x) értékkészletét két nem egyforma nagyságú tartományra osztjukszét:
Kvantilis
Definíció: egy eloszlás p-ed rendu kvantilise az az Qp érték, melyreF(x = Qp) = p.Fontos kvantilisek:
- a Q 12
a medián,
- a Q 14
az alsó kvartilis, a Q 34
a felso kvartilis.
A Q 34−Q 1
4az interkvartilis terjedelem ami pl. a szóráshoz hasonlóan
azt jellemzi, hogy milyen széles egy eloszlás.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Módusz
Módusz
Definíció: az eloszlás egy módusza a suruségfüggvény, ρ(x), egylokális maximumhelyének felel meg.
• Unimodális eloszlás: ρ(x)-nek csak egy maximumhelye van. (Pl.normális-eloszlás).
• Bimodális, trimodális, stb. eloszlás: ρ(x)-nek két, három, stb. lokálismaximumhelye van.
¼
Eloszlásokjellemzése
MomentumokMomentumok
Generátorfüggvény
Perkoláció véletlenhálózatban
Karakterisztikusfüggvény
Medián éskvantilisMedián
Kvantilis
Módusz
Módusz
Módusz
Definíció: az eloszlás egy módusza a suruségfüggvény, ρ(x), egylokális maximumhelyének felel meg.
• Unimodális eloszlás: ρ(x)-nek csak egy maximumhelye van. (Pl.normális-eloszlás).
• Bimodális, trimodális, stb. eloszlás: ρ(x)-nek két, három, stb. lokálismaximumhelye van.
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
KORRELÁCIÓ
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
KorrelációBevezetés
• Mit jelenthet két valószínuségi változó közti korreláció?
• Pl. X mint a valszám ZH-ra készülés intenzitása, Y meg a kapottpontszám.
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
KorrelációBevezetés
• Mit jelenthet két valószínuségi változó közti korreláció?
• Pl. X mint a valszám ZH-ra készülés intenzitása, Y meg a kapottpontszám.
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
KorrelációBevezetés
• Mit jelenthet két valószínuségi változó közti korreláció?
• Pl. X mint a valszám ZH-ra készülés intenzitása, Y meg a kapottpontszám.
• Ha a ketto független, akkor nincs korreláció és a tanulásmennyisége semmilyen hatással nincs a kapott pontszámra.
• Ha nem függetlenek és van némi korreláció akkor több pontraszámítunk sok tanulás esetén, kevesebbre kevés tanulás esetén,legalábbis az átlagos esethez viszonyítva.
→ Jó ötletnek tunik a (X − ⟨X⟩)(Y − ⟨Y⟩) szorzatot vizsgálni, hiszenha X és Y egyforma irányban térnek el az átlaghoz képest, akkorez a szorzat mindig pozitív lesz.
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
KorrelációBevezetés
• Mit jelenthet két valószínuségi változó közti korreláció?
• Pl. X mint a valszám ZH-ra készülés intenzitása, Y meg a kapottpontszám.
• Ha a ketto független, akkor nincs korreláció és a tanulásmennyisége semmilyen hatással nincs a kapott pontszámra.
• Ha nem függetlenek és van némi korreláció akkor több pontraszámítunk sok tanulás esetén, kevesebbre kevés tanulás esetén,legalábbis az átlagos esethez viszonyítva.
→ Jó ötletnek tunik a (X − ⟨X⟩)(Y − ⟨Y⟩) szorzatot vizsgálni, hiszenha X és Y egyforma irányban térnek el az átlaghoz képest, akkorez a szorzat mindig pozitív lesz.
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
KorrelációBevezetés
• Mit jelenthet két valószínuségi változó közti korreláció?
• Pl. X mint a valszám ZH-ra készülés intenzitása, Y meg a kapottpontszám.
• Ha a ketto független, akkor nincs korreláció és a tanulásmennyisége semmilyen hatással nincs a kapott pontszámra.
• Ha nem függetlenek és van némi korreláció akkor több pontraszámítunk sok tanulás esetén, kevesebbre kevés tanulás esetén,legalábbis az átlagos esethez viszonyítva.
→ Jó ötletnek tunik a (X − ⟨X⟩)(Y − ⟨Y⟩) szorzatot vizsgálni, hiszenha X és Y egyforma irányban térnek el az átlaghoz képest, akkorez a szorzat mindig pozitív lesz.
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Kovariancia
Korreláció és kovariancia
Definíció: A X és Y valószínuségi változók kovarianciája:
Cov(X,Y) ∶= ⟨(X − ⟨X⟩)(Y − ⟨Y⟩)⟩ =
∬ (x − ⟨x⟩) (y − ⟨y⟩)ρ(x, y)dxdy,
ahol ρ(x, y) a X és Y együttes suruségfüggvénye.Alternatív ekvivalens formulája:
Cov(X,Y) = ⟨(X − ⟨X⟩)(Y − ⟨Y⟩)⟩ = ⟨XY − X ⟨Y⟩ − Y ⟨X⟩ + ⟨X⟩ ⟨Y⟩⟩ =
⟨XY⟩ − ⟨X⟩ ⟨Y⟩ − ⟨Y⟩ ⟨X⟩ + ⟨X⟩ ⟨Y⟩ = ⟨XY⟩ − ⟨X⟩ ⟨Y⟩ .
Tulajdonságai:
• Ha X és Y független, akkor ⟨XY⟩ = ⟨X⟩ ⟨Y⟩, emiatt Cov(X,Y) = 0.
• A X saját magával vett kovarianciája a variancia, más néven aszórásnégyzet: Cov(X,X) =Var(X) = σ2
(X).
Szorzat várható értéke ¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Kovariancia
Korreláció és kovariancia
Definíció: A X és Y valószínuségi változók kovarianciája:
Cov(X,Y) ∶= ⟨(X − ⟨X⟩)(Y − ⟨Y⟩)⟩ =
∬ (x − ⟨x⟩) (y − ⟨y⟩)ρ(x, y)dxdy,
ahol ρ(x, y) a X és Y együttes suruségfüggvénye.Alternatív ekvivalens formulája:
Cov(X,Y) = ⟨(X − ⟨X⟩)(Y − ⟨Y⟩)⟩ = ⟨XY − X ⟨Y⟩ − Y ⟨X⟩ + ⟨X⟩ ⟨Y⟩⟩ =
⟨XY⟩ − ⟨X⟩ ⟨Y⟩ − ⟨Y⟩ ⟨X⟩ + ⟨X⟩ ⟨Y⟩ = ⟨XY⟩ − ⟨X⟩ ⟨Y⟩ .
Tulajdonságai:
• Ha X és Y független, akkor ⟨XY⟩ = ⟨X⟩ ⟨Y⟩, emiatt Cov(X,Y) = 0.
• A X saját magával vett kovarianciája a variancia, más néven aszórásnégyzet: Cov(X,X) =Var(X) = σ2
(X).
Szorzat várható értéke ¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Kovariancia
Korreláció és kovariancia
Definíció: A X és Y valószínuségi változók kovarianciája:
Cov(X,Y) ∶= ⟨(X − ⟨X⟩)(Y − ⟨Y⟩)⟩ =
∬ (x − ⟨x⟩) (y − ⟨y⟩)ρ(x, y)dxdy,
ahol ρ(x, y) a X és Y együttes suruségfüggvénye.Alternatív ekvivalens formulája:
Cov(X,Y) = ⟨(X − ⟨X⟩)(Y − ⟨Y⟩)⟩ = ⟨XY − X ⟨Y⟩ − Y ⟨X⟩ + ⟨X⟩ ⟨Y⟩⟩ =
⟨XY⟩ − ⟨X⟩ ⟨Y⟩ − ⟨Y⟩ ⟨X⟩ + ⟨X⟩ ⟨Y⟩ = ⟨XY⟩ − ⟨X⟩ ⟨Y⟩ .
Tulajdonságai:
• Ha X és Y független, akkor ⟨XY⟩ = ⟨X⟩ ⟨Y⟩, emiatt Cov(X,Y) = 0.
• A X saját magával vett kovarianciája a variancia, más néven aszórásnégyzet: Cov(X,X) =Var(X) = σ2
(X).
Szorzat várható értéke ¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Kovariancia
• Max. mekkora lehet a kovariancia abszolút értéke?
∣Cov(X,Y)∣ ≤ σ(X)σ(Y).
Bizonyítás:Eloször azt látjuk be, hogy
∣⟨XY⟩∣ ≤√
⟨X2⟩√
⟨Y2⟩.
Tetszoleges a számra (Y − aX)2≥ 0, ezért
0 ≤ ⟨(Y − aX)2⟩ = ⟨Y2
− 2aYX + a2X2⟩ = ⟨Y2
⟩ − 2a ⟨YX⟩ + a2⟨X2
⟩ .
Helyettesítsünk be a = ⟨XY⟩⟨X2⟩ értéket:
0 ≤ ⟨Y2⟩ −
⟨XY⟩2
⟨X2⟩→ 0 ≤ ⟨Y2
⟩ ⟨X2⟩ − ⟨XY⟩
2
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Kovariancia
• Max. mekkora lehet a kovariancia abszolút értéke?
∣Cov(X,Y)∣ ≤ σ(X)σ(Y).
Bizonyítás:Eloször azt látjuk be, hogy
∣⟨XY⟩∣ ≤√
⟨X2⟩√
⟨Y2⟩.
Tetszoleges a számra (Y − aX)2≥ 0, ezért
0 ≤ ⟨(Y − aX)2⟩ = ⟨Y2
− 2aYX + a2X2⟩ = ⟨Y2
⟩ − 2a ⟨YX⟩ + a2⟨X2
⟩ .
Helyettesítsünk be a = ⟨XY⟩⟨X2⟩ értéket:
0 ≤ ⟨Y2⟩ −
⟨XY⟩2
⟨X2⟩→ 0 ≤ ⟨Y2
⟩ ⟨X2⟩ − ⟨XY⟩
2
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Kovariancia
• Max. mekkora lehet a kovariancia abszolút értéke?
∣Cov(X,Y)∣ ≤ σ(X)σ(Y).
Bizonyítás:Eloször azt látjuk be, hogy
∣⟨XY⟩∣ ≤√
⟨X2⟩√
⟨Y2⟩.
Tetszoleges a számra (Y − aX)2≥ 0, ezért
0 ≤ ⟨(Y − aX)2⟩ = ⟨Y2
− 2aYX + a2X2⟩ = ⟨Y2
⟩ − 2a ⟨YX⟩ + a2⟨X2
⟩ .
Helyettesítsünk be a = ⟨XY⟩⟨X2⟩ értéket:
0 ≤ ⟨Y2⟩ −
⟨XY⟩2
⟨X2⟩→ 0 ≤ ⟨Y2
⟩ ⟨X2⟩ − ⟨XY⟩
2
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Kovariancia
• Max. mekkora lehet a kovariancia abszolút értéke?
∣Cov(X,Y)∣ ≤ σ(X)σ(Y).
Bizonyítás:Eloször azt látjuk be, hogy
∣⟨XY⟩∣ ≤√
⟨X2⟩√
⟨Y2⟩.
Tetszoleges a számra (Y − aX)2≥ 0, ezért
0 ≤ ⟨(Y − aX)2⟩ = ⟨Y2
− 2aYX + a2X2⟩ = ⟨Y2
⟩ − 2a ⟨YX⟩ + a2⟨X2
⟩ .
Helyettesítsünk be a = ⟨XY⟩⟨X2⟩ értéket:
0 ≤ ⟨Y2⟩ −
⟨XY⟩2
⟨X2⟩→ 0 ≤ ⟨Y2
⟩ ⟨X2⟩ − ⟨XY⟩
2
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Kovariancia
A ∣⟨XY⟩∣ ≤√
⟨X2⟩√
⟨Y2⟩ tételt használjuk a X − ⟨X⟩ és Y − ⟨Y⟩ változókra:
∣⟨(X − ⟨X⟩) (Y − ⟨Y⟩)⟩∣ = ∣Cov(X,Y)∣ ≤
√
⟨(X − ⟨X⟩)2⟩
√
⟨(Y − ⟨Y⟩)2⟩ =
σ(X)σ(Y).
→ Ha a kovarianciát leosztjuk a szorások szorzatával, egy −1 és 1közé eso számot kapunk!
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Kovariancia
A ∣⟨XY⟩∣ ≤√
⟨X2⟩√
⟨Y2⟩ tételt használjuk a X − ⟨X⟩ és Y − ⟨Y⟩ változókra:
∣⟨(X − ⟨X⟩) (Y − ⟨Y⟩)⟩∣ = ∣Cov(X,Y)∣ ≤
√
⟨(X − ⟨X⟩)2⟩
√
⟨(Y − ⟨Y⟩)2⟩ =
σ(X)σ(Y).
→ Ha a kovarianciát leosztjuk a szorások szorzatával, egy −1 és 1közé eso számot kapunk!
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Korrelációs együttható
Korrelációs együttható
Definíció: A X és Y korrelációs együtthatója:
C(X,Y) =Cov(X,Y)
σ(X)σ(Y)=
⟨(X − ⟨X⟩)(Y − ⟨Y⟩)⟩
σ(X)σ(Y)=
⟨XY⟩ − ⟨X⟩ ⟨Y⟩
σ(X)σ(Y).
(Ezt szokták Pearson-korrelációnak hívni).Tulajdonságai:
• Legfeljebb 1 abszolútértéku: −1 ≤ C(X,Y) ≤ 1
• Ha X és Y független, akkor C(X,Y) = 0.
• Egy X valószínuségi változó önmagával vett korrelációsegyütthatója C(X,X) =
Cov(X,X)σ2(X) = 1.
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Korrelációs együttható
Korrelációs együttható
Definíció: A X és Y korrelációs együtthatója:
C(X,Y) =Cov(X,Y)
σ(X)σ(Y)=
⟨(X − ⟨X⟩)(Y − ⟨Y⟩)⟩
σ(X)σ(Y)=
⟨XY⟩ − ⟨X⟩ ⟨Y⟩
σ(X)σ(Y).
(Ezt szokták Pearson-korrelációnak hívni).Tulajdonságai:
• Legfeljebb 1 abszolútértéku: −1 ≤ C(X,Y) ≤ 1
• Ha X és Y független, akkor C(X,Y) = 0.
• Egy X valószínuségi változó önmagával vett korrelációsegyütthatója C(X,X) =
Cov(X,X)σ2(X) = 1.
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Korrelációs együttható
Korrelációs együttható
Definíció: A X és Y korrelációs együtthatója:
C(X,Y) =Cov(X,Y)
σ(X)σ(Y)=
⟨(X − ⟨X⟩)(Y − ⟨Y⟩)⟩
σ(X)σ(Y)=
⟨XY⟩ − ⟨X⟩ ⟨Y⟩
σ(X)σ(Y).
(Ezt szokták Pearson-korrelációnak hívni).Tulajdonságai:
• Legfeljebb 1 abszolútértéku: −1 ≤ C(X,Y) ≤ 1
• Ha X és Y független, akkor C(X,Y) = 0.
• Egy X valószínuségi változó önmagával vett korrelációsegyütthatója C(X,X) =
Cov(X,X)σ2(X) = 1.
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Korrelációs együttható
Korrelációs együttható
Definíció: A X és Y korrelációs együtthatója:
C(X,Y) =Cov(X,Y)
σ(X)σ(Y)=
⟨(X − ⟨X⟩)(Y − ⟨Y⟩)⟩
σ(X)σ(Y)=
⟨XY⟩ − ⟨X⟩ ⟨Y⟩
σ(X)σ(Y).
(Ezt szokták Pearson-korrelációnak hívni).Tulajdonságai:
• Legfeljebb 1 abszolútértéku: −1 ≤ C(X,Y) ≤ 1
• Ha X és Y független, akkor C(X,Y) = 0.
• Egy X valószínuségi változó önmagával vett korrelációsegyütthatója C(X,X) =
Cov(X,X)σ2(X) = 1.
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Korrelációs együttható
Korrelációs együttható
Definíció: A X és Y korrelációs együtthatója:
C(X,Y) =Cov(X,Y)
σ(X)σ(Y)=
⟨(X − ⟨X⟩)(Y − ⟨Y⟩)⟩
σ(X)σ(Y)=
⟨XY⟩ − ⟨X⟩ ⟨Y⟩
σ(X)σ(Y).
(Ezt szokták Pearson-korrelációnak hívni).Tulajdonságai:
• Legfeljebb 1 abszolútértéku: −1 ≤ C(X,Y) ≤ 1
• Ha X és Y független, akkor C(X,Y) = 0.
• Egy X valószínuségi változó önmagával vett korrelációsegyütthatója C(X,X) =
Cov(X,X)σ2(X) = 1.
¼
Korreláció
Bevezetés
Kovariancia
Korrelációsegyüttható
Korrelációs együtthatóPéldák
Példák
Nézzük meg a korrelációs együttható értékét különbözo pontfelhokesetén, ahol X és Y a pontok vízszintes és függoleges koordinátáinakfelelnek meg:
¼