Mesterséges Intelligencia MI
|
|
- Kornél Kelemen
- 5 évvel ezelőtt
- Látták:
Átírás
1 Meserséges Inelligencia MI Valószínűségi emporális kövekezeés Dobrowiecki Tadeusz Eredics Péer, és mások BME I.E. 437, hp://
2 X - a időpillanaban nem megfigyelheő válozók halmaza E - a megfigyelheő (megfigyel) válozók halmaza X a:b = X a X a+1,, X b-1 X b - válozók halmaza X a ól X b ig (Pl. U 1:3 = U 1, U 2, U 3 válozók) Egy ikos, földalai léesímény bizonsági őre udni szerene, hogy aznap esik-e, de egyelen információja, hogy reggelenkén lája az igazgaójá, aki esernyővel vagy esernyő nélkül jön be. Minden napon az E halmaz így egyelen bizonyíék válozó, U (van-e esernyője), és X halmaz az egyelen állapoválozó R (esik-e kin). Probléma: szerkeszheő-e ilyen problémára egy valószínűségi háló? Ha igen, milyen szülőkből lehe i gazdálkodni?
3 Markov feléelek Markov feléel: függ az korláos részhalmazáól Elsőrendű (a) Markov folyama: Másodrendű (b) Markov folyama:, sb. Érzékelő Markov feléel: X X 0 : - 1 Sacionárius folyama: állapoámene modell és érzékelő/megfigyelés modell P( X X ) = P( X X ) 0: -1-1 P( X X ) = P( X X, X ) 0 : P( E X, E ) = P( E X ) 0 : 0: -1 P( E X ) P( X X - 1) nem függ a -ől
4 Dinamikus valószínűségi hálók Ha a közelíés úlságosan ponalan - lehe javíani, pl.: a Markov folyama rendjének növelésével pl. egy másodrendű modell felvéve egy Eső 2 -ő min az Eső szülője (valamivel ponosabb predikció). az állapoválozók halmazának növelésével pl. felvenni az Évszak válozó, vagy hozzáadni a Hőmérsékle, a Páraaralom és a Légnyomás válozóka...
5 Kövekezeés időbeli modellekben Szűrés v. ellenőrző megfigyelés: a bizonyossági, hiedelmi állapo kiszámíása = a jelenlegi állapo a poseriori eloszlása, az eddigi összes bizonyíék ismereében P( X e ) 1: Előrejelzés, jóslás: egy jövőbeli állapo a poseriori eloszlása, az eddigi összes bizonyíék ismereében. P( X e ) + k 1:, k > 0 Simíás, visszaekinés: egy múlbeli állapo a poseriori eloszlása, a jelen időponig ve összes bizonyíék ismereében., 0 k < Legvalószínűbb magyaráza: A megfigyelések ismereében megalálni az az állaposorozao, ami a leginkább valószínű, hogy az ado megfigyeléseke generála. és a munkalovak P( A) P( A ) P( X e ) 1: P( A B c) = a P( B Ac) P( A c) k arg max P( x e ) x1: 1: 1:
6 Szűrés P( X e ) = P( X e, e ) + 1 1: : + 1 = a P( e X, e ) P( X e ) : + 1 1: = a P( e X ) P( X e ) : P( X e ) = f ( e, P( X e )) + 1 1: : (feloszva a bizonyíéko) (a Bayes szabállyal) (a bizonyíék Markov ulajdonsága mia) rekurzív becslés P( X e ) = a P( e X ) x P( X x, e ) P( x e ) S + 1 1: : 1: S = a P( e X ) x P( X x ) P( x e ) : (kihasználva a Markov ul-). Lineáris rekurzív becslés m = f ( e, m ) N + 1 N + 1 N 1 m N = ( e1 + e en ) N 1 N 1 m = m + ( e - m ) = m + e N + 1 N + 1 N + 1 N + 1 N N + 1 N N N + 1 e = a + N(0, s )
7 Szűrés 1. nap: az esernyő felűnik, U1 = igaz. Előrejelzés = 0-ról = 1-re: P(R1) = r0 P(R1 r0) P(r0) = <.7;.3> <.5;.5> = <.5;.5> a =1-beli bizonyíékkal való frissíés az adja, hogy P(R1 U1) = P(U1 R1) P(R1) = <.9;.2> <.5;.5> = <.45;.1> <.818;.182>. 2. nap: az esernyő felűnik, U2 = igaz. Előrejelzés =1-ről =2-re: P(R2 U1) = r1 P(R2 r1) P(r1 U1) = <.7;.3> <.818;.182> <.627;.373> a =2-beli bizonyíékkal való frissíés pedig az adja, hogy P(R2 U1,U2) = P(U2 R2) P(R2 U1) = <.9;.2><.627;.373> = <.565;.075> <.883;.117>.
8 Előrejelzés P X + 1 e1: x P X + 1 x P x e1: ( ) ( ) ( ) Mi örénik, ahogy egyre ávolabbra próbálunk előre jelezni a jövőben? Megmuahaó, hogy az Eső előre jelze eloszlása a <.5;.5> fix ponhoz konvergál, ami uán állandó marad a ovábbiakban. Ez az ámene modell álal meghaározo Markov folyama un. sacionárius eloszlása. Keverési idő (mixing ime) kb. a fix pon eléréséig elel idő. Gyakorlaban kudarc minden olyan kísérle, ami a keverési idő kis hányadánál nagyobb számú lépés múlva kísérli meg az akuális állapoo előrejelezni. Minél bizonyalanabb az ámenei modell, annál rövidebb a keverési idő és a jövő annál homályosabb. S P( X e ) x P( X x ) P( x e ) S + 2 1: : = x P( X x ) x P( x x ) P( x e ) + 1 S S :
9 Pozíció előrejelzése
10 Simíás P( X e ) = P( X e, e ) k 1: k 1: k k + 1: = a P( X e ) P( e X, e ) k 1: k k + 1: k 1: k = a P( X e ) P( e X ) k 1: k k + 1: k P( e X ) = x P( e X, x ) P( x X ) S S k + 1: k k + 1 k + 1: k k + 1 k + 1 k = x P( e x ) P( x X ) k + 1 k + 1 S k + 1: k + 1 k + 1 k = x P( e x ) P( e x ) P( x X ) k + 1 k + 1 k + 2: k + 1 k + 1 k (Bayes szabály) (a feléeles függelenség) egy egyszerű rekurzív folyamaal kiszámíhaó
11 előre-hára algorimus Az Eső valószínűségének simío becslése =1-nél, az 1. és 2. napi evidenciából: P(R1 U1,U2) = P(R1 U1) P(U2 R1). A korábbi szűrésből az első ényező <.818;.182>. P(U2 R1) = r2 P(U2 r2) P(Ø r2) P(r2 R1) =.9 x 1 x x 1 x.3; = <.69;.41>. Az Eső simíása az 1. napon P(R1 U1,U2) = <.818;.182> <.69;.41> <.883;.117>. A simío becslés jobb, min a szűr becslés (.818). Az Esernyő a 2. napon valószínűbbé eszi, hogy ese a 2. napon, és mivel az eső arósan esik, még valószínűbbé eszi, hogy ese az 1. napon.
12 A legvalószínűbb soroza megalálása Vierbi algorimus Megfigyel soroza: igaz, igaz, hamis, igaz, igaz Mi a legvalószínűbb: Eső1, Eső2,..., Eső5 éréke? 2 5 = 32 leheséges soroza, de lehe egy becslés felsorolás nélkül? Fokozaos szűrések, simíások?
13 A legvalószínűbb soroza megalálása Vierbi algorimus A legvalószínűbb soroza =/= a legvalószínűbb állapook sorozaa!!! A legvalószínűbb soroza X + 1 -hez = a legvalószínűbb soroza valamelyik -hez és egy lépéssel ovább X max P( x, x,..., x, X e ) x,..., x : + 1 = P( e X ) max( P( X x ) max P( x, x,..., x, x e ))) : x x,..., x 1-1 m1: ( i) megadja az i állapohoz vezeő pálya valószínűségé. Félfrissíésben összeg helye max szerepel. m = P( e X ) max( P( X x ) m ) 1: : x
14 A legvalószínűbb soroza megalálása Vierbi algorimus
15 Reje Markov modell (RMM) (Hidden Markov Model, HMM) RMM egy időbeli valószínűségi modell. A folyama állapoá egyelen diszkré valószínűségi válozó írja le. A modell ulajdonsága a reje állapo, azaz a (szochaszikus) állapofejlődés és annak passzív (szochaszikus) megfigyelése. (N ulajdonság, M üne??) Kálmán-szűrő Egy fizikai rendszer állapoának becslése (pl. hely, sebesség) időben egymás köveő zajos megfigyelésekből: ámenemodell = a mozgás fizikája érzékelő modell = a mérési folyama folyonos válozók! Gauss kiinduló eloszlás, lineáris Gauss állapoámene modell és megfigyelési modell
16 Gauss eloszlások frissíése Ha szűrés akkor a P( X e ) 1: Gauss, és az állapoámene is Gauss, jóslás is Gauss. P( X e ) Ha a jóslás 1 1: Gauss, és a megfigyelés is az, akkor a frissíe eloszlás is Gauss. + ehá egy öbbválozós Gauss P( X e ) = a P( e X ) P( X e ) + 1 1: : N( m, S ) minden -re. Álalános (nemlineáris, nem Gauss) folyama eseében: a poserior leírása korlálanul nő,! P( X e ) 1:
17 Álalános Kálmán frissíés Állapo ámenei és megfigyelés modellek: x = Fx + w + 1 e = Hx + v + 1 P( x x ) = N(F x, Σ )( x ) + 1 x + 1 P( e x ) = N(H x, Σ )( e ) e xˆ = Fxˆ + K ( e - HF xˆ ) Σ = (I - K )(FΣ F + Σ ) T x F az állapo ámenei márix; x az állapo zaj (w) kovarianciája H a megfigyelés márixa, z a megfigyelési zaj (v) kovarianciája K = 1 (F Σ T F + Σ T T T x)h (H(F Σ + F + Σ x)h + Σ e) az un. Kálmán erősíés márix -1 A K, Σ a megfigyelésekől függelenek, számíhaók off-line
18 2-D köveés - példa
19 Dinamikus Bayes háló Minden egyes szeleben eszőleges számú állapoválozója (X ) és bizonyíékválozója (E ) lehe. Egyszerűsíés: a válozók és kapcsolaaik ponosan ismélődnek szeleről szelere = elsőrendű Markov folyama, így minden válozónak csak a sajá szeleében vagy a közvelenül megelőző szeleben lehenek szülei. Minden RMM reprezenálhaó, min egy DBH egyelen állapoválozóval és egyelen bizonyíékválozóval. Minden diszkré válozós DBH reprezenálhaó, min egy RMM. A DBH összes állapoválozója összekombinálhaó egyelen állapoválozóvá, aminek az érékei az egyes állapoválozók érékeinek az együese.
20 Minden Kálmán-szűrő reprezenálhaó egy DBH-ban folyonos válozókkal és lineáris Gauss feléeles eloszlásokkal De nem minden DBH reprezenálhaó egyelen Kálmán-szűrő modellel. Kálmán-szűrő: az akuális állapoeloszlás mindig egy egyedülálló öbbválozós Gauss eloszlás egyelen dudor egy konkré helyen. A DBH-k ezzel szemben eszőleges eloszlás képesek modellezni 20
21 Egzak kövekezeés DBH-kban Naiv módszer: a háló kibonása és akármilyen egzak algorimus. Probléma: kövekezeés kölsége idővel nő. Kibonásos szűrés: +1 szele hozzáadása, szele kiösszegzése válozó eliminálással. Fakorok nagysága, felfrissíés kölsége exponenciális, nincs ponos és haékony kövekezeés. Közelíő kövekezeés DBH-kban Valószínűségi súlyozás: ponossága leromlik, ha a bizonyíékválozók lenebbiek a minavéeleze válozóknál, ekkor a minák generálására nincsen haással a bizonyíék. Egy DBH ipikus srukúrája: Az állapoválozók egyikének sincs egyelen bizonyíékválozója sem az ősei közö! Egy ado ponossági szin fennarásához, a minák számá exponenciálisan növelni kell függvényében.
22 Részecske szűrés (paricle filer) Kalman szűrő Részecske szűrő Állapoegy. Lineáris állapo és megfigyelési egyenle Nemlineáris állapo és megfigyelési egyenle Zaj ípusa Gauss, unimodális Akármilyen, uni- v. mulimodális Kimene xˆ Σ p x ) ( Megoldás Egzak, opimális Közelíő Számíás Gyors Lassú Egzak modell közelíő megoldása, a közelíő modell egzak megoldása helye (Sequenial) Mone Carlo filers Boosrap filers Condensaion Ineracing Paricle Approximaions Survival of he fies
23 Részecske szűrés (paricle filer) rekurzív szűrés P( X e ) = a P( e X ) x P( X x ) P( x e ) + 1 1: : S frissíés evidenciával jóslás dinamikával részecskefelhő
24 Részecske szűrés (paricle filer) Alap algorimus: 1. Inicializálás (a priori) 2. Dinamikus frissíés (részecskék elmozdulnak) 3. Evidenciafüggő frissíés (súlymódosíás) 4. Újraminavéelezés (ha szükséges) 5. Új evidencia - goo 2
25 Meserséges c
GAZDASÁGI ÉS ÜZLETI STATISZTIKA jegyzet ÜZLETI ELŐREJELZÉSI MÓDSZEREK
BG PzK Módszerani Inézei Tanszéki Oszály GAZDAÁGI É ÜZLETI TATIZTIKA jegyze ÜZLETI ELŐREJELZÉI MÓDZEREK A jegyzee a BG Módszerani Inézei Tanszékének okaói készíeék 00-ben. Az idősoros vizsgálaok legfonosabb
Részletesebben13 Wiener folyamat és az Itô lemma. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull
13 Wiener folyama és az Iô lemma Opions, Fuures, and Oher Derivaives, 8h Ediion, Copyrigh John C. Hull 01 1 Markov folyamaok Memória nélküli szochaszikus folyamaok, a kövekező lépés csak a pillananyi helyzeől
RészletesebbenElőszó. 1. Rendszertechnikai alapfogalmak.
Plel Álalános áekinés, jel és rendszerechnikai alapfogalmak. Jelek feloszása (folyonos idejű, diszkré idejű és folyonos érékű, diszkré érékű, deerminiszikus és szochaszikus. Előszó Anyagi világunkban,
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Következtetés
RészletesebbenTúlgerjesztés elleni védelmi funkció
Túlgerjeszés elleni védelmi unkció Budapes, 2011. auguszus Túlgerjeszés elleni védelmi unkció Bevezeés A úlgerjeszés elleni védelmi unkció generáorok és egységkapcsolású ranszormáorok vasmagjainak úlzoan
Részletesebben1. ábra A hagyományos és a JIT-elvű beszállítás összehasonlítása
hagyományos beszállíás JIT-elvû beszállíás az uolsó echnikai mûvele a beszállíás minõségellenõrzés F E L H A S Z N Á L Ó B E S Z Á L L Í T Ó K csomagolás rakározás szállíás árubeérkezés minõségellenõrzés
RészletesebbenNGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő
SZÉCHENYI ISTVÁN EGYETEM Műszaki Tudományi Kar Informatika Tanszék BSC FOKOZATÚ MÉRNÖK INFORMATIKUS SZAK NGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő Fejlesztői dokumentáció GROUP#6
RészletesebbenELOSZLÁS, ELOSZLÁSFÜGGVÉNY, SŰRŰSÉGFÜGGVÉNY
ELOSZLÁS, ELOSZLÁSÜGGVÉNY, SŰRŰSÉGÜGGVÉNY AZ ELOSZLÁSÜGGVÉNY Egy célábla sugara cm, a valószínűségi válozó jlns az, hogy milyn ávol lőünk a célábla középponjáól. Tgyük öl, hogy a céláblá bizosan laláljuk.
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó. 2010. június
GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készül a TÁMOP-4..2-08/2/A/KMR-2009-004pályázai projek kereében Taralomfejleszés az ELTE TáK Közgazdaságudományi Tanszékén az ELTE Közgazdaságudományi Tanszék, az
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - alapok Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade A szükséges
RészletesebbenSzinkron sorrendi hálózatok tervezése
Szinkron sorrendi hálózaok ervezése Benesóczky Zolán 24 A jegyzee a szerzői jog védi. Az a BME hallgaói használhaják, nyomahaják anulás céljából. Minden egyéb felhasználáshoz a szerző belegyezése szükséges.
RészletesebbenA BIZOTTSÁG MUNKADOKUMENTUMA
AZ EURÓPAI UNIÓ TANÁCSA Brüsszel, 2007. május 23. (25.05) (OR. en) Inézményközi dokumenum: 2006/0039 (CNS) 9851/07 ADD 2 FIN 239 RESPR 5 CADREFIN 32 FELJEGYZÉS AZ I/A NAPIRENDI PONTHOZ 2. KIEGÉSZÍTÉS Küldi:
Részletesebben5. HŐMÉRSÉKLETMÉRÉS 1. Hőmérséklet, hőmérők Termoelemek
5. HŐMÉRSÉKLETMÉRÉS 1. Hőmérsékle, hőmérők A hőmérsékle a esek egyik állapohaározója. A hőmérsékle a es olyan sajáossága, ami meghaározza, hogy a es ermikus egyensúlyban van-e más esekkel. Ezen alapszik
RészletesebbenJárműelemek I. Tengelykötés kisfeladat (A típus) Szilárd illesztés
BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM Közlekedésmérnöki Kar Járműelemek I. (KOJHA 7) Tengelyköés kisfelada (A ípus) Szilárd illeszés Járműelemek és Hajások Tanszék Ssz.: A/... Név:...................................
Részletesebben1. Előadás: Készletezési modellek, I-II.
. Előadás: Készleezési modellek, I-II. Készleeke rendszerin azér arunk hogy, valamely szükséglee, igény kielégísünk. A szóban forgó anyag, cikk iráni igény, keresle a készle fogyásá idézi elő. Gondoskodnunk
RészletesebbenSzempontok a járműkarbantartási rendszerek felülvizsgálatához
A VMMSzK evékenységének bemuaása 2013. február 7. Szemponok a járműkarbanarási rendszerek felülvizsgálaához Malainszky Sándor MÁV Zr. Vasúi Mérnöki és Mérésügyi Szolgálaó Közpon Magyar Államvasuak ZR.
RészletesebbenHF1. Határozza meg az f t 5 2 ugyanabban a koordinátarendszerben. Mi a lehetséges legbővebb értelmezési tartománya és
Házi feladaok megoldása 0. nov. 6. HF. Haározza meg az f 5 ugyanabban a koordináarendszerben. Mi a leheséges legbővebb érelmezési arománya és érékkészlee az f és az f függvényeknek? ( ) = függvény inverzé.
RészletesebbenGépészeti automatika
Gépészei auomaika evezeés. oole-algebra alapelemei, aiómarendszere, alapfüggvényei Irányíás: az anyag-és energiaáalakíó ermelési folyamaokba való beavakozás azok elindíása, leállíása, vagy bizonyos jellemzoiknek
RészletesebbenA sztochasztikus idősorelemzés alapjai
A szochaszikus idősorelemzés alapjai Ferenci Tamás BCE, Saiszika Tanszék amas.ferenci@medsa.hu 2011. december 19. Taralomjegyzék 1. Az idősorelemzés fogalma, megközelíései 2 1.1. Az idősor fogalma...................................
Részletesebben5. Differenciálegyenlet rendszerek
5 Differenciálegyenle rendszerek Elsőrendű explici differenciálegyenle rendszer álalános alakja: d = f (, x, x,, x n ) d = f (, x, x,, x n ) (5) n d = f n (, x, x,, x n ) ömörebben: d = f(, x) Definíció:
RészletesebbenGépi tanulás. Bagging, Boosting Adaboost
Gépi anulás Bagging, Boosing Adaboos Paaki Béla BME I.E. 414, 463-26-79 paaki@mi.bme.hu, hp://www.mi.bme.hu/general/saff/paaki Ponos, de különböző együműködő megoldások 1 y M d( x) y y 1 2 y M h ( x) h
RészletesebbenInstrumentális változók módszerének alkalmazásai Mikroökonometria, 3. hét Bíró Anikó Kereslet becslése: folytonos választás modell
Insrumenális válozók módszerének alkalmazásai Mikroökonomeria, 3. hé Bíró Anikó Keresle becslése: folyonos válaszás modell Folyonos vs. diszkré válaszás: elérő modellek Felevés: homogén jószág Közelíés:
Részletesebben8. előadás Ultrarövid impulzusok mérése - autokorreláció
Ágazai Á felkészíés a hazai LI projekel összefüggő ő képzési é és KF feladaokra" " 8. előadás Ulrarövid impulzusok mérése - auokorreláció TÁMOP-4.1.1.C-1/1/KONV-1-5 projek 1 Bevezeés Jelen fejezeben áekinjük,
RészletesebbenAggregált termeléstervezés
Aggregál ermeléservezés Az aggregál ermeléservezés feladaa az opimális ermékszerkeze valamin a gyáráshoz felhasználhaó erőforrások opimális szinjének meghaározása. Termékek aggregálása. Erőforrások aggregálása.
RészletesebbenTávközlı hálózatok és szolgáltatások
Távközlı hálózaok és szolgálaások Forgalmi köveelmények, hálózaméreezés Csopaki Gyula Némeh Kriszián BME TMIT 22. nov. 2. A árgy felépíése. Bevezeés 2. I hálózaok elérése ávközlı és kábel-tv hálózaokon
Részletesebben6. szemináriumi. Gyakorló feladatok. Tőkekínálat. Tőkekereslet. Várható vs váratlan esemény tőkepiaci hatása. feladatok
6. szemináriumi Gyakorló feladaok. Tőkekínála. Tőkekeresle. Várhaó vs váralan esemény őkepiaci haása. feladaok A feladaok megoldása során ahol lehe, írjon MATLAB scripe!!! Figyelem, a MATLAB a gondolkodás
RészletesebbenMakroökonómiai modellépítés monetáris politika
Makroökonómiai modellépíés moneáris poliika Szabó-Bakos Eszer 200. ½oszi félév Téelezzük fel, hogy az álalunk vizsgál gazdaságban a reprezenaív fogyaszó hasznossági függvénye az X U = ln C +! v M+ L +
RészletesebbenKockázati folyamatok
Kockázai folyamaok Sz cs Gábor Szegedi Tudományegyeem Bolyai Inéze, Szochaszika Tanszék Uolsó frissíés: 219. szepember 17. Taralomjegyzék 1. Az exponenciális eloszlás 2 2. A Wald-azonosság 4 3. Felújíási
RészletesebbenElorejelzés (predikció vagy extrapoláció) Adatpótlás (interpoláció)
lorjlzés (prdikció vagy xrapoláció) Adapólás (inrpoláció) kompozíciós vagy drminiszikus modllk. A rndfüggvény A ciklikus haás A szzonális haás A zaj (hibaag) 3-3 4 5 6 7 8 9 Az idõsor 3 - - - 3 4 5 6 7
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - alapok Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Valószínűségi
Részletesebben3. Gyakorlat. A soros RLC áramkör tanulmányozása
3. Gyakorla A soros áramkör anlmányozása. A gyakorla célkiőzései Válakozó áramú áramkörökben a ekercsek és kondenzáorok frekvenciafüggı reakív ellenállással ún. reakanciával rendelkeznek. Sajáságos lajdonságaik
RészletesebbenMechanikai munka, energia, teljesítmény (Vázlat)
Mechanikai unka, energia, eljesíény (Vázla). Mechanikai unka fogala. A echanikai unkavégzés fajái a) Eelési unka b) Nehézségi erő unkája c) Gyorsíási unka d) Súrlódási erő unkája e) Rugóerő unkája 3. Mechanikai
Részletesebben2014.11.18. SZABÁLYOZÁSI ESZKÖZÖK: Gazdasági ösztönzők jellemzői. GAZDASÁGI ÖSZTÖNZŐK (economic instruments) típusai. Környezetterhelési díjak
SZABÁLYOZÁSI ESZKÖZÖK: 10. hé: A Pigou-éelen alapuló környezei szabályozás: gazdasági öszönzők alapelvei és ípusai 1.A ulajdonjogok (a szennyezési jogosulság) allokálása 2.Felelősségi szabályok (káréríés)
Részletesebbent 2 Hőcsere folyamatok ( Műv-I. 248-284.o. ) Minden hővel kapcsolatos művelet veszteséges - nincs tökéletes hőszigetelő anyag,
Hősee folyamaok ( Műv-I. 48-84.o. ) A ménöki gyakola endkívül gyakoi feladaa: - a közegek ( folyadékok, gázok ) Minden hővel kapsolaos művele veszeséges - nins ökélees hőszigeelő anyag, hűése melegíése
RészletesebbenIntelligens elosztott rendszerek. Információfúzió (valószínűségi alapon, Kálmán-szűrőt használva, Dempster-Shafer elmélet alapján)
Intelligens elosztott rendszere Információfúzió (valószínűségi alapon, Kálmán-szűrőt használva, Dempster-Shafer elmélet alapján) Patai Béla BME I.E. 414, 463-26-79 patai@mit.bme.hu, http://www.mit.bme.hu/general/staff/patai
RészletesebbenMozgásmodellezés. Lukovszki Csaba. Navigációs és helyalapú szolgáltatások és alkalmazások (VITMMA07)
TÁVKÖZLÉSI ÉS MÉDIAINFORMATIKAI TANSZÉK () BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM (BME) Mozgásmodellezés Lukovszki Csaba Áttekintés» Probléma felvázolása» Szabadsági fokok» Diszkretizált» Hibát
RészletesebbenJELEK ALAPSÁVI LEÍRÁSA. MODULÁCIÓK. A CSATORNA LEÍRÁSA, TULAJDONSÁGAI.
216. okóber 7., Budapes JELEK ALAPSÁVI LEÍRÁSA. MODULÁCIÓK. A CSATORNA LEÍRÁSA, TULAJDONSÁGAI. Alapfogalmak, fizikai réeg mindenki álal ismer fogalmak (hobbiból azér rákérdezheek vizsgán): jel, eljesímény,
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
RészletesebbenRadnai Márton. Határidős indexpiacok érési folyamata
Radnai Máron Haáridős indexpiacok érési folyamaa Budapesi Közgazdaságudományi és Államigazgaási Egyeem Pénzügy anszék émavezeő: Dr. Száz János Minden jog fennarva Budapesi Közgazdaságudományi és Államigazgaási
Részletesebben! Védelmek és automatikák!
! Védelmek és auomaikák! 4. eloadás. Védelme ápláló áramváló méreezése. 2002-2003 év, I. félév " Előadó: Póka Gyula PÓKA GYULA Védelme ápláló áramváló méreezése sacioner és ranziens viszonyokra. PÓKA GYULA
RészletesebbenF1301 Bevezetés az elektronikába Műveleti erősítők
F3 Beezeés az elekronikába Műelei erősíők F3 Be. az elekronikába MŰVELET EŐSÍTŐK Műelei erősíők: Kiáló minőségű differenciálerősíő inegrál áramkör, amely egyenfeszülség erősíésére is alkalmas. nalóg számíás
RészletesebbenELEKTRONIKAI ALAPISMERETEK
Elekronikai alapismereek középszin 3 ÉETTSÉG VZSG 04. május 0. EEKTONK PSMEETEK KÖZÉPSZNTŰ ÍÁSBE ÉETTSÉG VZSG JVÍTÁS-ÉTÉKEÉS ÚTMTTÓ EMBE EŐFOÁSOK MNSZTÉM Egyszerű, rövid feladaok Maximális ponszám: 40.)
RészletesebbenELEKTRONIKAI ALAPISMERETEK
Elekronikai alapismereek középszin ÉETTSÉG VZSGA 0. május. ELEKTONKA ALAPSMEETEK KÖZÉPSZNTŰ ÍÁSBEL ÉETTSÉG VZSGA JAVÍTÁS-ÉTÉKELÉS ÚTMTATÓ EMBE EŐFOÁSOK MNSZTÉMA Egyszerű, rövid feladaok Maximális ponszám:
RészletesebbenIntraspecifikus verseny
Inraspecifikus verseny Források limiálsága evolúciós (finesz) kövekezmény aszimmeria Denziás-függés Park és msai (930-as évek, Chicago) - Tribolium casaneum = denziás-függelen (D-ID) 2 = alulkompenzál
RészletesebbenDemográfiai átmenet, gazdasági növekedés és a nyugdíjrendszer fenntarthatósága
Közgazdasági Szemle LXI évf 204 november (279 38 o) Varga Gergely Demográfiai ámene gazdasági növekedés és a nyugdírendszer fennarhaósága Magyarországon a ársadalombizosíási nyugdírendszer finanszírozása
RészletesebbenHidden Markov Model. March 12, 2013
Hidden Markov Model Göbölös-Szabó Julianna March 12, 2013 Outline 1 Egy példa 2 Feladat formalizálása 3 Forward-algoritmus 4 Backward-algoritmus 5 Baum-Welch algoritmus 6 Skálázás 7 Egyéb apróságok 8 Alkalmazás
RészletesebbenJárműpark üzemeltetési rendszere vizsgálatának Markov típusú folyamatmodellje
Széchenyi Isván Egyeem Járműpark üzemeleési rendszere vizsgálaának Markov ípusú folyamamodellje Dr. Zvikli Sándor f. anár Széchenyi Isván Egyeem, Győr Közlekedésudományi konferencia Győr, 2 március 24-25
RészletesebbenDIPLOMADOLGOZAT Varga Zoltán 2012
DIPLOMADOLGOZAT Varga Zolán 2012 Szen Isván Egyeem Gazdaság- és Társadalomudományi Kar Markeing Inéze Keresle-előrejelzés a vállalai logiszikában Belső konzulens neve, beoszása: Dr. Komáromi Nándor, egyeemi
RészletesebbenSTATISZTIKAI IDŐSORELEMZÉS A TŐZSDÉN. Doktori (PhD) értekezés
NYUGAT-MAGYARORSZÁGI EGYETEM Széchenyi Isván Gazdálkodás- és Szervezésudományok Dokori Iskola STATISZTIKAI IDŐSORELEMZÉS A TŐZSDÉN Dokori (PhD) érekezés Készíee: Hoschek Mónika A kiadvány a TÁMOP 4.. B-/--8
RészletesebbenA Fokker Planck Kolmogorov-egyenlet és alkalmazása a híradástechnikában
PAP LÁSZLÓ BME Híradásechnikai Elekronika-Inéze A Fokker Planck Kolmogorov-egyenle és alkalmazása a híradásechnikában ETO 519.216:621.391.8 A szohaszikus folyamaokkal vezérel dinamikus nemlineáris rendszerek
RészletesebbenDinamikus optimalizálás és a Leontief-modell
MÛHELY Közgazdasági Szemle, LVI. évf., 29. január (84 92. o.) DOBOS IMRE Dinamikus opimalizálás és a Leonief-modell A anulmány a variációszámíás gazdasági alkalmazásaiból ismere hárma. Mind három alkalmazás
RészletesebbenElektronika 2. TFBE1302
Elekronika. TFE30 Analóg elekronika áramköri elemei TFE30 Elekronika. Analóg elekronika Elekronika árom fő ága: Analóg elekronika A jelordozó mennyiség érékkészlee az érelmezési arományon belül folyonos.
RészletesebbenDOI 10.14267/phd.2015011 MORVAY ENDRE A MUNKAERŐPIAC SZTOCHASZTIKUS DINAMIKAI VIZSGÁLATA ELMÉLET ÉS GYAKORLAT
MORVAY ENDRE A MUNKAERŐPIAC SZTOCHASZTIKUS DINAMIKAI VIZSGÁLATA ELMÉLET ÉS GYAKORLAT Maemaikai Közgazdaságan és Gazdaságelemzés Tanszék Témavezeő: Móczár József egyeemi anár, az MTA-dokora Morvay Endre
RészletesebbenTakács Lajos ( ) és Prékopa András ( ) emlékére.
Haladvány Kiadvány 17-06-15 Mely merev kör½u gráfok és hogyan használhaók valószín½uségi becslésekhez? Hujer Mihály hujer.misigmail.com Ajánlás. Takács Lajos (1924 2015) és Prékopa András (1929 2016) emlékére.
RészletesebbenKIS MATEMATIKA. 1. Bevezető
KIS MATEMATIKA. Bevezeő Fizikus vagyok, és azon belül is elmélei fizikusnak arom magam, mindemelle nagyon fonosnak arom a kísérlei fiziká is, ső magam is kísérleezem a graviáció erüleén. A maemaikával
RészletesebbenGAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó. 2010. június
GAZDASÁGSTATISZTIKA Készül a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázai projek kereében Taralomfejleszés az ELTE TáTK Közgazdaságudományi Tanszékén, az ELTE Közgazdaságudományi Tanszék, az MTA Közgazdaságudományi
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június
GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készül a TÁMOP-4..2-08/2/A/KMR-2009-004pályázai projek kereében Taralomfejleszés az ELTE TáK Közgazdaságudományi Tanszékén az ELTE Közgazdaságudományi Tanszék, az
RészletesebbenA közgazdasági Nobel-díjat a svéd jegybank támogatásával 1969 óta ítélik oda. 1 Az
ROBERT F. ENGLE ÉS CLIVE W. J. GRANGER, A 003. ÉVI KÖZGAZDASÁGI NOBEL-DÍJASOK DARVAS ZSOLT A Svéd Tudományos Akadémia a 003. évi Nobel-díjak odaíélésé ké fő alkoással indokola: Rober F. Engle eseén az
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
RészletesebbenNemlineáris, sztochasztikus differenciaegyenletek megoldása Uhlig-algoritmussal
MÛHELY Közgazdasági Szemle, LIII évf, 2006 március (235 252 o) HORVÁTH ÁRON Nemlineáris, szochaszikus differenciaegyenleek megoldása Uhlig-algorimussal A modern közgazdasági elemzések során gyakran alkalmaznak
RészletesebbenAncon feszítõrúd rendszer
Ancon feszíõrúd rendszer Ancon 500 feszíőrúd rendszer Az összeköő, feszíő rudazaoka egyre gyakrabban használják épíészei, lászó szerkezei elemkén is. Nagy erhelheősége melle az Ancon rendszer eljesíi a
RészletesebbenSzenzorcsatolt robot: A szenzorcsatolás lépései:
1. Mi a szenzorcsatolt robot, hogyan épül fel? Ismertesse a szenzorcsatolás lépéseit röviden az Egységes szenzorplatform architektúra segítségével. Mikor beszélünk szenzorfúzióról? Milyen módszereket használhatunk?
RészletesebbenAUTOMATIKA. Dr. Tóth János
UTOMTIK UTOMTIK Dr. Tóh János TERC Kf. udapes, 3 Dr. Tóh János, 3 3 Kézira lezárva:. november 9. ISN 978-963-9968-57-8 Kiadja a TERC Kereskedelmi és Szolgálaó Kf. Szakkönyvkiadó Üzleága, az 795-ben alapío
RészletesebbenBODE-diagram szerkesztés
BODE-diagram szerkeszés Egy lineáris ulajdonságú szabályozandó szakasz (process) dinamikus viselkedése egyérelmű kapcsolaban áll a rendszer szinuszos jelekre ado válaszával, vagyis a G(j) frekvenciaávieli
RészletesebbenErőmű-beruházások értékelése a liberalizált piacon
AZ ENERGIAGAZDÁLKODÁS ALAPJAI 1.3 2.5 Erőmű-beruházások érékelése a liberalizál piacon Tárgyszavak: erőmű-beruházás; piaci ár; kockáza; üzelőanyagár; belső kama. Az elmúl évek kaliforniai apaszalaai az
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június
ÖKONOMETRIA ÖKONOMETRIA Készül a TÁMOP-4..2-08/2/A/KMR-2009-004pályázai projek kereében Taralomfejleszés az ELTE TáK Közgazdaságudományi Tanszékén az ELTE Közgazdaságudományi Tanszék, az MTA Közgazdaságudományi
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,
RészletesebbenGépészeti rendszerek. RUGÓK (Vázlat) Dr. Kerényi György. Gépészeti rendszerek. Rugók. Dr. Kerényi György
0.04.. RUGÓK (Vázla) Rugók 0.04.. Rugók A rugók nagy rugalmasságú elemek, amelyek erő haására jelenős rugalmas alakválozás szenvednek. Rugalmassági jellemzőikől üggően a rugók a legkülönbözőbb eladaok
RészletesebbenA xilol gőz alsó robbanási határkoncentrációja 1,1 tf.%. Kérdés, hogy az előbbi térfogat ezt milyen mértékben közelíti meg.
Bónusz János A robbanásveszély elemzése számíással Szerzőnk álal ismeree gondolamene minden olyan eseben kiindulási alapul szolgálha, amikor szerves oldószergőzök kerülnek a munkaérbe és o különféle robbanásveszélyes
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - lokális információval Pataki Béla Bolgár Bence BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Rugó tervezése
RészletesebbenFIZIKA KÖZÉPSZINT. Első rész. Minden feladat helyes megoldásáért 2 pont adható.
FIZIKA KÖZÉPSZINT Első rész Minden felada helyes megoldásáér 2 pon adhaó. 1. Egy rakor először lassan, majd nagyobb sebességgel halad ovább egyenleesen. Melyik grafikon muaja helyesen a mozgás? v v s s
RészletesebbenÍ Í í É íé ű í Á É í í É í ú Í É Á í í í í É í í í í ú í í É ú ú í ű í ú í ú ú ú í ű í í í ú í í ű ú í í ú ú ú í ű í í í í í í í í íí í í í É ű ű ű í í É í É ú í í í ú í í ú í ú í í í É ú í ú ú í ú í í
RészletesebbenMegbízhatóság-elmélet. 2. rész
Megbízhaóság-elméle. rész Rendszerek megbízhaósági vizsgálaa Boole modell szerin Min & mb. rész Megbízhaóság szemponjából jellegzees rendszersrukúrák Redundancia menes rendszer - bármely rendszerelem meghibásodása
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Racionalitás: a hasznosság és a döntés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenMATEMATIKA I. KATEGÓRIA (SZAKKÖZÉPISKOLA)
Okaási Hivaal A 015/016 anévi Országos Közéiskolai Tanulmányi Verseny dönő forduló MATEMATIKA I KATEGÓRIA (SZAKKÖZÉPISKOLA) Javíási-érékelési úmuaó 1 Ado három egymásól és nulláól különböző számjegy, melyekből
RészletesebbenKözgazdasági idősorok elemzése X-11/12 ARIMA eljárással
Közgazdasági idősorok elemzése X-11/12 ARIMA eljárással 1. Az idősor-elemzés menee Az idősor-elemzés célja, hogy a közgazdasági aralmú idősor hosszú ávú és rövid ávú viselkedésé egyérelmű módon széválassza,
RészletesebbenRekonstrukciós eljárások. Orvosi képdiagnosztika 2017 ősz
Rekonstrukciós eljárások Orvosi képdiagnosztika 2017 ősz Pozitron emissziós tomográfia alapelve Szervezetbe pozitron kibocsátására képes radioaktív izotópot tartalmazó anyagot visznek cukoroldatban. Sejtek
RészletesebbenDinamikus modellek szerkezete, SDG modellek
Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.
Részletesebbenül** Á ö ú ö ö ö ö ő ő ű ő ö ö ő ú úö í ü ű ö í ü ö ú ú ő ű ú í í ő í ú ő í í í í í ú í í Á ő ő ő í ő Í í ő ű ű Í ő í ő í í ö í Ü ő í ű ú Í í ű ö í í ű ő í ő í ű ü í ű ú í í ö ő Ú ö ö ö ő ő ú ő ö ö í
RészletesebbenHitelkérelmi adatlap egyéni vállalkozások részére Útdíj Hitelprogram
Hielkérelmi adalap egyéni vállalkozások részére Údíj Hielprogram (a hielkérő egyéni vállalkozás elnevezése) A hielkérelmi adalap ávéele nem köelezi a KAVOSZ Vállalkozásfejleszési Zr.- a hielnyújásra! Az
RészletesebbenValószínűségi hálók. Mesterséges Intelligencia - MI. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Mesterséges Intelligencia - MI Valószínűségi hálók Előadó: Hullám Gábor Pataki Béla Előadás anyaga: Dobrowiecki
RészletesebbenFolyamatszemléleti lehetőségek az agro-ökoszisztémák modellezésében
Folyamaszemlélei leheőségek az agro-ökosziszémák modellezésében Dokori (D) érekezés Ladányi Mára Témavezeő: Dr. Harnos Zsol, MHAS, egyeemi anár BCE, Kerészeudományi Kar, Maemaika és Informaika Tanszék
RészletesebbenBizonytalan tudás kezelése
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Bizonytalan tudás kezelése Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz Valószínűségi
RészletesebbenELEKTRONIKAI ALAPISMERETEK
Elekronikai alapismereek középszin 3 ÉETTSÉGI VIZSGA 0. okór 5. ELEKTONIKAI ALAPISMEETEK KÖZÉPSZINTŰ ÍÁSBELI ÉETTSÉGI VIZSGA JAVÍTÁSI-ÉTÉKELÉSI ÚTMTATÓ EMBEI EŐFOÁSOK MINISZTÉIMA Egyszerű, rövid feladaok
RészletesebbenELEKTRONIKAI ALAPISMERETEK
Elekronikai alapismereek emel szin 5 ÉETTSÉGI VIZSG 06. május 8. EEKTONIKI PISMEETEK EMET SZINTŰ ÍÁSEI ÉETTSÉGI VIZSG JVÍTÁSI-ÉTÉKEÉSI ÚTMTTÓ EMEI EŐFOÁSOK MINISZTÉIM Egyszerű, rövid feladaok Maximális
RészletesebbenAz árfolyamsávok empirikus modelljei és a devizaárfolyam sávon belüli elõrejelezhetetlensége
Az árfolyamsávok empirikus modelljei 507 Közgazdasági Szemle, XLVI. évf., 1999. június (507 59. o.) DARVAS ZSOLT Az árfolyamsávok empirikus modelljei és a devizaárfolyam sávon belüli elõrejelezheelensége
RészletesebbenREAKCIÓKINETIKA ELEMI REAKCIÓK ÖSSZETETT REAKCIÓK. Egyszer modellek
REKIÓKINETIK ELEMI REKIÓK ÖSSZETETT REKIÓK Egyszer moelle Párhuzamos (parallel reaió Egyensúlyra veze reaió Egymás öve (sorozaos onszeuív reaió 4 Sorozaos reaió egyensúlyi lépéssel Moleuláris moelle reaiósebességi
RészletesebbenAdatbányászat: Rendellenesség keresés. 10. fejezet. Tan, Steinbach, Kumar Bevezetés az adatbányászatba
Adabányásza: Rendellenesség keresés 10. fejeze Tan, Seinbach, Kumar Bevezeés az adabányászaba előadás-fóliák fordíoa Ispány Máron Logók és ámogaás A ananyag a TÁMOP-4.1.2-08/1/A-2009-0046 számú Kele-magyarországi
RészletesebbenREAKCIÓKINETIKA ALAPFOGALMAK. Reakciókinetika célja
REKCIÓKINETIK LPFOGLMK Reakiókineika élja. Reakiók idbeli lefuásának, idbeliségének vizsgálaa: miér gyors egy reakió, és miér lassú egy másik?. Hogyan függ a reakiók sebessége a hmérséklel? 3. Reakiók
RészletesebbenSztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Bizonytalan tudás és kezelése Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Milyen matematikát
RészletesebbenMonte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás
Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás Démon algoritmus az ideális gázra időátlag fizikai mennyiségek átlagértéke sokaságátlag E, V, N pl. molekuláris dinamika Monte
RészletesebbenPortfóliókezelési keretszerződés
Porfóliókezelési kereszerződés Válaszo befekeési poliika Jelen szerződés lérejö alulíro helyen és napon a Random Capial Broker Zárkörűen Működő Részvényársaság (székhely: H-1053 Budapes, Szép u.2., nyilvánarja
RészletesebbenVezetéki termikus védelmi funkció
Budapes, 016. auguszus Bevezeés A vezeéki ermikus védelmi fukció alapveőe a három miavéeleze fázisáramo méri. Kiszámolja az effekív érékeke, és a hőmérsékle számíásá a fázisáramok effekív érékére alapozza.
Részletesebben6 ANYAGMOZGATÓ BERENDEZÉSEK
Taralomjegyzék 0. BEVEZETÉS... 7. ANYAGMOZGATÓGÉPEK ÁLTALÁNOS MOZGÁSEGYENLETEI... 9.. Ado mozgásállapo megvalósíásához szükséges energia... 0.. Mozgásállapo meghaározása ado energiaforrás alapján... 5.
Részletesebben2.2.45. SZUPERKRITIKUS FLUID KROMATOGRÁFIA 2.2.46. KROMATOGRÁFIÁS ELVÁLASZTÁSI TECHNIKÁK
2.2.45. Szuperkriikus fluid kromaográfia Ph. Hg. VIII. Ph. Eur. 4, 4.1 és 4.2 2.2.45. SZUPEKITIKUS FLUID KOATOGÁFIA A szuperkriikus fluid kromaográfia (SFC) olyan kromaográfiás elválaszási módszer, melyben
RészletesebbenÜZEMELTETÉS ELMÉLETE ÜZEMELTETÉS, FENNTARTÁS 1-2 előadás vázlatok
ÜZEMELTETÉS ELMÉLETE ÜZEMELTETÉS, FENNTARTÁS -2 előadás vázlaok f. anár Széchenyi Isván Egyeem, Győr E-mail: zvikli@sze.hu Web: hp://rs.sze.hu/~zvikli A anárgy okaásának célja hogy az üzemeleés és fennarás,
RészletesebbenStatisztika II. előadás és gyakorlat 1. rész
Saiszika II. Saiszika II. előadás és gyakorla 1. rész T.Nagy Judi Ajánlo irodalom: Ilyésné Molnár Emese Lovasné Avaó Judi: Saiszika II. Feladagyűjemény, Perfek, 2006. Korpás Ailáné (szerk.): Álalános Saiszika
RészletesebbenAlgoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 6.
Algorimuselméle Keresőfák, piros-fekee fák Kaona Gyula Y. Sámíásudományi és Információelmélei Tansék Budapesi Műsaki és Gadaságudományi Egyeem. előadás Kaona Gyula Y. (BME SZIT) Algorimuselméle. előadás
RészletesebbenSíkalapok vizsgálata - az EC-7 bevezetése
Szilvágyi László - Wolf Ákos Síkalapok vizsgálaa - az EC-7 bevezeése Síkalapozási feladaokkal a geoehnikus mérnökök szine minden nap alálkoznak annak ellenére, hogy mosanában egyre inkább a mélyépíés kerül
Részletesebben