Dr.Pokorádl László mk.őrnagy. főiskolai docens REPÜLŐGÉPEK UZEKELTETESI RENDSZEREINEK VIZSGÁLATA MARKOV-HATRIX FELHASZNÁLÁSÁVAL
|
|
- Zsolt Boros
- 6 évvel ezelőtt
- Látták:
Átírás
1 Dr.Pokorádl László mk.őrnagy. főiskolai docens a szerző REPÜLŐGÉPEK UZEKELTETESI RENDSZEREINEK VIZSGÁLATA MARKOV-HATRIX FELHASZNÁLÁSÁVAL Ríni Conferoncc on Vohiclo System Dynamics, Identification and Anomalies 7-9 of November Budapest kiadványában megjelent INVESTIGÁTION OF AIRCRAFT OPERATIONAL SYSTEM WITH KARXOV-KATRIX című tanulmányának magyar nyelvű változata 1. Bovezetás A ropulőtechnika Üzemeltetéso. a repülőgépekre, valamint azok kiszolgálására, az előkészítésükre, különböző nagyságrendű Javításukra szolgáló személyekre ós előírásokra épülő rendszerben lejátszódó sztochasztikus folyamat. Ez a folyamat, amely lényegében az üzemeltetés tárgyával. annak gyártása és kiselejtezése között történtek öszszessége. az üzemeltetési állapotok - Időben és gyakoriságban véletlenszerű - egymásutánisága. Kivel az egyes üzemeltetési állapotból való távozás független az azt megelőző állapotoktól és azok sorrendjétől Cazaz a folyamat utóhatásmontes). az üzemeltetés matematikailag egy folytonos idejű, diszkrét állapotterű Markov-folyamatnak tekinthető. Ez a sztochasztikus folyamat pedig Harkov lánccal approximálható. Az üzemeltetési rendszehről. illetve irányításának hatásosságáról bizonyos Jellemzők Ismeretében dönthetünk. Ezen!
2 Jel1 omzők meghatározása az adott Üzemeltetési folyamat rendszer szemlélet<3 vizsgálatakor annak folytonos idejű. diszkrét állapottere markovi, vagy fái-markovi modelljeinek segítségével történhet. 2.A Markov-folyasatokról általában Az olyan r)cx.^ sztochasztikus folyamatot, amelynek Jövőbeli alakulását a múltbeli alakulása csak a Jelenlegi állapoton keresztül befolyásolja, azaz amely utóhatásmentes. Markov-folyamatoknak nevezzük. I Ha ez az r)co folyamat a vizsgálati idő alatt bármely pillanatban felvehet valamilyen értéket, akkor azt folytonos. ha *) csak kitüntetett időpontokban rendelkezhet értékkel. diszkrét idejűnek nevezzük. Diszkrét állapottereinek tekintjük a2 t a sztochasztikus folyamatot, ahol az t> valószínűségi változó lehetséges értékei véges, vagy megszámlálhatóan végtelen elemű halmazt alkotnak. A véges vagy megszámlálhatóan végtelen - azaz diszkrét - állapottere, utóhatásmentes sztochasztikus folyamatokat Mar- kov-láncnak nevezzuk. Ekkor a P { ' "j * V * X c } I feltételes valószínűséget átmonetvalószínűségnek nevezzuk. amely annak a valószínűségét fejezi ki. hogy X^. feltéve, hogy r j C «X ti), A fenti P^.n+1 Jelölés azt is mutatja, hogy az átmeneti valószínűség nemcsak az í kezdeti és a j vég ál 1 apót. hanem az idő Ct^) függvénye is. Ezt a valószínűséget a továbbiakban - az egyszerűség érdekében - a _n,n-*-l P<> P ' P C25
3 B ő d ö n j e l ö l j ü k. Véges. N számd állapot osottfn a átmeneti valószínűségeket mátrixba szokás rendezni. Ezt a p c o - r p.. a ) i c» NxN L J mátrixot az r>co véletlen folyamat Mark ov-mátrixának vagy átmenetvalőszinűség mátrixnak nevozzllk (21. Ha a fenti egylépéses átmenetvalőszinűségek függetlenek az időtől, akkor azt mondjuk, hogy a Markov-folyamat stacionárius. Ebben az esetben felírható, hogy _n.n*l r U - P ij ' CO illetve K ] C35 mivel az független az n értékétől és P ^ j annak a valőszínűségét Jelenti, hogy az yjc O értéke X (-bői X^.-be vált át a At hosszd Ct tft> időintervallumban. A további vizsgálatok 1 végzése ériekében célszerű átmenetnek tekintenünk azt az esetet is. amikor az r> által felvett érték kiválasztott At idő elteltével az intervallum előtti Xt értéka maradt. így a mátrix főátlőjában lévő változők meghatározása a következő mődon történik: Cha imj* <6> Mivel ekkor a teljes eseménytér az. hogy az y)ct+ao vagy valamely másik értéket vesz fel. vagy a kiindulási marad. A Markov-mátrix felhasználásával az állapotokban valő tartózkodás valószínűségének időbeni változása az
4 ACt+AO - P (t) A C O C73 egyenlettel történhet. ahol P* * P Markov-mátrlx transzponált mátrixa C41. 3.Az üzemeltetés A repülőtechnlka üzemeltetési folyamatát gépenként az ügynevezett üzemeltetési lánccal Camely matematikai szempontból Markov-lánc> ábrázolhatjuk Cl.ábra). 1. ábra Üzemeltetési lánc Az üzemeltetési folyamatok rendszerszemléletei vizsgálatakor nem érdekel minket az egyes állapotok gépenkénti tényleges egymásutánisága. A teljes üzemeltetési folyamat üzemeltetési lánccal történd ábrázolása körülményes, ezért érdemes az Uzemoltetésl folyamatot, a Jobb áttekintés érdekében. irányított gráfként ábrázolni. Az üzemeltetés típusgráfjában az állapotokat a gráf szögpontjai, az állapotváltozásokat pedig a gráf irányított élei szemléltetik C2. ábra}. Az üzemeltetési lánc vagy a típusgráf vizsgálatakor feltételezzük. hogy az állapotok élesen elhatárolódnak egymástól és az átváltások zérus idő alatt mennek végbe. Az állapotváltozások Jellemzésére azok átmenetvalószindségét használjuk.
5 2. ábra Üzemeltetési típusgráf A Pfy átmenetvalószínűség alábbi határértékét az átmenet- valószínűség sűrűségének nevezzük és vei JelőlJUk: llm At-O pyc?> At <85 ahol: At - a vizsgált időintervallum hossza. Természetesen ezek a átmenetvalószínűség sűrűségeket - a C35 egyenlettel analóg módon - egy g mátrixba rendezhetjük: B ct) -. <05 -NxN L J Másik Jellemző az í-edlk állapotban való tartózkodás relatív gyakorisága, azaz valószínűsége: n.cao p. C A O S -rj-i C10> n. C A O y-i 3
6 ahol: n tc A O - a At idő alatti i-edik állapotba vald lépések száma. Ezeket a valószínűségeket az állapotokban tartózkodás valószínűségek A vektorába tudjuk rendezni. Az Üzemeltetés tárgyának állapotokban való tartózkodását Jellemezheti még az állapotokban eltöltött átlagidők t vektora is., Természetesen a ^ vektor helyett, a vizsgálati szempontok függvényében, felhasználható például az állapotba kerüléssel kapcsolatos költségek vagy a munkaráfordítások {4 vektorai Is. A fent említett Jellemzők ismeretében meghatározhatjuk az állapotokban való tartózkodás valószínűségek Időbeni változását. az üzemeltetés költség vagy munkaidő igényét. Ekkor annyi egyenletből álló egyenletrendszert kapunk, ahány állapotból áll az üzemeltetési folyamat, illetve ahány állapotra bontottuk azt. A At időléptetéssel vizsgált - vagyis a tft - t0 n At <11> tódon disztkrét idejűvé alakított - folytonos idejű folyamat állapotváltási átmenetvalószínűségel a (8) egyenlet felhasználásával a p c.ct> = At C12> módon határozható meg. Fontos itt megjegyezni, hogy akkora Időközöket kell választanunk, moly eltelte alatt az üzemeltetés tárgya 1 valószínűséggel csak egy állapótváltást fog végezni.
7 4. A Markov-mátrix alkalmazása stacioner folyamat esetén Staeionor Harkov folyamat esetén, felhasználva az E egységmátrix tulajdonságát, felírható az ACt+AO = P*Ct5 AC t5 - E A C O 035 ogyenlet. amit átalakíthatunk az alábbi alakra: (g* - E] A = O A fenti lineáris egyenletrendszer esetén problémaként Jelentkezik, hogy a numerikus algoritmusok az A - 0 triviális megoldást adják mog. Viszont könnyen belátható, hogy minket az ettől eltérő megoldás érdekel. Mivel célunk egy könnyen algoritmizálható eljárás kidolgozása volt. az N Ismeretlenes egyenletet N+l lsmerotlenesre alakítottuk át. Az A* vektor N+l-edik elemének azt a biztos esemény va- 1ószí Hűségét tekintsuk. amikor az Üzemeltetés tárgya az N állapot valamelyikében tartózkodik. Ekkor az N+1-edlk egyenlet a: m\ p j ' Valamint a 0 45 egyenlőt mindegyik sorához adjuk hozzá az N+l-edik Cbiztos5 esemény valószínűségét. így az egyenletrendszer - kiegészítve a egyenlettel az alábbi mátrixalakot veszi fel:
8 Cló> Ez * 11 neír 1 s egyenlőt rendszer bárraely ismert numerikus módszerrel kapott eredménye * C I O egyenlet triviálistól eltérd megoldás* lesz. Az eljárás ellenérzését a (ól irodalom 500. oldalln táléi ható példa alapján végeztük el. A CIO) egyenlet megöldása a például a (71 irodalomban is megtalálható LU-felbontással történt. A kapott eredmény relatív eltérései az irodalomtól 10 3 nagyságrendűek voltak, melyeket a számítógép numerikus hibájának tekinthetünk. Viszont az irodalomban található algoritmushoz képest nem volt szükség megfontolásokat igénylő egyedi egyenletrendszer megoldásra. Például behelyettesítésre. vagy valamely egyenlet helyett a CiS5 egyenlet bevezetésére. Meg kell Jegyezni, hogy nem a legcélszerűbben választott egyedi algoritmus esetén a megoldás nagyon bonyolulté. kezelhetetlenné vagy a végeredmény numerikusán pontatlanná válhat. A fenti módon kapott eredmény alapján meghatározható az állandósult üzemeltetési folyamat költség vagy munkaóra igénye. 5. A Harkov mátrix alkalmazása Ínstacioner folyamatok esetén Instacloner üzemeltetési folyamat esetén az állapotokban való tartózkodások valószínűségeit a C7> egyenlet felhasználásával határozhatjuk meg. Ekkor minden a Cll> egyenlettel meghatározott időpillanathoz tartozó g mátrix elemeit ki kell számítani. A repülőgépek háborüs körülmények közti üzemeltetésének fél-markovi folyamattal történő közelítése esetén egy instacioner sztochasztikus folyamatot kapunk (51.
9 A repul<3gép*k háborús körülmények közti Üzemeltetését öt állapotból éllő folyknulos idejű diszkrét állapotterő fölyamattal modelleztük. Ekkor az Üzemeltetési gráf egy öt szögpontból élló irányított gráf, mely a 3. ébrén létható. Háborús Üzemeltetés típusgréfja 1 - bevetés; 2 - "A" típusú javítás vagy Javításra vérés CJavítási átlagidő: 3 órai; 3 - "B" típusú Javítás vagy Javításra vér és CJavítási átlagidő: B óra}; 4 - harckész; 5 Vissza nem téríthető veszteség. Az állapotokat és az állapotváltozásokat egyenként megvizsgálva határoztuk meg a különböző állapotokra a távozási idők eloszlási Jellegét: normál eloszlásúak a meghibásodási és veszteségi állapotváltási idők. ahol a távozási idő várható értéke a bevetési idő fele. szórása peőlg az egyhatoda Caz úgynevezett 3c szabály alapján); a Javítások tartózkodási idejei exponenciális eloszlásúak. a gyakorlati tapasztalatok és az Üzemeltetés-
10 el méléti szakirodalmak alapján; a bovotés és az üzemképes állapotok közötti váltások egységugrás Jellegűek. mert így lehet modellezni. hogy a feladatra a repülőgépek egyszerre - pontosabban viszonylag rövid időn bellii - szállnak fel, illetve érkeznek vissza. A fentiek alapján felállított lnstacloner félmarkovi modell eredménye láthatd a 4.ábrán. A diagram az üzemképes állapotban. vagy a bevetésen vald tartózkodás CP^+P^}. illetve kisjavítási állapotban vald tartózkodás CPg> valószínűségének változását mutatja egy 15 órás hadműveleti nap során. Ebben az esetben repülőgépek egy bevetésen vettek részt a nap első két órájában. 4.ábra HáborOs üzemeltetés fél-markovi modelljének eredménye A modellt működtető program felhasználásával vizsgálhatjuk a különböző sérülési valószínűségek - azaz eltérő ellenséges fegyverzet - esetén a Javító, előkészítő csoportok ki
11 alakításinak hatásait. KU1 önfái e szintű légi hadműveletek setén előzetes tervezéskor a modell felhasználhaté a várható műszaki kiszolgálási kapacitás és anyagigény nagyságának és időbeli eloszlásának prognosztizálására is. 6. összef oglalás A repülőgépek Üzemeltetési matematikailag egy diszkrét állapotterű. utdhatásmontos sztochasztikus folyamat. így az Markov-lánccal approximáihatd. Rendszerszemléletű vizsgálata az átmonetvalőszínűségl mátrix felállítása után mátrixalgebrai műveletekkel oldható meg. Jelen tanulmány szemlélteti a Markov-mátrlx felhasználásának lehetőségét mint stacioner, mint instacioner folyamat esetén. Könnyen algoritmizálható módszert mutat be állandósul Üzemeltetési folyamat matematikai modellezésére. A példákon kívul bemutatja a Markov- -folyamatok elméletének gyakorlati alkalmazási lehetőségeit is. Felhasznált irodalom 1 - Bharucha-Reld A.T.. Elements of Theory'of Harkov Processes and Their Applications. MC GRAW-HILL BOOK COMPANY. New York Helstrora Cári W.. Probabllity and Stochastic Processes fór Engineers. Kacmillan Publishing Company. New York Kariin S.. Taylor H.M.. A First Course in Stochastic Processes. Academic Press. San Francisco. 197S. 4 - Dr.Pokorádi László. Üzemeltetési rendszerek vizsgálata a Markov-folyamatok elméletének alkalmazásával. Proc. of X.Hungárián- Days of Aeronautical Sciences. Szolnok 1903 május pp Dr. Pokorádi László, Application of Harkov Process Theory to Investigátion of Aircraft Operational Processes. Proc. of 191, Congress of the ICAS. Anaheim szeptember pp Dr.Rohács J. Simon I.. Repülőgépek és helikopterek Üzemeltetési zsobkönyve. Műszaki Könyvkiadó. Budapest Dr.Valkó P. Dr. Vajda S. Műszaki-tudományos feladatok megoldása személyi számítógéppel. Műszaki Könyvkiadó. Budapest
12. 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
Markov-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
előadás 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
(Diszkrét idejű Markov-láncok állapotainak
(Diszkrét idejű Markov-láncok állapotainak osztályozása) March 21, 2019 Markov-láncok A Markov-láncok anaĺızise főként a folyamat lehetséges realizációi valószínűségeinek kiszámolásával foglalkozik. Ezekben
E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.
E.4 Markov-láncok Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével. Egy Markov-láncot (MC) meghatároznak az alapját adó sorbanállási hálózat állapotai és az ezek
Valószínűségi 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 :
FEGYVERNEKI 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,
Normák, kondíciószám
Normák, kondíciószám A fizika numerikus módszerei I. mf1n1a06- mf1n2a06 Csabai István Lineáris egyenletrendszerek Nagyon sok probléma közvetlenül lineáris egyenletrendszer megoldásával kezelhetı Sok numerikus
15. LINEÁRIS EGYENLETRENDSZEREK
15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0, 1, 2,..., N}, {0, 1, 2,... }.
. Markov-láncok. Definíció és alapvető tulajdonságok Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0,,,..., N}, {0,,,... }.. definíció. S értékű valószínűségi
A futómûvek üzemeltetési megbízhatóságának és rendelkezésre állásának elemzése az üzemeltetési folyamat Markovés szemi-markov modelljének segítségével
A futómûvek üzemeltetési megbízhatóságának és rendelkezésre állásának elemzése az üzemeltetési folyamat Markovés szemi-markov modelljének segítségével Dr. Csiba József A futómûvek, mint komplex mûszaki
0,424 0,576. f) P (X 2 = 3) g) P (X 3 = 1) h) P (X 4 = 1 vagy 2 X 2 = 2) i) P (X 7 = 3, X 4 = 1, X 2 = 2 X 0 = 2) j) P (X 7 = 3, X 4 = 1, X 2 = 2)
Legyen adott a P átmenetvalószín ség mátrix és a ϕ 0 kezdeti eloszlás Kérdés, hogy miként lehetne meghatározni az egyes állapotokban való tartózkodás valószín ségét az n-edik lépés múlva Deniáljuk az n-lépéses
MÁTRIXALGEBRAI HIBAFA- ÉRZÉKENYSÉGELEMZÉS
Miskolci Egyetem Multidiszciplináris tudományok. kötet (2). szám pp. 3-. MÁTRIXALGEBRAI HIBAFA- ÉRZÉENYSÉGELEMZÉS Pokorádi László egyetemi tanár Debreceni Egyetem Műszaki ar 428 Debrecen Ótemető u. 2-4.
Biomatematika 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)
Gauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei
A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.
Véletlen 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
Sztochasztikus temporális logikák
Sztochasztikus temporális logikák Teljesítmény és szolgáltatásbiztonság jellemzők formalizálása és ellenőrzése Majzik István Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs
Statisztika - 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
[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.
Vektorok, mátrixok, lineáris egyenletrendszerek
a Matematika mérnököknek I. című tárgyhoz Vektorok, mátrixok, lineáris egyenletrendszerek Vektorok A rendezett valós számpárokat kétdimenziós valós vektoroknak nevezzük. Jelölésükre latin kisbetűket használunk.
Gauss elimináció, LU felbontás
Közelítő és szimbolikus számítások 3. gyakorlat Gauss elimináció, LU felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 EGYENLETRENDSZEREK 1. Egyenletrendszerek
FEGYVERNEKI 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:
12. előadás. Egyenletrendszerek, mátrixok. Dr. Szörényi Miklós, Dr. Kallós Gábor
12. előadás Egyenletrendszerek, mátrixok Dr. Szörényi Miklós, Dr. Kallós Gábor 2015 2016 1 Tartalom Matematikai alapok Vektorok és mátrixok megadása Tömbkonstansok Lineáris műveletek Mátrixok szorzása
Irányítástechnika GÁSPÁR PÉTER. Prof. BOKOR JÓZSEF útmutatásai alapján
Irányítástechnika GÁSPÁR PÉTER Prof. BOKOR JÓZSEF útmutatásai alapján Irányítástechnika rendszerek Irányítástechnika Budapest, 2008 2 Az előadás felépítése 1. 2. 3. 4. Irányítástechnika Budapest, 2008
Diszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.
1 Diszkrét matematika I, 12 előadás Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach 2005 november 30 Vektorok Definíció Egy tetszőleges n pozitív egész számra n-komponensű
Készítette: 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
Példa: Tartó lehajlásfüggvényének meghatározása végeselemes módszer segítségével
Példa: Tartó lehajlásfüggvényének meghatározása végeselemes módszer segítségével Készítette: Dr. Kossa Attila (kossa@mm.bme.hu) BME, Műszaki Mechanikai Tanszék 213. október 8. Javítva: 213.1.13. Határozzuk
Sztochasztikus 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
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
Gazdasági matematika II. tanmenet
Gazdasági matematika II. tanmenet Mádi-Nagy Gergely A hivatkozásokban az alábbi tankönyvekre utalunk: T: Tóth Irén (szerk.): Operációkutatás I., Nemzeti Tankönyvkiadó 1987. Cs: Csernyák László (szerk.):
Norma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei
Indukált mátrixnorma Definíció A. M : R n n R mátrixnormát a. V : R n R vektornorma által indukált mátrixnormának nevezzük, ha A M = max { Ax V : x V = 1}. Az indukált mátrixnorma geometriai jelentése:
Ensemble előrejelzések: elméleti és gyakorlati háttér HÁGEL Edit Országos Meteorológiai Szolgálat Numerikus Modellező és Éghajlat-dinamikai Osztály 34
Ensemble előrejelzések: elméleti és gyakorlati háttér HÁGEL Edit Országos Meteorológiai Szolgálat Numerikus Modellező és Éghajlat-dinamikai Osztály 34. Meteorológiai Tudományos Napok Az előadás vázlata
3. Előadás. Megyesi László: Lineáris algebra, oldal. 3. előadás Lineáris egyenletrendszerek
3. Előadás Megyesi László: Lineáris algebra, 47. 50. oldal. Gondolkodnivalók Determinánsok 1. Gondolkodnivaló Determinánselméleti tételek segítségével határozzuk meg a következő n n-es determinánst: 1
Matematikai 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
Lineáris egyenletrendszerek
Lineáris egyenletrendszerek Lineáris egyenletrendszernek nevezzük az a 11 x 1 + a 12 x 2 +... +a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... +a 2n x n = b 2.. a k1 x 1 + a k2 x 2 +... +a kn x n = b k n ismeretlenes,
1.1. Vektorok és operátorok mátrix formában
1. Reprezentáció elmélet 1.1. Vektorok és operátorok mátrix formában A vektorok és az operátorok mátrixok formájában is felírhatók. A végtelen dimenziós ket vektoroknak végtelen sok sort tartalmazó oszlopmátrix
x, 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.
Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, mátrixegyenlet
9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Határozzuk meg a p valós paraméter értékétől függően a következő mátrix rangját: p 3 1 2 2
Diszkrét idejű felújítási paradoxon
Magda Gábor Szaller Dávid Tóvári Endre 2009. 11. 18. X 1, X 2,... független és X-szel azonos eloszlású, pozitív egész értékeket felvevő valószínűségi változó (felújítási idők) P(X M) = 1 valamilyen M N
Barczy Mátyás és Pap Gyula. Sztochasztikus folyamatok. (Diszkrét idejű Markov-láncok)
Barczy Mátyás és Pap Gyula Sztochasztikus folyamatok Példatár és elméleti kiegészítések II Rész (Diszkrét idejű Markov-láncok) mobidiák könyvtár Barczy Mátyás és Pap Gyula Sztochasztikus folyamatok Példatár
1. Homogén lineáris egyenletrendszer megoldástere
X HOMOGÉN LINEÁRIS EGYENLET- RENDSZEREK 1 Homogén lineáris egyenletrendszer megoldástere Homogén lineáris egyenletrendszer definíciója már szerepelt Olyan lineáris egyenletrendszert nevezünk homogénnek,
Rugalmas láncgörbe alapvető összefüggések és tudnivalók I. rész
Rugalmas láncgörbe alapvető összefüggések és tudnivalók I rész evezetés rugalmas láncgörbe magyar nyelvű szakirodalma nem túl gazdag Egy viszonylag rövid ismertetés található [ 1 ] - ben közönséges ( azaz
Logisztikai szimulációs módszerek
Üzemszervezés Logisztikai szimulációs módszerek Dr. Juhász János Integrált, rugalmas gyártórendszerek tervezésénél használatos szimulációs módszerek A sztochasztikus külső-belső tényezőknek kitett folyamatok
4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O
1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.
Mérési 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
Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József
Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Matematika III. 4. : A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul
Statisztika 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,
Jelek és rendszerek MEMO_03. Pletl. Belépő jelek. Jelek deriváltja MEMO_03
Jelek és rendszerek MEMO_03 Belépő jelek Jelek deriváltja MEMO_03 1 Jelek és rendszerek MEMO_03 8.ábra. MEMO_03 2 Jelek és rendszerek MEMO_03 9.ábra. MEMO_03 3 Ha a jelet méréssel kapjuk, akkor a jel következő
Statisztika 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,
INFOKOMMUNIKÁCIÓS RENDSZEREK HATÉKONYSÁG- ELEMZÉSÉRE SZOLGÁLÓ ESZKÖZÖK
INFOKOMMUNIKÁCIÓS RENDSZEREK HATÉKONYSÁG- ELEMZÉSÉRE SZOLGÁLÓ ESZKÖZÖK TOOL SUPPORTED PERFORMANCE MODELLING OF INFOCOMMUNICATION SYSTEMS Sztrik János, jsztrik@inf.unideb.hu Debreceni Egyetem, Informatikai
Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé.
HA 1 Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) HA 2 Halmazok HA 3 Megjegyzések A halmaz, az elem és az eleme fogalmakat nem definiáljuk, hanem alapfogalmaknak
Biometria az orvosi gyakorlatban. Számítógépes döntéstámogatás
SZDT-01 p. 1/23 Biometria az orvosi gyakorlatban Számítógépes döntéstámogatás Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Gyakorlat SZDT-01 p.
9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, Leontyev-modell
9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Tegyük fel, hogy egy elemi bázistranszformáció kezdetekor a sor- és oszlopindexek sorban helyezkednek
Gazdasági matematika II. vizsgadolgozat megoldása, június 10
Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett
STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
FEGYVERNEKI 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
Matematikai 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
Régebbi Matek M1 zh-k. sztochasztikus folyamatokkal kapcsolatos feladatai.
Régebbi Matek M1 zh-k Folyamfeladatokkal, többszörös összef ggőséggel, párosításokkal, Nagy szḿok törvényével, Centrális Határeloszlás tétellel, sztochasztikus folyamatokkal kapcsolatos feladatai. Gráfok
10. 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
A 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
ÜZEMELTETÉSI FOLYAMAT GRÁFMODELLEZÉSE 2 1. BEVEZETÉS
okorádi László ÜZEMELTETÉSI FOLYAMAT GRÁFMODELLEZÉSE 2 Technikai eszközök üzeeltetési rendszerei, folyaatai ateatikai szepontból irányított gráfokkal írhatóak le. A űszaki tudoányokban a hálózatokat, gráfokat
ú ő ú Ö ú ú ő ő Ó ő ő ő ő
ő Ö Ö ő ő ő Ó ő ő ú ú ő ő ő ő ű ő ú Ő ű ő ű ú ú ú ő Í ú ú ő ú Ö ú ú ő ő Ó ő ő ő ő ő ő ú ű ű ú Ö ű ű Ö ú ű ű ű ú Ö ő ű ú ú ú ő ű ű ű ű ű Ö ő ő ő ű ú ű ú ő ú ő ű ő ű ú ő ő Ö ő Ó ű Ó ú ő Ó Ö ú ő ű ű Í Ü
Ő Ü í ű ö ü Ú í ü í ú ö ű ö ö ű Ő ü í ö ü í ü ü í ö ü í ö ü ű ö ö ö Ű Ö ö ű ö ö ü ü Ó í Ő ü í ö ü í Ó Ü ö ü Í í Ö ö ü ö í ö ö ö
ö Ö ü ö ü ö Ö ü ú í ü ü ü ü ö ü ö í ö ö ö í ü í í ö í ö ö ü ü ú ű ö ü ú í Ő Ü í ű ö ü Ú í ü í ú ö ű ö ö ű Ő ü í ö ü í ü ü í ö ü í ö ü ű ö ö ö Ű Ö ö ű ö ö ü ü Ó í Ő ü í ö ü í Ó Ü ö ü Í í Ö ö ü ö í ö ö ö
Ö ü Ö Ó ő Ö
Ü ú ő ö Í Ü Ö Ö ő Ű Ö ő Ö ü Ö Ó ő Ö ü ö ű Ö ü ő ö ű ő Ö ü ü Ö ü ő Í ő ö ú ő ü ö ö ő Ö Ő Ó ö ö ü ő ő ő ü ü ö ő ő ö ú ü ü ú ü ű ü ö ö ő ő ő ő ő Ö ü ő ö ő Ö ö ü ö ö ő ú ú ű ö ú ü ő ü ö Í ö Ú ő Ö ő ű ú Í ú
Ú ű ű ű ű ű Ő ű Í ű ű
Ü Ü Ü Ü Ú ű Ú ű ű ű ű ű Ő ű Í ű ű Í Í Ü Ü Ő Ú Ü Ú Í ű Ü Ö Ú Í ű Í ű ű ű ű ű ű Í Ö ű ű ű ű Í Ó Í Í ű Ü ű ű Ó Í Í Í Í Ú Í Í Í Í Í Í Ő Ú Í ű ű ű ű ű ű Ő Ó ű Í ű Ő Ú ű Í Í Í ű Í ű Ő Ú ű ű Í ű ű ű ű Í ű ű ű
MISKOLCI EGYETEM KÖZLEMÉNYEI
HU ISSN 262-9737 MISOLCI EGYETEM ÖZLEMÉNYEI Interdiszciplináris tudományok. kötet (2). szám MISOLCI EGYETEMI IADÓ Miskolc 2 SZERESZTŐ BIZOTTSÁG TISZA Miklós főszerkesztő GÁCSI Zoltán GINSZTLER János ILLÉS
Átmeneti jelenségek egyenergiatárolós áramkörökben
TARTALOM JEGYZÉK 1. Egyenergiatárolós áramkörök átmeneti függvényeinek meghatározása Példák az egyenergiatárolós áramkörök átmeneti függvényeinek meghatározására 1.1 feladat 1.2 feladat 1.3 feladat 1.4
Markov modellek 2015.03.19.
Markov modellek 2015.03.19. Markov-láncok Markov-tulajdonság: egy folyamat korábbi állapotai a későbbiekre csak a jelen állapoton keresztül gyakorolnak befolyást. Semmi, ami a múltban történt, nem ad előrejelzést
Matematika 10 Másodfokú egyenletek. matematika és fizika szakos középiskolai tanár. > o < 2015. szeptember 27.
Matematika 10 Másodfokú egyenletek Juhász László matematika és fizika szakos középiskolai tanár > o < 2015. szeptember 27. copyright: c Juhász László Ennek a könyvnek a használatát szerzői jog védi. A
1.9. B - SPLINEOK B - SPLINEOK EGZISZTENCIÁJA. numerikus analízis ii. 34. [ a, b] - n legfeljebb n darab gyöke lehet. = r (m 1) n = r m + n 1
numerikus analízis ii 34 Ezért [ a, b] - n legfeljebb n darab gyöke lehet = r (m 1) n = r m + n 1 19 B - SPLINEOK VOLT: Ω n véges felosztás S n (Ω n ) véges dimenziós altér A bázis az úgynevezett egyoldalú
[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 1
Halmazok 1 Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 2 A fejezet legfontosabb elemei Halmaz megadási módjai Halmazok közti műveletek (metszet,
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
Matematikai geodéziai számítások 10.
Matematikai geodéziai számítások 10. Hibaellipszis, talpponti görbe és közepes ponthiba Dr. Bácsatyai, László Matematikai geodéziai számítások 10.: Hibaellipszis, talpponti görbe és Dr. Bácsatyai, László
Gazdasági 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
Valószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 4. MA3-4 modul. A valószínűségi változó és jellemzői
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematika III. 4. MA3-4 modul A valószínűségi változó és jellemzői SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról
KÖVETKEZTETŐ STATISZTIKA
ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak
1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)
Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő
Az egyenes egyenlete: 2 pont. Az összevont alak: 1 pont. Melyik ábrán látható e függvény grafikonjának egy részlete?
1. Írja fel annak az egyenesnek az egyenletét, amely áthalad az (1; 3) ponton, és egyik normálvektora a (8; 1) vektor! Az egyenes egyenlete: 2. Végezze el a következő műveleteket, és vonja össze az egynemű
Mi az adat? Az adat elemi ismeret. Az adatokból információkat
Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás
Folytonos rendszeregyenletek megoldása. 1. Folytonos idejű (FI) rendszeregyenlet általános alakja
Folytonos rendszeregyenletek megoldása 1. Folytonos idejű (FI) rendszeregyenlet általános alakja A folytonos rendszeregyenletek megoldásakor olyan rendszerekkel foglalkozunk, amelyeknek egyetlen u = u(t)
i p i p 0 p 1 p 2... i p i
. vizsga, 06--9, Feladatok és megoldások. (a) Adja meg az diszkrét eloszlás várható értékének a definícióját! i 0... p i p 0 p p... i p i (b) Tegyük fel, hogy a rigófészkekben található tojások X száma
1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.
1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét
MÉRÉSI 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
LNM folytonos Az interpoláció Lagrange interpoláció. Lineáris algebra numerikus módszerei
Legkisebb négyzetek módszere, folytonos eset Folytonos eset Legyen f C[a, b]és h(x) = a 1 φ 1 (x) + a 2 φ 2 (x) +... + a n φ n (x). Ekkor tehát az n 2 F (a 1,..., a n ) = f a i φ i = = b a i=1 f (x) 2
NGB_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
Gazdasági matematika II. vizsgadolgozat, megoldással,
Gazdasági matematika II. vizsgadolgozat, megoldással, levelező képzés Definiálja az alábbi fogalmakat! 1. Kvadratikus mátrix invertálhatósága és inverze. (4 pont) Egy A kvadratikus mátrixot invertálhatónak
Gauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
Jelek 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
Döntéselőkészítés. I. előadás. Döntéselőkészítés. Előadó: Dr. Égertné dr. Molnár Éva. Informatika Tanszék A 602 szoba
I. előadás Előadó: Dr. Égertné dr. Molnár Éva Informatika Tanszék A 602 szoba Tárggyal kapcsolatos anyagok megtalálhatók: http://www.sze.hu/~egertne Konzultációs idő: (páros tan. hét) csütörtök 10-11 30
A TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș-Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika 1.3 Intézet Magyar Matematika és Informatika 1.4 Szakterület
Pontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.
Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom
Követelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor
Yule és Galton-Watson folyamatok
Dr. Márkus László Yule és ok 2015. március 9. 1 / 36 Yule és ok Dr. Márkus László 2015. március 9. Yule folyamat Dr. Márkus László Yule és ok 2015. március 9. 2 / 36 A független stacionárius növekmény
NEVEZETES FOLYTONOS ELOSZLÁSOK
Bodó Beáta - MATEMATIKA II 1 NEVEZETES FOLYTONOS ELOSZLÁSOK EXPONENCIÁLIS ELOSZLÁS 1. A ξ valószínűségi változó eponenciális eloszlású 80 várható értékkel. (a) B Adja meg és ábrázolja a valószínűségi változó
Operációkutatás. 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.