Társadalmi és gazdasági hálózatok modellezése
|
|
- Diána Gulyásné
- 8 évvel ezelőtt
- Látták:
Átírás
1 Társadalmi és gazdasági hálózatok modellezése 6. el adás Hálózatok növekedési modelljei: `uniform és preferential attachment' El adó: London András október 12.
2 Hogyan n nek a hálózatok? Statikus hálózatos modellek: a pontok száma (n) x, az élket `valamilyen véletlen' generálja Erd s-rényi modell (kis távolságok, alacsony klaszterezettég) Watts-Strogatz modell (kis távolságok, magas klaszterezettség) Kongurácó modell (adott fokszámsorozatú gráf) Sztochasztikus Blokk Model (adott magasszint struktúra) Ugyanakkor sokszor valós dinamikus rendszereket modellezünk hálózattal gondoljuk a web gráf n vekedésére a baráti és munkahelyi kapcsolatok kialakulására a tudományos publikációk citációira
3 Komplex hálózatok szerkezetét vizsgálva (fokszámeloszlás, közösségszerkezet, centralitások, stb.) számos tulajdonságot megtudhatunk a modellezett rendszerr l, DE nem feltétlenül tudjuk, hogy miért pont ezek a mintázatok jelennek meg? Szociális hálókban miért nagy a klaszterezettség? Biológiai rendszerekben miért jelent s a mag-periféria szerkezet? Tudományos publikációk citációs hálózata miért követ hatványtörvényes fokszámeloszlást Online közösségi hálókban miért jelennek meg `vastag-farkú' fokszámeloszlások? = Milyen mechanizmus hozta létre ezeket a hálózatokat?
4 Hatványtörvény P(k i = k) = ck α Városok lakossága Szexuális partnerek száma Gének kópiáinak száma egy genomban stb.
5 A hatványtörvények története Pareto, 1897: Pareto eloszlás (80-20 törvény): a javak 80%-át a lakosság 20%-a birtokolja Zipf, 1916: szavak gyakorisága szövegekben, városok lakossága (a j-edik leggyakoribb angol szó gyakorisága az összes szövegben 1/j-vel arányos) Simon, 1955: a gazdag még gazagabb lesz (the rich gets richer) Price, 1965: citációs hálózatok vizsgálata; az ötlet: egy tudományos cikk annál több idézést kap, minél több idézést kapott már eddig kumulatív el ny Albert Réka és Barabási László, 1999: preferential attachment
6 Barabási-Albert modell 1 Preferential attachment dinamikus modell: 1 kezetben egy összefügg G 0 gráf n 0 ponton 2 t id pontban hozzáadunk G t -hez egy új v pontot úgy, és m 0 élt v -b l G t 1 -be, hogy P(v-t összekötjük egy meglév i-vel) = k i j k j 1 Barabási & Albert, Science, 1999
7 Barabási-Albert modell Ebb l P(létez i pont kap új élt t id pontban) = m 0 k i j k j t-ben összesen tm 0 él van a gráfban = t j=1 k j(t) = 2tm 0. A kett b l adódik, hogy annak a valószín sége, hogy az i pont kap új élt t-ben (t = 1, 2,... ): k i (t) 2t Kis csalással a várható fokszám id beli változását a dk i (t) dt = k i(t) 2t dierenciálegyenlet írja le a k i (i) = m 0 (az i-edik pontot i id pillanatban adtuk hozzá a gráfhoz) kezdeti feltétellel (feltéve, hogy a fokszám folytonos valószín ségi változó ez csalás!)
8 Barabási-Albert modell Az egyenlet megoldsása: k i (t) = m 0 ( t i ) 1/2 A fokszámeloszlás meghátározásához meg kellene nézni, hogy t-ben hány pont foka kisebb vagy egyenl k-val: P(k i (t) < k) = P(m 0 ( t i ) 1/2 < k) Ebb l P(i > m0k/t 2 2 ) = 1 P(i m0t/k 2 2 ) = 1 m0t/k 2 2 (t + m 0 ) feltéve, hogy a pontokat egyenl id intervallumokon adjuk a rendszerhez
9 Barabási-Albert modell A s r ségfüggvény ebb l mely stacionárius megoldása P(k) = dp(k i(t) < k) dk P(k) = 2 m2 0 k 3 k 3 Azaz a modell egy skálafüggetlen fokszámeloszlású hálózatot generál.
10 Uniform attachment az i cimkéj pont t = i id pontban születik (i = 1, 2,... ) k i (t) az i pont foka t-ben kezdetben m 0 pont k i (i) = m 0 kezdeti feltétel Minden t id pillanatban az újonnan szület pont m 0 új éllel köt dik a már meglév t ponthoz véletlen szer en, ezért t > i-ben az i pont várható fokszáma: dk i (t) dt = m t Ezután ugyanaz a sztori, mint az el bb. (szorgalmi feladat)
11 Vertex copy Adott egy G 0 hálózat Válasszunk egy pontot ki véletlen szer en, másoljuk le az összes élével együtt Minden élre dobjunk fel egy érmét: ha fej (q-val), akkor ugyanahhoz a ponthoz kössük be, ahova az eredeti pont esetén volt kötve, ha írás (1 q), akkor véletlenül választott ponthoz kössük be = Itt is a hatványtörvényes fokszámeloszlás jön el (projekt feladat)
Hálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet
Hálózattudomány SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Előadó: London András 4. Előadás Hogyan nőnek a hálózatok? Statikus hálózatos modellek: a pontok száma (n) fix, az éleket valamilyen
RészletesebbenKomplex hálózatok: alapfogalmak, modellek, módszerek
Komplex hálózatok: alapfogalmak, modellek, módszerek London András, Németh Tamás 2015. április 13. Motiváció Alapfogalmak Centralitás mértékek Néhány gráfmodell Hálózatok mindenhol! ábra 1: Facebook kapcsolati
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 5. el adás Közösségszerkezet El adó: London András 2017. október 16. Közösségek hálózatban Homofília, asszortatívitás Newman modularitás Közösségek hálózatban
RészletesebbenA Barabási-Albert-féle gráfmodell
A Barabási-Albert-féle gráfmodell és egyéb véletlen gráfok Papp Pál András Gráfok, hálózatok modelljei Rengeteg gráfokkal modellezhető terület: Pl: Internet, kapcsolati hálók, elektromos hálózatok, stb.
RészletesebbenVéletlen gráfok. Backhausz Ágnes Eötvös Loránd Tudományegyetem és MTA Rényi Alfréd Matematikai Kutatóintézet december 2.
Véletlen gráfok Backhausz Ágnes Eötvös Loránd Tudományegyetem és MTA Rényi Alfréd Matematikai Kutatóintézet agnes@cs.elte.hu 2015. december 2. Nagy hálózatok Példák valós hálózatokra társadalmi hálózatok
RészletesebbenVéletlen gráfok, hálózatok
Véletlen gráfok, hálózatok Véletlen gráfok, hálózatok Csirik András 2018.04.25 Erdős-Rényi modell Watts-Strogatz modell Barabási-Albert modell Hálózatok a mindennapokban Hálózatok a világ minden területén
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 9. el adás Bevezetés az ökonozikába El adó: London András 2015. november 2. Motiváció Komplex rendszerek modellezése statisztikus mechanika és elméleti zika
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 2. el adás A hálózatkutatás néhány fontos fogalma El adó: London András 2015. szeptember 15. Átmér l ij a legrövidebb út a hálózatban i és j pont között =
RészletesebbenBetekintés a komplex hálózatok világába
Betekintés a komplex hálózatok világába Dr. Varga Imre Debreceni Egyetem Informatikai Kar EFOP-3.6.1-16-2016-00022 Egyszerű hálózatok Grafit kristály Árpád házi uralkodók családfája LAN hálózat Komplex
RészletesebbenA hazai elszámolásforgalom hálózati elemzése
A hazai elszámolásforgalom hálózati elemzése Révkomárom, 2013. január 23. Pál Zsolt egyetemi tanársegéd Miskolci Egyetem Gazdaságtudományi Kar A kutatás előzményei, háttere Hálózatelmélet - szabályos gráfok
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
RészletesebbenSzalai Péter. April 17, Szalai Péter April 17, / 36
Szociális hálók Szalai Péter April 17, 2015 Szalai Péter April 17, 2015 1 / 36 Miről lesz szó? 1 Megfigyelések Kis világ Power-law Klaszterezhetőség 2 Modellek Célok Erdős-Rényi Watts-Strogatz Barabási
RészletesebbenCsima Judit BME, SZIT február 18.
1 Véletlen gráfok és valós hálózatok Csima Judit BME, SZIT 2011. február 18. Tartalom 2 1. Motiváció: miért pont véletlen gráfok? Tartalom 2 1. Motiváció: miért pont véletlen gráfok? 2. A klasszikus modell:
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
Részletesebben2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben
1 feladatsor 1 Egy dobozban 20 fehér golyó van Egy szabályos dobókockával dobunk, majd a következ t tesszük: ha a dobott szám 1,2 vagy 3, akkor tíz golyót cserélünk ki pirosra; ha a dobott szám 4 vagy
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
RészletesebbenHierarchikus skálafüggetlen gráfok generálása fraktálokkal
Hierarchikus skálafüggetlen gráfok generálása fraktálokkal Komjáthy Júlia Simon Károly Sztochasztika Tanszék Matematika Intézet Budapesti Műszaki és Gazdaságtudományi Egyetem www.math.bme.hu/~komyju www.math.bme.hu/~simonk
RészletesebbenÖsszefoglalás és gyakorlás
Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)
RészletesebbenBabeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár. Hegyi Géza. Filozofia és Történelem Kar, Kolozsvár. M.A. Santos, R. Coelho és J.J.
Vagyoneloszlás a társadalmakban - egy fizikus megközelítése Néda Zoltán Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár Hegyi Géza Babeş-Bolyai Tudományegyetem Filozofia és Történelem Kar, Kolozsvár
RészletesebbenVéletlen gráfok szerkesztésekor n csomópontból indulunk ki. p valószínűséggel két csomópontot éllel kötünk össze.
9. előadás P(k) k Véletlen gráfok szerkesztésekor n csomópontból ndulunk k. p valószínűséggel két csomópontot éllel kötünk össze. A fokszámok Posson eloszlásúak P( k) = e pn ( pn) k! k http://www.ct.nfn.t/cactus/applets/gant%20component.html
RészletesebbenFerenczi Dóra. Sorbanállási problémák
Eötvös Loránd Tudományegyetem Természettudományi Kar Ferenczi Dóra Sorbanállási problémák BSc Szakdolgozat Témavezet : Arató Miklós egyetemi docens Valószín ségelméleti és Statisztika Tanszék Budapest,
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. A szakirány 11. előadás Ligeti Péter turul@cs.elte.hu www.cs.elte.hu/ turul Nagy hálózatok Nagy hálózatok jellemzése Internet, kapcsolati hálók, biológiai hálózatok,... globális
RészletesebbenElőirányzott kötelezettségvállalások: az 1., 2., 3. évre a költségvetésben az adott évre elrendelt kötelezettségvállalások. Jelmagyarázat: Előirányzott kötelezettségvállalások (EKÖ) Kötelezettségvállalási
Részletesebben1123-1125+UMA-3,5 OMOS HAJTÓMŰVEL PILLANGÓSZELEP UMA-3,5 ELEKTR
U - JTŰ H KT U P PI - -U Ű HJT T K P U- PI FŐBB TUJDÁK - f pinópt tndd fodkndk koáá ttk. Hoú nk cőith Dup á tömít PTF űűkk. I kim könnű hjtát t htő. U hjtómű kompkt ktomo hjtómű ámo funkció. ÉHTŐ DK tk:
RészletesebbenBevezete s a ha ló zatók vila ga ba II.
Bevezete s a ha ló zatók vila ga ba II. Véletlen hálózatok Szervezzünk partit! Körülbelül 100 vendéget hívunk meg. A vendégek kezdetben nem ismerik egymást. Kínáljuk őket sajttal és borral, biztosítva
RészletesebbenGráfelméleti feladatok programozóknak
Gráfelméleti feladatok programozóknak Nagy-György Judit 1. Lehet-e egy gráf fokszámsorozata 3, 3, 3, 3, 5, 6, 6, 6, 6, 6, 6? 2. Lehet-e egyszer gráf fokszámsorozata (a) 3, 3, 4, 4, 6? (b) 0, 1, 2, 2, 2,
RészletesebbenInnováció (és) kommunikáció
Innováció (és) kommunikáció A mőszaki tudományok és az innováció helye a (magyar) médiában Dr. Nádai László BMF KITT Az innováció kommunikációja Az innováció kommunikációja mind a vállalatok, mind a társadalom
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenVéletlen bolyongás. Márkus László március 17. Márkus László Véletlen bolyongás március / 31
Márkus László Véletlen bolyongás 2015. március 17. 1 / 31 Véletlen bolyongás Márkus László 2015. március 17. Modell Deníció Márkus László Véletlen bolyongás 2015. március 17. 2 / 31 Modell: Egy egyenesen
Részletesebben1. Példa. A gamma függvény és a Fubini-tétel.
. Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +
RészletesebbenA Bitcoin tranzakcióhálózat fejlődésének vizsgálata adatbányász módszerekkel
A Bitcoin tranzakcióhálózat fejlődésének vizsgálata adatbányász módszerekkel Kondor Dániel ELTE, Komplex Rendszerek Fizikája Tanszék MAFIHE Téli Iskola 2015 február 4 Bitcoin, alapok Teljesen elosztott
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenTantárgyi útmutató. 1. A tantárgy helye a szaki hálóban. 2. A tantárgyi program általános célja. Statisztika 1.
Tantárgyi útmutató 1. A tantárgy helye a szaki hálóban Gazdálkodási és menedzsment szakirány áttekintő tanterv Nagyításhoz kattintson a képre! Turizmus - vendéglátás szakirány áttekintő tanterv Nagyításhoz
Részletesebben1. zárthelyi,
1. zárthelyi, 2010.03.2. 1. Jelölje B n azt a gráfot, melynek csúcsai az n hosszúságú 0 1 sorozatok, két sorozat akkor és csak akkor van összekötve éllel, ha pontosan egy vagy két helyen különböznek. Adjuk
RészletesebbenIdegennyelv-tanulás támogatása statisztikai és nyelvi eszközökkel
statisztikai és nyelvi eszközökkel Témalabor 2. beszámoló Témavezet : Vámos Gábor 2009. január 9. Mir l lesz szó? A cél: tesztelni és tanítani 1 A cél: tesztelni és tanítani Eszközök és célok Szókincs
Részletesebben0,424 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
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
RészletesebbenHajder Levente 2018/2019. II. félév
Hajder Levente hajder@inf.elte.hu Eötvös Loránd Tudományegyetem Informatikai Kar 2018/2019. II. félév Tartalom 1 2 Törtvonal Felületi folytonosságok B-spline Spline variánsok Felosztott (subdivision) görbék
RészletesebbenÖsszetett hálózatok a híradástechnikában
Összetett hálózatok a híradástechnikában Horváth Árpád 03. december 4.. Híradástechnikai példák. példa: A telefonhálózat El ször minden telefont összekötöttek. Kés bb
RészletesebbenFotovillamos és fotovillamos-termikus modulok energetikai modellezése
Fotovillamos és fotovillamos-termikus modulok energetikai modellezése Háber István Ervin Nap Napja Gödöllő, 2016. 06. 12. Bevezetés A fotovillamos modulok hatásfoka jelentősen függ a működési hőmérséklettől.
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenModern piacelmélet. ELTE TáTK Közgazdaságtudományi Tanszék. Selei Adrienn
Modern piacelmélet ELTE TáTK Közgazdaságtudományi Tanszék Selei Adrienn A tananyag a Gazdasági Versenyhivatal Versenykultúra Központja és a Tudás-Ökonómia Alapítvány támogatásával készült az ELTE TáTK
RészletesebbenHálózati elemzések az üzleti életben. Kovács Gyula Sixtep Kft.
Hálózati elemzések az üzleti életben Kovács Gyula Sixtep Kft. Hálózat kutatás rövid ismertetése Königsbergi hidak problémája Háttér: A probléma története, hogy a poroszországi Königsberg (most Kalinyingrád,
RészletesebbenMatematika 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,
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
RészletesebbenZsidók, tudomány és hálózatok?
Zsidók, tudomány és hálózatok? Bevezető gondolatok és alapfogalmak Biró Tamás OR-ZSE Hálózatkutatás a Zsidó Tanulmányokban kutatócsoport 2018. 12. 19. Hálózatok mindenhol Például: emberek alkotta társadalmi
RészletesebbenDöntési rendszerek I.
Döntési rendszerek I. SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Készítette: London András 3. Gyakorlat Egy újságárus 20 centért szerez be egy adott napilapot a kiadótól és 25-ért adja
Részletesebben2. A ξ valószín ségi változó s r ségfüggvénye a következ : c f(x) =
1 Egy dobozban hat fehér golyó van Egy szabályos dobókockával dobunk, majd annyi piros golyót teszünk a dobozba, amennyit dobtunk Ezután véletlenszer en húzunk egy golyót a dobozból (a) Mi a valószín sége,
RészletesebbenFeladatok 2. zh-ra. 1. Eseményalgebra április Feladat. Az A és B eseményekr l tudjuk, hogy P (A) = 0, 6, P (B) = 0, 7 és
Feladatok 2 zh-ra 205 április 3 Eseményalgebra Feladat Az A és B eseményekr l tudjuk, hogy P (A) = 0, 7, P (B) = 0, 4 és P (A B) = 0, 5 Határozza meg az A B esemény valószín ségét! P (A B) = 0, 2 2 Feladat
Részletesebbenmatematikai statisztika 2006. október 24.
Valószínűségszámítás és matematikai statisztika 2006. október 24. ii Tartalomjegyzék I. Valószínűségszámítás 1 1. Véletlen jelenségek matematikai modellje 3 1.1. Valószínűségi mező..............................
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
RészletesebbenPuskás Béla: Hálózatelméleti alapok
Puskás Béla: Hálózatelméleti alapok "Egyébként kedves játék alakult ki a vitából. Annak bizonyításául, hogy a Földgolyó lakossága sokkal közelebb van egymáshoz, mindenféle tekintetben, mint ahogy valaha
RészletesebbenTermészettudományi Kar. Rokob Sándor. Véletlen gráfok duplikációs modelljei. Matematika Bsc szakdolgozat
Eötvös Loránd Tudományegyetem Természettudományi Kar Rokob Sándor Véletlen gráfok duplikációs modelljei Matematika Bsc szakdolgozat Témavezető: Móri Tamás Valószínűségelméleti és Statisztika Tanszék Budapest,
RészletesebbenMagyar és angol szóasszociációs hálózatok vizsgálata. Orosz Katalin Kovács László Pollner Péter
Magyar és angol szóasszociációs hálózatok vizsgálata Orosz Katalin Kovács László Pollner Péter 0. Bevezetés Jelenlegi elképzeléseink szerint a beszédértés és beszédprodukció során előhívott szavakat (és
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenPenta Unió Oktatási Centrum Zrt. Az elektronikus számlázás alkalmazása Magyarországon napjainkban
Penta Unió Oktatási Centrum Zrt. Az elektronikus számlázás alkalmazása Magyarországon napjainkban Név: Bán Roland Szak: Forgalmi adó szak Konzulens: Domsa Ágnes Tartalomjegyzék BEVEZETÉS 4 1. AZ ÁLTALÁNOS
Részletesebben* Modern piacelmélet. ELTE TáTK Közgazdaságtudományi Tanszék. Tárgyfelelős neve * Modern piacelmélet Kutatás és fejlesztés. * Kutatás és fejlesztés
* Modern piacelmélet ELTE TáTK Közgazdaságtudományi Tanszék Tárgyfelelős neve * Modern piacelmélet Kutatás és fejlesztés ELTE TáTK Közgazdaságtudományi Tanszék Készítette: Hidi János * Kutatás és fejlesztés
RészletesebbenGyakorló feladatok a Közönséges dierenciálegyenletek kurzushoz
Gyakorló feladatok a Közönséges dierenciálegyenletek kurzushoz Vas Gabriella 204. február A feladatgy jtemény a TÁMOP-4.2.4.A/2-/-202-000 azonosító számú Nemzeti Kiválóság Program Hazai hallgatói, illetve
RészletesebbenFejezetek a lineáris algebrából PTE-PMMK, Műszaki Informatika Bsc. Dr. Kersner Róbert
Fejezetek a lineáris algebrából PTE-PMMK, Műszaki Informatika Bsc Dr. Kersner Róbert 007 Tartalomjegyzék Előszó ii. Determináns. Mátrixok 6 3. Az inverz mátrix 9 4. Lineáris egyenletrendszerek 5. Lineáris
RészletesebbenINFORMÁCIÓTERJEDÉS MODELLEZÉSE HÁLÓZATOKON DIFFERENCIÁLEGYENLETEKKEL
INFORMÁCIÓTERJEDÉS MODELLEZÉSE HÁLÓZATOKON DIFFERENCIÁLEGYENLETEKKEL Eötvös Loránd Tudományegyetem Természettudományi Kar BSc szakdolgozat Készítette: Korányi Gerg Matematika BSc Matematikai elemz szakirány
Részletesebben8. előadás EGYÉNI KERESLET
8. előadás EGYÉNI KERESLET Kertesi Gábor Varian 6. fejezete, enyhe változtatásokkal 8. Bevezető megjegyzések Az elmúlt héten az optimális egyéni döntést elemeztük grafikus és algebrai eszközökkel: a preferenciatérkép
RészletesebbenSzA II. gyakorlat, szeptember 18.
SzA II. gyakorlat, 015. szeptember 18. Barátkozás a gráfokkal Drótos Márton drotos@cs.bme.hu 1. Az előre megszámozott (címkézett) n darab pont közé hányféleképp húzhatunk be éleket úgy, hogy egyszerű gráfhoz
RészletesebbenElektromágneses hullámok - Hullámoptika
Bevezetés a modern fizika fejezeteibe 2. (c) Elektromágneses hullámok - Hullámoptika Utolsó módosítás: 2015. január 17. 1 Az elektromágneses hullámok visszaverődési és törési törvényei (1) Kérdés: Mi történik
RészletesebbenÜzleti Jelentés Generali Önkéntes Kölcsönös Egészségpénztár 2014. év
Teréz krt 42-44 Üzleti Jelentés Generali Önkéntes Kölcsönös Egészségpénztár 2014. év 1. A pénztár általános jellemzői A Generali Önkéntes Kölcsönös Egészségpénztár (rövidített nevén: Generali Egészségpénztár)
RészletesebbenLokális tulajdonságok véletlen. Nagy Gábor
Eötvös Loránd Tudományegyetem Természettudományi Kar Lokális tulajdonságok véletlen gráfokban Szakdolgozat Nagy Gábor Matematika BSc Alkalmazott matematikus szakirány Témavezető: Backhausz Ágnes tanársegéd
RészletesebbenFeladatok MATEMATIKÁBÓL
Feladatok MATEMATIKÁBÓL a 12. évfolyam számára III. 1. Számítsuk ki a következő hatványok értékét! 2. Írjuk fel gyökjelekkel a következő hatványokat! 3. Az ötnek hányadik hatványa a következő kifejezés?
RészletesebbenFelfedezés. Elemzés. Optimalizálás. AutoCAD. Civil 3d
Felfedezés. Elemzés. Optimalizálás. AutoCAD Civil 3d Innovatívabb megoldásokat tehet le az asztalra Az AutoCAD Civil 3D szoftver jobb módszert kínál az építőmérnöki projektek tervezési, elemzési és dokumentálási
RészletesebbenKárolyi Mihály Két Tanítási Nyelvű Közgazdasági Szakközépiskola Kémia Helyi Tanterv. A Károlyi Mihály Két Tanítási Nyelvű Közgazdasági Szakközépiskola
A Károlyi Mihály Két Tanítási Nyelvű Közgazdasági Szakközépiskola KÉMIA HELYI TANTERVE a 9. évfolyam számára két tanítási nyelvű osztály közgazdaság ágazaton Készítette: Kaposi Anna, kémia szaktanár Készült:
Részletesebben[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 =
RészletesebbenSzociális hálózatok Gráf alapú módszerek. Adatbányászat. Klaszterezés Szociális hálózatok. Szegedi Tudományegyetem. Adatbányászat
Klaszterezés Szegedi Tudományegyetem Élei lehetnek címkézettek (pl. ellenség, barát), továbbá súlyozottak (pl. telefonbeszélgetés) Megjelenési formái Ismeretségi, társszerzőségi gráf (Erdős-Bacon szám)
RészletesebbenREKLÁMPSZICHOLÓGIA. 1/a. TÁRSTUDOMÁNYOK és ÚJ TUDOMÁNYÁGAK
REKLÁMPSZICHOLÓGIA 1/a. TÁRSTUDOMÁNYOK és ÚJ TUDOMÁNYÁGAK Interdiszciplináris tudomány kereskedelem lélektan kommunikáció kutatás kampány hatásvizsgálatok médiakutatás, mérés REKLÁM PSZICHO- LÓGIA fogyasztói
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenCsima Judit BME, SZIT február 17.
1 Véletlen gráfok és valós hálózatok Csima Judit BME, SZIT 2010. február 17. Tartalom 2 1. Motiváció: miért pont véletlen gráfok? 2. A klasszikus modell: Erdős-Rényi véletlen-gráf modell definíció jellemzői
RészletesebbenBevezete s a ha ló zatók vila ga ba
Bevezete s a ha ló zatók vila ga ba Bevezetés Kezdjük egy játékkal! Képzeletünkben kalandozzunk el és válasszunk egy tetszőleges országot a világon, annak tetszőleges települését és egy ott élő tetszőleges
RészletesebbenBiostatisztika. Sz cs Gábor. 2018/19 tavaszi félév. Szegedi Tudományegyetem, Bolyai Intézet
Biostatisztika Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet 2018/19 tavaszi félév Bevezetés Tudnivalók, követelmények Tudnivalók, követelmények Félév tematikája: Értékelés: Valószín ségszámítás
RészletesebbenDebreceni Egyetem, Informatikai Kar, Informatikai Rendszerek és Hálózatok Tanszék
Mintatantervek és a hálózattudomány, vagyis az el feltételi hálók tulajdonságai Curriculums and the networks science that is the properties of preconditional subject networks Varga Imre a, Szilágyi Szabolcs
Részletesebben7/2006. (V. 24.) TNM rendelet az épületek energetikai jellemzőinek meghatározásáról 1. 2. 3. 4.
7/2006. (V. 24.) TNM rendelet az épületek energetikai jellemzőinek meghatározásáról 2016.01.01 2017.12.31 8 7/2006. (V. 24.) TNM rendelet az épületek energetikai jellemzőinek meghatározásáról Az épített
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
RészletesebbenHALMAZELMÉLET feladatsor 1.
HALMAZELMÉLET feladatsor 1. Egy (H,, ) algebrai struktúra háló, ha (H, ) és (H, ) kommutatív félcsoport, és teljesül az ún. elnyelési tulajdonság: A, B H: A (A B) = A, A (A B) = A. A (H,, ) háló korlátos,
RészletesebbenKözhasznúsági Jelentés (2009. év)
Jövőkerék Közhasznú Alapítvány Székhely: 1021 Budapest, Kuruc u. 8. Fővárosi Bíróság 7.Pk.60.571/2005/2. Adószám: 18121214-2-41 Statisztikai szám: 18121214-9133-569-01 Bankszámla: OTP 11702036-20706856
Részletesebben1A-029-2006 1A-048-2006 A1-0069-2006 2006 2006 2006
A1 ndikátor 1A-029-2006 1A-048-2006 A1-0069-2006 2006 2006 2006 jelentés jelentés Eredményezett-e új nemzetközi projektet? (/N) eredményeit? (/N), milyen formában? gen, nappali, egyetemi hallgatók PhD
RészletesebbenKirály Zoltán, Kondé Zoltán, Kovács Antal, Lévai Annamária 2006
A Network-Elemzés - és felhasználása általános iskolai osztályok társas szerkezetének és a szerveződésért felelős személyes tulajdonságok feltárására Király Zoltán, Kondé Zoltán, Kovács Antal, Lévai Annamária
RészletesebbenGráfelméleti alapfogalmak-1
KOMBINATORIKA ELŐADÁS osztatlan matematika tanár hallgatók számára Gráfelméleti alapfogalmak Előadó: Hajnal Péter 2015 1. Egyszerű gráfok Nagyon sok helyzetben egy alaphalmaz elemei között kitűntetett
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
RészletesebbenGráf csúcsainak színezése. The Four-Color Theorem 4 szín tétel Appel és Haken bebizonyították, hogy minden térkép legfeljebb 4 színnel kiszínezhető.
Gráf csúcsainak színezése Kromatikus szám 2018. Április 18. χ(g) az ún. kromatikus szám az a szám, ahány szín kell a G gráf csúcsainak olyan kiszínezéséhez, hogy a szomszédok más színűek legyenek. 2 The
Részletesebbentechnika közötti szakadékot kívánta áthidalni. 1919-ben Walter Gropius ) és a
Trianoni emlékhely pályázat Budaörs, Templom tér Budaörs Város Önkormányzat Installáció műleírás ( gondolatiság ) és gyártás technológiai leírás különféle vas és kor acél anyagokból,, valamint műanyag
RészletesebbenÁdám Réka. Szakdolgozat Alkalmazott matematikus MSc, Sztochasztika szakirány
E ÖTVÖS L ORÁND T UDOMÁNYEGYETEM T ERMÉSZETTUDOMÁNYI K AR Ádám Réka V ÉLETLEN GRÁFOK ÉS JÁRVÁNYTERJEDÉSI FOLYAMATOK Szakdolgozat Alkalmazott matematikus MSc, Sztochasztika szakirány Témavezeto : Backhausz
RészletesebbenGráfelméleti alapfogalmak
1 Gráfelméleti alapfogalmak Gráf (angol graph= rajz): pontokból és vonalakból álló alakzat. pontok a gráf csúcsai, a vonalak a gráf élei. GRÁ Irányítatlan gráf Vegyes gráf Irányított gráf G H Izolált pont
RészletesebbenExact inference in general Bayesian networks
Exact inference in general Bayesian networks Peter Antal antal@mit.bme.hu Overview The Probability Propagation in Trees of Cliques (a.k.a. ~in join trees) Practical inference Exercises Literature: Valószínűségi
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
RészletesebbenADATBÁZIS-KEZELÉS. Modellek
ADATBÁZIS-KEZELÉS Modellek MODELLEZÉS Információsűrítés, egyszerűsítés Absztrakciós lépésekkel eljutunk egy egyszerűbb modellig, mely hűen tükrözi a modellezni kívánt világot. ADATMODELL Információ vagy
RészletesebbenValószínűségszámítás 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:
RészletesebbenModern Fizika Laboratórium Fizika BSc 18. Granuláris anyagok
Modern Fizika Laboratórium Fizika BSc 18. Granuláris anyagok Mérést végezték: Márkus Bence Gábor Kálmán Dávid Kedd délelőtti csoport Mérés ideje: 05/08/2012 Beadás ideje: 05/11/2012 Érdemjegy: 1 1. A mérés
RészletesebbenA jövő tudósai A NEMZETI TEHETSÉG PROGRAM EDDIGI EREDMÉNYEI ÉS TOVÁBBI TERVEI. A jövő tudósai. Magyar Tudomány 2013/5
Tisztelt Olvasó! 610 A NEMZETI TEHETSÉG PROGRAM EDDIGI EREDMÉNYEI ÉS TOVÁBBI TERVEI A Nemzeti Tehetség Programról szóló 78/ 2008. (VI.13. OGY-határozat elfogadásával az Országgyűlés 2008-tól kezdődően
RészletesebbenÁltalános információk
Általános információk A hűtőket és mélyhűtőket elsősorban mélyhűtött termékek tárolására használjuk. A nem előrecsomagolt termékeket, külön erre a célra gyártott tárolóedényekbe kell tárolni. Minden csemegepult
RészletesebbenA MIKROSZIMULÁCIÓS MODELLEK HASZNÁLATÁNAK ÚJ HAZAI LEHETŐSÉGEI* DR. MOLNÁR ISTVÁN
MÓDSZERTANI TANULMÁNYOK A MIKROSZIMULÁCIÓS MODELLEK HASZNÁLATÁNAK ÚJ HAZAI LEHETŐSÉGEI* DR. MOLNÁR ISTVÁN A mikroszimuláció módszere egyike a fejlett ipari országokban a ma elérhető legfontosabb és leginkább
RészletesebbenAz 5-2. ábra két folyamatos jel (A és B) azonos gyakoriságú mintavételezését mutatja. 5-2. ábra
Az analóg folyamatjeleken - mielőtt azok további feldolgozás (hasznosítás) céljából bekerülnének a rendszer adatbázisába - az alábbi műveleteket kell elvégezni: mintavételezés, átkódolás, méréskorrekció,
RészletesebbenAdatszerkezetek II. 1. előadás
Adatszerkezetek II. 1. előadás Gráfok A gráf fogalma: Gráf(P,E): P pontok (csúcsok) és E P P élek halmaza Fogalmak: Irányított gráf : (p 1,p 2 ) E-ből nem következik, hogy (p 2,p 1 ) E Irányítatlan gráf
RészletesebbenÁltalános statisztika II. Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László
Általános statisztika II Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Általános statisztika II Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Publication
Részletesebben