Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás

Save this PDF as:
 WORD  PNG  TXT  JPG

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás"

Átírás

1 Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás

2 Démon algoritmus az ideális gázra időátlag fizikai mennyiségek átlagértéke sokaságátlag E, V, N pl. molekuláris dinamika Monte Carlo módszerek Módszer: Creutz dolgozta ki a háló mértékelmélet alapján egy extra szabadságfokot adunk a rendszerhez démon a démon energiát ad/vesz el, hogy megváltoztassa a rendszer dinamikai változóit ha a rendszer energiája csökken, a vátozás energiáját a démon kapja ha a rendszer energiája nő, a változást a démon adja, ha van neki elegendő megj. a démonnak nem lehet az energiája negatív Algoritmus: 1. Választunk véletlenszerűen egy részecskét és próbából megváltoztatjuk sebességét. 2. Kiszámoljuk a változás miatt bekövetkező ΔE energiaváltozást. 3. Ha ΔE 0, a rendszer a ΔE energiát a démonnak adja, akinek az energiája E d = E d ΔE lesz és a változást elfogadjuk. 4. Ha ΔE > 0, és a démonnak elegendő energiája van (E d ΔE), akkor a démon adja a szükséges energiát (E d = E d ΔE) és a változást elfogadjuk. Ha a démonnak nincselég energiája, a próba konfigurációt elvetjük és a rendszer állapota változatlan marad. Megj. Egy Monte Carlo lépés annyi próbálkozást jelent, ahány részecske van a rendszerben.

3 MC a statisztikus fizikában vizsgált mennyiség eloszlásfüggvény állapottér eleme teljes állapottér rendszer Hamiltonfüggvénye Fontossági mintavételezést használunk az integrálok számítására. Jól megválasztott P(x)-el:

4 Metropolis MC szimuláció kanonikus sokaságban (Boltzmann statisztika) Egy mennyiség átlagértéke T hőmérsékleten: fontossági mintavételezés f ( H[] x ) e H k [ x] B T KIINDULÁS: a rendszer kezdetben a 0. állapotban van ε 0, A 0 lenullázzuk a következőket: N MC próbálkozások száma A össz a tanulmányozott mennyiség összege ALGORITMUS: véletlenszerűen megváltoztatjuk a rendszer állapotát i. -ből i+1. -be ε ι+1, A i+1 növeljük N-et összehasonlítjuk az ε ι+1 és az ε ι energiákat HA ε ι+1 < ε ι A össz = A össz + A i+1 HA ε ι+1 > ε ι generálunk egy r véletlen számot az egyenletes eloszlású [0, 1]-ből HA exp{-(ε i+1 ε i )/(k B T)} > r A össz = A össz + A i+1 KÜLÖNBEN A össz = A össz + A i Figyelem! A szimuláció elején a tranziens időszakban a mennyiséget nem összegezzük (nem vesszük bele az átlagérték számításba).

5 Ising modell anyagok mágnesességének tanulmányozása a mágnesezettség eredete: töltött részecskék mozgása zárt pályákon Ampere törvény töltött részecskék saját tengely körüli forgása mágneses momentum egyszerű klasszikus közelítés Ising spin 2D mágnes egy spin csakis a négy legközelebbi szomszédjával hat kölcsön (~r -3 ) kölcsönhatási energia: J > 0 ferromágneses rendszer J < 0 antiferromágneses rendszer mágnesezettség:

6 Ferromágnesség, paramágnesség és a Curie hőmérséklet H = 0 két fázis lehetséges T függvényében Curie hőmérséklet ferromágneses paramágneses ferromágnes-paramágnes fázisátalakulás d>2 (magasabb dimenziókban) másodrendű fázisátalakulás, rend-rendezetlenség fázisátalakulás 2D 3D T c = J/k B egzaktul megoldható T c = 4.44 J/k B szimulációs eredmény négyzetrácson

7 Monte Carlo szimuláció FELADAT: véletlenszerűen generálni egy konfiguráció halmazt (minta) a lehetséges állapotok teréből (konfigurációs tér) egy bizonyos valószínűségi eloszlás szerint, és kiszámítani a megfigyelt mennyiség átlagértékét (pl. mágnesezettség) a minták alapján kofiguráció, vagy minta: mágnesezettség átlagolása Boltzmann statisztika alapján konfigurációs tér: óriási még kevés spin esetében is 20x20-as rács: N s = 400 lehetséges konfigurációk száma: = 2.58 x millió konfiguráció/s 8.8 x év!!!

8 Monte Carlo szimuláció valószínűség-eloszlás, súlyfüggvény: fontossági mintavételezés, a Boltzmann-faktor alapján Monte Carlo átlagérték: generálunk N független konfigurációt a Boltzmann-faktor alapján a mágnesezettség és az energia átlagértékei fajhő és mágneses szuszceptibilitás átlagértékei

9 Monte Carlo szimuláció - átlagértékek

10 Monte Carlo szimuláció - átlagértékek

11 Monte Carlo szimuláció - átlagértékek 0

12 Monte Carlo szimuláció Hogyan generáljunk mintákat a Boltzmann faktor alapján? pl. METROPOLIS algoritmus kiindulunk egy adott konfigurációból kiválasztunk egy spint: s i próbából megfordítjuk: s i,próba = -s i kiszámítjuk a rendszer energiaváltozását: ΔE = E(s 1,...,s i,próba,...s N ) E(s 1,...,s i,...s N ) generálunk egy r egyenletes eloszlású véletlenszámot HA w = e ΔE k T B > ismételjük ezeket a lépéseket r s i = s i,próba MEGJEGYZÉSEK: egy MC lépés N próbálkozás akármilyen kezdeti állapotból kiindulva a rendszert néhány MC lépésen át hagyjuk termalizálódni, az átlagértékeket csak ezután kezdjük számolni erős végesméret effektus periodikus határfeltételek használata

13 Monte Carlo szimuláció ALGORITMUS: rögzítünk egy adott T hőmérsékletet rögzítünk egy kezdeti spinkonfigurációt (pl. véletlenszerűen) több MC lépést végzünk a rendszer termalizálására nagyszámú MC lépésre kiszámoljuk az E, E 2, M, M 2 átlagértékeket rögzítjük az <m(t)>, <E(T)>, <C v (T)> és <χ(t)> átlagértékeket megváltoztatjuk a T hőmérsékletet és megismételjük az algoritmust ábrázoljuk az átlagértékeket a hőmérséklet függvényében

14 Monte Carlo szimuláció a w exponenciális faktor számítása: számítsuk ki előre a H és T ismeretében!!! w = e ΔE k B T exp függvény számolás minden lépésben lassú 4 szomszéd összege j szomszédok j s j x,j y megszorozva a spin értékével ha H 0 +2H vagy -2H s j x 1, j y s j x 1, j y s j x,j y 1 s j x,j y 1 s i j szomszédok s j 10 lehetséges érték w-re double w[17][3];... for (int i = -8; i <= 8; i += 4){ w[i+8][0] = exp( - (i * J + 2 * H) / T ); w[i+8][2] = exp( - (i * J - 2 * H) / T ); } ugyanazok az értékek w 8 2 s i j szomszédok s j 1 s i

15 Monte Carlo szimuláció Periodikus határfeltételek: int Lx, Ly; // spinek száma x és y irányban... // véletlenszerűen kiválasztjuk az i,j -vel jellemzett spint int iprev = i == 0? Lx-1 : i-1; int inext = i == Lx-1? 0 : i+1; int jprev = j == 0? Ly-1 : j-1; int jnext = j == Ly-1? 0 : j+1; int sumneighbors = s[iprev][j] + s[inext][j] + s[i][jprev] + s[i][jnext];...

Szilárdtestek mágnessége. Mágnesesen rendezett szilárdtestek

Szilárdtestek mágnessége. Mágnesesen rendezett szilárdtestek Szilárdtestek mágnessége Mágnesesen rendezett szilárdtestek 2 Mágneses anyagok Permanens atomi mágneses momentumok: irány A kétféle spin-beállású elektronok betöltöttsége különbözik (spin-polarizáció)

Részletesebben

Molekuláris dinamika. 10. előadás

Molekuláris dinamika. 10. előadás Molekuláris dinamika 10. előadás Mirőlis szól a MD? nagy részecskeszámú rendszerek ismerjük a törvényeket mikroszkópikus szinten? Hogyan tudjuk megérteni a folyadékok, gázok, szilárdtestek makroszkópikus

Részletesebben

3. Jelöljük meg a numerikus gyökkereső módszerekre vonatkozó egyedüli helyes kijelentést:

3. Jelöljük meg a numerikus gyökkereső módszerekre vonatkozó egyedüli helyes kijelentést: INFORMATICĂ PENTRU FIZICIENI 1. Egy mechanikai rendszerre vonatkozó Newtoni-mozgástörvényben megjelenő valamely paraméter nem pontos. Milyen típusú hibát eredményez az említett bizonytalanság az egyenlet

Részletesebben

( Monte-Carlo-módszer)

( Monte-Carlo-módszer) A munkára fogott véletlen ( Monte-Carlo-módszer) Cserti József Eötvös Loránd Tudományegyetem, Komplex Rendszerek Fizikája Tanszék, H-1117 Budapest, Pázmány Péter sétány 1/A. (23. szeptember 7.) A pécsi

Részletesebben

Azonos és egymással nem kölcsönható részecskékből álló kvantumos rendszer makrókanónikus sokaságban.

Azonos és egymással nem kölcsönható részecskékből álló kvantumos rendszer makrókanónikus sokaságban. Kvantum statisztika A kvantummechanika előadások során már megtanultuk, hogy az anyagot felépítő részecskék nemklasszikus, hullámtulajdonságokkal is rendelkeznek aminek következtében viselkedésük sok szempontból

Részletesebben

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

biometria 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

Részletesebben

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,

Részletesebben

Mágneses rend vékonyrétegekben

Mágneses rend vékonyrétegekben Erdélyi Tudományos Diákköri Konferencia 2010 Kolozsvár Mágneses rend vékonyrétegekben Tyukodi Botond Ioan-Augustin Chioar Babeș-Bolyai Tudományegyetem, Fizika kar, 3. év Témavezető: dr. Néda Zoltán egyetemi

Részletesebben

Biostatisztika VIII. Mátyus László. 19 October

Biostatisztika VIII. Mátyus László. 19 October Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.

Részletesebben

Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár. Hegyi Géza. Filozofia és Történelem Kar, Kolozsvár. M.A. Santos, R. Coelho és J.J.

Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár. Hegyi Géza. Filozofia és Történelem Kar, Kolozsvár. M.A. Santos, R. Coelho és J.J. Vagyoneloszlás a társadalmakban - egy fizikus megközelítése Néda Zoltán Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár Hegyi Géza Babeş-Bolyai Tudományegyetem Filozofia és Történelem Kar, Kolozsvár

Részletesebben

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás

Részletesebben

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél

Részletesebben

Georg Cantor (1883) vezette be Henry John Stephen Smith fedezte fel 1875-ben. van struktúrája elemi kis skálákon is önhasonló

Georg Cantor (1883) vezette be Henry John Stephen Smith fedezte fel 1875-ben. van struktúrája elemi kis skálákon is önhasonló láttuk, hogy a Lorenz egyenletek megoldásai egy nagyon bonyolult halmazt alkottak a fázistérben végtelenül komplex felület fraktál: komplex geometriai alakzatok, melyeknek elemi kis skálán is van finomszerkezete

Részletesebben

Kémiai reakciók mechanizmusa számítógépes szimulációval

Kémiai reakciók mechanizmusa számítógépes szimulációval Kémiai reakciók mechanizmusa számítógépes szimulációval Stirling András stirling@chemres.hu Elméleti Kémiai Osztály Budapest Stirling A. (MTA Kémiai Kutatóközpont) Reakciómechanizmus szimulációból 2007.

Részletesebben

6. Előadás. Vereb György, DE OEC BSI, október 12.

6. Előadás. Vereb György, DE OEC BSI, október 12. 6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás

Részletesebben

Alkalmazás a makrókanónikus sokaságra: A fotongáz

Alkalmazás a makrókanónikus sokaságra: A fotongáz Alkalmazás a makrókanónikus sokaságra: A fotongáz A fotonok az elektromágneses sugárzás hordozó részecskéi. Spinkvantumszámuk S=, tehát kvantumstatisztikai szempontból bozonok. Fotonoknak habár a spinkvantumszámuk,

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1 Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában

Részletesebben

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 9. előadás Előadó: Dr. Ertsey Imre Statisztikai hipotézis vizsgálatok elsősorban a biometriában alkalmazzák, újabban reprezentatív jellegű ökonómiai vizsgálatoknál, üzemi szinten élelmiszeripari

Részletesebben

Belső energia, hőmennyiség, munka Hőtan főtételei

Belső energia, hőmennyiség, munka Hőtan főtételei Belső energia, hőmennyiség, munka Hőtan főtételei Ideális gázok részecske-modellje (kinetikus gázmodell) Az ideális gáz apró pontszerű részecskékből áll, amelyek állandó, rendezetlen mozgásban vannak.

Részletesebben

N I. 02 B. Mágneses anyagvizsgálat G ép. 118 2011.11.30. A mérés dátuma: A mérés eszközei: A mérés menetének leírása:

N I. 02 B. Mágneses anyagvizsgálat G ép. 118 2011.11.30. A mérés dátuma: A mérés eszközei: A mérés menetének leírása: N I. 02 B A mérés eszközei: Számítógép Gerjesztésszabályzó toroid transzformátor Minták Mágneses anyagvizsgálat G ép. 118 A mérés menetének leírása: Beindítottuk a számtógépet, Behelyeztük a mintát a ferrotestbe.

Részletesebben

( 1) i 2 i. megbízhatóságú a levont következtetése? A matematikai statisztika eszközeivel értékelje a kapott eredményeket!

( 1) i 2 i. megbízhatóságú a levont következtetése? A matematikai statisztika eszközeivel értékelje a kapott eredményeket! 1. Név:......................... Egy szabályos pénzérmét feldobunk, ha az els½o FEJ az i-edik dobásra jön, akkor a játékos nyereménye ( 1) i i forint. Vizsgálja szimulációval a játékot, különböz½o induló

Részletesebben

Termodinamika (Hőtan)

Termodinamika (Hőtan) Termodinamika (Hőtan) Termodinamika A hőtan nagyszámú részecskéből (pl. gázmolekulából) álló makroszkópikus rendszerekkel foglalkozik. A nagy számok miatt érdemes a mólt bevezetni, ami egy Avogadro-számnyi

Részletesebben

Fizikai kémia Részecskék mágneses térben, ESR spektroszkópia. Részecskék mágneses térben. Részecskék mágneses térben

Fizikai kémia Részecskék mágneses térben, ESR spektroszkópia. Részecskék mágneses térben. Részecskék mágneses térben 06.08.. Fizikai kémia. 3. Részecskék mágneses térben, ESR spektroszkópia Dr. Berkesi Ottó SZTE Fizikai Kémiai és Anyagtudományi Tanszéke 05 Részecskék mágneses térben A részecskék mágneses térben ugyanúgy

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Eloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok

Eloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok Eloszlás-független módszerek (folytatás) 14. elıadás (7-8. lecke) Illeszkedés-vizsgálat 7. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok elemzésére Illeszkedés-vizsgálat Gyakorisági sorok

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Hőtan I. főtétele tesztek

Hőtan I. főtétele tesztek Hőtan I. főtétele tesztek. álassza ki a hamis állítást! a) A termodinamika I. főtétele a belső energia változása, a hőmennyiség és a munka között állaít meg összefüggést. b) A termodinamika I. főtétele

Részletesebben

A kanonikus sokaság. :a hőtartály energiája

A kanonikus sokaság. :a hőtartály energiája A kanonikus sokaság A mikrokanonikus sokaság esetén megtanultuk, hogy a megengedett mikroállapotok egyenértéküek, és a mikróállapotok száma minimális. A mikrókanónikus sokaság azonban nem a leghasznosabb

Részletesebben

Termodinamika. Belső energia

Termodinamika. Belső energia Termodinamika Belső energia Egy rendszer belső energiáját az alkotó részecskék mozgási energiájának és a részecskék közötti kölcsönhatásból származó potenciális energiák teljes összegeként határozhatjuk

Részletesebben

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában

A 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

Részletesebben

egyetemi jegyzet Meskó Balázs

egyetemi jegyzet Meskó Balázs egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.

Részletesebben

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi

Részletesebben

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő

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

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése 4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól

Részletesebben

1. Név:... Neptun Kód:... Feladat: Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt

1. Név:... Neptun Kód:... Feladat: Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt 1. Név:......................... Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt a gyártmányt készítik. Egy gyártmány összeszerelési ideje normális eloszlású valószín½uségi változó

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:

Részletesebben

Sztochasztikus folyamatok alapfogalmak

Sztochasztikus folyamatok alapfogalmak Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos

Részletesebben

Mesterséges Intelligencia I.

Mesterséges Intelligencia I. Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a

Részletesebben

Fermi Dirac statisztika elemei

Fermi Dirac statisztika elemei Fermi Dirac statisztika elemei A Fermi Dirac statisztika alapjai Nagy részecskeszámú rendszerek fizikai jellemzéséhez statisztikai leírást kell alkalmazni. (Pl. gázokra érvényes klasszikus statisztika

Részletesebben

Abszorpciós spektroszkópia

Abszorpciós spektroszkópia Tartalomjegyzék Abszorpciós spektroszkópia (Nyitrai Miklós; 2011 február 1.) Dolgozat: május 3. 18:00-20:00. Egész éves anyag. Korábbi dolgozatok nem számítanak bele. Felmentés 80% felett. A fény; Elektromágneses

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

Molekuláris fluidumok fázisegyensúlyi. viselkedésének tanulmányozása

Molekuláris fluidumok fázisegyensúlyi. viselkedésének tanulmányozása Doktori (Ph.D.) értekezés tézisei Molekuláris fluidumok fázisegyensúlyi viselkedésének tanulmányozása Boda Dezső Veszprémi Egyetem Fizikai Kémia Tanszék Veszprém 1996 Bevezetés A statisztikus termodinamika

Részletesebben

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra

Részletesebben

Navigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel

Navigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal

Részletesebben

3. (b) Kereszthatások. Utolsó módosítás: április 1. Dr. Márkus Ferenc BME Fizika Tanszék

3. (b) Kereszthatások. Utolsó módosítás: április 1. Dr. Márkus Ferenc BME Fizika Tanszék 3. (b) Kereszthatások Utolsó módosítás: 2013. április 1. Vezetési együtthatók fémekben (1) 1 Az elektrongáz hővezetési együtthatója A levezetésben alkalmazott feltételek: 1. Minden elektron ugyanazzal

Részletesebben

Biometria gyakorló feladatok BsC hallgatók számára

Biometria gyakorló feladatok BsC hallgatók számára Biometria gyakorló feladatok BsC hallgatók számára 1. Egy üzem alkalmazottainak megoszlása az elért teljesítmény %-a szerint a következı: Norma teljesítmény % Dolgozók száma 60-80 30 81-90 70 91-100 90

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek

Többváltozós lineáris regressziós modell feltételeinek Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p

Részletesebben

Véletlen szám generálás

Véletlen szám generálás 2. elıadás Véletlen szám generálás LCG: (0 < m, 0

Részletesebben

Megerősítéses tanulás 7. előadás

Megerősítéses tanulás 7. előadás Megerősítéses tanulás 7. előadás 1 Ismétlés: TD becslés s t -ben stratégia szerint lépek! a t, r t, s t+1 TD becslés: tulajdonképpen ezt mintavételezzük: 2 Akcióértékelő függvény számolása TD-vel még mindig

Részletesebben

9. évfolyam. Osztályozóvizsga tananyaga FIZIKA

9. évfolyam. Osztályozóvizsga tananyaga FIZIKA 9. évfolyam Osztályozóvizsga tananyaga A testek mozgása 1. Egyenes vonalú egyenletes mozgás 2. Változó mozgás: gyorsulás fogalma, szabadon eső test mozgása 3. Bolygók mozgása: Kepler törvények A Newtoni

Részletesebben

Dinamika Boole-ha lo zatokon

Dinamika Boole-ha lo zatokon Komplex Rendszerek Szim. Mo dsz. Labor Dinamika Boole-ha lo zatokon Nagy Da vid Gergely Fizika MSc. III. beadando Fizikai Inte zet Eo tvo s Lora nd Tudoma nyegyetem Budapest 2013 1. Egyszerű Boole-hálózatok

Részletesebben

Biomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Biomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 15. Nemparaméteres próbák Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date: November

Részletesebben

Biostatisztika Összefoglalás

Biostatisztika Összefoglalás Biostatisztika Összefoglalás A biostatisztika vizsga A biostatisztika vizsga az Orvosi fizika és statisztika I. fizika vizsgájával egy napon történik. A vizsga keretében 30 perc alatt 0 kérdésre kell válaszolni

Részletesebben

Az α értékének változtatásakor tanulmányozzuk az y-x görbe alakját. 2 ahol K=10

Az α értékének változtatásakor tanulmányozzuk az y-x görbe alakját. 2 ahol K=10 9.4. Táblázatkezelés.. Folyadék gőz egyensúly kétkomponensű rendszerben Az illékonyabb komponens koncentrációja (móltörtje) nagyobb a gőzfázisban, mint a folyadékfázisban. Móltört a folyadékfázisban x;

Részletesebben

AliROOT szimulációk GPU alapokon

AliROOT szimulációk GPU alapokon AliROOT szimulációk GPU alapokon Nagy Máté Ferenc & Barnaföldi Gergely Gábor Wigner FK ALICE Bp csoport OTKA: PD73596 és NK77816 TARTALOM 1. Az ALICE csoport és a GRID hálózat 2. Szimulációk és az AliROOT

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

Elektrosztatikus számítások. Elektrosztatikus számítások. Elektrosztatikus számítások. Elektrosztatikus számítások Definíciók

Elektrosztatikus számítások. Elektrosztatikus számítások. Elektrosztatikus számítások. Elektrosztatikus számítások Definíciók Jelentősége szubsztrát kötődés szolvatáció ionizációs állapotok (pka) mechanizmus katalízis ioncsatornák szimulációk (szerkezet) all-atom dipolar fluid dipolar lattice continuum Definíciók töltéseloszlás

Részletesebben

Szerzők: Előzmények: OTKA-6875: MÁGNESES FÁZISÁTALAKULÁS A FÖLDKÉREGBEN ÉS GEOFIZIKAI KÖVETKEZMÉNYEI

Szerzők: Előzmények: OTKA-6875: MÁGNESES FÁZISÁTALAKULÁS A FÖLDKÉREGBEN ÉS GEOFIZIKAI KÖVETKEZMÉNYEI Szerzők: 1. Szarka László, MTA, Geodéziai és Geofizikai Kutató Intézet, Sopron 2. Kiss János, Magyar Állami Eötvös Loránd Geofizikai Intézet, Budapest 3. Prácser Ernő, Magyar Állami Eötvös Loránd Geofizikai

Részletesebben

Mágneses szuszceptibilitás mérése

Mágneses szuszceptibilitás mérése Mágneses szuszceptibilitás mérése (Mérési jegyzőkönyv) Hagymási Imre 2006. március 12. (hétfő délelőtti csoport) 1. A mérés elmélete Az anyagok külső mágneses tér hatására polarizálódnak. Általában az

Részletesebben

Gyakorló 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 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,

Részletesebben

A valószínűségszámítás elemei

A valószínűségszámítás elemei Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet

Részletesebben

Khi-négyzet eloszlás. Statisztika II., 3. alkalom

Khi-négyzet eloszlás. Statisztika II., 3. alkalom Khi-négyzet eloszlás Statisztika II., 3. alkalom A khi négyzet eloszlást (Pearson) leggyakrabban kategorikus adatok elemzésére használjuk. N darab standard normális eloszlású változó négyzetes összegeként

Részletesebben

A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.

A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat. Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ

Részletesebben

Mágneses szuszceptibilitás mérése

Mágneses szuszceptibilitás mérése KLASSZIKUS FIZIKA LABORATÓRIUM 7. MÉRÉS Mágneses szuszceptibilitás mérése Mérést végezte: Enyingi Vera Atala ENVSAAT.ELTE Mérés időpontja: 2011. október 5. Szerda délelőtti csoport 1. A mérés célja Az

Részletesebben

ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN!

ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN! A1 A2 A3 (8) A4 (12) A (40) B1 B2 B3 (15) B4 (11) B5 (14) Bónusz (100+10) Jegy NÉV (nyomtatott nagybetűvel) CSOPORT: ALÁÍRÁS: ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN! 2011. december 29. Általános tudnivalók:

Részletesebben

Asszociációs szabályok

Asszociációs szabályok Asszociációs szabályok Nikházy László Nagy adathalmazok kezelése 2010. március 10. Mi az értelme? A ö asszociációs szabály azt állítja, hogy azon vásárlói kosarak, amik tartalmaznak pelenkát, általában

Részletesebben

Biomatematika 13. Varianciaanaĺızis (ANOVA)

Biomatematika 13. Varianciaanaĺızis (ANOVA) Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:

Részletesebben

Gyakorló feladatok a 2. dolgozathoz

Gyakorló feladatok a 2. dolgozathoz Gyakorló feladatok a. dolgozathoz. Tíz darab tízforintost feldobunk. Mennyi annak a valószínűsége hogy vagy mindegyiken írást vagy mindegyiken fejet kapunk? 9. Egy kör alakú asztal mellett tízen ebédelnek:

Részletesebben

Loss Distribution Approach

Loss Distribution Approach Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói

Részletesebben

Digitális tananyag a fizika tanításához

Digitális tananyag a fizika tanításához Digitális tananyag a izika tanításához Gázok állaotjelzői Adott mennyiségű gáz állaotjelzői: Nyomás: []=Pa=N/m Térogat []=m 3 Hőmérséklet [T]=K; A gázok állaotát megadó egyéb mennyiségek: tömeg: [m]=g

Részletesebben

[Biomatematika 2] Orvosi biometria

[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 =

Részletesebben

Dimenzióváltás becsapódásos fragmentációban

Dimenzióváltás becsapódásos fragmentációban Dimenzióváltás becsapódásos fragmentációban Pál Gergő Témavezető: Dr. Kun Ferenc Debreceni Egyetem Döffi 2013, Balatonfenyves Heterogén anyagok fragmentációja Próbatest töredezési folyamata - nagy mennyiségű

Részletesebben

Diszkrét idejű felújítási paradoxon

Diszkrét idejű felújítási paradoxon Magda Gábor Szaller Dávid Tóvári Endre 2009. 11. 18. X 1, X 2,... független és X-szel azonos eloszlású, pozitív egész értékeket felvevő valószínűségi változó (felújítási idők) P(X M) = 1 valamilyen M N

Részletesebben

Fázisátalakulások vizsgálata

Fázisátalakulások vizsgálata Klasszikus Fizika Laboratórium VI.mérés Fázisátalakulások vizsgálata Mérést végezte: Vanó Lilla VALTAAT.ELTE Mérés időpontja: 2012.10.18.. 1. Mérés leírása A mérés során egy adott minta viselkedését vizsgáljuk

Részletesebben

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége [GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell

Részletesebben

A TANTÁRGY ADATLAPJA

A TANTÁRGY ADATLAPJA A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény BABEŞ-BOLYAI TUDOMÁNYEGYETEM 1.2 Kar FIZIKA 1.3 Intézet A MAGYAR TAGOZAT FIZIKA INTÉZETE 1.4 Szakterület FIZIKA 1.5 Képzési

Részletesebben

Véletlen gráfok szerkesztésekor n csomópontból indulunk ki. p valószínűséggel két csomópontot éllel kötünk össze.

Véletlen gráfok szerkesztésekor n csomópontból indulunk ki. p valószínűséggel két csomópontot éllel kötünk össze. 9. előadás P(k) k Véletlen gráfok szerkesztésekor n csomópontból ndulunk k. p valószínűséggel két csomópontot éllel kötünk össze. A fokszámok Posson eloszlásúak P( k) = e pn ( pn) k! k http://www.ct.nfn.t/cactus/applets/gant%20component.html

Részletesebben

Kabos: Statisztika II. ROC elemzések 10.1. Szenzitivitás és specificitás a jelfeldolgozás. és ilyenkor riaszt. Máskor nem.

Kabos: Statisztika II. ROC elemzések 10.1. Szenzitivitás és specificitás a jelfeldolgozás. és ilyenkor riaszt. Máskor nem. Kabos: Statisztika II. ROC elemzések 10.1 ROC elemzések Szenzitivitás és specificitás a jelfeldolgozás szóhasználatával A riasztóberendezés érzékeli, ha támadás jön, és ilyenkor riaszt. Máskor nem. TruePositiveAlarm:

Részletesebben

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.

Részletesebben

2. Laboratóriumi gyakorlat A TERMISZTOR. 1. A gyakorlat célja. 2. Elméleti bevezető

2. Laboratóriumi gyakorlat A TERMISZTOR. 1. A gyakorlat célja. 2. Elméleti bevezető . Laboratóriumi gyakorlat A EMISZO. A gyakorlat célja A termisztorok működésének bemutatása, valamint főbb paramétereik meghatározása. Az ellenállás-hőmérséklet = f és feszültség-áram U = f ( I ) jelleggörbék

Részletesebben

Készítette: Fegyverneki Sándor

Készítette: Fegyverneki Sándor VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y

Részletesebben

Összefoglalás és gyakorlás

Összefoglalás és gyakorlás Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)

Részletesebben

MATEMATIKA HETI 5 ÓRA. IDŐPONT: 2010. Június 4.

MATEMATIKA HETI 5 ÓRA. IDŐPONT: 2010. Június 4. EURÓPAI ÉRETTSÉGI 2010 MATEMATIKA HETI 5 ÓRA IDŐPONT: 2010. Június 4. A VIZSGA IDŐTARTAMA: 4 óra (240 perc) ENGEDÉLYEZETT SEGÉDESZKÖZÖK : Európai képletgyűjtemény Nem programozható, nem grafikus kalkulátor

Részletesebben

Kvantumszimulátorok. Szirmai Gergely MTA SZFKI. Graphics: Harald Ritsch / Rainer Blatt, IQOQI

Kvantumszimulátorok. Szirmai Gergely MTA SZFKI. Graphics: Harald Ritsch / Rainer Blatt, IQOQI Kvantumszimulátorok Szirmai Gergely MTA SZFKI Graphics: Harald Ritsch / Rainer Blatt, IQOQI A kvantummechanika körülvesz tranzisztor számítógép, mobiltelefon A kvantummechanika körülvesz tranzisztor számítógép,

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,

Részletesebben

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható folytonos idejű Markovláncok  segítségével. E.4 Markov-láncok Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével. Egy Markov-láncot (MC) meghatároznak az alapját adó sorbanállási hálózat állapotai és az ezek

Részletesebben

TestLine - Fizika 7. osztály Hőtan Témazáró Minta feladatsor

TestLine - Fizika 7. osztály Hőtan Témazáró Minta feladatsor Nézd meg a képet és jelöld az 1. igaz állításokat! 1:56 Könnyű F sak a sárga golyó fejt ki erőhatást a fehérre. Mechanikai kölcsönhatás jön létre a golyók között. Mindkét golyó mozgásállapota változik.

Részletesebben

TestLine - Fizika 7. osztály Hőtan Témazáró Minta feladatsor

TestLine - Fizika 7. osztály Hőtan Témazáró Minta feladatsor gázok hőtágulása függ: 1. 1:55 Normál de független az anyagi minőségtől. Függ az anyagi minőségtől. a kezdeti térfogattól, a hőmérséklet-változástól, Mlyik állítás az igaz? 2. 2:31 Normál Hőáramláskor

Részletesebben

TARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23

TARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23 TARTALOMJEGYZÉK 1. téma Átlagbecslés (Barna Katalin).... 7 2. téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23 3. téma Összefüggések vizsgálata, korrelációanalízis (Dr. Molnár Tamás)... 73 4. téma Összefüggések

Részletesebben

Adatgyőjtés, mérési alapok, a környezetgazdálkodás fontosabb mőszerei

Adatgyőjtés, mérési alapok, a környezetgazdálkodás fontosabb mőszerei GazdálkodásimodulGazdaságtudományismeretekI.Közgazdaságtan KÖRNYEZETGAZDÁLKODÁSIMÉRNÖKIMScTERMÉSZETVÉDELMIMÉRNÖKIMSc Tudományos kutatásmódszertani, elemzési és közlési ismeretek modul Adatgyőjtés, mérési

Részletesebben

Mágneses tér anyag kölcsönhatás leírása

Mágneses tér anyag kölcsönhatás leírása Anyagszerkezettan és anyagvizsgálat 2014/15 Mágneses anyagok Dr. Szabó Péter János szpj@eik.bme.hu Mágneses tér anyag kölcsönhatás leírása B H B H H M ) 0 1 M H V 1 r r 0 ( 1 Pi P V H : az anyagra ható

Részletesebben

Geometriai valo szí nű se g

Geometriai valo szí nű se g Geometriai valo szí nű se g Szűk elméleti áttekintő Klasszikus valószínűség: Geometriai valószínűség: - 1 dimenzióban: - dimenzióban: - + dimenzióban: jó esetek összes eset jó szakaszok teljes szakasz

Részletesebben

Az entrópia statisztikus értelmezése

Az entrópia statisztikus értelmezése Az entrópa statsztkus értelmezése A tapasztalat azt mutatja hogy annak ellenére hogy egy gáz molekulá egyed mozgást végeznek vselkedésükben mégs szabályszerűségek vannak. Statsztka jellegű vselkedés szabályok

Részletesebben

Fizika II. segédlet táv és levelező

Fizika II. segédlet táv és levelező Fizika II. segédlet táv és levelező Horváth Árpád 2012. június 9. A 284/6. alakú feladatsorszámok a Lökös Mayer Sebestyén Tóthné féle Kandós Fizika példatárra, a 38C-28 típusúak a Hudson Nelson: Útban

Részletesebben

MŰSZAKI TUDOMÁNY AZ ÉSZAK-ALFÖLDI RÉGIÓBAN 2010

MŰSZAKI TUDOMÁNY AZ ÉSZAK-ALFÖLDI RÉGIÓBAN 2010 MŰSZAKI TUDOMÁNY AZ ÉSZAK-ALFÖLDI RÉGIÓBAN 2010 KONFERENCIA ELŐADÁSAI Nyíregyháza, 2010. május 19. Szerkesztette: Edited by Pokorádi László Kiadja: Debreceni Akadémiai Bizottság Műszaki Szakbizottsága

Részletesebben