E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.
|
|
- Katalin Vinczené
- 7 évvel ezelőtt
- Látták:
Átírás
1 E.4 Markov-láncok Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével. Egy Markov-láncot (MC) meghatároznak az alapját adó sorbanállási hálózat állapotai és az ezek közötti átmenetintenzitások. Globális egyensúlyi egyenletek egy sorbanállási hálózat alapján kapott Markov-lánc esetén: π j q ji = π i q ij, j S j S i S S: Állapottér (A sorbanállási hálózat összes állapotának halmaza) q ij : Átmenetintenzitás az i és j átmenetek között p i : Az i állapot stacionárius valószínűsége E.187
2 Szavakban: összes beérkezés az i állapotba = összes távozás az i állapotból az i állapotba való átmenetintenzitások összege = az i állapotból való átmenetintenzitások összege Egyszerűsített globális egyensúlyi egyenletek: i S : π j q ji π i q ij =0 j i j i πq =0 Vagy a generátormátrixszal: p: A stacionárius valószínűségek vektora (π 1,..., π n ) q ii = j i q ij E.188
3 Q: Generátormátrix q ij átmenetintenzitásokkal Példa: Zárt csillaghálózat µ 1 µ 2 Jobok száma K = 3 Kiszolgálási intenzitások: 1/µ 1 = 5 sec és 1/µ 2 = 2.5 sec (exp. eloszlás) Stratégia: FCFS A Markov-lánc állapottere: {(3, 0), (2, 1), (1, 2), (0, 3)} Állapot: (k 1, k 2 ) k 1 job az 1-es és k 2 job a 2-es csomópontnál E.189
4 Stacionárius valószínűségek: π(k 1, k 2 ) E.4 Markov-láncok Állapotátmenet diagram vagy átmenetdiagram: µ 1 µ 1 µ 1 3,0 2,1 1,2 0,3 µ 2 µ 2 µ 2 Globális egyensúlyi egyenletek (Markov-egyenletrendszer): π(3, 0)µ 1 = π(2, 1)µ 2, π(2, 1)(µ 1 + µ 2 )=π(3, 0)µ 1 + π(1, 2)µ 2, π(1, 2)(µ 1 + µ 2 )=π(2, 1)µ 1 + π(0, 3)µ 2, π(0, 3)µ 2 = π(1, 2)µ 1. E.190
5 Generátormátrix: E.4 Markov-láncok Q= µ 1 µ µ 2 (µ 1 + µ 2 ) µ µ 2 (µ 1 + µ 2 ) µ µ 2 µ 2 A stacionárius valószínűségek vektora: π =(π(3, 0),π(2, 1),π(1, 2),π(0, 3)) Generátormátrix µ 1 = 0.2 és µ 2 = 0.4 esetén: Q= E.191
6 A πq = 0 egyenletrendszer megoldásával kapjuk meg a stacionárius valószínűségeket: π(3, 0) = , π(2, 1) = , π(1, 2) = , π(0, 3) = A stacionárius valószínűségekből kapjuk a marginális valószínűségeket: π 1 (0) = π 2 (3) = π(0, 3) = , π 1 (1) = π 2 (2) = π(1, 2) = 0.133, π 1 (2) = π 2 (1) = π(2, 1) = , π 1 (3) = π 2 (0) = π(3, 0) = Kihasználtságok: ρ 1 =1 π 1 (0) = , ρ 2 =1 π 2 (0) = E.192
7 Áteresztőképesség: E.4 Markov-láncok λ = λ 1 = λ 2 = ρ 1 µ 1 = ρ 2 µ 2 = A jobok átlagos száma: K 1 = 3 k=1 kπ 1 (k) =2.2667, K 2 = 3 k=1 kπ 2 (k) = Átlagos válaszolási idők: T 1 = K 1 λ 1 = , T 2 = K 2 λ 2 = E.193
8 Példa: M/M/1 - rendszer: E.4 Markov-láncok Az alapul vett Markov-lánc állapottere: {0, 1, 2, 3, 4,... } Átmenetdiagram: λ λ λ λ λ n µ µ µ µ µ E.194
9 A stacionárius valószínűségek vektora: E.4 Markov-láncok π = (π 0, π 1, π 2, π 3, π 4,... ) λ µ Generátormátrix: λ λ 0 0 µ (λ + µ) λ 0 Q= 0 µ (λ + µ) λ 0 0 µ (λ + µ) Globális egyensúlyi egyenletek (Markov-egyenletrendszer): 0= π 0 λ + π 1 µ, 0= π k (λ + µ)+π k 1 λ + π k+1 µ, k 1 E.195
10 A π 1 és π 2 stacionárius valószínűségek: π 1 = λ µ π 0, π 2 = λ λ µ µ π 0 Általánosan: π k = ( ) λ k π 0 µ A normalizáló feltétel használatával: π 0 =1 λ µ E.196
11 ρ = λ/µ helyettesítéssel: E.4 Markov-láncok π 0 =1 ρ M/M/1 - rendszer stacionárius valószínűségei: π k =(1 ρ)ρ k M/M/1 - rendszer kihasználtsága: ρ =1 π 0 A jobok átlagos száma M/M/1 - rendszer esetén: K = ρ 1 ρ E.197
12 Zárt csillaghálózat E 2 -eloszlású kiszolgálási idejű egyik kiszolgálóval: µ 11 µ 12 µ 2 Jobok száma: K = 2 Kiszolgálási idők: Kiszolgáló 2: exp. eloszlás, µ 2 = 0.4 Kiszolgáló 1: E 2 -eloszlás,ahol a két fázis aránya µ 11 = µ 12 = 0.4 A hálózat állapotát megadja a csomópontokban lévő jobok száma és az 1-es csomópontban lévő job l = 0, 1, 2 fázisa: (k 1, l; k 2 ) A hálózat stacionárius valószínűsége: p(k 1, l; k 2 ) E.198
13 Átmenetdiagram: µ 11 µ 12 µ 11 µ 12 2,1;0 2,2;0 1,1;1 1,2;1 0,0;2 µ 2 µ 2 µ 2 Globális egyensúlyi egyenletek (Markov-egyenletrendszer): π(2, 1; 0)µ 11 = π(1, 1; 1)µ 2, π(2, 2; 0)µ 12 = π(2, 1; 0)µ 11 + π(1, 2; 1)µ 2, π(1, 1; 1)(µ 11 + µ 2 )=π(2, 2; 0)µ 12 + π(0, 0; 2)µ 2, π(1, 2; 1)(µ 12 + µ 2 )=π(1, 1; 1)µ 11, π(0, 0; 2)µ 2 = π(1, 2; 1)µ 12. E.199
14 Generátormátrix: Q= µ 11 µ µ 12 µ µ 2 0 (µ 11 + µ 2 ) µ µ 2 0 (µ 12 + µ 2 ) µ µ 2 0 µ 2 E.4 Markov-láncok Generátormátrix a kiszolgálási intenzitások értékeivel: Q= E.200
15 A πq = 0 megoldásával vagy a globális egyensúlyi egyenletekkel: π(2, 1; 0) = , π(2, 2; 0) = , π(1, 1; 1) = , π(1, 2; 1) = , π(0, 0; 2) = Marginális valószínűségek: π 1 (0) = π 2 (2) = π(0, 0; 2) = , π 1 (1) = π 2 (1) = π(1, 1; 1) + π(1, 2; 1) = , π 1 (2) = π 2 (0) = π(2, 1; 0) + π(2, 2; 0) = A marginális valószínűségek használatával az összes többi hatékonyságjellemző számolható. E.201
16 Példa: Egyszerű zárt sorbanállási hálózat: E.4 Markov-láncok µ 2 µ 1 µ 3 Jobok száma K = 2 Kiszolgálási idők: exp. el.,: µ 1 = 4/sec, µ 2 = 1/sec és µ 3 = 2/sec Stratégia: FCFS E.202
17 Útvonalvalószínűségek: p 12 = 0.4, p 13 = 0.6 p 21 = p 31 = 1 A Markov-lánc állapottere: {(2, 0, 0), (0, 2, 0), (0, 0, 2), (1, 1, 0), (1, 0, 1), (0, 1, 1)} Állapot: (k 1, k 2, k 3 ) k 1 job az 1-es csomópontban, k 2 job a 2-es csomópontban és k 3 job a 3-as csomópontban Stacionárius valószínűségek: π(k 1, k 2, k 3 ) E.203
18 Átmenetdiagram: 2, 0, 0 µ 3 p 31 µ 1 p 21 µ 3 p 31 µ 1 p 13 µ 2 p 21 µ 1 p 12 0, 0, 2 1, 0, 1 1, 1, 0 0, 2, 0 µ 1 p 13 µ 1 p 12 µ 3 p 31 µ 2 p 21 µ 2 p 21 µ 1 p 13 0, 1, 1 E.204
19 Globális egyensúlyi egyenletek: (1) π(2, 0, 0)(µ 1 p 12 + µ 1 p 13 )=π(1, 0, 1)µ 3 p 31 + π(1, 1, 0)µ 2 p 21, (2) π(0, 2, 0)µ 2 p 21 = π(1, 1, 0)µ 1 p 12, (3) π(0, 0, 2)µ 3 p 31 = π(1, 0, 1)µ 1 p 13, (4) π(1, 1, 0)(µ 2 p 21 + µ 1 p 13 + µ 1 p 12 )=π(0, 2, 0)µ 2 p 21 + π(2, 0, 0)µ 1 p 12 + π(0, 1, 1)µ 3 p 31, (5) π(1, 0, 1)(µ 3 p 31 + µ 1 p 12 + µ 1 p 13 )=π(0, 0, 2)µ 3 p 31 + π(0, 1, 1)µ 2 p 21 + π(2, 0, 0)µ 1 p 13, (6) π(0, 1, 1)(µ 3 p 31 + µ 2 p 21 )=π(1, 1, 0)µ 1 p 13 + π(1, 0, 1)µ 1 p 12. E.205
20 A Globális egyensúlyi egyenletek megoldása: E.4 Markov-láncok Iteratív módszer: Globális egyensúlyi egyenletek: πq = 0 Skalárral történő szorzás: πq = 0 π hozzáadása mindkét oldalhoz: πq + π = π Egységmátrix kiemelése : π(q + I) = π Iteráció: π (j+1) = π (j) (Q + I) megválasztása aszerint, hogy az iteráció konvergens legyen : = 1/max q ii vagy = 0.99/max q ii E.206
21 Példa: Csillaghálózat: Generátormátrix: Q = E.4 Markov-láncok Skalár : = 1 max q ii = = Invariáns mátrix: (Q +I) = E.207
22 A kezdeti vektor tetszőlegesen választható: π (0) =(π(3, 0),π(2, 1),π(1, 2),π(0, 3)) (0) Normalizáló feltétel: π(3, 0) + π(2, 1) + π(1, 2) + π(0, 3) = 1 A kezdeti vektor: π (0) =(0.65; 0.35; 0; 0) E.208
23 Iteration π(3, 0) π(2, 1) π(1, 2) π(0, 3) Pontos értékek: E.209
24 Az iteratív módszer mindig alkalmazható, de nagyon sok számolási időt és memóriát igényel Más módszerek (gyorsabbak és kisebb memóriaigényűek): Stacionárius módszerek: Hatvány módszer Jacobi-módszer Gauß-Seidel-módszer Többszintű módszer Tranziens módszerek: Uniformizálás π(3, 0) = ,π(2, 1) = ,π(1, 2) = ,π(0, 3) = E.210
25 A Globális egyensúlyi egyenletek tranziens megoldása: Globális egyensúlyi egyenletek: πq = 0 csak a stacionárius eloszlásra érvényesek A tranziens állapot esetén: dπ(t) dt = π(t)q, π(0) = (π 0 (0),π 1 (0),...) A tranziens esetben az "állapotba érkezés" és az "ebből az állapotból távozás" közötti különbség az állapot állapotvalószínűségéből származtatható. Megoldás nagyon nehéz (Uniformizálás!). E.211
26 Példa: Születési folyamat (pl. beérkezések egy sorbanállási halózatba): λ λ λ Generátormátrix: Q= λ λ λ λ λ λ E.212
27 Egyensúlyi egyenletek: d dt π 0(t) = λπ 0 (t), d dt π k(t) = λπ k (t)+λπ k 1 (t), k 1 Kezdeti feltételek: π k (0) = { 1 k =0 0 k 1 E.213
28 A születési folyamat állapotvalószínűsége (Poisson-folyamat, Poisson eloszlás): π k (t) = (λt)k k! e λt, k 0 Annak valószínűsége, hogy t idő alatt k születés történt (k job érkezett) Annak valószínűsége, hogy t idő alatt történt születés(beérkezés) P( T A > t ): π 0 (t) =e λt Két születés (beérkezés) közötti idő eloszlása: P( T A t ) = 1 - π 0 (t) = 1 - e -λt A beérkezési időközök exponenciális eloszlásúak!! E.214
29 1 Poisson eloszlás λ = Probabilities π 0 (t) π 1 (t) π 2 (t) π 3 (t) λ =0.5 π 4 (t) t E.215
30 Poisson eloszlás λ = 1 E.4 Markov-láncok π 0 (t) λ =1.0 Probabilities π 1 (t) π 2 (t) π 3 (t) π 4 (t) t E.216
előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás
13-14. előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 2016. november 28. és december 5. 13-14. előadás 1 / 35 Bevezetés A diszkrét
RészletesebbenSzámítógép-rendszerek fontos jellemzői (Hardver és Szoftver):
B Motiváció B Motiváció Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): Helyesség Felhasználóbarátság Hatékonyság Modern számítógép-rendszerek: Egyértelmű hatékonyság (például hálózati hatékonyság)
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
RészletesebbenSztochasztikus temporális logikák
Sztochasztikus temporális logikák Teljesítmény és szolgáltatásbiztonság jellemzők formalizálása és ellenőrzése Majzik István Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs
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:
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
Részletesebben6. Előadás: Sorbanállási modellek, III.
6. Előadás: Sorbanállási modellek, III..5. Az M/M//GD/c/ sorbanállási rendszer Az ebben a szakaszban vizsgált sorbanállási rendszer piktogrammja az. ábrán látható. Ennek értelmében a születési halálozási
Részletesebben12. előadás - Markov-láncok I.
12. előadás - Markov-láncok I. 2016. november 21. 12. előadás 1 / 15 Markov-lánc - definíció Az X n, n N valószínűségi változók sorozatát diszkrét idejű sztochasztikus folyamatnak nevezzük. Legyen S R
RészletesebbenLegyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0, 1, 2,..., N}, {0, 1, 2,... }.
. Markov-láncok. Definíció és alapvető tulajdonságok Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0,,,..., N}, {0,,,... }.. definíció. S értékű valószínűségi
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
Részletesebben4 Approximációs algoritmusok szorzatalakú hálózatok esetén
4 Approxmácós algortmusok szorzatalakú hálózatok esetén Az MVA-n alapuló approxmácó (Bard-Schwetzer-módszer): Beérkezés tétel: T () = 1 µ [1+ ( 1) ], =1,...,N Iterácó a következő approxmácó használatával:
RészletesebbenA Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában
A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában Horváth Gábor ghorvath@hit.bme.hu (Horváth András, Telek Miklós) - p. 1 Motiváció, problémafelvetés
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
RészletesebbenHidden Markov Model. March 12, 2013
Hidden Markov Model Göbölös-Szabó Julianna March 12, 2013 Outline 1 Egy példa 2 Feladat formalizálása 3 Forward-algoritmus 4 Backward-algoritmus 5 Baum-Welch algoritmus 6 Skálázás 7 Egyéb apróságok 8 Alkalmazás
RészletesebbenOperációkutatás. 4. konzultáció: Sorbanállás. Exponenciális elsozlás (ismétlés)
Operációkutatás NYME KTK, gazdálkodás szak, levelező alapképzés 2002/2003. tanév, II. évf. 2.félév Előadó: Dr. Takách Géza NyME FMK Információ Technológia Tanszék 9400 Sopron, Bajcsy Zs. u. 9. GT fszt.
RészletesebbenTömegkiszolgálás. Dr. Györfi László Győri Sándor Dr. Pintér Márta
Tömegkiszolgálás Dr. Györfi László Győri Sándor Dr. Pintér Márta Tartalomjegyzék Előszó 7. Diszkrét idejű Markov-láncok 9.. Markov-láncok fogalma....................... 0.2. Irreducíbilis és aperiodikus
RészletesebbenSaj at ert ek-probl em ak febru ar 26.
Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre
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
RészletesebbenRádiós hozzáférő hálózatok elemzése és méretezése analitikus módszerekkel Rákos Attila Nokia Siemens Networks
Rádiós hozzáférő hálózatok elemzése és méretezése analitikus módszerekkel Rákos Attila Nokia Siemens Networks 1 Nokia Siemens Networks Rádiós hozzáférő hálózatok szerepe Biztosítják a felhasználóknak a
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 +
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása, június 10
Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett
RészletesebbenSztochasztikus folyamatok
Sztochasztikus folyamatok Benke János és Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet 2016. tavaszi félév Sztochasztikus folyamatok Deníció, példák Sztochasztikus folyamatok A továbbiakban legyen
RészletesebbenG Alkalmazások G Alkalmazások
G Alkalmazások Terminálrendszer: 5 1 2 Szalag m Terminál 1 CPU 3 Lemez 4 Nyomtató G.360 Rendszerparaméterek: CPU: Processzorok száma: 3 Átlagos kiszolgálási idő: 0.5 sec Szalag: Átlagos kiszolgálási idő:
RészletesebbenKészítette: Trosztel Mátyás Konzulens: Hajós Gergely
Készítette: Trosztel Mátyás Konzulens: Hajós Gergely Monte Carlo Markov Chain MCMC során egy megfelelően konstruált Markov-lánc segítségével mintákat generálunk. Ezek eloszlása követi a céleloszlást. A
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenÖsszeállította: dr. Leitold Adrien egyetemi docens
Az R n vektortér Összeállította: dr. Leitold Adrien egyetemi docens 2008.09.08. R n vektortér/1 Vektorok Rendezett szám n-esek: a = (a 1, a 2,, a n ) sorvektor a1 a = a2 oszlopvektor... a n a 1, a 2,,
Részletesebben(Diszkrét idejű Markov-láncok állapotainak
(Diszkrét idejű Markov-láncok állapotainak osztályozása) March 21, 2019 Markov-láncok A Markov-láncok anaĺızise főként a folyamat lehetséges realizációi valószínűségeinek kiszámolásával foglalkozik. Ezekben
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
RészletesebbenDiszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.
1 Diszkrét matematika I, 12 előadás Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach 2005 november 30 Vektorok Definíció Egy tetszőleges n pozitív egész számra n-komponensű
RészletesebbenSorbanállás elmélete
Sorbanállás elmélete Fizika BSc - Alkalmazott fizika szakirány Eötvös Loránd Tudományegyetem Jegyzetet készítette: Molnár Dávid és Vida Ádám Oktató: Dr. Michaletzky György 213 1 Tartalomjegyzék 1. 1. előadás
RészletesebbenSztochasztikus Petri-hálók
Sztochasztikus Petri-hálók Teljesítmény és megbízhatóság modellezés dr. Majzik István BME Méréstechnika és Információs Rendszerek Tanszék 1 Áttekintés Motiváció Sztochasztikus folyamatok és modellek Folytonos
RészletesebbenDinamikus modellek szerkezete, SDG modellek
Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.
RészletesebbenMátrixok 2017 Mátrixok
2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4
RészletesebbenGyakorló feladatok I.
Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,
Részletesebben15. LINEÁRIS EGYENLETRENDSZEREK
15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
RészletesebbenBevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek
Bevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek Algebra Tanszék B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E
RészletesebbenMegkülönböztetett kiszolgáló routerek az
Megkülönböztetett kiszolgáló routerek az Interneten Megkülönböztetett kiszolgálás A kiszolgáló architektúrák minősége az Interneten: Integrált kiszolgálás (IntServ) Megkülönböztetett kiszolgálás (DiffServ)
RészletesebbenVektorok, mátrixok, lineáris egyenletrendszerek
a Matematika mérnököknek I. című tárgyhoz Vektorok, mátrixok, lineáris egyenletrendszerek Vektorok A rendezett valós számpárokat kétdimenziós valós vektoroknak nevezzük. Jelölésükre latin kisbetűket használunk.
Részletesebben1. Mátrixösszeadás és skalárral szorzás
1 Mátrixösszeadás és skalárral szorzás Mátrixok tömör jelölése T test Az M = a i j T n m azt az n sorból és m oszlopból álló mátrixot jelöli, amelyben az i-edik sor j-edik eleme a i j T Példák [ ] Ha M
RészletesebbenTantárgy kódja Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2
Tantárgy neve Alkalmazott matematika II. Tantárgy kódja MT003 Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2 Számonkérés módja gyakorlati jegy Előfeltétel (tantárgyi kód) MT002 Tantárgyfelelős
Részletesebben4. Előadás: Sorbanállási modellek, I.
4. Előadás: Sorbanállási modellek, I. Wayne L. Winston: Operációkutatás, módszerek és alkalmazások, Aula Kiadó, Budapest, 2003 könyvének 20. fejezete alapján... A sorbanállási elmélet alapfogalmai A sorbanállási
RészletesebbenTeljesítménymodellezés
Teljesítménymodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement and Information Systems
Részletesebben3. el adás: Determinánsok
3. el adás: Determinánsok Wettl Ferenc 2015. február 27. Wettl Ferenc 3. el adás: Determinánsok 2015. február 27. 1 / 19 Tartalom 1 Motiváció 2 A determináns mint sorvektorainak függvénye 3 A determináns
RészletesebbenMatematika (mesterképzés)
Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,
Részletesebben10. Exponenciális rendszerek
1 Exponenciális rendszerek 1 Egy boltba exponenciális időközökkel átlagosan percenként érkeznek a vevők két eladó, ndrás és éla, átlagosan 1 illetve 6 vevőt tud óránként kiszolgálni mennyiben egy vevő
Részletesebben3. előadás Stabilitás
Stabilitás 3. előadás 2011. 09. 19. Alapfogalmak Tekintsük dx dt = f (t, x), x(t 0) = x 0 t (, ), (1) Jelölje t x(t; t 0, x 0 ) vagy x(.; t 0, x 0 ) a KÉF megoldását. Kívánalom: kezdeti állapot kis megváltozása
RészletesebbenValószínűségi modellellenőrzés Markov döntési folyamatokkal
Valószínűségi modellellenőrzés Markov döntési folyamatokkal Hajdu Ákos Szoftver verifikáció és validáció 2015.12.09. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek
RészletesebbenGauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
RészletesebbenOperációkutatás vizsga
Operációkutatás vizsga B csoport Budapesti Corvinus Egyetem 2007. január 16. Egyéb gyakorló és vizsgaanyagok találhatók a honlapon a Letölthető vizsgasorok, segédanyagok menüpont alatt. OPERÁCIÓKUTATÁS
RészletesebbenMatematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
RészletesebbenTartalom. 1. Állapotegyenletek megoldása 2. Állapot visszacsatolás (pólusallokáció)
Tartalom 1. Állapotegyenletek megoldása 2. Állapot visszacsatolás (pólusallokáció) 2015 1 Állapotgyenletek megoldása Tekintsük az ẋ(t) = ax(t), x(0) = 1 differenciálegyenletet. Ismert, hogy a megoldás
RészletesebbenTestek. 16. Legyen z = 3 + 4i, w = 3 + i. Végezzük el az alábbi. a) (2 4), Z 5, b) (1, 0, 0, 1, 1) (1, 1, 1, 1, 0), Z 5 2.
Vektorok. Melyek egyenlőek az alábbi vektorok közül? (a) (, 2, 0), (b) az (, 0, ) pontból a (2, 2, ) pontba mutató vektor, (c) ( 2,, ) ( 2,, 2), (d) [ 2 0 ], (e) 2. 0 2. Írjuk fel az x + y + 2z = 0 és
RészletesebbenLineáris algebra (10A103)
Lineáris algebra (10A103) Kátai-Urbán Kamilla (1. előadás) Mátrixok 2019. február 6. 1 / 35 Bevezetés Előadás Tudnivalók (I.) Honlap: http://www.math.u-szeged.hu/~katai Jegyzet: Az előadáson készített
RészletesebbenA sorbanállási elmélet alapjai
A sorbanállási elmélet alapjai Dr. Sztrik János Debreceni Egyetem, Informatikai Kar Lektorálta: Dr. Bíró József MTA doktora, egyetemi tanár 2 Jelen jegyzetet feleségemnek ajánlom, aki nélkül ez a munka
RészletesebbenLineáris algebra és a rang fogalma (el adásvázlat, szeptember 29.) Maróti Miklós
Lineáris algebra és a rang fogalma (el adásvázlat, 2010. szeptember 29.) Maróti Miklós Ennek az el adásnak a megértéséhez a következ fogalmakat kell tudni: (1) A mátrixalgebrával kapcsolatban: számtest
RészletesebbenÖsszeállította: dr. Leitold Adrien egyetemi docens
Az R 3 tér geometriája Összeállította: dr. Leitold Adrien egyetemi docens 2008.09.08. 1 Vektorok Vektor: irányított szakasz Jel.: a, a, a, AB, Jellemzői: irány, hosszúság, (abszolút érték) jel.: a Speciális
RészletesebbenHETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT
HETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT Mobil és vezeték nélküli hálózatok (BMEVIHIMA07) 2015. április 3., Budapest Jakó Zoltán BME Hálózati Rendszerek és Szolgáltatások Tanszék
RészletesebbenMátrixok, mátrixműveletek
Mátrixok, mátrixműveletek 1 előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Mátrixok, mátrixműveletek p 1/1 Mátrixok definíciója Definíció Helyezzünk el n m elemet egy olyan téglalap
RészletesebbenEötvös Loránd Tudományegyetem Természettudományi Kar Valószínűségelméleti és Statisztika Tanszék. Csatolás
Eötvös Loránd Tudományegyetem Természettudományi Kar Valószínűségelméleti és Statisztika Tanszék Csatolás Michaletzky György egyetemi tanár Cséke Balázs Matematika BSc Budapest, 2014 Tartalomjegyzék Bevezetés
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,
RészletesebbenProxy Cache szerverek hatékonyságának vizsgálata. Performance Modeling of Proxy Cache Servers
Proxy Cache szerverek hatékonyságának vizsgálata Performance Modeling of Proxy Cache Servers Doktori (PhD) értekezés Bérczes Tamás Témavezető: Prof. Dr. Sztrik János Debreceni Egyetem Természettudományi
RészletesebbenForgalmi adatsorok illesztése Markov érkezési folyamattal
Forgalmi adatsorok illesztése Markov érkezési folyamattal Mészáros András October 28, 2011 Összefoglaló A telekommunikációs hálózatok megfelelő tervezésének és működtetésének elengedhetetlen feltétele,
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 9. előadás: Paraméteres iterációk, relaxációs módszerek Lócsi Levente ELTE IK Tartalomjegyzék 1 A Richardson-iteráció 2 Relaxált Jacobi-iteráció 3 Relaxált Gauss Seidel-iteráció
RészletesebbenMatematikai geodéziai számítások 10.
Matematikai geodéziai számítások 10. Hibaellipszis, talpponti görbe és közepes ponthiba Dr. Bácsatyai, László Matematikai geodéziai számítások 10.: Hibaellipszis, talpponti görbe és Dr. Bácsatyai, László
Részletesebben4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O
1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.
RészletesebbenMarkov modellek 2015.03.19.
Markov modellek 2015.03.19. Markov-láncok Markov-tulajdonság: egy folyamat korábbi állapotai a későbbiekre csak a jelen állapoton keresztül gyakorolnak befolyást. Semmi, ami a múltban történt, nem ad előrejelzést
RészletesebbenDekoherencia Markovi Dinamika Diósi Lajos. Elméleti Fizikai Iskola Tihany, augusztus szeptember 3.
Dekoherencia Markovi Dinamika Diósi Lajos Elméleti Fizikai Iskola Tihany, 2010. augusztus 30. - szeptember 3. Tartalomjegyzék 1 Projektív dekoherencia 2 Nyitott rendszer - Lindblad egy. 3 Dekoherencia
RészletesebbenDiszkrét állapotú rendszerek modellezése. Petri-hálók
Diszkrét állapotú rendszerek modellezése Petri-hálók Diszkrét eseményű rendszerek Discret Event (Dynamic) Systems DES, DEDS állapotterük diszkrét halmaz állapotváltozásuk kizárólag az időben aszinkron
RészletesebbenINFOKOMMUNIKÁCIÓS RENDSZEREK HATÉKONYSÁG- ELEMZÉSÉRE SZOLGÁLÓ ESZKÖZÖK
INFOKOMMUNIKÁCIÓS RENDSZEREK HATÉKONYSÁG- ELEMZÉSÉRE SZOLGÁLÓ ESZKÖZÖK TOOL SUPPORTED PERFORMANCE MODELLING OF INFOCOMMUNICATION SYSTEMS Sztrik János, jsztrik@inf.unideb.hu Debreceni Egyetem, Informatikai
Részletesebben1. Geometria a komplex számsíkon
1. Geometria a komplex számsíkon A háromszög-egyenlőtlenség A háromszög-egyenlőtlenség (K1.4.3) Minden z,w C-re z +w z + w. Egyenlőség pontosan akkor áll, ha z és w párhuzamosak, és egyenlő állásúak, azaz
RészletesebbenDifferenciálegyenletek gyakorlat december 5.
Differenciálegyenletek gyakorlat Kocsis Albert Tihamér Németh Adrián 05 december 5 Ismétlés Integrálás Newton Leibniz-formula Integrálás és alapműveletek wwwwolframalphacom Alapintegrálok sin x dx = cos
RészletesebbenMatematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 5. gyakorlat 013/14. tavaszi félév 1. Folytonos eloszlások Eloszlásfüggvény és sűrűségfüggvény Egy valószínűségi változó, illetve egy eloszlás eloszlásfüggvényének egy
Részletesebben1. Határozzuk meg, hogy mikor egyenlő egymással a következő két mátrix: ; B = 8 7 2, 5 1. Számítsuk ki az A + B, A B, 3A, B mátrixokat!
. Mátrixok. Határozzuk meg, hogy mikor egyenlő egymással a következő két mátrix: [ ] [ ] π a A = ; B = 8 7, 5 x. 7, 5 ln y. Legyen 4 A = 4 ; B = 5 5 Számítsuk ki az A + B, A B, A, B mátrixokat!. Oldjuk
RészletesebbenDiszkrét állapotú rendszerek modellezése. Petri-hálók
Diszkrét állapotú rendszerek modellezése Petri-hálók Diszkrét eseményű rendszerek Discret Event (Dynamic) Systems DES, DEDS állapotterük diszkrét halmaz állapotváltozásuk kizárólag az időben aszinkron
RészletesebbenODE SOLVER-ek használata a MATLAB-ban
ODE SOLVER-ek használata a MATLAB-ban Mi az az ODE? ordinary differential equation Milyen ODE megoldók vannak a MATLAB-ban? ode45, ode23, ode113, ode15s, ode23s, ode23t, ode23tb, stb. A részletes leírásuk
RészletesebbenA szimplex tábla. p. 1
A szimplex tábla Végződtetés: optimalitás és nem korlátos megoldások A szimplex algoritmus lépései A degeneráció fogalma Komplexitás (elméleti és gyakorlati) A szimplex tábla Példák megoldása a szimplex
RészletesebbenMegoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1
Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =
RészletesebbenBevezetés az algebrába 1
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Bevezetés az algebrába 1 BMETE92AX23 Determinánsok H406 2017-11-27 Wettl Ferenc ALGEBRA
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.
Részletesebben7. gyakorlat megoldásai
7. gyakorlat megoldásai Komple számok, sajátértékek, sajátvektorok F1. Legyen z 1 = + i és z = 1 i. Számoljuk ki az alábbiakat: z 1 z 1 + z, z 1 z, z 1 z,, z 1, z 1. z M1. A szorzásnál használjuk, hogy
RészletesebbenV. Békés Megyei Középiskolai Matematikaverseny 2012/2013 Megoldások 12. évfolyam
01/01 1. évfolyam 1. Egy röplabda bajnokságban minden csapat pontosan egyszer játszik a többi csapat mindegyikével. A bajnokságból még két forduló van hátra és eddig 104 mérkőzést játszottak le. Hány csapat
RészletesebbenWINPEPSY ALKALMAZÁSA SORBANÁLLÁSI MODELLEKNÉL
WINPEPSY ALKALMAZÁSA SORBANÁLLÁSI MODELLEKNÉL SOLVING QUEUEING MODELS BY THE HELP OF WINPEPSY Kuki Attila, kuki@math.klte.hu Sztrik János, jsztrik@math.klte.hu Debreceni Egyetem, Információ Technológia
RészletesebbenFourier-sorfejtés vizsgálata Négyszögjel sorfejtése, átviteli vizsgálata
Fourier-sorfejtés vizsgálata Négyszögjel sorfejtése, átviteli vizsgálata Reichardt, András 27. szeptember 2. 2 / 5 NDSM Komplex alak U C k = T (T ) ahol ω = 2π T, k módusindex. Időfüggvény előállítása
RészletesebbenLineáris leképezések (előadásvázlat, szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla
Lineáris leképezések (előadásvázlat, 2012. szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla Ennek az előadásnak a megértéséhez a következő fogalmakat kell tudni: homogén lineáris egyenletrendszer és
RészletesebbenLineáris algebra Gyakorló feladatok
Lineáris algebra Gyakorló feladatok. október.. Feladat: Határozzuk meg a, 4b, c és a b c vektorokat, ha a = (; ; ; ; b = (; ; ; ; c = ( ; ; ; ;.. Feladat: Határozzuk meg a, 4b, a, c és a b; c + b kifejezések
Részletesebben1. David Blackwell tétele
SZAKDOLGOZAT Rejtett Markov láncok entrópiája és önkonformis mértékek Torma Lídia Boglárka Témavezet k: Simon Károly, egyetemi tanár Komjáthy Júlia, tudományos munkatárs BME Matematika Intézet, Sztochasztika
RészletesebbenMatematikai statisztika I. témakör: Valószínűségszámítási ismétlés
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák
RészletesebbenBevezetés az algebrába 2
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Bevezetés az algebrába 2 BMETE91AM37 Mátrixfüggvények H607 2018-05-02 Wettl Ferenc
RészletesebbenConvergence analysis of Markovian systems
Eötvös Loránd Tudományegyetem Matematikai Intézet Valószínűségelméleti és Statisztika Tanszék Gerencsér Balázs Convergence analysis of Markovian systems (Markovi folyamatok konvergenciájának vizsgálata)
RészletesebbenMegerősítéses tanulási módszerek és alkalmazásaik
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Megerősítéses tanulási módszerek és alkalmazásaik Tompa Tamás tanársegéd Általános Informatikai Intézeti Tanszék Miskolc, 2017. szeptember 15. Tartalom
RészletesebbenDebreceni Egyetem Informatika Kar. Call Centerek matematikai modellezése
Debreceni Egyetem Informatika Kar Call Centerek matematikai modellezése Diplomamunka Témavezető: Prof. Dr. Sztrik János Egyetemi tanár, az MTA doktora Készítette: Balla Anett Programtervező matematikus
RészletesebbenGPK M1 (BME) Interpoláció / 16
Interpoláció Matematika M1 gépészmérnököknek 2017. március 13. GPK M1 (BME) Interpoláció 2017 1 / 16 Az interpoláció alapfeladata - Példa Tegyük fel, hogy egy ipari termék - pl. autó - előzetes konstrukciójának
RészletesebbenSzámítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 9.
Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 9. előadás Szederkényi Gábor Pázmány Péter Katolikus Egyetem Információs
RészletesebbenGyakorló feladatok. Agbeko Kwami Nutefe és Nagy Noémi
Gyakorló feladatok Agbeko Kwami Nutefe és Nagy Noémi 25 Tartalomjegyzék. Klasszikus hibaszámítás 3 2. Lineáris egyenletrendszerek 3 3. Interpoláció 4 4. Sajátérték, sajátvektor 6 5. Lineáris és nemlineáris
RészletesebbenTeljesítménymodellezés
Teljesítménymodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement and Information Systems
RészletesebbenVéletlen mátrix extrém-érték statisztika: Tracy-Widom eloszlás
Véletlen mátrix extrém-érték statisztika: Ábel Dániel June 15, 2006 1 / 34 2 / 34 Előző alkalommal bevezetett dolgok, amiket használni fogunk: 3 / 34 Előző alkalommal bevezetett dolgok, amiket használni
Részletesebben