8. Előadás: Szimuláció, I.
|
|
- Margit Tamás
- 5 évvel ezelőtt
- Látták:
Átírás
1 8. Előadás: Szimuláció, I. Wayne L. Winston: Operációkutatás, módszerek és alkalmazások, Aula Kiadó, Budapest, 2003 könyvének 21. fejezete alapján. A szimulációt komplex rendszerek elemzésére, tanulmányozására használjuk. Az elemzéseket tipikusan számítógépes programok futtatásával végezzük el. Az eddig tanulmányozott készletezési illetve sorbanállási modelljeink mind olyanok voltak, amelyeket analitikusan meg tudtunk oldani. Célunk többnyire a felállított modell optimális megoldásának a meghatározása volt. Ha azonban a rendszert teljes általánosságában szeretnénk vizsgálni, akkor mind a készletezési, mind a sorbanálási és egyéb más rendszerek esetében is a rendszer bonyolultsága, a sztochasztikus függőségi viszonyok és más egyebek miatt nem minden valós probléma írható le megfelelően az eddig megismert modellekkel. Ha mégis analitikusan írjuk le a rendszert, akkor olyan sok egyszerűsítő feltétellel kell élnünk, hogy az így kapott megoldások megbízhatatlanok, felhasználásra alkalmatlanok lesznek. Ilyen esetekben a döntéshozó számára a modellezés és elemzés jó alternatív formája lehet a számítógépes szimuláció. A szimulációt olyan módszerként definiálhatjuk, amely egy időben változó valós rendszer működését utánozza. Ennek érdekében általában szimulációs modellt készítünk. A szimulációs modell a vizsgált rendszer működésével kapcsolatos feltevések halmazából áll, melyeket a rendszerben szereplő objektumok közötti matematikai és logikai összefüggésekkel fejezünk ki. A szimulációs eljárás sohasem szolgáltat pontos megoldást, az csak a modell időbeni általában számítógépen történő futtatását vagy végrehajtását jelenti abból a célból, hogy a rendszer működését leíró teljesítménymutatókról szolgáltasson reprezentatív mintát. Így a szimulációs kiértékelés nem más, mint a valós rendszerből vett mintavételi kísérletsor, amely eredményei a mintavételi realizációk. Például egy teljesítménymutató átlagértékére úgy adhatjuk a legjobb becslést, hogy átlagoljuk a mintavétel eredményeit. Minél több mintavételi realizációt tekintünk, annál jobb becsléseket nyerünk. Ugyanakkor más tényezők, mint pl. a szimuláció kezdeti feltételei, a szimulációs időszak hossza és magának a modellnek a pontossága, mind hatással vannak a végső becslés jóságára. 1
2 A szimuláció előnye, hogy viszonylag egyszerű elméleti alapokon nyugszik, ezért az analitikus módszereknél könnyebb az alkalmazása, melyhez azonban számítógépes ismeretekre is szükség van. A szimulációs modellek közelebb állhatnak a valós rendszer leírásához, mivel jóval kevesebb egyszerűsítő feltételt kell alkalmazni, mint az analitikus modellek esetében. Ha egy szimulációs modellt felépítettünk, akkor azt (estleg apró változtatásokkal) egymásután többször alkalmazhatjuk különböző stratégiák, paraméterek vagy tervek elemzésére. A szimuláció fő hátránya az, hogy önmagában nem optimalizációs módszer. Leggyakrabban mi történne, ha típusú kérdések megválaszolására használják. Van lehetőség arra, hogy szimulációs kiértékeléssel nyert teljesítménymutató optimális értékét megkeressük, azonban ez lassú folyamat lehet, mert a célfüggvény minden egyes értékének a meghatározása külön-külön hosszadalmas szimulációs kiértékelést igényel, ráadásul az így kiszámított teljesítménymutató értéke mindig csak becsült érték, tehát viszonylag pontatlan. 1. Alapvető fogalmak 1.1. Definíció: A rendszer olyan entitások halmaza, amelyek egy logikus végkifejlet érdekében végeznek cselekvéseket és közben kölcsönkapcsolatokra lépnek egymással. A rendszerek általában dinamikusak, helyzetük időben változik. A helyzetváltozások leírásához bevezetjük a rendszer állapotának a fogalmát Definíció: A rendszer állapota olyan változók halmaza, amelyek a rendszer helyzetének leírásához egy adott időpillanatban szükségesek. Tekintsünk a rendszerre példaként egy bankot. Itt a rendszer az ügyfélszolgálatosokból és az ügyfelekből áll, akik várnak a sorukra vagy éppen kiszolgálják őket. Amikor ügyfél érkezik vagy távozik, megváltozik a rendszer helyzete. Hogy ezeket a rendszerben bekövetkező változásokat leírjuk, változók egy halmazát hívjuk segítségül, amelyeket állapotváltozóknak hívunk. Például az éppen foglalt ügyfélszolgálatosok száma, az 2
3 ügyfelek száma, az egymást követő vevők várakozási ideje és az ügyfelek távozásáig eltelt idő együtt a bank helyzetében beálló minden változást leírnak. Ezért ezeket a változókat ezen rendszer állapotváltozóiként használhatjuk. A rendszerben részt vevő releváns dolgokat entitásnak hívjuk, és az entitások tulajdonságait attribútumnak vagy tényezőnek. Például a bank ügyfeleit ezek szerint entitásnak tekintjük és az ügyfelek jellemzőit (például az ügyfél foglalkozása) attribútumként értelmezzük. A rendszereket csoportosíthatjuk aszerint, hogy diszkrétek vagy folytonosak Definíció: A rendszer diszkrét, ha állapotváltozói csak diszkrét időközönként vagy megszámlálhatóan sok időpontban változnak. A bank a diszkrét rendszerek egy példája, mivel állapotváltozói csak akkor változnak meg, ha ügyfél érkezik, vagy ha kiszolgálása befejeződik és távozik. Ezek a változások diszkrét időközönként történnek Definíció: A rendszer folytonos, ha állapotváltozói időben folytonosan változnak. Egy kémiai folyamat a folytonos rendszerek egy példája. Itt a rendszer helyzete időben folytonosan változik. Az ilyen rendszereket általában differenciálegyenletekkel modellezik, mi azonban csak diszkrét rendszerekkel fogunk foglalkozni Definíció: A statikus szimulációs modell a rendszer leírását adja meg egy adott időpillanatban. A statikus szimulációt Monte Carlo szimulációnak is nevezik Definíció: A dinamikus szimuláció a rendszer időbeni fejlődésének a leírására szolgál. Mindkét típusú szimuláció lehet determinisztikus vagy sztochasztikus. A determinisztikus szimulációs modell nem tartalmaz valószínűségi változókat, míg egy sztochasztikus szimulációs modell egy vagy több valószínűségi változót tartalmaz. A továbbiakban csak diszkrét sztochasztikus modellekkel foglalkozunk. 3
4 2. Példa diszkrét idejű szimulációra Tekintsünk egy egy kiszolgálóhellyel rendelkező sorbaállási rendszert, amelybe egy populáció (sokaság) tagjai érkeznek be egy szolgáltatás igénybevételére. Ott vagy azonnal kiszolgálják őket, ha a kiszolgálóhely szabad, vagy ha foglalt az, akkor várólistára kerülnek (beállnak a sorba). Ilyen sorbaállási modellel foglalkoztunk analitikusan is, csak akkor fel kellett tennünk, hogy a sorbaállási rendszer M/M/1 típusú, azaz hogy két beérkezés között eltelt idő és a kiszolgálási idő is exponenciális eloszlású. Ez a feltevés sokszor nem helyes, ilyenkor nem tudunk analitikus eredményeket produkálni, azonban a rendszer fő jellemzői meghatározhatóak még akkor is, ha bármilyen eloszlást használunk is a beérkezési és kiszolgálási idők szimulálására, legyenek azok akár korábbi megfigyelésekből összegyűjtött empirikus eloszlások. Ahhoz, hogy egy sorbaállási rendszert szimulálni lehessen, először pontosan specifikálni kell azt. A példánkban feltesszük, hogy az érkező egyedek (entitások) végtelen alapsokaságból jönnek, a sorbaállási rendszer korlátlan várakozási kapacitással rendelkezik, és az ügyfeleket érkezési sorrendben szolgálja ki (F CF S alapon). Feltételezzük továbbá, hogy egyszerre egy ügyfél érkezik véletlenszerűen az 1. táblázatban megadott beérkezési eloszlás szerint. Végül a kiszolgálási időket is véletlenszerűnek tekintjük, mégpedig a 2. táblázatban megadott eloszlás szerintinek. Minden beérkezés és kiszolgálás egymástól függetlenül történik. A kiszolgált ügyfelek visszatérnek az alapsokaságba, ahogyan azt az 1. ábra szemlélteti. Definiálnunk kell azt is, hogy mit értünk a rendszer állapota alatt, és meg kell érteni az események és a mért idő fogalmát a szimuláción belül. A rendszer állapotának a leírására szolgáljanak a következő változók: (1) a rendszerben lévő ügyfelek száma; (2) a kiszolgálóhely helyzete, azaz, hogy szabad vagy foglalt; (3) a következő beérkezésig eltelő idő. A rendszer állapotával szoros kapcsolatban lévő fogalom az esemény. Az eseményt olyan helyzetként definiáljuk, ami a rendszer állapotát azonnal megváltoztatja. A most vizsgált sorbaállási modellünkben két lehetséges esemény van: a rendszerbe való beérkezés és a kiszolgálás végrehajtása után a rendszerből való távozás. A szimuláció során 4
5 Két beérkezés közteltelt idő (perc) Valószínűség 1 0,20 2 0,30 3 0,35 4 0,15 1. táblázat. Két beérkezés közt eltelt idő eloszlása A kiszolgálási idő (perc) Valószínűség 1 0,35 2 0,40 3 0,25 2. táblázat. A kiszolgálási idő eloszlása 1. ábra. Egy kiszolgálóhelyes sorbaállási rendszer az eseményeket a bekövetkezési időpontjuk feltüntetésével jegyezzük fel. Minden, az eseményekre vonatkozó információt az úgynevezett eseménylista tartalmaz. Ebben a listában tehát nem csak az esemény típusát, hanem a bekövetkezési idejét is tároljuk. Az időt a szimulációban egy változó, a mért idő segítségével adjuk meg. A sorbaállási rendszerünk szimulálását kezdjük üres rendszerrel, és önkényesen tegyük fel, hogy az első esemény egy beérkezés, ami a 0 mért időpontban történik. Ezen beérkezés esetében a rendszer még szabad és azonnal megkezdődik az ügyfél kiszolgálása. Más időpontban történő beérkezések a rendszert szabad vagy foglalt állapotban találhatják. Ha a kiszolgálóhely szabad, megkezdődik az ügyfél kiszolgálása. Ha a kiszolgálóhely foglalt, az ügyfél a várólistára kerül. Ezeket az eseményeket a 2. ábra szemlélteti. 5
6 2. ábra. Egy beérkezés folyamatábrája A következő lépésben feljegyezzük az első ügyfél távozási idejét: távozás időpontja = jelenlegi mért idő + generált kiszolgálási idő Hasonlóan feljegyezzük a következő beérkezés időpontját: beérkezés időpontja = jelenlegi mért idő + generált beérkezési időtávolság Mindkét esemény feljegyzett időpontjával együtt az eseménylistában fog szerepelni. Ha mindent véghezvittünk az első beérkezéssel kapcsolatban, akkor megnézzük az eseménylistát és meghatározzuk a következő eseményt és annak időpontját. Ha a következő esemény beérkezés, akkor a mért időt a beérkezés időpontjára állítjuk, és végigmegyünk azoknak az akcióknak a sorozatán, amelyeket a beérkezéskor kell végrehajtani (lásd 2. ábra). Ha a következő esemény távozás, akkor a mért időt a távozás időpontjára állítjuk, és lefuttatjuk a távozáskor végrehajtandó akciók sorozatát, azaz ellenőrizzük, hogy a várólista hossza nagyobb-e nullánál. Ha igen, akkor eltávolítjuk az első ügyfelet a sorból, és megkezdjük ennek az ügyfélnek a kiszolgálását úgy, hogy a távozási időpontját kisorsoljuk. Ha pedig senki sem várakozik, akkor a rendszer helyzetét foglaltra állítjuk át. Ezeket a távozáskor végrehajtandó akciókat a 3. ábra szemlélteti. Ezt a fajta szimulációt következő eseményre épülő időváltoztatási mechanizmusnak nevezik a mért idő frissítési technikája miatt. Ekkor a szimuláció mért idejét 6
7 3. ábra. Egy távozás folyamatábrája mindig a legközelebbi esemény időpontjára állítjuk be, azaz az eseménylista mért idő utáni első elemének az időpontjára. Mivel az állapotváltozók csak valamely esemény bekövetkezése esetén változnak meg, az inaktív időperiódusokat átugorjuk, és eseményről eseményre lépkedünk, és végrehajtjuk a megfelelő akciókat, beleértve a jövőbeli események adatainak a feljegyzését is. Így haladunk egészen addig, amíg egy előre meghatározott leállási feltétel (többnyire a szimulációs idő felső korlátjának a meghaladása) be nem következik. Az így megvalósított szimulációs eljárás során minden egyes lépésben feljegyzünk egy jövőbeli érkezést, vagy távozást. Így tehát mindig új beérkezési időt jegyzünk be, amikor beérkezés történik a rendszerbe és mindig új távozási időt jegyzünk be, amikor távozás történik a rendszerből, kivéve, ha az éppen távozó ügyfél üres rendszert hagy maga után, mely esetben nem kezdődik új ügyfél kiszolgálása, nincs új távozási idő, amelyet be kellene jegyezni az eseménylistába. Ezt feloldandó meg lehet tenni azt, hogy ilyenkor egy fiktív távozási eseményt jegyzünk be az eseménylistába, mely időpontja végtelen nagy, vagy legalábbis a számítógépen ábrázolható legnagyobb szám, de legalább akkora, hogy a tervezett szimulációs időtartamnál feltétlen nagyobb. A teljes szimulációs program folyamatábrája a 4. ábrán látható. 7
8 4. ábra. Az egy kiszolgálóhelyes sorbaállási rendszer szimulációjának folyamatábrája 8
9 A 4. ábra folyamatábrájában a változók jelentése rendre a következő: MI = a szimuláció mért ideje KB = a következő beérkezés ideje KT = a következő távozás ideje SZH = a kiszolgálóhely helyzete (1 = foglalt, 0 = szabad) VLH = a várólista hossza MX = a szimulációs futtatás maximális hossza (időegységben) A folyamatábra első blokkjában nyilván a KB = 0,SZH = 0,VLH = 0sKT = 9999 és például MX = 1000 kezdőérték beállításokat kell tenni. Csupán arra kell ügyelni, KT > MX legyen. MI értékét nem szükséges beállítani, az a szimuláció kezdetekor nyilván a KB = 0 értéket fogja kapni. A folyamatábra további elemzésétől eltekintünk, annak alapján bármilyen általános célú programozási nyelven megfelelő kód készíthető. Ennek egyedüli akadálya mostmár csak az, hogy megfelelő eszközzel kell rendelkeznünk a következő véletlen beérkezési idők és az esetenkénti véletlen kiszolgálási idők kisorsolására. Ezzel a következő elődásban fogunk részletesen foglalkozni. Addig a 3. táblázatban adott, előre legenerált véletlen beérkezési és kiszolgálási idők alkalmazásával is lefuttatható a szimuláció. Ügyfél Beérkezési Kiszolgálási száma idő (BI) idő (KI) táblázat. Generált beérkezési és kiszolgálási idők 9
10 Az eredményeket a 4. táblázat, illetve az 5. ábra tartalmazza. Esemény Esemény Vevő vége típusa száma MI SZH V LH KB KT 0 kezdeti értékadás beérkezés beérkezés távozás beérkezés távozás beérkezés távozás távozás távozás távozás beérkezés beérkezés távozás távozás beérkezés táblázat. A szimuláció futtatási eredménye 5. ábra. A szimuláció eredményeinek ábrázolása a számegyenesen Az előbb tárgyalt, következő eseményre épülő módszernél a következő eseményre ugrás időtávolsága nagy és kicsi is lehet; azaz ennél a módszernél az időugrások mérete 10
11 változó. Ezzel szemben azt is megtehetjük, hogy a szimuláció mért idejét állandó t lépésközzel változtatjuk, ahol t egy megfelelő, általában egységnyi hosszúságú időegység. Ezt a megközelítést rögzített léptékű időváltoztatási módszernek nevezzük. Ebben az idő minden egyes léptetése után ellenőrizzük, hogy fel kell-e jegyeznünk eseményt az aktuális idöponthoz. Ha feljegyzünk egy eseményt, akkor végre kell hajtani az eseményhez tartozó akciókat. Ha nem jegyzünk fel eseményt vagy ha már minden teendőt végrehajtottunk erre az időpontra, akkor a szimuláció mért idejét t egységgel léptetjük és megismételjük az eljárást. Ugyanúgy, mint a következő eseményre épülő megközelítésben, itt is egy előre meghatározott leállási feltétel bekövetkezéséig haladunk előre. A rögzített léptékű időváltoztatási módszer általában egyszerűbb a változatlan időlépték miatt. Mégis, a következő eseményre épülő módszer számításigény szempontjából hatékonyabbnak bizonyul. 11
Logisztikai szimulációs módszerek
Üzemszervezés Logisztikai szimulációs módszerek Dr. Juhász János Integrált, rugalmas gyártórendszerek tervezésénél használatos szimulációs módszerek A sztochasztikus külső-belső tényezőknek kitett folyamatok
Részletesebbenelőadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás
13-14. előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 2016. november 28. és december 5. 13-14. előadás 1 / 35 Bevezetés A diszkrét
Részletesebben4. Előadás: Sorbanállási modellek, I.
4. Előadás: Sorbanállási modellek, I. Wayne L. Winston: Operációkutatás, módszerek és alkalmazások, Aula Kiadó, Budapest, 2003 könyvének 20. fejezete alapján... A sorbanállási elmélet alapfogalmai A sorbanállási
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
Részletesebben6. Előadás: Sorbanállási modellek, III.
6. Előadás: Sorbanállási modellek, III..5. Az M/M//GD/c/ sorbanállási rendszer Az ebben a szakaszban vizsgált sorbanállási rendszer piktogrammja az. ábrán látható. Ennek értelmében a születési halálozási
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenOperációkutatás. 4. konzultáció: Sorbanállás. Exponenciális elsozlás (ismétlés)
Operációkutatás NYME KTK, gazdálkodás szak, levelező alapképzés 2002/2003. tanév, II. évf. 2.félév Előadó: Dr. Takách Géza NyME FMK Információ Technológia Tanszék 9400 Sopron, Bajcsy Zs. u. 9. GT fszt.
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenMegerősítéses tanulás 7. előadás
Megerősítéses tanulás 7. előadás 1 Ismétlés: TD becslés s t -ben stratégia szerint lépek! a t, r t, s t+1 TD becslés: tulajdonképpen ezt mintavételezzük: 2 Akcióértékelő függvény számolása TD-vel még mindig
RészletesebbenProgramozási módszertan
1 Programozási módszertan 1. Alapfogalmak Feldhoffer Gergely 2012 Féléves tananyag terve 2 Program helyességének bizonyítása Reprezentáció Logikai-matematikai eszköztár Programozási tételek bizonyítása
RészletesebbenOsztott algoritmusok
Osztott algoritmusok A benzinkutas példa szimulációja Müller Csaba 2010. december 4. 1. Bevezetés Első lépésben talán kezdjük a probléma ismertetésével. Adott két n hosszúságú bináris sorozat (s 1, s 2
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
RészletesebbenDr. Kalló Noémi. Termelés- és szolgáltatásmenedzsment. egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék. Dr.
Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Ismertesse a legfontosabb előrejelzési módszereket és azok gyakorlati
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre
RészletesebbenKvantitatív módszerek
Kvantitatív módszerek szimuláció Kovács Zoltán Szervezési és Vezetési Tanszék E-mail: kovacsz@gtk.uni-pannon.hu URL: http://almos/~kovacsz Mennyiségi problémák megoldása analitikus numerikus szimuláció
RészletesebbenOperációkutatás vizsga
Operációkutatás vizsga A csoport Budapesti Corvinus Egyetem 2007. január 16. Egyéb gyakorló és vizsgaanyagok találhatók a honlapon a Letölthető vizsgasorok, segédanyagok menüpont alatt. OPERÁCIÓKUTATÁS,
RészletesebbenGyakorló feladatok Alkalmazott Operációkutatás vizsgára. További. 1. Oldja meg grafikusan az alábbi feladatokat mindhárom célfüggvény esetén!
Gyakorló feladatok Alkalmazott Operációkutatás vizsgára. További példák találhatók az fk.sze.hu oldalon a letöltések részben a közlekedési operációkutatásban 1. Oldja meg grafikusan az alábbi feladatokat
RészletesebbenStruktúra nélküli adatszerkezetek
Struktúra nélküli adatszerkezetek Homogén adatszerkezetek (minden adatelem azonos típusú) osztályozása Struktúra nélküli (Nincs kapcsolat az adatelemek között.) Halmaz Multihalmaz Asszociatív 20:24 1 A
RészletesebbenÁRAMKÖRÖK SZIMULÁCIÓJA
ÁRAMKÖRÖK SZIMULÁCIÓJA Az áramkörök szimulációja révén betekintést nyerünk azok működésébe. Meg tudjuk határozni az áramkörök válaszát különböző gerjesztésekre, különböző üzemmódokra. Végezhetők analóg
RészletesebbenPoisson-eloszlás Exponenciális és normális eloszlás (házi feladatok)
Poisson-eloszlás Exponenciális és normális eloszlás (házi feladatok)./ Egy televízió készülék meghibásodásainak átlagos száma óra alatt. A meghibásodások száma a vizsgált időtartam hosszától függ. Határozzuk
Részletesebben( 1) i 2 i. megbízhatóságú a levont következtetése? A matematikai statisztika eszközeivel értékelje a kapott eredményeket!
1. Név:......................... Egy szabályos pénzérmét feldobunk, ha az els½o FEJ az i-edik dobásra jön, akkor a játékos nyereménye ( 1) i i forint. Vizsgálja szimulációval a játékot, különböz½o induló
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenBiometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
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
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
RészletesebbenSzámítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
RészletesebbenOperációkutatás vizsga
Operációkutatás vizsga B csoport Budapesti Corvinus Egyetem 2007. január 16. Egyéb gyakorló és vizsgaanyagok találhatók a honlapon a Letölthető vizsgasorok, segédanyagok menüpont alatt. OPERÁCIÓKUTATÁS
Részletesebben12. előadás - Markov-láncok I.
12. előadás - Markov-láncok I. 2016. november 21. 12. előadás 1 / 15 Markov-lánc - definíció Az X n, n N valószínűségi változók sorozatát diszkrét idejű sztochasztikus folyamatnak nevezzük. Legyen S R
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenMÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI
MÉRÉSI EREDMÉYEK POTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI. A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenMegerősítéses tanulási módszerek és alkalmazásaik
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Megerősítéses tanulási módszerek és alkalmazásaik Tompa Tamás tanársegéd Általános Informatikai Intézeti Tanszék Miskolc, 2017. szeptember 15. Tartalom
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
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
Részletesebben3/29/12. Biomatematika 2. előadás. Biostatisztika = Biometria = Orvosi statisztika. Néhány egyszerű definíció:
Biostatisztika = Biometria = Orvosi statisztika Biomatematika 2. előadás Néhány egyszerű definíció: A statisztika olyan tudomány, amely a tömegjelenségekkel kapcsolatos tapasztalati törvényeket megfigyelések
RészletesebbenOPERÁCIÓKUTATÁS, AZ ELFELEDETT TUDOMÁNY A LOGISZTIKÁBAN (A LOGISZTIKAI CÉL ELÉRÉSÉNEK ÉRDEKÉBEN)
OPERÁCIÓKUTATÁS, AZ ELFELEDETT TUDOMÁNY A LOGISZTIKÁBAN (A LOGISZTIKAI CÉL ELÉRÉSÉNEK ÉRDEKÉBEN) Fábos Róbert 1 Alapvető elvárás a logisztika területeinek szereplői (termelő, szolgáltató, megrendelő, stb.)
RészletesebbenAz optimális megoldást adó algoritmusok
Az optimális megoldást adó algoritmusok shop ütemezés esetén Ebben a fejezetben olyan modellekkel foglalkozunk, amelyekben a munkák több műveletből állnak. Speciálisan shop ütemezési problémákat vizsgálunk.
RészletesebbenJelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék
Jelek és rendszerek 1 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék 1 Ajánlott irodalom: FODOR GYÖRGY : JELEK ÉS RENDSZEREK EGYETEMI TANKÖNYV Műegyetemi Kiadó, Budapest, 2006
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
RészletesebbenRekurzió. Dr. Iványi Péter
Rekurzió Dr. Iványi Péter 1 Függvényhívás void f3(int a3) { printf( %d,a3); } void f2(int a2) { f3(a2); a2 = (a2+1); } void f1() { int a1 = 1; int b1; b1 = f2(a1); } 2 Függvényhívás void f3(int a3) { printf(
Részletesebben1. Név:... Neptun Kód:... Feladat: Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt
1. Név:......................... Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt a gyártmányt készítik. Egy gyártmány összeszerelési ideje normális eloszlású valószín½uségi változó
RészletesebbenVéletlenszám generátorok és tesztelésük HORVÁTH BÁLINT
Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I. 1 I. HALmAZOk 1. JELÖLÉSEk A halmaz fogalmát tulajdonságait gyakran használjuk a matematikában. A halmazt nem definiáljuk, ezt alapfogalomnak tekintjük. Ez nem szokatlan, hiszen
RészletesebbenVéletlenszám generátorok és tesztelésük. Tossenberger Tamás
Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél
Részletesebben1. előadás. Lineáris algebra numerikus módszerei. Hibaszámítás Számábrázolás Kerekítés, levágás Klasszikus hibaanalízis Abszolút hiba Relatív hiba
Hibaforrások Hiba A feladatok megoldása során különféle hibaforrásokkal találkozunk: Modellhiba, amikor a valóságnak egy közelítését használjuk a feladat matematikai alakjának felírásához. (Pl. egy fizikai
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
RészletesebbenAlgoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás
Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált
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.
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
Részletesebbenút hosszát. Ha a két várost nem köti össze út, akkor legyen c ij = W, ahol W már az előzőekben is alkalmazott megfelelően nagy szám.
1 Az utazó ügynök problémája Utazó ügynök feladat Adott n számú város és a városokat összekötő utak, amelyeknek ismert a hossza. Adott továbbá egy ügynök, akinek adott városból kiindulva, minden várost
RészletesebbenAdatszerkezetek Adatszerkezet fogalma. Az értékhalmaz struktúrája
Adatszerkezetek Összetett adattípus Meghatározói: A felvehető értékek halmaza Az értékhalmaz struktúrája Az ábrázolás módja Műveletei Adatszerkezet fogalma Direkt szorzat Minden eleme a T i halmazokból
RészletesebbenA mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv
Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési
RészletesebbenA következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
RészletesebbenKUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel
KUTATÁSMÓDSZERTAN 4. ELŐADÁS A minta és mintavétel 1 1. A MINTA ÉS A POPULÁCIÓ VISZONYA Populáció: tágabb halmaz, alapsokaság a vizsgálandó csoport egésze Minta: részhalmaz, az alapsokaság azon része,
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenSzámítógép-rendszerek fontos jellemzői (Hardver és Szoftver):
B Motiváció B Motiváció Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): Helyesség Felhasználóbarátság Hatékonyság Modern számítógép-rendszerek: Egyértelmű hatékonyság (például hálózati hatékonyság)
RészletesebbenVillamos autókból álló taxi flotta számára létesítendő töltőállomások modellezése
Villamos autókból álló taxi flotta számára létesítendő töltőállomások modellezése 62. Vándorgyűlés, konferencia és kiállítás Siófok, 2015. 09. 16-18. Farkas Csaba egyetemi tanársegéd Dr. Dán András professor
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenMérési hibák 2006.10.04. 1
Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség
Részletesebben10. Exponenciális rendszerek
1 Exponenciális rendszerek 1 Egy boltba exponenciális időközökkel átlagosan percenként érkeznek a vevők két eladó, ndrás és éla, átlagosan 1 illetve 6 vevőt tud óránként kiszolgálni mennyiben egy vevő
RészletesebbenA szemantikus elemzés elmélete. Szemantikus elemzés (attribútum fordítási grammatikák) A szemantikus elemzés elmélete. A szemantikus elemzés elmélete
A szemantikus elemzés elmélete Szemantikus elemzés (attribútum fordítási grammatikák) a nyelvtan szabályait kiegészítjük a szemantikus elemzés tevékenységeivel fordítási grammatikák Fordítóprogramok előadás
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenGyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László
Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,
RészletesebbenVálogatott fejezetek a közlekedésgazdaságtanból
Válogatott fejezetek a közlekedésgazdaságtanból 2. Választási modellek Levelező tagozat 2015 ősz Készítette: Prileszky István http://www.sze.hu/~prile Fogalmak Választási modellek célja: annak megjósolása,
RészletesebbenNagy Péter: Fortuna szekerén...
Nagy Péter: Fortuna szekerén... tudni: az ész rövid, az akarat gyenge, hogy rá vagyok bízva a vak véletlenre. És makacs reménnyel mégis, mégis hinni, hogy amit csinálok, az nem lehet semmi. (Teller Ede)
RészletesebbenMatematikai alapok és valószínőségszámítás. Normál eloszlás
Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak
RészletesebbenOperációs rendszerek. Folyamatok ütemezése
Operációs rendszerek Folyamatok ütemezése Alapok Az ütemezés, az események sorrendjének a meghatározása. Az ütemezés használata OPR-ekben: az azonos erőforrásra igényt tartó folyamatok közül történő választás,
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenMegkülönböztetett kiszolgáló routerek az
Megkülönböztetett kiszolgáló routerek az Interneten Megkülönböztetett kiszolgálás A kiszolgáló architektúrák minősége az Interneten: Integrált kiszolgálás (IntServ) Megkülönböztetett kiszolgálás (DiffServ)
RészletesebbenDöntéselméleti modellek
Döntéselméleti modellek gyakorlat Berta Árpád Követelmények A félév során 40 pont szerezhető 0-19 pont : elégtelen (1) 20-24 pont : elégséges (2) 25-29 pont : közepes (3) 30-34 pont : jó (4) 35-40 pont
RészletesebbenFolyadékszcintillációs spektroszkópia jegyz könyv
Folyadékszcintillációs spektroszkópia jegyz könyv Zsigmond Anna Julia Fizika MSc I. Mérés vezet je: Horváth Ákos Mérés dátuma: 2010. október 21. Leadás dátuma: 2010. november 8. 1 1. Bevezetés A mérés
RészletesebbenMILYEN FELADATOKNÁL HASZNÁLHATÓ?
SZIMULÁCIÓ FOGALMA: Olyan módszer, amely alkalmas a folyamatok valósághű modellezésére, és vele értékelhetőek a folyamat- és rendszer-állapotváltozások. A folyamat leutánzása, modellezése. Állapotváltozások
RészletesebbenLINEÁRIS PROGRAMOZÁSI FELADATOK MEGOLDÁSA SZIMPLEX MÓDSZERREL
LINEÁRIS PROGRAMOZÁSI FELADATOK MEGOLDÁSA SZIMPLEX MÓDSZERREL x 1-2x 2 6 -x 1-3x 3 = -7 x 1 - x 2-3x 3-2 3x 1-2x 2-2x 3 4 4x 1-2x 2 + x 3 max Alapfogalmak: feltételrendszer (narancs színnel jelölve), célfüggvény
RészletesebbenStatisztikai alapok. Leíró statisztika Lineáris módszerek a statisztikában
Statisztikai alapok Leíró statisztika Lineáris módszerek a statisztikában Tudományosan és statisztikailag tesztelhető állítások? A keserűcsokoládé finomabb, mint a tejcsoki. A patkány a legrondább állat,
RészletesebbenBranch-and-Bound. 1. Az egészértéketű programozás. a korlátozás és szétválasztás módszere Bevezető Definíció. 11.
11. gyakorlat Branch-and-Bound a korlátozás és szétválasztás módszere 1. Az egészértéketű programozás 1.1. Bevezető Bizonyos feladatok modellezése kapcsán előfordulhat olyan eset, hogy a megoldás során
RészletesebbenOperációs rendszerek II. Folyamatok ütemezése
Folyamatok ütemezése Folyamatok modellezése az operációs rendszerekben Folyamatok állapotai alap állapotok futásra kész fut és várakozik felfüggesztett állapotok, jelentőségük Állapotátmeneti diagram Állapotátmenetek
RészletesebbenS atisztika 2. előadás
Statisztika 2. előadás 4. lépés Terepmunka vagy adatgyűjtés Kutatási módszerek osztályozása Kutatási módszer Feltáró kutatás Következtető kutatás Leíró kutatás Ok-okozati kutatás Keresztmetszeti kutatás
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
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
Részletesebben1. ábra. Repülő eszköz matematikai modellje ( fekete doboz )
Wührl Tibor DIGITÁLIS SZABÁLYZÓ KÖRÖK NEMLINEARITÁSI PROBLÉMÁI FIXPONTOS SZÁMÁBRÁZOLÁS ESETÉN RENDSZERMODELL A pilóta nélküli repülő eszközök szabályzó körének tervezése során első lépésben a repülő eszköz
RészletesebbenKÉSZLETMODELLEZÉS EGYKOR ÉS MA
DR. HORVÁTH GÉZÁNÉ PH.D. * KÉSZLETMODELLEZÉS EGYKOR ÉS MA Az optimális tételnagyság (Economic Order Quantity) klasszikus modelljét 96-tól napjainkig a világon széles körben alkalmazták és módosított változatait
RészletesebbenEseményvezérelt szimuláció
Hálózat szmulácós technkák (BMEVITTD094/2005) október 3. Vdács Attla Dang Dnh Trang Távközlés és Médanformatka Tanszék Budapest Mszak és Gazdaságtudomány Egyetem Eseményvezérelt szmulácó DES Dscrete-Event
RészletesebbenAkusztikai tervezés a geometriai akusztika módszereivel
Akusztikai tervezés a geometriai akusztika módszereivel Fürjes Andor Tamás BME Híradástechnikai Tanszék Kép- és Hangtechnikai Laborcsoport, Rezgésakusztika Laboratórium 1 Tartalom A geometriai akusztika
RészletesebbenA mérési eredmény megadása
A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk meg: a determinisztikus és a véletlenszerű
RészletesebbenMegerősítéses tanulás 2. előadás
Megerősítéses tanulás 2. előadás 1 Technikai dolgok Email szityu@eotvoscollegium.hu Annai levlista http://nipglab04.inf.elte.hu/cgi-bin/mailman/listinfo/annai/ Olvasnivaló: Sutton, Barto: Reinforcement
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség
RészletesebbenObjektumorientált paradigma és a programfejlesztés
Objektumorientált paradigma és a programfejlesztés Vámossy Zoltán vamossy.zoltan@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Ficsor Lajos (Miskolci Egyetem) prezentációja alapján Objektumorientált
RészletesebbenALGORITMIKUS SZERKEZETEK ELÁGAZÁSOK, CIKLUSOK, FÜGGVÉNYEK
ALGORITMIKUS SZERKEZETEK ELÁGAZÁSOK, CIKLUSOK, FÜGGVÉNYEK 1. ELÁGAZÁSOK ÉS CIKLUSOK SZERVEZÉSE Az adatszerkezetek mellett a programok másik alapvető fontosságú építőkövei az ún. algoritmikus szerkezetek.
RészletesebbenNavigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel
Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal
RészletesebbenA mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra
A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra Vörös Zsuzsanna NÉBIH RFI tervezési referens 2013. április 17. Egy kis felmérés nem kor Következtetések: 1. a jelenlevők nemi megoszlása:
RészletesebbenSTATISZTIKAI PROBLÉMÁK A
STATISZTIKAI PROBLÉMÁK A HULLÁMTÉR REPRODUKCIÓ TERÜLETÉN 2012. május 3., Budapest Firtha Gergely PhD hallgató, Akusztikai Laboratórium BME Híradástechnikai Tanszék firtha@hit.bme.hu Tartalom A hangtér
Részletesebben