A DÖNTÉSELMÉLET ALAPJAI
|
|
- Anna Faragó
- 5 évvel ezelőtt
- Látták:
Átírás
1 J 2 A DÖNTÉSELMÉLET ALAJAI óformán életünk mnden percében döntéseket kell hoznunk, és tesszük ezt mnden elmélet megalapozottság nélkül. Sajnos a mndennap életben felmerülő egyed döntésekre még nem skerült gazán jó, elméletleg megalapozott módszereket találn, bár az úgynevezett szakértő, vagy tudásbázsú rendszerek éppen erre törekszenek. M tt az úgynevezett statsztka döntés módszerekre korlátozzuk vzsgálódásankat. Ezeknek az jelent a lényegét, hogy nagyszámú hasonló esetben kell döntést hozn, és így nem egy-egy döntés jó vagy rossz volta a kérdés, hanem az, hogy a döntések általában (átlagosan) jók-e vagy rosszak. De mt s értsünk azon, hogy jó vagy rossz a döntésünk? Hogyan mnősítsük a döntéseket? Az egyk legáltalánosabb megközelítés az lehet, ha fgyelembe vesszük, hogy valamenny döntésünknek széles értelemben vett ára van, azaz költség rendelhető a döntésenkhez, és ezeket a költségeket kívánatos mnmalzáln. M a továbbakban szűkíten fogjuk ezt a megközelítést, és azt mondjuk, hogy a híradástechnkában felmerülő döntés helyzetekben dönthetünk helyesen, am azt jelent, hogy eltaláljuk a tényleges, az gaz helyzetet és ezért természetesen nem jár büntetés, vagy dönthetünk hbásan, amkor a ténylegestől eltérő helyzetet fogadunk el, azt tételezzük fel valóságosnak és így természetesen pórul járunk, károsodunk, kárt okozunk. Így nylvánvalóan ebben a megközelítésben a téves döntések mnmalzálására, a legksebb kárra, a legkevesebb hbára kell törekedn. Egy gen érdekes megközelítés, szemléletbel kérdés a döntéselméletben az, hogy a különböző esetekben hozott téves döntések összevontan kezelhetőek-e és a téves döntéseknek egy átlagolt kárát mnmalzálhatjuk, vagy pedg a döntés esetek olyan elkülönülő csoportokat képeznek, amelyekben az elkövetett tévedések következménye olyannyra különbözőek, hogy azok nem vonhatók össze és így nem lehet az eredményeket egy átlagolt értékkel jellemezn, egy átlagolt érték mnmalzálására törekedn. M azt a szemléletet valljuk, és fogjuk követn, amelyk szernt meg kell különböztetn kétféle döntés, más néven hpotézsvzsgálat feladatot. Az egyk csoportba soroljuk azokat a feladatokat, amelyeknél a különféle tévedések összevonhatók és átlagoltan értékelhetők, a másk csoportba pedg az ettől eltérő eseteket soroljuk. Az első csoportot - egy jeles matematkusról elnevezve - Bayes-típusú (ejtsd Bész) feladatoknak nevezzük, míg a másodk csoportot általános hpotézsvzsgálat feladatoknak hívjuk. A döntéselmélet alapokat több különböző síkon tárgyalhatjuk. Kezdjük egy általánosnak nevezhető síkkal, amelyben egy példa kapcsán (amt csupán azért említünk, hogy konkrét dolgokról lehető egyértelműen tudjunk beszéln) megadjuk az elnevezéseket, vázoljuk a tennvalókat és a lehetőségeket. A FELADATOK ÉRTELMEZÉSE, CSOORTOSÍTÁSA Legyen a példánk egy orvos rendelés (például belgyógyászat), ahol pácensek jelennek meg különböző panaszokkal. Ekkor joggal feltételezhetjük, hogy az orvos véges sok dagnózst (betegséget) smer (persze az egyk lehet az "smeretlenek" csoportja s), és a pácensen végzett megfgyelése alapján be kell, hogy sorolja a tüneteket valamelyk "skatulyába".
2 döntéselmélet alapok Kétféle módon s megfogalmazhatjuk az orvos által végzett (kétségtelenül gen nehéz) döntés tevékenységet: azt mondhatjuk, hogy () az orvos a tünetek halmazát részhalmazokra osztja (partíconálja), és az egyes részhalmazokhoz (partícókhoz) betegségeket rendel; vagy egy másk megfogalmazás szernt () az orvos a megfgyelése alapján a különféle lehetséges, smert feltételezések (hpotézsek) közül elfogadja valamelyket. ersze a döntés lényegét nem ezek az elnevezések jelentk, hanem maga az módszer, ahogy a döntés születk. De hogyan s születnek efféle döntések? Van-e valam szabálya a döntések meghozatalának, és hogyan értékelhető a döntések mnősége? Jelöljük H -vel az -edk hpotézst, lletve egyúttal annak elfogadását s. Továbbá jelöljük ζ-val a megfgyeléseket képvselő valószínűség változót. Egy elég természetes követelményként azt a kívánalmat támaszthatjuk a döntésenkkel, a döntés módszerünkkel szemben, hogy a ζ = z "értékű" megfgyelésre támaszkodva a legvalószínűbb hpotézst fogadjuk el. Azaz a ( H ζ = z)-ből válasszuk a legnagyobbat. A ( H ζ = z) valószínűséget a-posteror, vagy magyarul a megfgyelés-után valószínűségnek nevezk. Tehát amennyben elfogadjuk az a-posteror valószínűség maxmumát eredményező (vagy angolul Maxmum A-posteror robablty, rövdítve MA) hpotézsek választását döntés szabályként, akkor a megfgyelésenk partíconálását a 2.1. ábrán látható módon kell elvégezn, tehát mnden megfgyelést a legnagyobb a-posteror valószínűséget eredményező részhalmazba kell soroln. Sajnos a MA döntés szabály realzálásához alapvetően az a-posteror valószínűségek eloszlására lenne szükség, am jellegzetesen smeretlen. (Ha meggondoljuk, akkor hamar rájövünk, hogy ennek az smeretnek a megszerzése magát a döntés feladat megoldását jelent.) Valójában mlyen smeretenk és lehetőségenk vannak a fent cél megvalósítására? Az a-posteror valószínűséget átalakíthatjuk az alább módon: ( H ζ = z) = ( HI ζ = z) ( ζ = z) = (H.. ) > (H j.. ) > 2.1. ábra A megfgyelések partíconálása ( ζ = z H ) ( H ) ( ζ = z), (2.1) ahol a feltételes valószínűség és az együttes valószínűség között kapcsolatot használtuk fel. Ezek szernt, ha rendelkezésünkre áll az egyes hpotézsek valószínűsége (úgy s nevezk, hogy az a-pror = eleve adatott valószínűségek), valamnt a megfgyeléseknek az egyes hpotézsekre vonatkozó feltételes valószínűsége, akkor a (2.1.) szernt meg tudjuk valósítan a MA döntés szabályt. Az a-pror valószínűségek és feltételes valószínűségek azonban csak a döntés feladatok egy részénél állnak rendelkezésre, míg más feladatoknál nem adhatók meg, nem becsülhetők, vagy nncs értelmük. Hvatkozva az orvos dagnosztka példánkra, éppen egy olyan feladattal állunk szemben, amelynél az a-pror valószínűségek meghatározása komoly gondot jelentene, ha egyáltalán elősegítené a tényleges döntések jó elvégzését. Ugyans az adott valószínűségek, azaz egy-egy betegség előfordulása nylván nagyon függ például a földrajz elhelyezkedéstől, de nagymértékben változk az életmód hatására s, és így tovább. 2
3 döntéselmélet alapok Van azonban még egy nagyon fontos eltérés a különféle döntés feladatok között, mégpedg a döntés hbák hatása, következménye. Az nylván természetes, hogy hába választjuk az adott megfgyeléshez tartozó legvalószínűbb hpotézst, a téves döntések nem küszöbölhetők k, néha a kevésbé valószínű esemény következk be. Így elég természetesen merül fel a kérdés, hogy mennyre jó a MA döntés szabály. Illetve mlyen módon jellemezhetjük a döntés szabályunk mnőségét? Amennyben sok hasonló döntést végzünk, akkor nylván jó jellemzőnek teknthetjük, hogy átlagosan a döntésenk mekkora hányada lesz jó, lletve remélvén, hogy ez közel lesz a 100%-hoz, így kfejezőbb lehet, hogy mlyen arányban tévedünk, vagy mekkora a döntésenk hbavalószínűsége. Igen ám, de még a legegyszerűbb esetben, azaz amkor csupán két lehetséges feltételezés (hpotézs) közül kell választan, akkor s felmerül az a kérdés, hogy a lehetséges kétféle tévedés összevonhatóan jellemezhető-e. Egyáltalán nem bztos, hogy bármely döntés feladatnál a bekövetkező különböző tévedéseknek valamlyen súlyozott összege helyesen képes jellemezn a döntések elvégzésének mnőségét. Összefoglalva az eddgeket, két alapvetően különböző döntés feladatcsoportot különíthetünk el: Az egyk csoport feladatanál léteznek az a-pror valószínűségek és a megfgyelések feltételes sűrűsége, valamnt a döntés tévedések jellemezhetők egyetlen átlagos mennységgel, az átlagos döntés hbával. Ezeket a feladatokat Bayes-típusú feladatoknak nevezzük, és megoldásuknál az elsődleges célunk az átlagos döntés hba, a hbavalószínűség mnmalzálása. A másk csoportba soroljuk azokat a feladatokat, amelyeknél nem léteznek, vagy nncs értelmük az a-pror valószínűségeknek, és/vagy nem lehet a döntés tévedéseket egyetlen átlagos jellemzővel mnősíten, mert a különböző tévedéseknek más és más a hatásuk, jelentésük, következményük. Az lyen feladatokat általános hpotézsvzsgálat feladatoknak hívjuk. Ezekben a feladatokban valamelyk döntés tévedést kragadjuk és (egyéb szempontok alapján) értékét megkötjük, vagy pontosabban megengedünk rá egy maxmumot, majd a másk (vagy több) fajta tévedést mnmalzáljuk. A következőkben áttérünk a döntésekkel kapcsolatos alapkérdések tárgyalásánál egy kevésbé általános síkra. HÍRADÁSTECHNIKAI DÖNTÉSI FELADATOK Mlyen döntés feladatok merülnek fel a híradástechnkában? A teljesség génye nélkül említsük tt meg a két legfontosabbat! Az egyk a hírközlés során lép fel, amkor egy forrás üzenetet akarjuk egy csatornán keresztül eljuttatn egy nyelőhöz. Amennyben dgtáls üzenet-átvtel (modulácós) módot választunk, akkor a csatorna kmenetén mndegyk dőrésre vonatkozóan egy-egy döntést kell hozn, hogy a megérkező jel melyk szmbólumot képvselhet. A másk tpkus döntés feladat a (rádó)lokácó esetén merül fel, amkor egy adó által kbocsátott rövd dejű jel (mpulzus) után az esetleges vsszaverődésre várakozva, azt kell eldönten, hogy van-e vsszaverődés, vagy csupán a zajt lehet észleln. 3
4 A dgtáls hírközlés döntés feladata döntéselmélet alapok A dgtáls hírközlés általános modellje szernt (2.2. ábra) a C dgtáls csatorna egy forrás által kbocsátott ξ k szmbólumsorozatot továbbít a nyelőhöz. A dgtáls csatorna kmenetén megjelenő ξ ~ ~ k ξ C ξ szmbólumsorozat eltéréseket mutathat a csatorna bemenetén lévő sorozattól. Az eltérések gyakorságát a k k dgtáls csatorna megvalósítása határozza meg, az 2.2. ábra A dgtáls hírközlés elvselhető értéket pedg a felhasználó dönthet el. modellje Az adott esetre joggal feltételezhetjük, hogy a kmeneten lévő szmbólumsorozatban előforduló tévedések összevontan értékelhetők, azaz nncs különös jelentősége, hogy melyk szmbólum változott meg és mre. Továbbá könnyű belátn, hogy az egyes hpotézsek, azaz a szmbólumok előfordulás valószínűsége, tehát az a-pror valószínűségek jól becsülhetők. A következőkben pedg részletesen bemutatjuk azt s, hogy a C csatorna elektronkus megvalósítása esetén mlyen közvetlen módon adódnak a (2.1.)-ben szereplő feltételes valószínűségek. Ezek alapján természetes az a következtetés, hogy a dgtáls csatorna megvalósításakor Bayes-típusú döntés feladatot kell megoldan. A feladat megoldása - mként már leszögeztük - egy adott döntés szabály meghatározása, tehát a megfgyelések halmazának részhalmazokra osztása. Jelölje nagy A a részhalmazokra osztást, azaz: ( A, A,...,... ) A 2 : = 1 A A M, (2.2) ahol A jelent az -edk részhalmazt, az M pedg a részhalmazok, tehát a szmbólumok, azaz a hpotézsek számát. Az adott döntés szabályhoz tartozó döntés mnőségét pedg az alább jellemzővel, a hbavalószínűséggel adhatjuk meg: e M ( A) : = ( ζ A Iξ H ), (2.3) = 1 ahol tehát összeadjuk azoknak az eseményeknek az együttes valószínűségét, amkor az - edk hpotézst fogadjuk el, de a küldött szmbólum valam más volt. A legksebb hbavalószínűséget eredményező %A döntés szabályt standard döntés szabálynak hívjuk. A (2.1.) számlálójában és nevezejőben szereplő, a megfgyelések folytonos eloszlása esetén nulla értékű valószínűségeket helyettesítve a megfelelő valószínűség sűrűségfüggvényekkel, az alább kfejezést kapjuk: ( H ζ z) ( ζ = z H ) ( H ) ( ζ = z) ( z) ( H ) f ( z) f ζ H = =. (2.4) A standard döntés szabály -edk partícóját pedg az alább módon adhatjuk meg: ~ A = z f ( z) ( H ) f ( z) ( H j ), (2.5) ζ H ζ H j j azaz azokat a z megfgyeléseket soroljuk az -edk részhalmazba, amelyekre f ( z) ( ) a legnagyobb. ζ H ζ H 4
5 A híradástechnka felsmerés döntés feladata döntéselmélet alapok Híradástechnka felsmerés feladatra példaként válasszuk a klasszkus felderítő rádólokátort. Itt egy adóval nagyfrekvencás sznusz-csomagokat sugárzunk k a rádócsatornába, és a csomagok szüneteben azt fgyeljük, hogy érkezk-e vsszaverődés (echó) a csatornából, azaz van-e ott céltárgy, am vsszaverődést okoz. Az elektronkus megvalósítás következtében - alapvetően a mndg jelenlévő termkus zaj matt - az echó jelenléte vagy hánya a krtkus esetekben, tehát például nagy távolság esetén csak "feltételezhető", így tt egy bnárs döntés feladattal állunk szemben. (Lényegét tekntve teljesen hasonló a helyzet az egészségügy szűrővzsgálattal, pl. a közsmert tüdőszűréssel s.) A vsszaérkező jel megfgyelése alapján ekkor s célszerű a legvalószínűbb esetet elfogadn, jelenleg azonban a (2.1.) kfejezésben szereplő valószínűségekkel gondok vannak. Egyrészt nem nehéz elképzeln, hogy megalapozatlan egy valószínűség modellt szerkeszten arra, hogy az egyes rányokból mlyen gyakorsággal érkezk vsszaverődés. Valóságos esetekben könnyen előfordulhat, hogy a lokátor teljes élettartama során bzonyos rányokból sohasem tapasztal echót, tehát a hpotézsek a-pror valószínűsége nem léteznek, vagy ésszerűtlenek. Valójában persze az gaz cél teljesítése érdekében teljesen közömbös s, hogy léteznek-e, vagy ésszerűek-e ezek a valószínűségek, hszen a lokátor feladata az, hogy amennyben van céltárgy, akkor döntsön úgy, hogy észlelt echót, az ellenkező esetben pedg, hogy nem. Azonban még a fent problémánál s súlyosabb, hogy ennél a döntés feladatnál nem hasonló jelentésűek, jelentőségűek, lletve következményűek a lehetséges tévedések. A két lehetséges tévedés közül az egyk az, amkor valójában nncs céltárgy, de a lokátor a vevő kmenetén megfgyelhető jel alapján úgy dönt, hogy érkezett echó. Ezt a tévedést magyarul vaklármának nevezk, mvel ndokolatlan radalmat kelt. A másk tévedésnek, azaz amkor céltárgy létezése esetén az a döntés, hogy nncs echó, elmulasztott rasztás a neve. A kétféle hba következménye alapvetően eltérőek: A vaklárma típusú hba azt eredményez, hogy szükségtelenül, ndokolatlanul tovább ntézkedésekre késztet a rendszert. éldául lég célfelderítésnél ez azt jelent, hogy elfogó vadászrepülőket ndítanak a cél felkutatására, míg egy tömeges egészségügy szűrővzsgálatnál pedg tovább részletes klnka vzsgálatra rendelk a pácenst. Mndkét példa vlágosan mutatja, hogy jelentős költséget von maga után ez fajta a tévedés, valamnt drága és korlátozott erőforrások felesleges génybevétele következk be, am csökkent azok elérhetőségét az ndokolt, tehát a szükséges esetekben. Az elmulasztott rasztás következménye alapvetően különböznek az előzőtől. A légfelderítésnél, ha ellenséges és rossz szándékú céltárgy felderítésének elmulasztása következk be, akkor beláthatatlan mértékű rombolás, pusztítás - mnd anyagakban, mnd emberéletben - következhet be. Az egészségügy szűrővzsgálatnál pedg egy dejében fel nem smert fertőző betegség a pácens komoly egészségkárosodásán túl még a szűkebb-tágabb környezetében élők megfertőzését s okozhatja. Mvel a kétfajta tévedés összevonását a fentek alapján nem tartjuk ndokolhatónak, így nncs lehetőségünk azok együttes mnmalzálásra. K kell tehát választan közülük az egyket, amt elsődleges vagy elsőfajú hbának nevezünk, és meg kell adnunk rá egy korlátot. Majd ezután olyan döntés szabályt kell keresnünk, amely mnmalzálja a másk 5
6 döntéselmélet alapok tévedést, az úgynevezett másodfajú hbát. Annak kválasztása, hogy melyk legyen az első-, lletve másodfajú hba, érdekes problémát jelent, de szerencsére rövd gondolkodás után egyértelműen megoldható. Megállapíthatjuk, hogy azt a fajta hbát kell elsődlegesnek teknten, amelyre nullánál nagyobb előfordulás valószínűség s elképzelhető, lletve amelyre egy korlát - a teljes rendszerre vonatkozó megfontolásokból - megadható. Mndkét példánál ez a hba a vaklárma lesz. Ugyans egyrészt az elmulasztott rasztásra "korlátként" csak nulla előfordulás valószínűséget tudunk elfogadn, hszen nem mondhatjuk azt, hogy megfelelőnek tartjuk, ha a felderítés módszerünk úgy működk hogy a céltárgyak, vagy a tényleges betegek adott hányadát nem vesz észre. Másrészt vszont a vaklárma - am többletmunkát okoz - korlátozható egy előfordulás valószínűségre, amelynél még nem következk be az egész rendszernek a túlterheléséből fakadó működésképtelensége. Az egyes hbafajtákat külön-külön kell kezeln, számítan. A bnárs esetre korlátozódva, jelöljük az első- és másodfajú hbákat az alább módon: ( 01) e (A): = (echóra döntünk, de nncs céltárgy), ( 10) (A): = (nem rasztunk, de van céltárgy). e Az első- és másodfajú hba jelének az argumentumában szereplő jelöl a döntés szabályt. De mlyen s legyen most ez a döntés szabály? A Bayes-típusú feladatoknál a MA szabály elvezetett a standard döntés szabályhoz, amvel a legksebb hbavalószínűséget érhetjük el. Jelenleg egy olyan partconálást kell keresn, amely rögzített elsőfajú hba mellett mnmalzálja a másodfajú hbát. Ezt a szabályt, amelyet most s %A -al jelölünk, Neyman és earson találta meg, és a következő módon írható le: ~ A: = { z Λ ( z) }, (2.6) 10 K azaz azoknál a megfgyeléseknél döntünk úgy, hogy van echó, amelyek esetén az alább defnált Λ 10 () z lkelhood-hányados elér vagy túllép egy K korlátot. A lkelhood-hányados pedg nem más, mnt azoknak a valószínűség sűrűségfüggvényeknek a hányadosa, amelyek leírják a megfgyeléseket a céltárgy jelenléte, lletve a céltárgy hánya esetén: () 1 ( ) Λ 10 ( z): = f z ( 0) f ( z). (2.7) EGYMINTÁS DÖNTÉSEK Most áttérünk a híradástechnka döntés feladatok tárgyalásánál az elektromos jelek és elektronkus csatornák síkjára. A vzsgálatokat a 2.3. ábrán látható modell alapján végezzük. ξ η η ξ F JG MV DK N ν 2.3. ábra A dgtáls csatorna modellje Az F forrás szmbólumokat bocsát k, amelyeknek a JG jelgenerátor elem jeleket feleltet meg. Az elem jelek sorozata bejut a hírközlő csatornába, ahol különféle hatások érk, amelyek közül most a ν addtív zajt vesszük fgyelembe. A hírközlő csatorna kmenetén 6
7 döntéselmélet alapok megjelenő jel és zaj összegéből az MV mntákat vesz, méghozzá az dőrések közepén, de lényeges, hogy az dőrések határatól lehető távol, hogy az tt előforduló jelváltozásoktól függetlenítsük a döntéseket. A DK döntőkészülék a mnták, mnt megfgyelések alapján meghozza a döntéseket, és kadja az N nyelő számára a "legvalószínűbb" szmbólumokat. A fent modell alapján példák keretében szngulárs és regulárs feladatokat oldottunk meg mnd Bayes-, mnd általános hpotézsvzsgálat esetén. 7
4 2 lapultsági együttható =
Leíró statsztka Egy kísérlet végeztével általában tetemes mennységű adat szokott összegyűln. Állandó probléma, hogy mt s kezdjünk - lletve mt tudunk kezden az adatokkal. A statsztka ebben segít mnket.
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
Részletesebbens n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
RészletesebbenDr. Ratkó István. Matematikai módszerek orvosi alkalmazásai. 2010.11.08. Magyar Tudomány Napja. Gábor Dénes Főiskola
Dr. Ratkó István Matematka módszerek orvos alkalmazása 200..08. Magyar Tudomány Napja Gábor Dénes Főskola A valószínűségszámítás és matematka statsztka főskola oktatásakor a hallgatók néha megkérdezk egy-egy
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
RészletesebbenKOMBINATORIKA ELŐADÁS osztatlan matematika tanár hallgatók számára. Szita formula
KOMBINATORIKA ELŐADÁS osztatlan matematka tanár hallgatók számára Szta formula Előadó: Hajnal Péter 2015. 1. Bevezető példák 1. Feladat. Hány olyan sorbaállítása van a a, b, c, d, e} halmaznak, amelyben
RészletesebbenStatisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.
Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan
RészletesebbenAz elektromos kölcsönhatás
TÓTH.: lektrosztatka/ (kbővített óravázlat) z elektromos kölcsönhatás Rég tapasztalat, hogy megdörzsölt testek különös erőket tudnak kfejten. Így pl. megdörzsölt műanyagok (fésű), megdörzsölt üveg- vagy
RészletesebbenPhilosophiae Doctores. A sorozatban megjelent kötetek listája a kötet végén található
Phlosophae Doctores A sorozatban megjelent kötetek lstája a kötet végén található Benedek Gábor Evolúcós gazdaságok szmulácója AKADÉMIAI KIADÓ, BUDAPEST 3 Kadja az Akadéma Kadó, az 795-ben alapított Magyar
RészletesebbenTanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.
8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral
Részletesebbend(f(x), f(y)) q d(x, y), ahol 0 q < 1.
Fxponttétel Már a hétköznap életben s gyakran tapasztaltuk, hogy két pont között a távolságot nem feltétlenül a " kettő között egyenes szakasz hossza" adja Pl két település között a távolságot közlekedés
Részletesebben8. Programozási tételek felsoroló típusokra
8. Programozás tételek felsoroló típusokra Ha egy adatot elem értékek csoportja reprezentál, akkor az adat feldolgozása ezen értékek feldolgozásából áll. Az lyen adat típusának lényeges jellemzője, hogy
RészletesebbenFuzzy rendszerek. A fuzzy halmaz és a fuzzy logika
Fuzzy rendszerek A fuzzy halmaz és a fuzzy logka A hagyományos kétértékű logka, melyet évezredek óta alkalmazunk a tudományban, és amelyet George Boole (1815-1864) fogalmazott meg matematkalag, azon a
RészletesebbenIDA ELŐADÁS I. Bolgár Bence október 17.
IDA ELŐADÁS I. Bolgár Bence 2014. október 17. I. Generatív és dszkrmnatív modellek Korábban megsmerkedtünk a felügyelt tanulással (supervsed learnng). Legyen adott a D = {, y } P =1 tanító halmaz, ahol
RészletesebbenAz entrópia statisztikus értelmezése
Az entrópa statsztkus értelmezése A tapasztalat azt mutatja hogy annak ellenére hogy egy gáz molekulá egyed mozgást végeznek vselkedésükben mégs szabályszerűségek vannak. Statsztka jellegű vselkedés szabályok
RészletesebbenEgy negyedrendű rekurzív sorozatcsaládról
Egy negyedrendű rekurzív sorozatcsaládról Pethő Attla Emlékül Kss Péternek, a rekurzív sorozatok fáradhatatlan kutatójának. 1. Bevezetés Legyenek a, b Z és {1, 1} olyanok, hogy a 2 4b 2) 0, b 2 és ha 1,
Részletesebben(eseményalgebra) (halmazalgebra) (kijelentéskalkulus)
Valószínűségszámítás Valószínűség (probablty) 0 és 1 között valós szám, amely egy esemény bekövetkezésének esélyét fejez k: 0 - (sznte) lehetetlen, 0.5 - azonos eséllyel gen vagy nem, 1 - (sznte) bztos
RészletesebbenTáblázatok 4/5. C: t-próbát alkalmazunk és mivel a t-statisztika értéke 3, ezért mind a 10%-os, mind. elutasítjuk a nullhipotézist.
1. Az X valószínőség változó 1 várható értékő és 9 szórásnégyzető. Y tıle független várható értékkel és 1 szórásnégyzettel. a) Menny X + Y várható értéke? 13 1 b) Menny X -Y szórásnégyzete? 13 1 összesen
RészletesebbenMETROLÓGIA ÉS HIBASZÁMíTÁS
METROLÓGIA ÉS HIBASZÁMíTÁS Metrológa alapfogalmak A metrológa a mérések tudománya, a mérésekkel kapcsolatos smereteket fogja össze. Méréssel egy objektum valamlyen tulajdonságáról számszerű értéket kapunk.
RészletesebbenA bankközi jutalék (MIF) elő- és utóélete a bankkártyapiacon. A bankközi jutalék létező és nem létező versenyhatásai a Visa és a Mastercard ügyek
BARA ZOLTÁN A bankköz utalék (MIF) elő- és utóélete a bankkártyapacon. A bankköz utalék létező és nem létező versenyhatása a Vsa és a Mastercard ügyek Absztrakt Az előadás 1 rövden átteknt a két bankkártyatársasággal
RészletesebbenKvantum-tömörítés II.
LOGO Kvantum-tömörítés II. Gyöngyös László BME Vllamosmérnök és Informatka Kar A kvantumcsatorna kapactása Kommunkácó kvantumbtekkel Klasszkus btek előnye Könnyű kezelhetőség Stabl kommunkácó Dszkrét értékek
Részletesebben4 205 044-2012/11 Változtatások joga fenntartva. Kezelési útmutató. UltraGas kondenzációs gázkazán. Az energia megőrzése környezetünk védelme
HU 4 205 044-2012/11 Változtatások joga fenntartva Kezelés útmutató UltraGas kondenzácós gázkazán Az energa megőrzése környezetünk védelme Tartalomjegyzék UltraGas 15-1000 4 205 044 1. Kezelés útmutató
RészletesebbenBevezetés a kémiai termodinamikába
A Sprnger kadónál megjelenő könyv nem végleges magyar változata (Csak oktatás célú magánhasználatra!) Bevezetés a kéma termodnamkába írta: Kesze Ernő Eötvös Loránd udományegyetem Budapest, 007 Ez az oldal
RészletesebbenBiostatisztika e-book Dr. Dinya Elek
TÁMOP-4../A/-/-0-005 Egészségügy Ügyvtelszervező Szakrány: Tartalomfejlesztés és Elektronkus Tananyagfejlesztés a BSc képzés keretében Bostatsztka e-book Dr. Dnya Elek Tartalomjegyzék. Bevezetés a mátrok
RészletesebbenMéréselmélet: 5. előadás,
5. Modellllesztés (folyt.) Méréselmélet: 5. előadás, 03.03.3. Út az adaptív elárásokhoz: (85) és (88) alapán: W P, ( ( P). Ez utóbb mndkét oldalát megszorozva az mátrxszal: W W ( ( n ). (9) Feltételezve,
RészletesebbenA sokaság/minta eloszlásának jellemzése
3. előadás A sokaság/mnta eloszlásának jellemzése tpkus értékek meghatározása; az adatok különbözőségének vzsgálata, a sokaság/mnta eloszlásgörbéjének elemzése. Eloszlásjellemzők Középértékek helyzet (Me,
RészletesebbenPéldák ekvivalencia relációra (TÉTELként kell tudni ezeket zárthelyin, vizsgán):
F NIK INÁRIS RLÁIÓK INÁRIS RLÁIÓK (és hasonló mátrxok s tt!) Defnícó: z R bnárs relácó, ha R {( a, b) a, b } nárs relácók lehetséges tuladonsága:. Reflexív ha ( x,.(a). Szmmetrkus ha ( x, y) ( y,.(b).
RészletesebbenMűszaki folyamatok közgazdasági elemzése. Kevert stratégiák és evolúciós játékok
Műszak folyamatok közgazdaság elemzése Kevert stratégák és evolúcós átékok Fogalmak: Példa: 1 szta stratéga Vegyes stratéga Ha m tszta stratéga létezk és a 1 m annak valószínűsége hogy az - edk átékos
RészletesebbenVEZÉRIGAZGATÓI UTASÍTÁS
Követeléskezelés Szabályzat Sgma Követeléskezelı Zrt. A Sgma Követeléskezelı Zrt. tevékenység köre A Sgma Követeléskezelı Zrt. 1923-ban, részvénytársaság formában került bejegyzésre, magánosítására 1988.
Részletesebben1.Tartalomjegyzék 1. 1.Tartalomjegyzék
1.Tartalomjegyzék 1 1.Tartalomjegyzék 1.Tartalomjegyzék...1.Beezetés... 3.A matematka modell kálasztása...5 4.A ékony lap modell...7 5.Egy más módszer a matematka modell kálasztására...10 6.A felületet
RészletesebbenBékefi Zoltán. Közlekedési létesítmények élettartamra vonatkozó hatékonyság vizsgálati módszereinek fejlesztése. PhD Disszertáció
Közlekedés létesítmények élettartamra vonatkozó hatékonyság vzsgálat módszerenek fejlesztése PhD Dsszertácó Budapest, 2006 Alulírott kjelentem, hogy ezt a doktor értekezést magam készítettem, és abban
RészletesebbenRelációk. Vázlat. Példák direkt szorzatra
8.. 7. elácók elácó matematka fogalma zükséges fogalom: drekt szorzat Halmazok Descartes drekt szorzata: Legenek D D D n adott doman halmazok. D D D n : = { d d d n d k D k k n } A drekt szorzat tehát
RészletesebbenKísérlettervezési alapfogalmak:
Kísérlettervezés alapfogalmak: Tényező, faktor (factor) független változó, ható tényező (kezelés, gyógyszer, takarmány, genotípus, élőhely, stb.) amnek hatását a kísérletben vzsgáln vagy összehasonlítan
RészletesebbenVázlat. Relációk. Példák direkt szorzatra
7..9. Vázlat elácók a. elácó fogalma b. Tulajdonsága: refleív szmmetrkus/antszmmetrkus tranztív c. Ekvvalenca relácók rzleges/parcáls rrendez relácók felsmere d. elácók reprezentálása elácó matematka fogalma
RészletesebbenStatisztika I. 3. előadás. Előadó: Dr. Ertsey Imre
Statsztka I. 3. előadás Előadó: Dr. Ertsey Imre Vszonyszámok Statsztka munka: adatgyűjtés, rendszerezés, összegzés, értékelés. Vszonyszámok: Két statsztka adat arányát kfejező számok, Az un. leszármaztatott
RészletesebbenThe original laser distance meter. The original laser distance meter
Leca Leca DISTO DISTO TM TM D510 X310 The orgnal laser dstance meter The orgnal laser dstance meter Tartalomjegyzék A műszer beállítása - - - - - - - - - - - - - - - - - - - - - - - - - 2 Bevezetés - -
RészletesebbenIntelligens elosztott rendszerek
Intellgens elosztott rendszerek VIMIAC2 Adatelőkészítés: hhetőségvzsgálat normálás stb. Patak Béla BME I.E. 414, 463-26-79 atak@mt.bme.hu, htt://www.mt.bme.hu/general/staff/atak Valamlyen dőben állandó,
RészletesebbenBalogh Edina Árapasztó tározók működésének kockázatalapú elemzése PhD értekezés Témavezető: Dr. Koncsos László egyetemi tanár
Balogh Edna Árapasztó tározók működésének kockázatalapú elemzése PhD értekezés Témavezető: Dr. Koncsos László egyetem tanár Budapest Műszak és Gazdaságtudomány Egyetem Építőmérnök Kar 202 . Bevezetés,
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása A csoport
Gazdasági matematika II. vizsgadolgozat megoldása A csoport Definiálja az alábbi fogalmakat!. Egy eseménynek egy másik eseményre vonatkozó feltételes valószínűsége. ( pont) Az A esemény feltételes valószínűsége
Részletesebben5. Forráskódolás és hibavédő kódolás
5 Forráskódolás és hbavédő kódolás 51 Példa: forráskódolás Egy (szmbólumonként kódolt) forrás legtömörebb bnárs kódjában a kódszavak hossza rendre 2,3,3,3,3,4,4,4,5,5 a) Lehet-e ez a kód egyértelműen megfejthető
RészletesebbenII. Rákóczi Ferenc Kárpátaljai Magyar Fıiskola. Pataki Gábor. STATISZTIKA I. Jegyzet
II. Rákócz Ferenc Kárátalja Magyar Fıskola Patak Gábor STATISZTIKA I. Jegyzet 23 Tartalomjegyzék evezetés... 3 I. Statsztka alafogalmak... 4. Statsztka kalakulása, tudománytörténet összefüggése... 4.2
RészletesebbenMinősítéses mérőrendszerek képességvizsgálata
Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek
RészletesebbenNKFP6-BKOMSZ05. Célzott mérőhálózat létrehozása a globális klímaváltozás magyarországi hatásainak nagypontosságú nyomon követésére. II.
NKFP6-BKOMSZ05 Célzott mérőhálózat létrehozása a globáls klímaváltozás magyarország hatásanak nagypontosságú nyomon követésére II. Munkaszakasz 2007.01.01. - 2008.01.02. Konzorcumvezető: Országos Meteorológa
RészletesebbenJövedelem és szubjektív jóllét: az elemzési módszer megválasztásának hatása a levonható következtetésekre
Tanulmányok Jövedelem és szubjektív jóllét: az elemzés módszer megválasztásának hatása a levonható következtetésekre Hajdu Tamás, az MTA Közgazdaságés Regonáls Tudomány Kutatóközpont Közgazdaságtudomány
RészletesebbenA mágneses tér energiája, állandó mágnesek, erőhatások, veszteségek
A mágneses tér energája, állandó mágnesek, erőhatások, veszteségek A mágneses tér energája Egy koncentrált paraméterű, ellenállással és nduktvtással jellemzett tekercs Uáll feszültségre kapcsolásakor az
RészletesebbenLineáris regresszió. Statisztika I., 4. alkalom
Lneárs regresszó Statsztka I., 4. alkalom Lneárs regresszó Ha két folytonos változó lneárs kapcsolatban van egymással, akkor az egyk segítségével elıre jelezhetjük a másk értékét. Szükségünk van a függı
RészletesebbenKidolgozott feladatok a nemparaméteres statisztika témaköréből
Kdolgozott feladatok a nemparaméteres statsztka témaköréből A táékozódást mndenféle színkódok segítk. A feladatok eredet szövege zöld, a megoldások fekete, a fgyelmeztető, magyarázó elemek pros színűek.
RészletesebbenVARIANCIAANALÍZIS (szóráselemzés, ANOVA)
VARIANCIAANAÍZIS (szóráselemzés, ANOVA) Varancaanalízs. Varancaanalízs (szóráselemzés, ANOVA) Adott: egy vagy több tetszőleges skálájú független változó és egy legalább ntervallum skálájú függő változó.
Részletesebben11. előadás PIACI KERESLET (2)
. előadás PIACI KERESLET (2) Kertes Gábor Varan 5. feezete erősen átdolgozva . Állandó rugalmasságú kereslet görbe Olyan kereslet görbe, amt technkalag könnyű kezeln. Ezért szeretk a közgazdászok. Hogyan
RészletesebbenElemi szelekciós elmélet
Elem szelekcós elmélet Meszéna Géza 018. május 8. 1. Exponencáls növekedés, szelekcó és regulácó Állandó körülmények között egy populácó létszáma exponencálsan változk, hsz úgy a születések, mnt a halálozások
RészletesebbenIT jelű DC/DC kapcsolóüzemű tápegységcsalád
IT jelű DC/DC kapcsolóüzemű tápegységcsalád BALOGH DEZSŐ BHG BEVEZETÉS A BHG Híradástechnka Vállalat kutató és fejlesztő által kdolgozott napjankban gyártásban levő tárolt programvezérlésű elektronkus
RészletesebbenALGORITMUSOK, ALGORITMUS-LEÍRÓ ESZKÖZÖK
ALGORITMUSOK, ALGORITMUS-LEÍRÓ ESZKÖZÖK 1. ALGORITMUS FOGALMA ÉS JELLEMZŐI Az algortmus egyértelműen végreajtató tevékenység-, vagy utasítássorozat, amely véges sok lépés után befejeződk. 1.1 Fajtá: -
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
RészletesebbenDarupályák ellenőrző mérése
Darupályák ellenőrző mérése A darupályák építésére, szerelésére érvényes 15030-58 MSz szabvány tartalmazza azokat az előírásokat, melyeket a tervezés, építés, műszak átadás során be kell tartan. A geodéza
RészletesebbenRegresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
RészletesebbenBUDAPESTI MŰ SZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR VASÚTI JÁRMŰVEK ÉS JÁRMŰRENDSZERANALÍZIS TANSZÉK
BUDAPESTI MŰ SZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR VASÚTI JÁRMŰVEK ÉS JÁRMŰRENDSZERANALÍZIS TANSZÉK MÉRNÖKI MATAMATIKA Segédlet a Bessel-függvények témaköréhez a Közlekedésmérnök
RészletesebbenSupport Vector Machines
Support Vector Machnes Ormánd Róbert MA-SZE Mest. Int. Kutatócsoport 2009. február 17. Előadás vázlata Rövd bevezetés a gép tanulásba Bevezetés az SVM tanuló módszerbe Alapötlet Nem szeparálható eset Kernel
RészletesebbenTeljes eseményrendszer. Valószínőségszámítás. Példák. Teljes valószínőség tétele. Példa. Bayes tétele
Teljes eseményrendszer Valószínőségszámítás 3. elıadás 2009.09.22. Defnícó. Események A 1, A 2,..., sorozata teljes eseményrendszer, ha egymást páronként kzárják és egyesítésük Ω. Tulajdonság: P A ) +
Részletesebben20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek!
SPEC 2009-2010. II. félév Statsztka II HÁZI dolgozat Név:... Neptun kód: 20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek! 1. példa Egy üzemben tejport csomagolnak zacskókba,
RészletesebbenElosztott rendszerek játékelméleti elemzése: tervezés és öszönzés. Toka László
adat Távközlés és Médanformatka Tanszék Budapest Műszak és Gazdaságtudomány Egyetem Eurecom Telecom Pars Elosztott rendszerek játékelmélet elemzése: tervezés és öszönzés Toka László Tézsfüzet Témavezetők:
RészletesebbenElektrokémia 03. Cellareakció potenciálja, elektródreakció potenciálja, Nernst-egyenlet. Láng Győző
lektrokéma 03. Cellareakcó potencálja, elektródreakcó potencálja, Nernst-egyenlet Láng Győző Kéma Intézet, Fzka Kéma Tanszék ötvös Loránd Tudományegyetem Budapest Cellareakcó Közvetlenül nem mérhető (
RészletesebbenTiszta és kevert stratégiák
sza és kever sraégák sza sraéga: Az -edk áékos az sraégá és ez alkalmazza. S sraégahalmazból egyérelműen válasz k egy eknsük a kövekező áéko. Ké vállala I és II azonos erméke állí elő. Azon gondolkodnak,
RészletesebbenSzerelési útmutató FKC-1 síkkollektor tetőre történő felszerelése Junkers szolár rendszerek számára
Szerelés útmutató FKC- síkkollektor tetőre történő felszerelése Junkers szolár rendszerek számára 604975.00-.SD 6 70649 HU (006/04) SD Tartalomjegyzék Általános..................................................
RészletesebbenA gabonavertikum komplex beruházás-elemzés módszertani fejlesztése OTKA: 48562 Részletes zárójelentés Témavezető: Dr. Ertsey Imre
A gabonavertkum komplex beruházás-elemzés módszertan fejlesztése OTKA: 48562 Részletes zárójelentés Témavezető: Dr. Ertsey Imre 1. Bevezetés A gabonavertkum komplex beruházás-elemzés módszertan fejlesztése
RészletesebbenLeica DISTOTMD510. X310 The original laser distance meter. The original laser distance meter
TM Leca DISTO Leca DISTOTMD510 X10 The orgnal laser dstance meter The orgnal laser dstance meter Tartalomjegyzék A műszer beállítása - - - - - - - - - - - - - - - - - - - - - - - - - 2 Bevezetés - - -
RészletesebbenMatematikai statisztika
Matematka statsztka 8. elıadás http://www.math.elte.hu/~arato/matstat0.htm Kétmtás eset: függetle mták + + + = + ) ( ) ( ) ( Y Y X X Y X m m m t m Ha smert a szórás: (X elemő, σ szórású, Y m elemő, σ szórású),
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés, alakzatrekonstrukcó, nyomtatás 17. 3D Szegmentálás http://cg.t.bme.hu/portal/node/312 https://www.vk.bme.hu/kepzes/targyak/viiiav54 Dr. Várady Tamás, Dr. Salv Péter BME, Vllamosmérnök
RészletesebbenMit találtam RÓLAD a meddőséggel foglalkozó honlapokon?
Mt találtam RÓLAD a meddőséggel foglalkozó honlapokon? Kgyűjtöttem, hogy a vlághálón mk kerngenek arról, mért vagy meddő. 10 honlapot olvastam át részletesen, azokat, melyeket a Google keresője felkínált
Részletesebben9. előadás SZLUCKIJ-TÉTEL
9. előadás SZLUCKIJ-TÉTEL Kertes Gábor Varan 8. fejezete erősen átdolgozva 9. A probléma Hogyan változk a fogyasztó magatartás a gazdaság környezet változásának következtében, s mből adódhat ez a változás?
RészletesebbenI. A közlekedési hálózatok jellemzői II. A közlekedési szükségletek jellemzői III. Analitikus forgalom-előrebecslési modell
Budapest Műszak és Gazdaságtudomány Egyetem Közlekedésmérnök és Járműmérnök Kar Közlekedésüzem Tanszék HÁLÓZATTERVEZÉSI MESTERISKOLA BEVEZETÉS A KÖZLEKEDÉS MODELLEZÉSI FOLYAMATÁBA Dr. Csszár Csaba egyetem
RészletesebbenÁltalános esetben az atomok (vagy molekulák) nem függetlenek, közöttük erős
I. BEVEZETÉS A STATISZTIKUS MÓDSZEREKBE Ebben a fejezetben konkrét példán vzsgáljuk meg, hogy mlyen jellegzetes tulajdonsága vannak a makroszkopkus testeknek statsztkus fzka szempontból. A megoldás során
RészletesebbenMechanizmusok vegyes dinamikájának elemzése
echanzmuso vegyes dnamáána elemzése ntonya Csaba ranslvana Egyetem, nyagsmeret Kar, Brassó. Bevezetés Komple mechanzmuso nemata és dnama mozgásvszonyana elemzése nélülözhetetlen a termétervezés első szaaszaban.
RészletesebbenNemparaméteres eljárások
Nemparaméteres eljárások Bevezetés Az ntervallum vagy a hányados skálán végzett méréseknél az adatokból számolhatunk átlagot, szórásnégyzetet, szórást Fontos módszerek alapulnak ezeknek a származtatott
Részletesebben10. előadás PIACI KERESLET (1)
0. előadás PIACI KERESLET () Kertes Gábor Varan 5. fejezete erősen átdolgozva 0. Aggregálás: egyén kereslet > pac kereslet Az egyén fogyasztó döntések eredményet (az egyén keresleteket) összegezn kell
RészletesebbenA korlátozás programozás alapjai
A korlátozás programozás alapa Kovács András akovacs@mt.bme.hu Bevezetés Ez a segédlet a Mesterséges Intellgenca Labor c. tárgyat felvett hallgatókhoz szól, és feltételez a logka programozás elmélet alapanak,
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Életta Aatóma Kéma Lehet kérdés?? Statsztka! Az orvos dötéseket hoz! Mkor jó egy dötés? Meyre helyes egy dötés? Mekkora a tévedés lehetősége? Példa: test hőmérséklet
RészletesebbenPélda: Egy üzletlánc boltjainak forgalmára vonatkozó adatok 1999. október hó: (adott a vastagon szedett!) S i g i z i g i z i
. konzult. LEV. 013. ápr. 5. MENNYISÉGI ISMÉRV szernt ELEMZÉS Tk. 3-8., 88-90. oldal, kmarad: 70., 74. oldal A mennység smérv (X) lehet: dszkrét és folytonos. A rangsor a mennység smérv értékenek monoton
RészletesebbenAlgoritmusok és adatszerkezetek gyakorlat 09 Rendezések
Algortmusok és adatszerkezetek gyakorlat 09 Rendezések Néhány órával ezelőtt megsmerkedtünk már a Merge Sort rendező algortmussal. A Merge Sort-ról tuduk, hogy a legrosszabb eset dőgénye O(n log n). Tetszőleges
RészletesebbenBevezetés a programozásba. 3. Előadás Algoritmusok, tételek
Bevezetés progrmozásb 3. Elődás Algortmusok, tételek ISMÉTLÉS Specfkácó Előfeltétel: mlyen körülmények között követelünk helyes működést Utófeltétel: mt várunk kmenettől, m z összefüggés kmenet és bemenet
RészletesebbenSchlüter -KERDI-BOARD. Közvetlenűl burkolható felületű építőlemez, többrétegű vízszigetelés
Schlüter -KERDI-BOARD Közvetlenűl burkolható felületű építőlemez, többrétegű vízszgetelés Schlüter -KERDI-BOARD Schlüter -KERDI-BOARD A csempeburkolat készítésének unverzáls alapfelülete Pontosan, ahogy
RészletesebbenMechanizmus-tervezés: szociális jóléti függvény nem kooperatív (versengő) ágensek. A megegyezés keresése és elérése: Tárgyalás (Negotiation)
Tárgyalások/1 Mechanzmus-tervezés: szocáls jólét függvény nem kooperatív (versengő) ágensek (Szavazás (Votng)) (Árverés (Aucton)) A megegyezés keresése és elérése: Tárgyalás (Negotaton) (Érvelés (Argung))
RészletesebbenOptikai elmozdulás érzékelő illesztése STMF4 mikrovezérlőhöz és robot helyzetérzékelése. Szakdolgozat
Mskolc Egyetem Gépészmérnök és Informatka Kar Automatzálás és Infokommunkácós Intézet Tanszék Optka elmozdulás érzékelő llesztése STMF4 mkrovezérlőhöz és robot helyzetérzékelése Szakdolgozat Tervezésvezető:
RészletesebbenA sorozat fogalma. függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet. az értékkészlet a komplex számok halmaza, akkor komplex
A sorozat fogalma Definíció. A természetes számok N halmazán értelmezett függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet a valós számok halmaza, valós számsorozatról beszélünk, mígha az
RészletesebbenOsztályozó algoritmusok vizsgálata
Osztályozó algortmusok vzsgálata Önálló laboratórum beszámoló Készítette: Kollár Nándor Konzulens: Kupcsk András 2009-2-4 Osztályozás A gép tanulás, adatfeldolgozás területének egyk ága az osztályozás,
Részletesebben,...,q 3N és 3N impulzuskoordinátával: p 1,
Louvlle tétele Egy tetszőleges klasszkus mechanka rendszer állapotát mnden t dőpllanatban megadja a kanónkus koordnáták összessége. Legyen a rendszerünk N anyag pontot tartalmazó. Ilyen esetben a rendszer
RészletesebbenPeriodikus figyelésű készletezési modell megoldása általános feltételek mellett
Tanulmánytár Ellátás/elosztás logsztka BME OMIKK LOGISZTIKA 9. k. 4. sz. 2004. júlus augusztus. p. 47 52. Tanulmánytár Ellátás/elosztás logsztka Perodkus fgyelésű készletezés modell megoldása általános
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenC. A. R. Hoare E. W. Dijkstra Fóthi Ákos
ELŐSZÓ A programozás az a mérnök tevékenység, amkor egy feladat megoldására programot készítünk, amelyet azután számítógépen hajtunk végre. Ezen látszólag egyszerű meghatározás mögött több fgyelemre méltó
RészletesebbenDie Sensation in der Damenhygiene Hasznos információk a tamponokról www.123goodbye.com
nokról tampo a k ácó form n s no Hasz Mért használnak tamponokat? A tampon szó francául és a szó szernt fordításban dugó. Már a szó s sokat mond. A tamponok körülbelül öt centméteres rudak, amely közel
RészletesebbenAdatsorok jellegadó értékei
Adatsorok jellegadó értéke Varga Ágnes egyetem tanársegéd varga.ag14@gmal.com Terület és térnformatka kvanttatív elemzés módszerek BCE Geo Intézet Terület elemzés forgatókönyve vacsora hasonlat Terület
RészletesebbenPárhuzamos algoritmusok
Párhuzamos algortmusok. Hatékonyság mértékek A árhuzamos algortmusok esetében fontos jellemző az m ( n, P, ) munka, amt a futás dő és a rocesszorszám szorzatával defnálunk. A P árhuzamos algortmus az A
RészletesebbenFizika II. (Termosztatika, termodinamika)
Fzka II. (Termosztatka, termodnamka) előadás jegyzet Élelmszermérnök, Szőlész-borász mérnök és omérnök hallgatóknak Dr. Frtha Ferenc. árls 4. Tartalom evezetés.... Hőmérséklet, I. főtétel. Ideáls gázok...3
RészletesebbenSzámítógép-architektúrák II.
Várady Géza Számítógép-archtektúrák II. Pécs 2015 A tananyag a azonosító számú, A gépészet és nformatka ágazatok duáls és modulárs képzésenek kalakítása a Pécs Tudományegyetemen című projekt keretében
RészletesebbenVariancia-analízis (ANOVA) Mekkora a tévedés esélye? A tévedés esélye Miért nem csinálunk kétmintás t-próbákat?
Varanca-analízs (NOV Mért nem csnálunk kétmntás t-próbákat? B Van különbség a csoportok között? Nncs, az eltérés csak véletlen! Ez a nullhpotézs. és B nncs különbség Legyen, B és C 3 csoport! B és C nncs
RészletesebbenÁLTALÁNOS STATISZTIKA
Berzseny Dánel Főskola ÁLTALÁNOS STATISZTIKA műszak menedzser alapszak Írta: Dr. Köves János Tóth Zsuzsanna Eszter Budapest 006 Tartalomjegyzék. VALÓSZÍNŰSÉGSZÁMÍTÁSI ALAPOK... 4.. A VALÓSZÍNŰSÉGSZÁMÍTÁS
RészletesebbenSTATISZTIKA III. Oktatási segédlet
MISKOLCI EGYETEM Gazdaságtudomány Kar Üzlet Informácógazdálkodás és Módszertan Intézet Üzlet Statsztka és Előrejelzés Tanszék STATISZTIKA III. Oktatás segédlet 003. MISKOLCI EGYETEM Gazdaságtudomány Kar
RészletesebbenMEGBÍZHATÓSÁG-ELMÉLET
PHARE HU3/IB/E3-L MEGBÍZHAÓSÁG-ELMÉLE Defnícók A legszélesebb körben elfogadott defnícó szernt a megbízhatóság egy elem (termék, rendszer stb.) képessége arra, hogy meghatározott működés feltételek mellett
RészletesebbenHAVRAN DÁNIEL. Pénzgazdálkodási szokások hatása a működőtőkére. A Magyar Posta példája
HAVRAN DÁNIEL Pénzgazdálkodás szokások haása a működőőkére. A Magyar Posa példája A hálózaos parágakban, ahogy a posa szolgálaásoknál s, a forgalomban lévő készpénz nagyméreű működőőké jelenhe. A Magyar
Részletesebben63/2004. (VII. 26.) ESzCsM rendelet
63/2004. (VII. 26.) ESzCsM rendelet a 0 Hz-300 GHz között frekvencatartományú elektromos, mágneses és elektromágneses terek lakosságra vonatkozó egészségügy határértékeről Az egészségügyről szóló 1997.
RészletesebbenAhol mindig Ön az első! www.eon.hu/ugyintezes. Segítünk online ügyféllé válni Kisokos
Ahol mndg Ön az első! www.eon.hu/ugyntezes Segítünk onlne ügyféllé váln Ksokos Kedves Ügyfelünk! Szeretnénk, ha Ön s megsmerkedne Onlne ügyfélszolgálatunkkal (www.eon.hu/ugyntezes), amelyen keresztül egyszerűen,
Részletesebben