Dunaújvárosi Főiskola Informatikai Intézet

Save this PDF as:
 WORD  PNG  TXT  JPG

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Dunaújvárosi Főiskola Informatikai Intézet"

Átírás

1 Dunaújvárosi Főiskola Informatikai Intézet Bizonytalanságkezelés Dr. Seebauer Márta főiskolai tanár

2 Bizonytalan tudás forrása A klasszikus logikában a kijelentések vagy igazak vagy hamisak. A természetes nyelvekben az állítások nem világosan megfogalmazottak homályos tudás Ha az étel túl forró, akkor várj. az adott pillanatban nem meghatározottak bizonytalan kijelentések A hallgatók legalább 50%-a jó jegyet kap.

3 Holnap esni fog. Az Euro árfolyama emelkedni fog. Bizonytalan tudás A kijelentések igazak vagy hamisak ugyan, de az adott pillanatban még nem lehet ezt eldönteni. A klasszikus logikát valószínűségértékekkel kell kiegészíteni. A valószínűségértékek statisztikai adatokon alapulnak. Legyen Ω egy véges eseménytér. P=[0,1] függvényt valószínűségfüggvénynek nevezünk, ha teljesül a következő feltétel: P(Ω) =1 P(X Y) = P(X) +P(Y) X, Y Ω, ahol X Y= Kielégíthetetlen esemény Monotónia Szubtraktivitás Szubadditivitás Additivitás Komplemens P( )=0 X Y P(X) P(Y) X Y P(Y X C ) = P(Y) - P(X) P(X Y) P(X) + P(Y) P(X Y) = P(X) + P(Y) - P(X Y) P(X C ) = 1 - P(X)

4 Dr. Seebauer Márta: Me

5 Példa feltételes valószínűségre X kijelentés: A kocsi motorja furcsán zörög. P(X)= 0,08 Y kijelentés: Olajat kellett cserélni. P(Y)= 0,06 Az esetek 60%-ban, amikor olajcserét végeztek, az ok a motor furcsa zöreje volt P(X Y)=0,6 Annak a valószínűsége, hogy a furcsa motorzaj esetén olajat kell cserélni: 0,6*0,06 P(Y X) = = 0,08 0,45

6 Bizonytalansági tényező Certainty Factors, CF egy kijelentés erősségének numerikus értéke, amely tapasztalaton vagy háttértudáson alapul. CF(H E)=[-1,1] H Hipotézis (Esemény) E Evidencia (Feltétel) 1. szabály: Esik 0,9 Rossz idő van. 2. szabály: Fúj a szél 0,7 Rossz idő van. 3. szabály: Süt a Nap -0,9 Rossz idő van. Modus ponens: A B A B CF(Rossz idő van Esik) = 0,9. CF(Esik E)=1. CF(Rossz idő van)= CF(Esik E)* CF(Rossz idő van Esik) = 1*0,9 = 0,9 a = CF(Rossz idő van Esik) = 0,9. b = CF(Rossz idő van Fúj a szél) = 0,7. CF(Esik E)=1. CF(Fúj a szél E)=1. CF(Rossz idő van Esik Fúj a szél)= a+b-a*b= 0,9+0,7-0,7*0,9 = 0,97

7 A Mycin bizonytalanságkezelése Kapcsolat CFkiszámítása Feltétel ÉS CF(a b E) min (CF(a E),CF(b E) VAGY CF(a b E) max (CF(a E),CF(b E) Nem CF( P E) -CF(P E) Szabály CF(H E) CF(P E)*CF(H P) Két CF H-ra CF(H E 1, E 2 ) CF 1 +CF 2 -CF 1 *CF 2 CF 1 és CF 2 pozitív CF 1 +CF 2 +CF 1 *CF 2 CF 1 és CF 2 negatív (CF 1 +CF 2 )/1-min( CF 1, CF 2 ) CF 1 *CF 2 <0 nem meghatározott CF 1 *CF 2 = -1-1,0-0,8-0,6-0,2 0 0,2 0,6 0,8 1,0 Biztosan hamis Lehet, hogy hamis Valószínűleg hamis Majdnem bizonyosan hamis Dr. Seebauer Márta: Mesterséges intelligencia. Ismeretlen Lehet, hogy igaz Valószínűleg igaz Majdnem Biztosan igaz bizonyosan igaz

8 Fuzzy modell Klasszikus logika: fiatal(x), fiatal(x) fiatal X=35 éves Adatbanki besorolás X=35 éves fiatal fiatal középkorú idős öreg Fuzzy logika µ életkor (X) µ középkorú (35)=0,7 1 µ fiatal (35)=0,35 fiatal középkorú idős öreg 0 35 Dr. Seebauer Márta: Mesterséges intelligencia X [évek]

9 Fuzzy halmazok A halmazelmélet Latfi Zadeh által javasolt kiterjesztése. Jelölje X az alaphalmazt (Életkor). Legyen Z egy Fuzzy halmaz, amelyet X-en értelmezünk és elemei X egy részhalmazát alkotják (Fiatal, Középkorú, Idős, Öreg). x legyen X halmaz egy eleme és z legyen Z halmaz egy eleme. X et tagságfüggvénnyel jellemezzük: µ Z : X [0,1] Z és X halmaz minden elemére érvényes µ z (x) = s Legyen Z und Z két X halmazon értelmezett Fuzzy halmaz. Z nevezhető Z részhalmazának, Z Z akkor, ha minden x X-re érvényes, hogy µ (x) µ (x)

10 Fuzzy halmazokkal végzett műveletek Dr. Seebauer Márta: Mesterséges intelligencia.

11 Fuzzy logika Kapcsolat Halmazon értelmezett művelet Konjunkció min(µ A (u), µ B (u)) Diszjunkció max(µ A (u), µ B (u)) Komplemens 1-µ A (u) Implikáció min(1,1-µ A (u) + µ B (u)) Lukasiewicz max(1-µ A (u), µ B (u)) Kleen-Dienes max(1-µ A (u), min(µ A (u), µ B (u)) Zadeh 1-µ A (u) + µ A (u)* µ B (u) Reichenbach

12 Nyaralás feltételei A nyaralásnak lehetőleg az igényelt szabadság idejére - június 20 és augusztus 10 közé kell esnie. Vízpartra szeretnénk menni. Az utazás legyen olcsó vagy garantált legyen a napsütés. Nyaralás tervezése Uticél Balaton Ajánlatok Időtartam Ár (Ft) µ ár (X) 1 0,9 Horvátország Mallorca ,5 0,4 Időtartam Vízpart (Napsütés Ár) X [Ft] Uticél µ időtartam µ ár µ napsütés µ vízpart 1.modell 2.modell 3.modell Balaton 0,93 0,9 0,8 0,95 0,9 0,88 0,86 Horvátország 1 0,4 0,9 0,8 0,8 0,8 0,75 Mallorca 0,86 0,5 0,95 0,99 0,86 0,85 0,83

13 Fuzzy vezérlő felépítése Mért értékek Folyamat Vezérlőjelek Életlenítés Fuzzy vezérlő Fuzzy következtetés Élesítés Tudásbázis

14 Tudásbázis Ha X értéke kicsi pozitív és Y értéke kicsi pozitív, akkor Z értéke kicsi pozitív. Ha X értéke nagy pozitív és Y értéke kicsi pozitív, akkor Z értéke nagy pozitív. Fuzzy vezérlő működése Életlenítés konkrét bemenő értékek alapján a hozzájuk tartozó tagságfüggvény értékének meghatározása Fuzzy következtetés a tudásbázisban tárolt szabályok alapján a végkövetkeztetés tagságfüggvény értékének kiszámítása Élesítés - a tagságfüggvénye alapján a kimenet értékének megállapítása. Lehet: terület, súlypont, stb. Fuzzy vezérlő

15 Konténerrakodó robot vezérlése Teher szöge Távolság Teher szöge nagy kicsi nulla Távolság Bemenő értékek a teher szöge és a céltól mért távolsága. Kimenő érték a motorra adott vezérlő jel. pozitív nagy pozitív kicsi nulla lassan lassan lassan vissza lassan vissza állj negatív kicsi lassan lassan negatív nagy lassan vissza

16 Konténerrakodó robot vezérlése µ szög (β) nulla µ távolság (l) nulla µ teljesítmény (P) állj negatív kicsi pozitív kicsi kicsi lassan vissza lassan egatív nagy pozitív nagy nagy vissza β [º] l [m] P [W] 1. IF távolság = nagy THEN teljesítmény = _. 2. IF távolság = kicsi AND szög = pozitív_nagy THEN teljesítmény = _vissza. 3. IF távolság = kicsi AND szög = negatív_nagy THEN teljesítmény = _. 4. IF távolság = nulla AND szög = pozitív_kicsi THEN teljesítmény = lassan_vissza. 5. IF távolság = nulla AND szög = negatív_kicsi THEN teljesítmény = lassan_. 6. IF távolság = nulla AND szög = nulla THEN teljesítmény = állj. Teher szöge: β = -20º Távolság: l = 5m Motorteljesítmény: P = 170W

BEVEZETÉS A FUZZY-ELVŰ SZABÁLYOZÁSOKBA. Jancskárné Dr. Anweiler Ildikó főiskolai docens. PTE PMMIK Műszaki Informatika Tanszék

BEVEZETÉS A FUZZY-ELVŰ SZABÁLYOZÁSOKBA. Jancskárné Dr. Anweiler Ildikó főiskolai docens. PTE PMMIK Műszaki Informatika Tanszék BEVEZETÉS A FUZZY-ELVŰ SZABÁLYOZÁSOKBA Jancskárné Dr. Anweiler Ildikó főiskolai docens PTE PMMIK Műszaki Informatika Tanszék A fuzzy-logika a kétértékű logika kalkulusának kiterjesztése. Matematikatörténeti

Részletesebben

Negáció igazságtáblája. Propozicionális logika -- levezetések. Diszjunkció igazságtáblája. Konjunkció igazságtáblája. Kondicionális igazságtáblája

Negáció igazságtáblája. Propozicionális logika -- levezetések. Diszjunkció igazságtáblája. Konjunkció igazságtáblája. Kondicionális igazságtáblája Negáció igazságtáblája Propozicionális logika -- levezetések p ~p I H H I Konjunkció igazságtáblája Diszjunkció igazságtáblája p q p&q I I I I H H H I H H H H p q pvq I I I I H I H I I H H H Megengedő

Részletesebben

A logikai következmény

A logikai következmény Logika 3 A logikai következmény A logika egyik feladata: helyes következtetési sémák kialakítása. Példa következtetésekre : Minden veréb madár. Minden madár gerinces. Minden veréb gerinces 1.Feltétel 2.Feltétel

Részletesebben

2. Alapfogalmak, műveletek

2. Alapfogalmak, műveletek 2. Alapfogalmak, műveletek Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGIMIEM Tartalomjegyzék I Mit tudunk eddig? 2 Fuzzy halmazokkal kapcsolatos alapvető fogalmak Fuzzy halmaz tartója Fuzzy halmaz

Részletesebben

Matematikai logika. 3. fejezet. Logikai m veletek, kvantorok 3-1

Matematikai logika. 3. fejezet. Logikai m veletek, kvantorok 3-1 3. fejezet Matematikai logika Logikai m veletek, kvantorok D 3.1 A P és Q elemi ítéletekre vonatkozó logikai alapm veleteket (konjunkció ( ), diszjunkció ( ), implikáció ( ), ekvivalencia ( ), negáció

Részletesebben

Bizonytalanság. Mesterséges intelligencia április 4.

Bizonytalanság. Mesterséges intelligencia április 4. Bizonytalanság Mesterséges intelligencia 2014. április 4. Bevezetés Eddig: logika, igaz/hamis Ha nem teljes a tudás A világ nem figyelhető meg közvetlenül Részleges tudás nem reprezentálható logikai eszközökkel

Részletesebben

A matematika nyelvéről bevezetés

A matematika nyelvéről bevezetés A matematika nyelvéről bevezetés Wettl Ferenc 2006. szeptember 19. Wettl Ferenc () A matematika nyelvéről bevezetés 2006. szeptember 19. 1 / 17 Tartalom 1 Matematika Kijelentő mondatok Matematikai kijelentések

Részletesebben

Knoch László: Információelmélet LOGIKA

Knoch László: Információelmélet LOGIKA Mi az ítélet? Az ítélet olyan mondat, amely vagy igaz, vagy hamis. Azt, hogy az adott ítélet igaz vagy hamis, az ítélet logikai értékének nevezzük. Jelölése: i igaz h hamis A 2 páros és prím. Logikai értéke

Részletesebben

BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK

BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK Szakértői rendszerek, 14. hét, 2008 Tartalom 1 Bevezető 2 Fuzzy történelem A fuzzy logika kialakulása Alkalmazások Fuzzy logikát követ-e a világ?

Részletesebben

A matematika nyelvér l bevezetés

A matematika nyelvér l bevezetés A matematika nyelvér l bevezetés Wettl Ferenc 2012-09-06 Wettl Ferenc () A matematika nyelvér l bevezetés 2012-09-06 1 / 19 Tartalom 1 Matematika Matematikai kijelentések 2 Logikai m veletek Állítások

Részletesebben

Fuzzy halmazok jellemzői

Fuzzy halmazok jellemzői A Fuzzy rendszerek, számítási intelligencia gyakorló feladatok megoldása Fuzzy halmazok jellemzői A fuzzy halmaz tartója az alaphalmaz azon elemeket tartalmazó részhalmaza, melyek tagsági értéke 0-nál

Részletesebben

9. előadás. Programozás-elmélet. Programozási tételek Elemi prog. Sorozatszámítás Eldöntés Kiválasztás Lin. keresés Megszámolás Maximum.

9. előadás. Programozás-elmélet. Programozási tételek Elemi prog. Sorozatszámítás Eldöntés Kiválasztás Lin. keresés Megszámolás Maximum. Programozási tételek Programozási feladatok megoldásakor a top-down (strukturált) programtervezés esetén három vezérlési szerkezetet használunk: - szekvencia - elágazás - ciklus Eddig megismertük az alábbi

Részletesebben

4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI

4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI 4. Fuzzy relációk Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Klasszikus relációk Halmazok Descartes-szorzata Relációk 2 Fuzzy relációk Fuzzy relációk véges alaphalmazok

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Bizonytalan tudás és kezelése Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Milyen matematikát

Részletesebben

MYCIN. Szakértői rendszer

MYCIN. Szakértői rendszer MYCIN Szakértői rendszer Általában mycin: gombafajból nyert antibiotikum (görög) Pl: kanamycin, tobramycin, streptomycin, stb Általában szakértői rendszer vér fertőzéseinek, gyógykezeléseknek meghatározását

Részletesebben

Mesterséges Intelligencia 1

Mesterséges Intelligencia 1 Mesterséges Intelligencia Egy ember kecskét, farkast és kápostát seretne átvinni egy folyón, de csak egy kis csónakot talál, amelybe rajta kívül csak egy tárgy fér. Hogyan tud a folyón úgy átkelni, hogy.

Részletesebben

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363 1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 169/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák

Részletesebben

Analízis előadás és gyakorlat vázlat

Analízis előadás és gyakorlat vázlat Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 2010-11. I. Félév 2 1. fejezet Számhalmazok és tulajdonságaik 1.1. Nevezetes számhalmazok ➀ a) jelölése: N b)

Részletesebben

MATEMATIK A 9. évfolyam. 2. modul: LOGIKA KÉSZÍTETTE: VIDRA GÁBOR

MATEMATIK A 9. évfolyam. 2. modul: LOGIKA KÉSZÍTETTE: VIDRA GÁBOR MATEMATIK A 9. évfolyam 2. modul: LOGIKA KÉSZÍTETTE: VIDRA GÁBOR Matematika A 9. évfolyam. 2. modul: LOGIKA Tanári útmutató 2 MODULLEÍRÁS A modul célja Időkeret Ajánlott korosztály Modulkapcsolódási pontok

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Valószínűségi hálók - alapok Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade A szükséges

Részletesebben

2) Írja fel az alábbi lineáris függvény grafikonjának egyenletét! (3pont)

2) Írja fel az alábbi lineáris függvény grafikonjának egyenletét! (3pont) (11/1) Függvények 1 1) Ábrázolja az f()= -4 függvényt a [ ;10 ] intervallumon! (pont) ) Írja fel az alábbi lineáris függvény grafikonjának egyenletét! (3pont) 3) Ábrázolja + 1 - függvényt a [ ;] -on! (3pont)

Részletesebben

Számítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések

Számítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések BLSZM-09 p. 1/17 Számítógépes döntéstámogatás Döntések fuzzy környezetben Közelítő következtetések Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu

Részletesebben

1. Ábrázolja az f(x)= x-4 függvényt a [ 2;10 ] intervallumon! (2 pont) 2. Írja fel az alábbi lineáris függvény grafikonjának egyenletét!

1. Ábrázolja az f(x)= x-4 függvényt a [ 2;10 ] intervallumon! (2 pont) 2. Írja fel az alábbi lineáris függvény grafikonjának egyenletét! Függvények 1 1. Ábrázolja az f()= -4 függvényt a [ ;10 ] intervallumon!. Írja fel az alábbi lineáris függvény grafikonjának egyenletét! 3. Ábrázolja + 1 - függvényt a [ ;] -on! 4. Az f függvényt a valós

Részletesebben

Diszkrét matematika I.

Diszkrét matematika I. Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 2. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Matematikai logika Diszkrét matematika I. középszint

Részletesebben

Diszkrét matematika gyakorlat 1. ZH október 10. α csoport

Diszkrét matematika gyakorlat 1. ZH október 10. α csoport Diszkrét matematika gyakorlat 1. ZH 2016. október 10. α csoport 1. Feladat. (5 pont) Adja meg az α 1 β szorzatrelációt, amennyiben ahol A {1, 2, 3, 4}. α {(1, 2), (1, 3), (2, 1), (3, 1), (3, 4), (4, 4)}

Részletesebben

LOGIKA ÉS ÉRVELÉSTECHNIKA

LOGIKA ÉS ÉRVELÉSTECHNIKA LOGIKA ÉS ÉRVELÉSTECHNIKA ELTE TáTK Közgazdaságtudományi Tanszék Logika és érveléstechnika NULLADREND LOGIKA 3. Készítette: Szakmai felel s: 2011. február Készült a következ m felhasználásával: Ruzsa

Részletesebben

5. A kiterjesztési elv, nyelvi változók

5. A kiterjesztési elv, nyelvi változók 5. A kiterjesztési elv, nyelvi változók Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 A kiterjesztési elv 2 Nyelvi változók A kiterjesztési elv 237 A KITERJESZTÉSI ELV A

Részletesebben

Eötvös Loránd Tudományegyetem Természettudományi Kar. Fuzzy optimalizálás. BSc Szakdolgozat

Eötvös Loránd Tudományegyetem Természettudományi Kar. Fuzzy optimalizálás. BSc Szakdolgozat Eötvös Loránd Tudományegyetem Természettudományi Kar Fuzzy optimalizálás BSc Szakdolgozat Készítette: Rajzinger Zsanett Matematika BSc Matematikai elemző szakirány Témavezető: Fullér Róbert Óbudai Egyetem

Részletesebben

A bizonytalanságkezelés modelljeinek osztályozása

A bizonytalanságkezelés modelljeinek osztályozása A bizonytalanságkezelés modelljeinek osztályozása. A Bayes-modell, a Bayeshálók, a Dempster-Shafer-modell és a fuzzy-modell lényege; alkalmazási lehetőségeik, korlátaik. A heurisztikus és a szimbolikus

Részletesebben

Máté: Számítógép architektúrák

Máté: Számítógép architektúrák Fixpontos számok Pl.: előjeles kétjegyű decimális számok : Ábrázolási tartomány: [-99, +99]. Pontosság (két szomszédos szám különbsége): 1. Maximális hiba: (az ábrázolási tartományba eső) tetszőleges valós

Részletesebben

MATEMATIKA EMELT SZINTŰ SZÓBELI VIZSGA TÉMAKÖREI (TÉTELEK) 2005

MATEMATIKA EMELT SZINTŰ SZÓBELI VIZSGA TÉMAKÖREI (TÉTELEK) 2005 2005 1. * Halmazok, halmazműveletek, nevezetes ponthalmazok 2. Számhalmazok, halmazok számossága 3. Hatványozás, hatványfüggvény 4. Gyökvonás, gyökfüggvény 5. A logaritmus. Az exponenciális és a logaritmus

Részletesebben

2. A példahalmazban n = 3 negatív és p = 3 pozitív példa van, azaz a példahalmazt képviselő döntési fa információtartalma: I = I(1/2, 1/2) = 1 bit.

2. A példahalmazban n = 3 negatív és p = 3 pozitív példa van, azaz a példahalmazt képviselő döntési fa információtartalma: I = I(1/2, 1/2) = 1 bit. Példa 1. Döntési fa számítása/1 1. Legyen a felhasználandó példahalmaz: Példa sz. Nagy(x) Fekete(x) Ugat(x) JóKutya(x) X1 Igen Igen Igen Nem X2 Igen Igen Nem Igen X3 Nem Nem Igen Nem X4 Nem Igen Igen Igen

Részletesebben

Matematika javítóvizsga témakörök 10.B (kompetencia alapú )

Matematika javítóvizsga témakörök 10.B (kompetencia alapú ) Matematika javítóvizsga témakörök 10.B (kompetencia alapú ) 1. A négyzetgyök fogalma, a négyzetgyökvonás művelete 2. A négyzetgyökvonás azonosságai 3. Műveletek négyzetgyökökkel 4. A nevező gyöktelenítése

Részletesebben

Feladatok MATEMATIKÁBÓL

Feladatok MATEMATIKÁBÓL Feladatok MATEMATIKÁBÓL a 1. évfolyam számára III. 1. Számítsuk ki a következő hatványok értékét! a) b) 7 c) 5 d) 5 1 e) 6 1 6 f) ( 81 16 ) g) 0,00001 5. Írjuk fel gyökjelekkel a következő hatványokat!

Részletesebben

mtologatók részére szeretettel Achs Ágnes

mtologatók részére szeretettel Achs Ágnes Bit és s Számtologat mtologatók részére szeretettel Achs Ágnes achs.agnes@gmail.com Bizonytalanságkezel gkezelés Keresek Mártának egy Vivaldi hangversenyt Ma Bach koncert van, azt szívesen ajánlom A dialógus

Részletesebben

Érettségi előkészítő emelt szint 11-12. évf. Matematika. 11. évfolyam. Tematikai egység/fejlesztési cél

Érettségi előkészítő emelt szint 11-12. évf. Matematika. 11. évfolyam. Tematikai egység/fejlesztési cél Emelt szintű matematika érettségi előkészítő 11. évfolyam Tematikai egység/fejlesztési cél Órakeret 72 óra Kötelező Szabad Összesen 1. Gondolkodási módszerek Halmazok, matematikai logika, kombinatorika,

Részletesebben

6. ELŐADÁS DIFFERENCIÁLSZÁMÍTÁS II. DIFFERENCIÁLÁSI SZABÁLYOK. BSc Matematika I. BGRMA1HNND, BGRMA1HNNC

6. ELŐADÁS DIFFERENCIÁLSZÁMÍTÁS II. DIFFERENCIÁLÁSI SZABÁLYOK. BSc Matematika I. BGRMA1HNND, BGRMA1HNNC 6. ELŐADÁS DIFFERENCIÁLSZÁMÍTÁS II. DIFFERENCIÁLÁSI SZABÁLYOK BSc Matematika I. BGRMAHNND, BGRMAHNNC A következő diákon szereplő állítások mindegyikét az előadáson fogjuk igazolni, és példákkal bőségesen

Részletesebben

Máté: Számítógép architektúrák

Máté: Számítógép architektúrák Bit: egy bináris számjegy, vagy olyan áramkör, amely egy bináris számjegy ábrázolására alkalmas. Bájt (Byte): 8 bites egység, 8 bites szám. Előjeles fixpontok számok: 2 8 = 256 különböző 8 bites szám lehetséges.

Részletesebben

Válogatott fejezetek a logikai programozásból ASP. Answer Set Programming Kelemen Attila

Válogatott fejezetek a logikai programozásból ASP. Answer Set Programming Kelemen Attila ASP 1 Kedvcsináló N királynő 3+1 sorban index(1..n). % minden sorban pontosan 1 királynő van 1{q(X,Y):index(X)}1 :- index(y). % az rossz, ha ugyanabban az oszlopban 2 királynő van :- index(x; Y1; Y2),

Részletesebben

FUZZY LOGIKAI IRÁNYÍTÁS

FUZZY LOGIKAI IRÁNYÍTÁS Electrical Engineering, Budapest, Branch of Computer Science, p.116, (1993). FUZZY LOGIKAI IRÁNYÍTÁS Bevezetés Egyre nagyobb teret hódít napjainkban a fuzzy logikai irányítás. Az 1987-ben (II.Fuzzy Világkongresszus)

Részletesebben

Fuzzy Rendszerek. 2. előadás Fuzzy következtető rendszerek. Ballagi Áron egyetemi adjunktus. Széchenyi István Egyetem, Automatizálási Tsz.

Fuzzy Rendszerek. 2. előadás Fuzzy következtető rendszerek. Ballagi Áron egyetemi adjunktus. Széchenyi István Egyetem, Automatizálási Tsz. Fuzzy Rendszerek 2. előadás Fuzzy következtető rendszerek Ballagi Áron egyetemi adjunktus Széchenyi István Egyetem, Automatizálási Tsz. Fuzzy következtető rendszer Fuzzy következtető Szabálybázis Fuzzifikáló

Részletesebben

Fuzzy rendszerek. A fuzzy halmaz és a fuzzy logika

Fuzzy rendszerek. A fuzzy halmaz és a fuzzy logika Fuzzy rendszerek A fuzzy halmaz és a fuzzy logka A hagyományos kétértékű logka, melyet évezredek óta alkalmazunk a tudományban, és amelyet George Boole (1815-1864) fogalmazott meg matematkalag, azon a

Részletesebben

Matematika 11. évfolyam

Matematika 11. évfolyam Matematika 11. évfolyam Tanmenet Másodfokúra visszavezethető magasabb rendű egyenletek, másodfokú egyenletrendszerek 1. Másodfokú egyenletek (ismétlés) 2. Másodfokú egyenletrendszerek (behelyettesítő módszer)

Részletesebben

Döntések vizsgálata klasszikus és fuzzy halmazelméleti megközelítésben tudásbázisú keretrendszer alkalmazásával

Döntések vizsgálata klasszikus és fuzzy halmazelméleti megközelítésben tudásbázisú keretrendszer alkalmazásával Dr. Szeghegyi Ágnes Döntések vizsgálata klasszikus és fuzzy halmazelméleti megközelítésben tudásbázisú keretrendszer alkalmazásával Döntések vizsgálata klasszikus és fuzzy halmazelméleti megközelítésben

Részletesebben

BOOLE ALGEBRA Logika: A konjunkció és diszjunkció tulajdonságai

BOOLE ALGEBRA Logika: A konjunkció és diszjunkció tulajdonságai BOOLE ALGEBRA Logika: A konjunkció és diszjunkció tulajdonságai 1.a. A B B A 2.a. (A B) C A (B C) 3.a. A (A B) A 4.a. I A I 5.a. A (B C) (A B) (A C) 6.a. A A I 1.b. A B B A 2.b. (A B) C A (B C) 3.b. A

Részletesebben

Halmazok; a matematikai logika elemei 1.1. A halmaz fogalma; jelölések

Halmazok; a matematikai logika elemei 1.1. A halmaz fogalma; jelölések 1 Halmazok; a matematikai logika elemei 1.1. A halmaz fogalma; jelölések A matematikában alapfogalmaknak tekintjük azokat a fogalmakat, amelyeket nem határozunk meg, nem definiálunk más fogalmak segítségével

Részletesebben

PRÓBAÉRETTSÉGI MATEMATIKA május-június KÖZÉPSZINT. Vizsgafejlesztő Központ

PRÓBAÉRETTSÉGI MATEMATIKA május-június KÖZÉPSZINT. Vizsgafejlesztő Központ PRÓBAÉRETTSÉGI 2003. május-június MATEMATIKA KÖZÉPSZINT I. Vizsgafejlesztő Központ Kedves Tanuló! Kérjük, hogy a feladatsort legjobb tudása szerint oldja meg! A feladatsorban található szürke téglalapokat

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát

Részletesebben

FUZZY KÖVETKEZTETÉS SŰRŰ ÉS RITKA SZABÁLYBÁZISOK ESETÉN. Johanyák Zsolt Csaba 1 Kovács Szilveszter 2

FUZZY KÖVETKEZTETÉS SŰRŰ ÉS RITKA SZABÁLYBÁZISOK ESETÉN. Johanyák Zsolt Csaba 1 Kovács Szilveszter 2 Johanyák Zs. Cs., Kovács Sz.: Fuzzy következtetés sűrű és ritka szabálybázisok esetén, Magyar Tudomány Ünnepe, Bács-Kiskun Megyei Tudományos Fórum, Kecskemét, 2005. november.10, ISSN: 1586-846x, pp. 201-206.

Részletesebben

Algoritmusok helyességének bizonyítása. A Floyd-módszer

Algoritmusok helyességének bizonyítása. A Floyd-módszer Algoritmusok helyességének bizonyítása A Floyd-módszer Algoritmusok végrehajtása Egy A algoritmus esetében a változókat három változótípusról beszélhetünk, melyeket az X, Y és Z vektorokba csoportosítjuk

Részletesebben

Bizonyossági tényező az M1-ben bizonyossági faktor cf [0,100] cf=100 teljes bizonyosság cf=20 a hihetőség alsó küszöbe cf=0 teljesen elvetve

Bizonyossági tényező az M1-ben bizonyossági faktor cf [0,100] cf=100 teljes bizonyosság cf=20 a hihetőség alsó küszöbe cf=0 teljesen elvetve 1. HOGYAN ALKALMAZHATÓ SZABÁLY ALAPÚ RENDSZEREKBEN A BIZONYTALANSÁGKEZELÉS HEURISZTIKUS MODELLJE? Szabályalapú rendszerekben az ismeretek HA feltétel AKKOR következmény alakúak Bizonytalanság kezelése

Részletesebben

Matematika. 9.osztály: Ajánlott tankönyv és feladatgyűjtemény: Matematika I-II. kötet (Apáczai Kiadó; AP-090803 és AP-090804)

Matematika. 9.osztály: Ajánlott tankönyv és feladatgyűjtemény: Matematika I-II. kötet (Apáczai Kiadó; AP-090803 és AP-090804) Matematika A definíciókat és tételeket (bizonyítás nélkül) ki kell mondani, a tananyagrészekhez tartozó alap- és közepes nehézségű feladatokat kell tudni megoldani A javítóvizsga 60 -es írásbeliből áll.

Részletesebben

Az osztályozóvizsgák követelményrendszere 9. évfolyam

Az osztályozóvizsgák követelményrendszere 9. évfolyam Az osztályozóvizsgák követelményrendszere 9. évfolyam Kombinatorika, halmazok Összeszámlálási feladatok Halmazok, halmazműveletek, halmazok elemszáma Logikai szita Számegyenesek intervallumok Algebra és

Részletesebben

Bizonytalanságok melletti következtetés

Bizonytalanságok melletti következtetés Bizonytalanságok melletti következtetés Mesterséges Intelligencia I. Valószínűségi alapfogalmak (ismétlés) A, B,C események esetén a priori valószínűség: feltételes (a posteiori) valószínűség: Bayes-formula

Részletesebben

SULINOVA PROGRAMTANTERVÉHEZ ILLESZKEDŐ TANMENET 9. ÉVFOLYAM SZÁMÁRA

SULINOVA PROGRAMTANTERVÉHEZ ILLESZKEDŐ TANMENET 9. ÉVFOLYAM SZÁMÁRA 1 SULINOVA PROGRAMTANTERVÉHEZ ILLESZKEDŐ TANMENET 9. ÉVFOLYAM SZÁMÁRA Heti óraszám: 3 Éves óraszám: 37 x 3 = 111 A tanmenet 101 óra beosztását tartalmazza. A dolgozatok írása és javítása 10 órát foglal

Részletesebben

Osztályozó- és javítóvizsga témakörei MATEMATIKA tantárgyból

Osztályozó- és javítóvizsga témakörei MATEMATIKA tantárgyból Osztályozó- és javítóvizsga témakörei MATEMATIKA tantárgyból 9. évfolyam I. Halmazok 1. Alapfogalmak, jelölések 2. Halmaz, részhalmaz fogalma, részhalmazok száma, jelölések 3. Nevezetes számhalmazok (N,

Részletesebben

Intelligens technikák k a

Intelligens technikák k a Intelligens technikák k a döntéstámogatásban Döntések fuzzy környezetben Starkné Dr. Werner Ágnes 1 Példa: Alternatívák: a 1,a 2,a 3 Kritériumok: k 1,k 2, k 3,k 4 Az alternatívák értékelését az egyes kritériumok

Részletesebben

LOGIKA ÉS ÉRVELÉSTECHNIKA

LOGIKA ÉS ÉRVELÉSTECHNIKA LOGIKA ÉS ÉRVELÉSTECHNIKA Készült a TÁMOP-4.1.2-08/2/a/KMR-2009-0041 pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az MTA

Részletesebben

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat

Részletesebben

Érettségi eredmények 2005-től (Békéscsabai Andrássy Gyula Gimnázium és Kollégium)

Érettségi eredmények 2005-től (Békéscsabai Andrássy Gyula Gimnázium és Kollégium) 2005/db közép 2005/db emelt 2005/db összes 2005/jegy közép 2005/jegy emelt 2005/jegy összes 2005/% közép 2005/% emelt 2005/% összes 51 119 170 3,53 5,00 4,42 59,90 99,17 84,27 22 17 39 4,45 4,94 4,7 75,68

Részletesebben

Összeállította Horváth László egyetemi tanár

Összeállította Horváth László egyetemi tanár Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Intelligens Mérnöki Rendszerek Szakirány a Mérnök informatikus alapszakon Összeállította Horváth László Budapest, 2011

Részletesebben

Logika nyelvészeknek, 11. óra A kvantifikáció kezelése a klasszikus és az általánosított kvantifikációelméletben

Logika nyelvészeknek, 11. óra A kvantifikáció kezelése a klasszikus és az általánosított kvantifikációelméletben Logika nyelvészeknek, 11. óra A kvantifikáció kezelése a klasszikus és az általánosított kvantifikációelméletben I. A kvantifikáció a klasszikus Frege-féle kvantifikációelméletben A kvantifikáció klasszikus

Részletesebben

25. tétel: Bizonyítási módszerek és bemutatásuk tételek bizonyításában, tétel és megfordítása, szükséges és elégséges feltétel

25. tétel: Bizonyítási módszerek és bemutatásuk tételek bizonyításában, tétel és megfordítása, szükséges és elégséges feltétel 5. tétel: Bizonyítási módszerek és bemutatásuk tételek bizonyításában, tétel és megfordítása, szükséges és elégséges feltétel Axióma: Bizonyítás: olyan állítás, amelynek igazságát bizonyítás nélkül elfogadjuk.

Részletesebben

Contents. 1 Bevezetés 11

Contents. 1 Bevezetés 11 2 Contents I Fogalmi háttér 9 1 Bevezetés 11 2 Mesterséges Intelligencia háttér 15 2.1 Intelligencia és intelligens viselkedés............ 15 2.2 Turing teszt......................... 16 2.3 Az emberi

Részletesebben

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési

Részletesebben

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 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

Részletesebben

Módszertani megjegyzés: A kikötés az osztás műveletéhez kötődik. A jobb megértés miatt célszerű egy-két példát mu-

Módszertani megjegyzés: A kikötés az osztás műveletéhez kötődik. A jobb megértés miatt célszerű egy-két példát mu- . modul: ELSŐFOKÚ TÖRTES EGYENLETEK A következő órákon olyan egyenletekkel foglalkozunk, amelyek nevezőjében ismeretlen található. Ha a tört nevezőjében ismeretlen van, akkor kikötést kell tennünk: az

Részletesebben

[Biomatematika 2] Orvosi biometria

[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.

Részletesebben

V. Bizonytalanságkezelés

V. Bizonytalanságkezelés Bizonytalanság forrásai V. Bizonytalanságkezelés Hiányzó adat mellett történő következtetés Mi lehet a páciens betegsége? Bizonytalan adatra épülő következtetés objektív Pontatlan műszerek pontatlan leolvasása:

Részletesebben

10-es számrendszer, 2-es számrendszer, 8-as számrendszer, 16-os számr. Számjegyek, alapműveletek.

10-es számrendszer, 2-es számrendszer, 8-as számrendszer, 16-os számr. Számjegyek, alapműveletek. Számrendszerek: 10-es számrendszer, 2-es számrendszer, 8-as számrendszer, 16-os számr. Számjegyek, alapműveletek. ritmetikai műveletek egész számokkal 1. Összeadás, kivonás (egész számokkal) 2. Negatív

Részletesebben

2014.05.01-től GAZDÁLKODÁSI OSZTÁLY

2014.05.01-től GAZDÁLKODÁSI OSZTÁLY BUDAPEST FŐVÁROS XIII. KERÜLETI ÖNKORMÁNYZAT INTÉZMÉNYMŰKÖDTETŐ ÉS FENNTATÓ KÖZPONT 1139 Budapest, XIII., Hajdú utca 29. Ü G Y R E N D 2014.05.01-től GAZDÁLKODÁSI OSZTÁLY Az osztály a Budapest Főváros

Részletesebben

Kiterjesztések sek szemantikája

Kiterjesztések sek szemantikája Kiterjesztések sek szemantikája Példa D Integer = {..., -1,0,1,... }; D Boolean = { true, false } D T1... T n T = D T 1... D Tn D T Az összes függvf ggvény halmaza, amelyek a D T1,..., D Tn halmazokból

Részletesebben

Fuzzy Rendszerek. 3. előadás Alkalmazások. Ballagi Áron egyetemi adjunktus. Széchenyi István Egyetem, Automatizálási Tsz.

Fuzzy Rendszerek. 3. előadás Alkalmazások. Ballagi Áron egyetemi adjunktus. Széchenyi István Egyetem, Automatizálási Tsz. Fuzzy Rendszerek 3. előadás Alkalmazások Ballagi Áron egyetemi adjunktus Széchenyi István Egyetem, Automatizálási Tsz. 1 IEEE fuzzy szabályozások felmérése [1996] Több mint 1100 sikeres fuzzy alkalmazás

Részletesebben

SZÁMÉRTÉKEK (ÁT)KÓDOLÁSA

SZÁMÉRTÉKEK (ÁT)KÓDOLÁSA 1 ELSŐ GYAKORLAT SZÁMÉRTÉKEK (ÁT)KÓDOLÁSA A feladat elvégzése során a következőket fogjuk gyakorolni: Számrendszerek közti átváltás előjelesen és előjel nélkül. Bináris, decimális, hexadexcimális számrendszer.

Részletesebben

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak

Részletesebben

Diszkrét matematika I. gyakorlat

Diszkrét matematika I. gyakorlat Vizsgafeladatok megoldása 2012. december 5. Tartalom Teljes feladatsor #1 1 Teljes feladatsor #1 2 Teljes feladatsor #2 3 Teljes feladatsor #3 4 Teljes feladatsor #4 5 Válogatott feladatok 6 Végső bölcsesség

Részletesebben

A + B = B + A, A + ( B + C ) = ( A + B ) + C.

A + B = B + A, A + ( B + C ) = ( A + B ) + C. 6. LOGIKAI ÁRAMKÖRÖK Számítógépekben, műszerekben, vezérlő automatákban alapvető szerep jut az olyan áramköröknek, melyek valamilyen logikai összefüggést fejeznek ki. Ezeknek a logikai áramköröknek az

Részletesebben

Tómács Tibor. Mérték és integrál. (X, A, µ) mértéktér, f n : X hető függvények minden n N f 2..., akkor. lim

Tómács Tibor. Mérték és integrál. (X, A, µ) mértéktér, f n : X hető függvények minden n N f 2..., akkor. lim Tómács Tibor Mérték és integrál X, A, µ mértéktér, f n : X hető függvények minden n N f 2..., akkor lim f n dµ = lim f n dµ. Matematikai és Informatikai Intézet Tómács Tibor Mérték és integrál Eger, 2016.

Részletesebben

Dombi József. University of Szeged Department of Informatics.

Dombi József. University of Szeged Department of Informatics. Dombi József University of Szeged Department of Informatics dombi@inf.u-szeged.hu Előadásom során rámutatok a logikai rendszerhez való ragaszkodás korlátaira. Megmutatom, hogy az új létrejött paradigmák

Részletesebben

1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.

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

Részletesebben

Mesterséges Intelligencia (Artificial Intelligence)

Mesterséges Intelligencia (Artificial Intelligence) Mesterséges Intelligencia (Artificial Intelligence) Bevezetés (ágens típusok, környezet tulajdonságai) Ágens: Környezetébe ágyazott (érzékelések, beavatkozások) autonóm rendszer (minimum válasz). [Bármi

Részletesebben

Új műveletek egy háromértékű logikában

Új műveletek egy háromértékű logikában A Magyar Tudomány Napja 2012. Új műveletek egy háromértékű logikában Dr. Szász Gábor és Dr. Gubán Miklós Tartalom A probléma előzményei A hagyományos műveletek Az új műveletek koncepciója Alkalmazási példák

Részletesebben

Óbudai Egyetem Neumann János Informatikai Kar. Intelligens Mérnöki Rendszerek Intézet

Óbudai Egyetem Neumann János Informatikai Kar. Intelligens Mérnöki Rendszerek Intézet Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet 1034 Budapest, Bécsi út 96/B Tel., Fax:1/666-5544,1/666-5545 http://nik.uni-obuda.hu/imri Az 2004-ben alakult IMRI (BMF)

Részletesebben

Intergrált Intenzív Matematika Érettségi

Intergrált Intenzív Matematika Érettségi . Adott a mátri, determináns determináns, ahol,, d Számítsd ki:. b) Igazold, hogy a b c. Adott a az 6 0 egyenlet megoldásai. a). c) Számítsd ki a d determináns értékét. d c a b determináns, ahol abc,,.

Részletesebben

SULINOVA PROGRAMTANTERVÉHEZ ILLESZKEDŐ TANMENET 10. ÉVFOLYAM SZÁMÁRA

SULINOVA PROGRAMTANTERVÉHEZ ILLESZKEDŐ TANMENET 10. ÉVFOLYAM SZÁMÁRA SULINOVA PROGRAMTANTERVÉHEZ ILLESZKEDŐ TANMENET 10. ÉVFOLYAM SZÁMÁRA Heti óraszám: 3 Éves óraszám: 37 3 = 111 A tanmenet 100 óra beosztását tartalmazza. A dolgozatok írása és javítása ezeken felül 8 órát

Részletesebben

Dr. Jelasity Márk. Mesterséges Intelligencia I. Előadás Jegyzet (2008. október 6) Készítette: Filkus Dominik Martin

Dr. Jelasity Márk. Mesterséges Intelligencia I. Előadás Jegyzet (2008. október 6) Készítette: Filkus Dominik Martin Dr. Jelasity Márk Mesterséges Intelligencia I Előadás Jegyzet (2008. október 6) Készítette: Filkus Dominik Martin Elsőrendű logika -Ítéletkalkulus : Az elsőrendű logika egy speciális esete, itt csak nullad

Részletesebben

Regressziós játékok. Pintér Miklós. XXVII. OPKUT Konferencia 2007, június 7-9. Balatonöszöd. Budapesti Corvinus Egyetem Matematika Tanszék

Regressziós játékok. Pintér Miklós. XXVII. OPKUT Konferencia 2007, június 7-9. Balatonöszöd. Budapesti Corvinus Egyetem Matematika Tanszék Budapesti Corvinus Egyetem Matematika Tanszék XXVII. OPKUT Konferencia 2007, június 7-9. Balatonöszöd Tartalomjegyzék 1 2 3 Statisztikus játék Legyen (Ω, M, P) valószínűségi mező rögzítet, v : Ω P(N) R

Részletesebben

Bizonytalanság Valószín ség Bayes szabály. Bizonytalanság. November 5, 2009. Bizonytalanság

Bizonytalanság Valószín ség Bayes szabály. Bizonytalanság. November 5, 2009. Bizonytalanság November 5, 2009 i következtetés Legyen az A t akció az, hogy t perccel a repül gép indulása el tt indulunk otthonról. Kérdés, hogy A t végrehajtásával kiérünk-e id ben? Problemák: 1. hiányos ismeret (utak

Részletesebben

VENTS ifan Eladva (eladó neve, bélyegzõje)

VENTS ifan Eladva (eladó neve, bélyegzõje) INTELLIGENS AXIÁLIS VENTILÁTOR HASZNÁLATI UTASÍTÁS ok ep A ventilátor üzemeltetésre alkalmas. M ÁTVÉTELI ELISMERVÉNY Átvevõ MEO jegy Típus Gyártási dátum ifan ifan Move VENTS ifan Eladva (eladó neve, bélyegzõje)

Részletesebben

XII. LABOR - Fuzzy logika

XII. LABOR - Fuzzy logika XII. LABOR - Fuzzy logika XII. LABOR - Fuzzy logika A gyakorlat célja elsajátítani a fuzzy logikával kapcsolatos elemeket: fuzzy tagsági függvények, fuzzy halmazmveletek, fuzzy következtet rendszerek felépítése,

Részletesebben

Magyarok: Bereczki Ilona, Kalmár László, Neumann, Péter Rózsa, Pásztorné Varga Katalin, Urbán János, Lovász László

Magyarok: Bereczki Ilona, Kalmár László, Neumann, Péter Rózsa, Pásztorné Varga Katalin, Urbán János, Lovász László MATEMATIKAI LOGIKA A gondolkodás tudománya Diszkrét matematika Arisztotelész(i.e. 384-311) Boole, De Morgan, Gödel, Cantor, Church, Herbrand, Hilbert, Kleene, Lukesiewicz, Löwenheim, Ackermann, McKinsey,

Részletesebben

COMENIUS ANGOL-MAGYAR KÉT TANÍTÁSI NYELVŰ ÁLTALÁNOS ISKOLA MATEMATIKA TANMENET

COMENIUS ANGOL-MAGYAR KÉT TANÍTÁSI NYELVŰ ÁLTALÁNOS ISKOLA MATEMATIKA TANMENET COMENIUS ANGOL-MAGYAR KÉT TANÍTÁSI NYELVŰ ÁLTALÁNOS ISKOLA MATEMATIKA TANMENET 5. osztály 2015/2016. tanév Készítette: Tóth Mária 1 Tananyagbeosztás Évi óraszám: 144 óra Heti óraszám: 4 óra Témakörök:

Részletesebben

Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén

Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Dombi József Szegedi Tudományegyetem Bevezetés - ID3 (Iterative Dichotomiser 3) Az ID algoritmusok egy elemhalmaz felhasználásával

Részletesebben

I.4. BALATONI NYARALÁS. A feladatsor jellemzői

I.4. BALATONI NYARALÁS. A feladatsor jellemzői I.4. BALATONI NYARALÁS Tárgy, téma A feladatsor jellemzői Logikai fogalmak: logikai kijelentés; minden; van olyan; ha, akkor; és; vagy kifejezések jelentése. Egyszerű logikai kapcsolatok mondatok között.

Részletesebben

Analóg áramkörök Műveleti erősítővel épített alapkapcsolások

Analóg áramkörök Műveleti erősítővel épített alapkapcsolások nalóg áramkörök Műveleti erősítővel épített alapkapcsolások Informatika/Elektronika előadás encz Márta/ess Sándor Elektronikus Eszközök Tanszék 07-nov.-22 Témák Műveleti erősítőkkel kapcsolatos alapfogalmak

Részletesebben

A Matematika I. előadás részletes tematikája

A Matematika I. előadás részletes tematikája A Matematika I. előadás részletes tematikája 2005/6, I. félév 1. Halmazok és relációk 1.1 Műveletek halmazokkal Definíciók, fogalmak: halmaz, elem, üres halmaz, halmazok egyenlősége, részhalmaz, halmazok

Részletesebben

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Logika

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Logika Logika Indukció: A fogalomalkotásnak azt a módját, amikor a konkrét tapasztalatokra támaszkodva jutunk el az általános fogalomhoz, indukciónak nevezzük. Dedukció: A fogalomalkotásnak azt a módját, amikor

Részletesebben

LOGIKA. Magyarok: Bereczki Ilona, Kalmár László, Neumann, Péter Rózsa, Pásztorné Varga Katalin, Urbán János, Lovász László.

LOGIKA. Magyarok: Bereczki Ilona, Kalmár László, Neumann, Péter Rózsa, Pásztorné Varga Katalin, Urbán János, Lovász László. MATEMATIKAI A gondolkodás tudománya Arisztotelész(i.e. 384-311) Boole, De Morgan, Gödel, Cantor, Church, Herbrand, Hilbert, Kleene, Lukesiewicz, Löwenheim, Ackermann, McKinsey, Tarski, Ramsey, Russel,

Részletesebben

Programozás I. 1. előadás: Algoritmusok alapjai. Sergyán Szabolcs

Programozás I. 1. előadás: Algoritmusok alapjai. Sergyán Szabolcs Programozás I. 1. előadás: Algoritmusok alapjai Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Alkalmazott Informatikai Intézet 2015. szeptember 7. Sergyán

Részletesebben

4. SOROK. a n. a k (n N) a n = s, azaz. a n := lim

4. SOROK. a n. a k (n N) a n = s, azaz. a n := lim Példák.. Geometriai sor. A aq n = a + aq + aq 2 +... 4. SOROK 4. Definíció, konvergencia, divergencia, összeg Definíció. Egy ( ) (szám)sorozat elemeit az összeadás jelével összekapcsolva kapott a + a 2

Részletesebben