Kódolás az idegrendszerben
|
|
- Péter Csonka
- 4 évvel ezelőtt
- Látták:
Átírás
1 Kódolás az idegrendszerben Ujfalussy Balázs Budapest Compumputational Neuroscience Group Dept. Biophysics, MTA KFKI RMKI Idegrendszeri modellezés ELTE, március 21. Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
2 Bevezetés Mit csinál az idegsejt? Eddig főleg mechanisztkus modellek: Mint biofizikai (1. és 3. óra), dinamikai (2. óra) rendszer: Mire képes a sejt? Hogyan lehet megnézni, hogy mit csinál? (4. óra: mérési módszerek) Most descriptív modellek: Hogyan viselkednek a sejtek működés közben? Infromációfeldolgozás az idegrendszerben. Jelemmezzük az ingerre (stimulus, s(t)) adott neurális választ (response, r(t) vagy spike train ρ(t)). Cél: ρ(s(t)) függvény (vagy inkább p[ρ(t) s(t)], probabilisztikus megközelítés) Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
3 Hubel & Wiesel Hubel and Wiesel - látókéreg Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
4 Hubel & Wiesel Hubel and Wiesel - látókéreg Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
5 Tüzelési ráta Tüzelési ráta Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
6 Tüzelési ráta Tüzelési ráta Neual response function: ρ(t) = n δ(t t i ) i=1 Tüzelési ráta: tüzelések száma: tüzelési ráta: r = n T = 1 T r(t) = 1 t T 0 t+ t t ρ(t)dt ρ(τ) dτ Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
7 Tüzelési ráta becslése Tüzelési ráta r appr (t) = Gaussian kernel Alpha kernel ω(τ)ρ(t τ)dτ Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
8 Tuning curve Tuning curve Érzékenységi görbe Elsődleges látókéreg, irányszelektív neuron érzékenységi görbéje. Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
9 Tuning curve Tuning curve Motoros kéreg Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
10 Tuning curve Tuning curve Látókéreg, retinal disparity Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
11 Variabilitás A variabilitás forrása Tapasztalat: többször ugyanarra az ingerre a válasz eltérő lehet. Mi ennek az oka? sokdimenziós komplex rendszer csak kevés paramétert kontrollálunk (figyelem, motiváció stb.) plaszticitás sztochasztikus folyamatok (szinaptikus transzmisszió, ioncsatornák) Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
12 A variabilitás forrása Variabilitás csatornakinetika sztochaszticitása kevés ioncsatorna vagy küszöbjelenség esetén jelentős lehet. A Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
13 A variabilitás forrása Variabilitás A központi idegrendszerben a szinaptikus transzmisszió sztochasztikus: 9-ből háromszor volt válasz, a 10. az átlagos választ mutatja. Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
14 Spontán aktivitás Spontán aktivitás - hallókéreg Extracellulárisan mért kiváltott válaszok a halllókéregben Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
15 Spontán aktivitás Spontán aktivitás Spontán aktivitás és kiváltott válasz a hallókéregben Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
16 Spontán aktivitás Spontán aktivitás A spontán aktivitás és a kiváltott válasz struktúrája hasonló Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
17 Spontán aktivitás Spontán aktivitás - látókéreg Orientációs és okuláris dominancia térkép a látókéregben. A sejtek receptív mezőik szerint rendezett kolumnákat alkotnak. Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
18 Spontán aktivitás Spontán aktivitás A spontán aktivitás és a kiváltott válasz struktúrája itt is hasonló Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
19 Spike triggered average Neurális térképezés - spike triggered average Átlagos inger τ idővel a tüzelés előtt: C(τ) = Ezt írhatjuk így is: C(τ) = 1 n 1 n T 0 n i=1 s(t i τ) 1 n s(t i τ) n i=1 ρ(t) s(t τ)dt = 1 T r(t)s(t τ)dt n 0 Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
20 Neurális térképezés Spike triggered average Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
21 Neurális térképezés Spike triggered average Korreláció az inger és a válasz között: Q rs (τ) = 1 T T 0 r(t)s(t + τ)dt Ebből látszik, hogy az átlagos stimulus C(τ) = 1 r Q rs( τ), ahol r = n /T Az átlagos stimulus, vagy optimális stimulus függ az alkalmazott inger statisztikájától. Milyen ingert érdemes használni? Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
22 Neurális térképezés Spike triggered average gyengén elektromos hal elektromos érzékszervében lévő neuron spike triggered average ingere, és egy minta inger-válasz görbe. Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
23 Neurális térképezés Spike triggered average Légy H1 vizuális neuron válasza - multiple spike triggered average. Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
24 Spike-train statistics Tüzelés sorozatok Inger válasz jellemzése: P[t 1, t 2,..., t n ] = p[t 1, t 2,..., t n ]( t) n ahol P[t 1, t 2,..., t n ] egy adott tüzelés-sorozat valószínűsége, p[t 1, t 2,..., t n ] a valószínűségi sűrűség függvény. Miért kell diszkrét időpontokat használni? Mi a különbség p[t 1, t 2,..., t n ] és i r(t i) között? Point process: folytonos változó események diszkrét sorozata Renewal process: minden esemény csak az előzőtől függ (intervallumok függetlenek) Poisson folyamat: minden esemény független Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
25 Spike-train statistics homogén Poisson folyamat homogén Poisson folyamat Homogén Poisson folyamat: r(t) = r Ebben az esetben: P[t 1, t 2,..., t n ] = P T [n] n! M n ahol n a tüzelések száma és M = T / t, azaz a binek száma T idő alatt. P T [n] annak a valószínűsége, hogy T idő alatt pontosan n tüzelést látunk. Ha t véges, akkor binomiális eloszlás, de ha t 0, akkor Poisson: P T [n] = Poisson(n rt ) = (rt )n exp( rt ) n! Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
26 Spike-train statistics homogén Poisson folyamat homogén Poisson folyamat P (n) n rt=4 rt=1 rt=10 E[n] µ n = rt var[n] σ 2 n = rt A tüzelések számának eloszlását nézve a Fano faktor σ2 n µ n = 1 amennyiben a tüzeléseket Poisson folyamat okozza. Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
27 Spike-train statistics homogén Poisson folyamat homogén Poisson folyamat Az intersppike interval (ISI) eloszlás: P[τ < t i+1 t i < τ + t] = r t P τ [0] = r t exp( rτ) p[τ] = Exponential(τ r) = r exp( rτ) E[τ] µ τ = 1/r var[τ] στ 2 = 1/r 2 τ τ A tüzelések között eltelt időnek eloszlását nézve a coefficient of variation, C V = στ µ τ = 1 amennyiben a tüzeléseket Poisson folyamat okozza. Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
28 Spike-train statistics homogén Poisson folyamat homogén Poisson folyamat ISI: két egymást követő tüzelés között eltelt idő. Autokorrelációs függvény: két tetszőleges tüzelés között eltelt idő Hol a hiba? Nem homogén vagy nem Poisson! Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
29 Spike-train statistics inhomogén Poisson folyamat inhomogén Poisson folyamat A tüzelési ráta időfüggő, de a tüzelések továbbra is függetlenek (legalábbis feltételesen): p[t 1, t 2,..., t n ] = ( T ) exp r(t) dt 0 n! n r(t i ) i=1 Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
30 Spike-train statistics inhomogén Poisson folyamat inhomogén Poisson folyamat Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
31 Spike-train statistics Poisson folyamat - kísérletek kísérletek Tüzelések számának variabilitása egy 256 ms időablakban, majom MT vizuális kérgében. Jobb oldalon: az adatokat polinomiális görbével σ 2 n = Aµ B n illesztve az illesztés paraméterei. Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
32 Spike-train statistics Poisson folyamat - kísérletek kísérletek A: ISI hisztogram majom agykérgi neuronokból (MT, random dot motion task). B: Poisson ISI sztochasztikus refrakter periódussal. Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
33 Spike-train statistics kísérletek Poisson folyamat - konklúzió Poisson modell refrakter periódussal sokmindent egészen jól leír időnként azonban a neuronok ennél sokkal precízebbek semmilyen magyarázatot nem ad a variabilitásra pl.: világos, hogy nem maga az akciós potenciál-generálás mechnizmusa felel a variabilitásért! Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
34 Spike-train statistics Poisson folyamat - konklúzió kísérletek In vitro mérés egykérgi szeletben: változó áraminger hatására a tüzelések időzítése meglepően pontos! (Mainen and Sejnowski, 1995) Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
35 Szabálytalan tüzelés irregular firing Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
36 Szabálytalan tüzelés irregular firing integrate and fire neuron Integrate and fire neuron: c m dv dt = V E L r m + I e A ahol c m az (egységnyi felületre vett) membrán kapacitás, r m a membrán ellenállás, V a membránpotenciál, E L a nyugalmi membránpotenciál, I e az külső áram és A a neuron felülete. dv τ m = E L V + R m I e dt Ha V (t) = V th akkor a sejt tüzel, és V (t + t) = V reset. A rendszer megoldása konstans külső áram esetén, V (t = 0) = V 0 kezdeti feltétellel: V (t) = E L + R m I e + (V 0 E L R m I e )e t/τm V (t) = V + (V 0 V )e t/τm Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
37 Szabálytalan tüzelés irregular firing integrate and fire neuron Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
38 Szabálytalan tüzelés irregular firing tüzelési ráta Mekkora a sejt tüzelési frekvenciája? [ ] EL V r th + R m I e τ(v th V reset ) ahol felhasználtuk, hogy ln(1 + x) x ha x elég nagy. Feladat: vezessük le a fenti összefüggést! + Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
39 Szabálytalan tüzelés irregular firing szinaptikus input Szinaptikus input: τ m dv dt = E L V r m g s (V E s ) + R m I e Áramforrás: r m g s E s, konduktancia - sönt: r m g s V. Átírva ( /(1 + r m g s )): τ m dv 1 + r m g s dt = V + E L + r m g s E s + R m I e 1 + r m g s vagy, shunting inhibition, azaz ha E s = E L : τ m dv 1 + r m g s dt = V + E L + R mi e 1 + r m g s Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
40 Szabálytalan tüzelés irregular firing szinaptikus input Söntölő gátlás: divizív, azaz osztó hatás a membránpotenciálra: τ m dv 1 + r m g s dt = V + E L + R mi e 1 + r m g s De nem a tüzelési rátára: [ ] [ EL V r th + R m I e = τ(v th V reset ) ahol R m = hatása. + E L V th C m R m(v th V reset ) + I e ] C m (V th V reset ) + Rm 1+r mg s, és a söntnek csak az első, konstans tagra van Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
41 Szabálytalan tüzelés irregular firing szinaptikus input Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
42 Összefoglalás irregular firing szinaptikus input speed computation spontaneous activity neuron slow ( < 1 khz) complex stochastic, unreliable typical transistor (logical gates) fast ( > 1 GHz) simple extremely reliable no Ujfalussy Balázs (Budapest CNS Group) Neural encoding ELTE, március / 42
Az idegsejt elektrokémiai és
Mottó: Mert az angyal a részletekben lakik. Petri György: Mosoly Az idegsejt elektrokémiai és fiziológiai működésének alapjai. ELTE, 2006. október 6. Tartalom Az idegsejt felépítése Az idegi elektromosság
RészletesebbenA látás alapjai. Látás Nyelv Emlékezet. Általános elv. Neuron idegsejt Neuronális hálózatok. Cajal és Golgi 1906 Nobel Díj A neuron
Látás Nyelv Emlékezet A látás alapjai Általános elv Külvilág TÁRGY Érzékszervek (periféria) Felszálló (afferens) pálya AGY Kéregalatti és kérgi területek Szenzoros, majd motoros és asszociációs területek
RészletesebbenGyógyszerészeti neurobiológia. Idegélettan
Az idegrendszert felépítő sejtek szerepe Gyógyszerészeti neurobiológia. Idegélettan Neuronok, gliasejtek és a kémiai szinapszisok működési sajátságai Neuronok Információkezelés Felvétel Továbbítás Feldolgozás
RészletesebbenEgy idegsejt működése. a. Nyugalmi potenciál b. Transzport proteinek c. Akciós potenciál
Egy idegsejt működése a. Nyugalmi potenciál b. Transzport proteinek c. Akciós potenciál Nyugalmi potenciál Az ionok vándorlása 5. Alacsonyabb koncentráció ioncsatorna membrán Passzív Aktív 3 tényező határozza
Részletesebbena. Nyugalmi potenciál b. Transzport proteinek c. Akciós potenciál. Nyugalmi potenciál. 3 tényező határozza meg:
Egy idegsejt működése a. Nyugalmi potenciál b. Transzport proteinek c. Nyugalmi potenciál Az ionok vándorlása 5. Alacsonyabb koncentráció ioncsatorna membrán Passzív Aktív 3 tényező határozza meg: 1. Koncentráció
RészletesebbenAdatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus
RészletesebbenTranszportfolyamatok a biológiai rendszerekben
A nyugalmi potenciál jelentősége Transzportfolyamatok a biológiai rendszerekben Transzportfolyamatok a sejt nyugalmi állapotában a sejt homeosztázisának (sejttérfogat, ph) fenntartása ingerlékenység érzékelés
RészletesebbenLátás Nyelv - Emlékezet. ETE47A001/2016_17_1/
Látás Nyelv - Emlékezet http://www.cogsci.bme.hu/~ktkuser/kurzusok/bm ETE47A001/2016_17_1/ A látás alapjai Általános elv AGY Külvilág TÁRGY Érzékszervek (periféria) Felszálló (afferens) pálya Kéregalatti
RészletesebbenJelanalízis. Neuronális aktivitás
Jelanalízis Neuronális aktivitás 2/10 a bioelektromos jelek lényegében két kategóriába esnek: gyors jelek (spike aktivitás) és lassú jelek (EEG, mezőpotenciál, stb.) a jelanalízis alapvetően különbözik
RészletesebbenÉrzékelési folyamat szereplői. Az érzékelés biofizikájának alapjai. Inger Modalitás Receptortípus. Az inger jellemzői MILYEN? HOL? MENNYI? MEDDIG?
külső, belső környezet ei Érzékelési folyamat szereplői Az érzékelés biofizikájának alapjai specifikus transzducer központi idegrendszer Az jellemzői MILYEN? HOL? MENNYI? MEDDIG? Magasabb szintű kódolás
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 =
RészletesebbenÉrzékelési folyamat szereplői. Az érzékelés biofizikájának alapjai. Receptor felépítése. Az inger jellemzői MILYEN? HOL? MENNYI? MEDDIG?
külső, belső környezet ei Érzékelési folyamat szereplői Az érzékelés biofizikájának alapjai specifikus transzducer központi idegrendszer Az jellemzői Receptor felépítése MILYEN? HOL? MENNYI? MEDDIG? Magasabb
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
RészletesebbenAz egyedi neuronoktól az EEG hullámokig Somogyvári Zoltán
Az egyedi neuronoktól az EEG hullámokig Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az állati elektromosság felfedezése 1792 Galvani, De Viribus - Electricitatis in Motu
RészletesebbenLátórendszer modellezése
Statisztikai tanulás az idegrendszerben, 2015. Látórendszer modellezése Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ A látórendszer felépítése Prediktálhatóság
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
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
RészletesebbenSynchronization of cluster-firing cells in the medial septum
Synchronization of cluster-firing cells in the medial septum Balázs Ujfalussy and Tamás Kiss 25. december 9. Tartalom Miért burstöl a Wang-féle sejt? - bifurkációk Xpp-vel. Az ANDREW-project második félideje
RészletesebbenIONCSATORNÁK. I. Szelektivitás és kapuzás. III. Szabályozás enzimek és alegységek által. IV. Akciós potenciál és szinaptikus átvitel
IONCSATORNÁK I. Szelektivitás és kapuzás II. Struktúra és funkció III. Szabályozás enzimek és alegységek által IV. Akciós potenciál és szinaptikus átvitel V. Ioncsatornák és betegségek VI. Ioncsatornák
RészletesebbenÉrzékszervi receptorok
Érzékszervi receptorok működése Akciós potenciál Érzékszervi receptorok Az akciós potenciál fázisai Az egyes fázisokat kísérő ionáram változások 214.11.12. Érzékszervi receptorok Speciális sejtek a környezetből
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
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
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
RészletesebbenAhonnan letölthető az anyag (egy része):
Ahonnan letölthető az anyag (egy része): www.rmki.kfki.hu/biofiz/cneuro/tutorials.html www.rmki.kfki.hu/ lmate/kurz/ A segédanyagokban az 1,3,4 előadások. itt található egy könyv, butler.cc.tut.fi/ malmivuo/bem/bembook/00/co.htm
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenTúl az optikán. Az alak- és tárgylátás elektrofiziológiai alapjai. dr. Sáry Gyula Ph.D. SZTE Általános Orvostudományi Kar Élettani Intézet Szeged
Túl az optikán Az alak- és tárgylátás elektrofiziológiai alapjai dr. Sáry Gyula Ph.D. SZTE Általános Orvostudományi Kar Élettani Intézet Szeged Alak- és formafelismerésünk robusztus, megbízható folyamat
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,
RészletesebbenDebreceni Egyetem Orvos- és Egészségtudományi Centrum Biofizikai és Sejtbiológiai Intézet
Debreceni Egyetem Orvos- és Egészségtudományi Centrum Biofizikai és Sejtbiológiai Intézet Az ioncsatorna fehérjék szerkezete, működése és szabályozása Panyi György www.biophys.dote.hu Mesterséges membránok
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
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
RészletesebbenSzámítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
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:
RészletesebbenAz érzékelés biofizikájának alapjai. Érzékelési folyamat szereplői. Az inger jellemzői MILYEN? HOL? MENNYI? MEDDIG?
Az érzékelés biofizikájának alapjai Hol érzi a fájdalmat kérdezte fogorvosa A. J. P. filozófustól Micsoda kérdés! felelte Ő Természetesen agyamban! külső, belső környezet ei specifikus transzducer Érzékelési
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
RészletesebbenModellkiválasztás és struktúrák tanulása
Modellkiválasztás és struktúrák tanulása Szervezőelvek keresése Az unsupervised learning egyik fő célja Optimális reprezentációk Magyarázatok Predikciók Az emberi tanulás alapja Általános strukturális
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
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.
RészletesebbenZ v 1 (t)v 2 (t τ)dt. R 12 (τ) = 1 R 12 (τ) = lim T T. ill. periódikus jelekre:
1 Korrelációs fügvények Hasonlóság mértéke a két függvény szorzatának integrálja Időbeli változások esetén lehet vizsgálni a hasonlóságot a τ relatív időkülönbség szerint: Keresztkorrelációs függvény:
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenHodkin-Huxley formalizmus.
Mottó: Ha a test a szellem kedvéért lenne, az csoda volna. De ha a szellem a test kedvéért - az volna csak a csodák csodája Davis-Hersch: A matematika élménye Hodkin-Huxley formalizmus. A HH model egyszerűsítése
RészletesebbenMembránpotenciál, akciós potenciál
A nyugalmi membránpotenciál Membránpotenciál, akciós potenciál Fizika-Biofizika 2015.november 3. Nyugalomban valamennyi sejt belseje negatív a külső felszínhez képest: negatív nyugalmi potenciál (Em: -30
RészletesebbenÉrzékelési folyamat szereplői. Az érzékelés biofizikájának alapjai. Inger Modalitás Receptortípus. Az inger jellemzői MILYEN? HOL? MENNYI? MEDDIG?
külső, belső környezet ei Érzékelési folyamat szereplői Az érzékelés biofizikájának alapjai specifikus transzducer központi idegrendszer Az jellemzői MILYEN? HOL? MENNYI? MEDDIG? Magasabb szintű kódolás
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
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:
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
RészletesebbenA membránpotenciál. A membránpotenciál mérése
A membránpotenciál Elektromos potenciál különbség a membrán két oldala közt, E m Cink Galvani (1791) Réz ideg izom A membránpotenciál mérése Mérési elv: feszültségmérő áramkör Erősítő (feszültségmérő műszer)
RészletesebbenAz ioncsatorna fehérjék szerkezete, működése és szabályozása. A patch-clamp technika
Az ioncsatorna fehérjék szerkezete, működése és szabályozása. A patch-clamp technika Panyi György 2014. November 12. Mesterséges membránok ionok számára átjárhatatlanok Iontranszport a membránon keresztül:
RészletesebbenEx vivo elektrofiziológia. Élettani és Neurobiológiai Tanszék
Ex vivo elektrofiziológia Élettani és Neurobiológiai Tanszék Bevezetés Def.: Élő sejtek vagy szövetek elektromos tulajdonságainak vizsgálata kontrollált körülmények között Módszerei: Klasszikus elektrofiziológia
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.
RészletesebbenSzívelektrofiziológiai alapjelenségek. Dr. Tóth András 2018
Szívelektrofiziológiai alapjelenségek 1. Dr. Tóth András 2018 Témák Membrántranszport folyamatok Donnan egyensúly Nyugalmi potenciál 1 Transzmembrán transzport A membrántranszport-folyamatok típusai J:
RészletesebbenAz akciós potenciál (AP) 2.rész. Szentandrássy Norbert
Az akciós potenciál (AP) 2.rész Szentandrássy Norbert Ismétlés Az akciós potenciált küszöböt meghaladó nagyságú depolarizáció váltja ki Mert a feszültségvezérelt Na + -csatornákat a depolarizáció aktiválja,
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
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
RészletesebbenIntelligens Rendszerek Elmélete. Biológiai érzékelők és tanulságok a technikai adaptáláshoz. Az érzékelés alapfogalmai
Intelligens Rendszerek Elmélete dr. Kutor László Biológiai érzékelők és tanulságok a technikai adaptáláshoz http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 2/1 Az érzékelés
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
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,
RészletesebbenProbabilisztikus funkcionális modellek idegrendszeri adatok elemzésére
Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére Bányai Mihály! MTA Wigner FK! Computational Systems Neuroscience Lab!! KOKI-VIK szeminárium! 2014. február 11. Struktúra és funkció
RészletesebbenHíradástechikai jelfeldolgozás
Híradástechikai jelfeldolgozás 13. Előadás 015. 04. 4. Jeldigitalizálás és rekonstrukció 015. április 7. Budapest Dr. Gaál József docens BME Hálózati Rendszerek és SzolgáltatásokTanszék gaal@hit.bme.hu
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)
RészletesebbenElektromos ingerlés ELEKTROMOS INGERLÉS. A sejtmembrán szerkezete. Na + extra. Elektromos ingerlés:
Elektromos ingerlés: elektromos áram hatására az ideg-izomsejtben létrejövő funkcionális változás Mi kell hozzá: Elektromos ingerlés ingerelhető sejt elektromos áram ingerlő elektróda Ingerelhető sejt:
RészletesebbenA nyugalmi potenciál megváltozása
Akciós potenciál történelem A nyugalmi potenciál megváltozása 2. A membrán aktív elektromos tulajdonságai 1780: Luigi Galvani elektromos vezetés és izomösszehúzódás kapcsolata 1843: Emil Dubois-Reymond
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
RészletesebbenMinőség-képességi index (Process capability)
Minőség-képességi index (Process capability) Folyamatképesség 68 12. példa Egy gyártási folyamatban a minőségi jellemző becsült várható értéke µ250.727 egység, a variancia négyzetgyökének becslése σ 1.286
RészletesebbenAz idegrendszeri memória modelljei
Az idegrendszeri memória modelljei A memória típusai Rövidtávú Working memory - az aktuális feladat Vizuális, auditórikus,... Prefrontális cortex, szenzorikus területek Kapacitás: 7 +-2 minta Hosszútávú
RészletesebbenSáry Gyula SZTE ÁOK Élettani Intézet
A szenzoros transzdukció celluláris alapjai: a szenzoros inger neurális aktivitás összefüggés általános törvényszerűségei, a szenzoros (generátor) potenciál keletkezése különböző szenzoros modalitásokban,
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
RészletesebbenNyugalmi potenciál, akciós potenciál és elektromos ingerelhetőség. A membránpotenciál mérése. Panyi György
Nyugalmi potenciál, akciós potenciál és elektromos ingerelhetőség. A membránpotenciál mérése. Panyi György Nyugalmi membránpotenciál: TK. 284-285. Akciós potenciál: TK. 294-301. Elektromos ingerelhetőség:
RészletesebbenOsztályozóvizsga követelményei
Osztályozóvizsga követelményei Képzés típusa: Tantárgy: Nyolcosztályos gimnázium Matematika Évfolyam: 12 Emelt óraszámú csoport Emelt szintű csoport Vizsga típusa: Írásbeli Követelmények, témakörök: Emelt
RészletesebbenModern Fizika Labor. 5. ESR (Elektronspin rezonancia) Fizika BSc. A mérés dátuma: okt. 25. A mérés száma és címe: Értékelés:
Modern Fizika Labor Fizika BSc A mérés dátuma: 2011. okt. 25. A mérés száma és címe: 5. ESR (Elektronspin rezonancia) Értékelés: A beadás dátuma: 2011. nov. 16. A mérést végezte: Szőke Kálmán Benjamin
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása A csoport
Gazdasági matematika II. vizsgadolgozat megoldása A csoport Definiálja az alábbi fogalmakat!. Egy eseménynek egy másik eseményre vonatkozó feltételes valószínűsége. ( pont) Az A esemény feltételes valószínűsége
RészletesebbenTermodinamikai egyensúlyi potenciál (Nernst, Donnan). Diffúziós potenciál, Goldman-Hodgkin-Katz egyenlet.
Termodinamikai egyensúlyi potenciál (Nernst, Donnan). Diffúziós potenciál, Goldman-Hodgkin-Katz egyenlet. Biológiai membránok passzív elektromos tulajdonságai. A sejtmembrán kondenzátorként viselkedik
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
RészletesebbenTanulás az idegrendszerben
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Funkcióvezérelt modellezés Abból indulunk ki, hogy milyen feladatot valósít meg a rendszer Horace Barlow: "A
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:
RészletesebbenEgy idegsejt működése
2a. Nyugalmi potenciál Egy idegsejt működése A nyugalmi potenciál (feszültség) egy nem stimulált ingerelhető sejt (neuron, izom, vagy szívizom sejt) membrán potenciálját jelenti. A membránpotenciál a plazmamembrán
RészletesebbenElektrofiziológiai alapjelenségek 1. Dr. Tóth András
Elektrofiziológiai alapjelenségek 1. Dr. Tóth András Témák Membrántranszport folyamatok Donnan egyensúly Nyugalmi potenciál Ioncsatornák alaptulajdonságai Nehézségi fok Belépı szint (6 év alatt is) Hallgató
Részletesebben14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull
14 A Black-choles-Merton modell Copyright John C. Hull 01 1 Részvényárak viselkedése (feltevés!) Részvényár: μ: elvárt hozam : volatilitás Egy rövid Δt idő alatt a hozam normális eloszlású véletlen változó:
RészletesebbenZárójelentés. A vizuális figyelmi szelekció plaszticitása Azonosító: K 48949
Zárójelentés A vizuális figyelmi szelekció plaszticitása Azonosító: K 48949 Kutatásaink legfontosabb eredménye, hogy pszichofizikai, eseményhez kötött potenciálok (EKP) és funkcionális mágneses rezonancia
RészletesebbenKauzális modellek. Randall Munroe
Kauzális modellek Randall Munroe A kauzalitás reprezentációi Determinisztikus Sztochasztikus Feltételes valószínűség < > hipergráf Irányított gráf: több ok, egy okozat < > Bayes-háló Cirkuláris kauzalitás
RészletesebbenHőmérsékleti sugárzás
Ideális fekete test sugárzása Hőmérsékleti sugárzás Elméleti háttér Egy ideális fekete test leírható egy egyenletes hőmérsékletű falú üreggel. A fala nemcsak kibocsát, hanem el is nyel energiát, és spektrális
RészletesebbenBemenet modellezése (III.), forgalommodellezés
Bemenet modellezése (III.), forgalommodellezés Vidács Attila 2007. október 31. Hálózati szimulációs technikák, 2007/10/31 1 Modellválasztás A modellezés kedvez esetben leegyszer södik a megfelel eloszlás
RészletesebbenMágneses erőtér. Ahol az áramtól átjárt vezetőre (vagy mágnestűre) erő hat. A villamos forgógépek mutatós műszerek működésének alapja
Mágneses erőtér Ahol az áramtól átjárt vezetőre (vagy mágnestűre) erő hat A villamos forgógépek mutatós műszerek működésének alapja Magnetosztatikai mező: nyugvó állandó mágnesek és egyenáramok időben
RészletesebbenFizikai hangtan, fiziológiai hangtan és építészeti hangtan
Fizikai hangtan, fiziológiai hangtan és építészeti hangtan Témakörök: A hang terjedési sebessége levegőben Weber Fechner féle pszicho-fizikai törvény Hangintenzitás szint Hangosságszint Álló hullámok és
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 +
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
RészletesebbenAz alak- és formalátás mechanizmusai
Az alak- és formalátás mechanizmusai dr. Sáry Gyula 211. április 14. Alak- és formafelismerésünk robusztus, megbízható folyamat nekünk eredeti (másik) eredeti szemmozgás méret (távolság) fényviszonyok
RészletesebbenMembránpotenciál. Nyugalmi membránpotenciál. Akciós potenciál
Membránpotenciál Vig Andrea 2014.10.29. Nyugalmi membránpotenciál http://quizlet.com/8062024/ap-11-nervous-system-part-5-electrical-flash-cards/ Akciós potenciál http://cognitiveconsonance.info/2013/03/21/neuroscience-the-action-potential/
RészletesebbenPelletek térfogatának meghatározása Bayes-i analízissel
Pelletek térfogatának meghatározása Bayes-i analízissel Szepesi Tamás KFKI-RMKI, Budapest, Hungary P. Cierpka, Kálvin S., Kocsis G., P.T. Lang, C. Wittmann 2007. február 27. Tartalom 1. Motiváció ELM-keltés
RészletesebbenFUSARIUM TOXINOK IDEGRENDSZERI HATÁSÁNAK ELEMZÉSE
FUSARIUM TOXINOK IDEGRENDSZERI HATÁSÁNAK ELEMZÉSE Világi Ildikó, Varró Petra, Bódi Vera, Schlett Katalin, Szűcs Attila, Rátkai Erika Anikó, Szentgyörgyi Viktória, Détári László, Tóth Attila, Hajnik Tünde,
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
RészletesebbenMATEMATIKA HETI 5 ÓRA. IDŐPONT: 2009. június 8.
EURÓPAI ÉRETTSÉGI 2009 MATEMATIKA HETI 5 ÓRA IDŐPONT: 2009. június 8. A VIZSGA IDŐTARTAMA: 4 óra (240 perc) ENGEDÉLYEZETT SEGÉDESZKÖZÖK : Európai képletgyűjtemény Nem programozható, nem grafikus kalkulátor
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenA látás élettana II.
A látás élettana II. Tanulási támpontok 98-99. prof. Sáry Gyula SZTE ÁOK Élettani Intézet 1 papilla n. optici fovea 2 1 A retina sejtjei 3 A retina sejtjei pálcikák csapok bipolaris sejtek horizontális
RészletesebbenStatisztikus tanulás az idegrendszerben
Statisztikus tanulás az idegrendszerben ORBÁN GERGŐ http://golab.wigner.mta.hu Hierarchikus grafikus modellek Nehéz a nemlineáris optimalizálás hierarchikus rendszerekben: Amennyiben erős függéseket tételezek
RészletesebbenMatematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József
Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Matematika III. 5. : Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP
RészletesebbenMikroelektródás képalkotó eljárások Somogyvári Zoltán
Somogyvári Zoltán Magyar Tudományos Akadémia Wigner Fizikai Kutatóközpont Részecske és Magfizikai Intézet Elméleti Osztály Elméleti Idegtudomány és Komplex Rendszerek Kutatócsoport Az agy szürkeállománya
RészletesebbenNEURÁLIS ÉS NÖVEKVŐ HÁLÓZATOK STATISZTIKUS TULAJDONSÁGAI
NEURÁLIS ÉS NÖVEKVŐ HÁLÓZATOK STATISZTIKUS TULAJDONSÁGAI Zalányi László Doktori értekezés mely az MTA KFKI Részecske- és Magfizikai Kutatóintézet Biofizika Osztály CNS Csoportjában, Dr. Érdi Péter egyetemi
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 :
RészletesebbenL-transzformáltja: G(s) = L{g(t)}.
Tartalom 1. Stabilitáselmélet stabilitás feltételei inverz inga egyszerűsített modellje 2. Zárt, visszacsatolt rendszerek stabilitása Nyquist stabilitási kritérium Bode stabilitási kritérium 2018 1 Stabilitáselmélet
Részletesebben