E x μ x μ K I. és 1. osztály. pontokként), valamint a bayesi döntést megvalósító szeparáló görbét (kék egyenes)

Save this PDF as:
 WORD  PNG  TXT  JPG

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "E x μ x μ K I. és 1. osztály. pontokként), valamint a bayesi döntést megvalósító szeparáló görbét (kék egyenes)"

Átírás

1 6-7 ősz. gyakorlat Feladatok.) Adjon meg azt a perceptronon implementált Bayes-i klasszifikátort, amely kétdimenziós a bemeneti tér felett szeparálja a Gauss eloszlású mintákat! Rajzolja le a bemeneti tér felett a dönti egyenest! A két osztály mintáinak várhatóértéke kovariancia mátrixa a következő: osztály: x s X T E x μ x μ K I T osztály: x s X w K ss b / s K s s K s T T E x μ x μ K I A következő ábrán a osztály db realizációit láthatjuk (kék piros pontokként), valamint a bayesi döntt megvalósító szeparáló görbét (kék egyenes) A következő ábrákon a két osztály sűrűségfüggvénye van ábrázolva felületként illetve bizonyos szintek szintvonalként. Látható hogy a bayesi dönt görbéje az, ahol a két felület metszi egymást. /5

2 6-7 ősz. gyakorlat Azonban a dönti görbe akkor lesz csak egy hipersík (D-ben egyenes), ha a két véletlen folyamat kovariancia mátrixa megegyezik. Ellenpélda, ha K..,.. K.) Egy perceptronon a Bayes-i klasszifikátort implementálták, amely kétdimenziós bemeneti tér felett szeparálja a Gauss eloszlású mintákat. A két osztály mintáinak várhatóértéke kovariancia mátrixa a következő: osztály: x μ T.5 x μ x μ.5 osztály: x μ T.5 x μ x μ.5 Adja meg a perceptron súlyait! Rajzolja le a bemeneti tér felett a dönti egyenest! /5

3 6-7 ősz. gyakorlat.) Adott egy perceptron a w kezdeti súlyokkal, valamint egy tanító halmaz: w T,,,,,, a) Tanítsa a perceptront a tanítóhalmaz elemeire a w(5) lépig ( alábbi táblázatot! k x(k) d(k) y(k) e(k)=d(k)-y(k) w(k-) w(k) 5. )! Töltse ki az b) Rajzolja le a w() w(5) súlyokkal meghatározott szeparációs egyeneseket a tanítandó mintákat ábrázoló pontokat egy ábrába! c) Az 5. lépre a hálózat megtanulja-e helyesen szeparálni a tanítóhalmaz elemeit? Indokolja állítását!.) Egy perceptron hálózat a bal oldali ábrán látható dönti tartománnyal adott vezérli feladatot látja el. a) Rajzolja fel a hálózatot. adja meg a perceptronok súlyait, amikor a vezérli feladat dönti határa (a bal oldali ábrán a háromszög) ismert! b) Ha csak a minták (körök négyszögek) ismertek, akkor hogyan lehet az előző feladatban leírt struktúrájú kétrétegű hálózatot Rosenblatt algoritmussal tanítani? Adja meg a W() súlyokat, ha a második ábrán pirossal jelölt minta a tanulóhalmaz első eleme (a tanulási ráta ), a hálózat inicializált W() állapotát a második ábra írja le. c) Rajzolja le a dönti tartományt a tanulás első lépe után! (A dönti tartományt a W() súlyokkal meghatározott hálózat esetén) Jól dönt-e a hálózat a tanulás első lépe után a tanulóhalmaz első elemére? /5

4 6-7 ősz. gyakorlat.5) Az alábbi ábra alapján adott egy perceptron hálózat egy klasszifikációs feladat. Az inicializált súlyok: W w w w w w w Perceptron (Rosenblatt) tanítással tanítsa meg a hálózatot helyes szeparációra ( )!.6) Egy gépjármű klasszifikációs feladathoz a szakértők a tömeg hosszúság alapján néhány típust besoroltak az alábbi táblázat szerint: Tömeg Hosszúság Kategória 6 teherautó 5 teherautó 5 kisteherautó 5 kisteherautó 6 teherautó 7 teherautó 5 8 teherautó 5 9 teherautó a) Adja meg (súlyokkal együtt) azt a legegyszerűbb neurális hálózatot, ami megoldja ezt a klasszifikációs feladatot! Rajzolja le a bemeneti teret a dönti tartományokat! b) A fenti táblázat alapján tanítsa a hálózatot Rosenblatt tanulással három iterációra, ha a neurális hálózat kezdeti súlyainak mindegyike értékű! (Megjegyz: az eredményt a lenti táblázathoz hasonló formában adja meg!) k x(k) d(k) y(k) e(k)=d(k)-y(k) w(k-) w(k) c) A harmadik iteráció után helyesen szeparál a hálózat az összes mintára? d) Milyen neurális hálózat alapú megoldásokat javasolna abban az esetben, ha a szakértők bevezetnék a kamion kategóriát a táblázat 7. sorában lévő típus esetén? /5

5 6-7 ősz. gyakorlat.7) Magyarország bruttó hazai termékének volumenindexe a KSH adatai alapján az alábbiak: Egy perceptron alkalmazásával szeretnénk a változás előjelét predikálni ( sgn( GDPk ) esetén emelkedik, sgn( GDPk ) esetén csökken) a korábbi két év volumenindexe ( ) alapján. GDP k GDP k a) Adja meg a tanulóhalmaz elemeit! b) Tanítsa a peceptront Rosenblatt tanulással három iterációra, ha a neurális hálózat kezdeti súlyainak mindegyike értékű! (Megjegyz: az eredményt a lenti táblázatban adja meg!) K k x(k) d(k) y(k) e(k)=d(k)-y(k) w(k-) w(k) c) A tanulóhalmaz alapján a tanulás véges lépben megáll? (Segítség: a bemeneti térben ábrázolva a tanulóhalmaz elemeit választ kapunk a kérdre.) 5/5

II. LABOR Tanulás, Perceptron, Adaline

II. LABOR Tanulás, Perceptron, Adaline II. LABOR Tanulás, Perceptron, Adaline A dolgozat célja a tanító algoritmusok osztályozása, a tanító és tesztel halmaz szerepe a neuronhálók tanításában, a Perceptron és ADALINE feldolgozó elemek struktúrája,

Részletesebben

NEURÁLIS HÁLÓZATOK 1. eloadás 1

NEURÁLIS HÁLÓZATOK 1. eloadás 1 NEURÁLIS HÁLÓZATOKH 1. eloadás 1 Biológiai elozmények nyek: az agy Az agy az idegrendszerunk egyik legfontosabb része: - képes adatokat tárolni, - gyorsan és hatékonyan mukodik, - nagy a megbízhatósága,

Részletesebben

Gépi tanulás a Rapidminer programmal. Stubendek Attila

Gépi tanulás a Rapidminer programmal. Stubendek Attila Gépi tanulás a Rapidminer programmal Stubendek Attila Rapidminer letöltése Google: download rapidminer Rendszer kiválasztása (iskolai gépeken Other Systems java) Kicsomagolás lib/rapidminer.jar elindítása

Részletesebben

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I.

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I. : Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3

Részletesebben

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses

Részletesebben

Gépi tanulás a gyakorlatban. Bevezetés

Gépi tanulás a gyakorlatban. Bevezetés Gépi tanulás a gyakorlatban Bevezetés Motiváció Nagyon gyakran találkozunk gépi tanuló alkalmazásokkal Spam detekció Karakter felismerés Fotó címkézés Szociális háló elemzés Piaci szegmentáció analízis

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 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,

Részletesebben

A tér lineáris leképezései síkra

A tér lineáris leképezései síkra A tér lineáris leképezései síkra Az ábrázoló geometria célja: A háromdimenziós térben elhelyezkedő alakzatok helyzeti és metrikus viszonyainak egyértelmű és egyértelműen rekonstruálható módon történő ábrázolása

Részletesebben

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31. Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert

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

Neurális hálózatok bemutató

Neurális hálózatok bemutató Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:

Részletesebben

Bevezetés a neurális számításokba Analóg processzortömbök,

Bevezetés a neurális számításokba Analóg processzortömbök, Pannon Egyetem Villamosmérnöki és Információs Tanszék Bevezetés a neurális számításokba Analóg processzortömbök, neurális hálózatok Előadó: dr. Tömördi Katalin Neurális áramkörök (ismétlés) A neurális

Részletesebben

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek megoldásához!

Részletesebben

A bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos:

A bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos: A. Matematikai Statisztika 2.MINTA ZH. 2003 december Név (olvasható) :... A feladatmegoldásnak az alkalmazott matematikai modell valószínűségszámítási ill. statisztikai szóhasználat szerinti megfogalmazását,

Részletesebben

A Markowitz modell: kvadratikus programozás

A Markowitz modell: kvadratikus programozás A Markowitz modell: kvadratikus programozás Losonczi László Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar Debrecen, 2011/12 tanév, II. félév Losonczi László (DE) A Markowitz modell 2011/12 tanév,

Részletesebben

Mesterséges Intelligencia II. kötelező feladat (3. forduló) - Ajánló rendszer 2.

Mesterséges Intelligencia II. kötelező feladat (3. forduló) - Ajánló rendszer 2. Mesterséges Intelligencia II. kötelező feladat (3. forduló) - Ajánló rendszer 2. 1. Feladat kiírása A második forduló feladata hasonlóan az előző fordulóhoz egy ajánló rendszer modelljének elkészítése.

Részletesebben

függvény grafikonja milyen transzformációkkal származtatható az f0 : R R, f0(

függvény grafikonja milyen transzformációkkal származtatható az f0 : R R, f0( FÜGGVÉNYEK 1. (008. okt., 14. fel, 5+7 pont) Fogalmazza meg, hogy az f : R R, f ( x) x 1 függvény grafikonja milyen transzformációkkal származtatható az f0 : R R, f0( x) x függvény grafikonjából! Ábrázolja

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

Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok

Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok Zrínyi Miklós Gimnázium Művészet és tudomány napja Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok 10/9/2009 Dr. Viharos Zsolt János Elsősorban volt Zrínyis diák Tudományos főmunkatárs

Részletesebben

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,

Részletesebben

Folyadékszcintillációs spektroszkópia jegyz könyv

Folyadékszcintillációs spektroszkópia jegyz könyv Folyadékszcintillációs spektroszkópia jegyz könyv Zsigmond Anna Julia Fizika MSc I. Mérés vezet je: Horváth Ákos Mérés dátuma: 2010. október 21. Leadás dátuma: 2010. november 8. 1 1. Bevezetés A mérés

Részletesebben

Matematikai geodéziai számítások 10.

Matematikai 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

Részletesebben

A szimplex algoritmus

A szimplex algoritmus A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás

Részletesebben

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek

Részletesebben

I. LABOR -Mesterséges neuron

I. LABOR -Mesterséges neuron I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,

Részletesebben

KOVÁCS BÉLA, MATEMATIKA I.

KOVÁCS BÉLA, MATEMATIKA I. KOVÁCS BÉLA, MATEmATIkA I 16 XVI A DIFFERENCIÁLSZÁmÍTÁS ALkALmAZÁSAI 1 Érintő ÉS NORmÁLIS EGYENES, L HOSPITAL-SZAbÁLY Az görbe abszcisszájú pontjához tartozó érintőjének egyenlete (1), normálisának egyenlete

Részletesebben

Intelligens Rendszerek Elmélete

Intelligens Rendszerek Elmélete Intelligens Rendszerek Elmélete Dr. Kutor László : Mesterséges neurális hálózatok felügyelt tanítása hiba visszateresztő Back error Propagation algoritmussal Versengéses tanulás http://mobil.nik.bmf.hu/tantargyak/ire.html

Részletesebben

Osztályozóvizsga követelményei

Osztályozóvizsga követelményei Osztályozóvizsga követelményei Képzés típusa: Tantárgy: Nyolcosztályos gimnázium Matematika Évfolyam: 7 Emelt óraszámú csoport Emelt szintű csoport Vizsga típusa: Írásbeli Követelmények, témakörök: Gondolkodási

Részletesebben

Arany Dániel Matematikai Tanulóverseny 2008/2009-es tanév első (iskolai) forduló haladók II. kategória

Arany Dániel Matematikai Tanulóverseny 2008/2009-es tanév első (iskolai) forduló haladók II. kategória Bolyai János Matematikai Társulat Oktatási és Kulturális Minisztérium Támogatáskezelő Igazgatósága támogatásával Arany Dániel Matematikai Tanulóverseny 00/009-es tanév első (iskolai) forduló haladók II.

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

A maximum likelihood becslésről

A maximum likelihood becslésről A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának

Részletesebben

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek

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

E-tananyag Matematika 9. évfolyam 2014. Függvények

E-tananyag Matematika 9. évfolyam 2014. Függvények Függvények Függvények értelmezése Legyen adott az A és B két nem üres halmaz. Az A halmaz minden egyes eleméhez rendeljük hozzá a B halmaz egy-egy elemét. Ez a hozzárendelés egyértelmű, és ezt a hozzárendelést

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

Érettségi feladatok: Függvények 1/9

Érettségi feladatok: Függvények 1/9 Érettségi feladatok: Függvények 1/9 2003. Próba 1. Állapítsa meg a valós számok halmazán értelmezett x x 2-2x - 8 függvény zérushelyeit! 2004. Próba 3. Határozza meg a valós számok halmazán értelmezett

Részletesebben

Gyártórendszerek irányítási struktúrái

Gyártórendszerek irányítási struktúrái GyRDin-10 p. 1/2 Gyártórendszerek Dinamikája Gyártórendszerek irányítási struktúrái Hangos Katalin Villamosmérnöki és Információs Rendszerek Tanszék e-mail: hangos@scl.sztaki.hu GyRDin-10 p. 2/2 Tartalom

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

1. tétel. 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója 7 cm. Mekkora a háromszög átfogója? (4 pont)

1. tétel. 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója 7 cm. Mekkora a háromszög átfogója? (4 pont) 1. tétel 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója cm. Mekkora a háromszög átfogója? (4 pont). Adott az ábrán két vektor. Rajzolja meg a b, a b és az a b vektorokat! (6 pont)

Részletesebben

Útjelzések, akadályok felismerése valós időben

Útjelzések, akadályok felismerése valós időben Útjelzések, akadályok felismerése valós időben Dr. Hidvégi Timót Széchenyi István Egyetem Győr, 9026, Egyetem tér 1. hidvegi@sze.hu 1. Bevezető Sajnos a közúton a balesetek egy része abból adódik, hogy

Részletesebben

Modern Fizika Labor. A mérés száma és címe: A mérés dátuma: Értékelés: Infravörös spektroszkópia. A beadás dátuma: A mérést végezte:

Modern Fizika Labor. A mérés száma és címe: A mérés dátuma: Értékelés: Infravörös spektroszkópia. A beadás dátuma: A mérést végezte: Modern Fizika Labor A mérés dátuma: 2005.10.26. A mérés száma és címe: 12. Infravörös spektroszkópia Értékelés: A beadás dátuma: 2005.11.09. A mérést végezte: Orosz Katalin Tóth Bence 1 A mérés során egy

Részletesebben

Feladatok MATEMATIKÁBÓL

Feladatok MATEMATIKÁBÓL Feladatok MATEMATIKÁBÓL a 12. évfolyam számára III. 1. Számítsuk ki a következő hatványok értékét! 2. Írjuk fel gyökjelekkel a következő hatványokat! 3. Az ötnek hányadik hatványa a következő kifejezés?

Részletesebben

MATEMATIKA a 8. évfolyamosok számára. Mat2 JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ

MATEMATIKA a 8. évfolyamosok számára. Mat2 JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ 8. évfolyam Mat2 Javítási-értékelési útmutató MTEMTI a 8. évfolyamosok számára Mat2 JVÍTÁSI-ÉRTÉELÉSI ÚTMUTTÓ javítókulcsban feltüntetett válaszokra a megadott pontszámok adhatók. pontszámok részekre bontása

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

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intellgenca MI Egyszerű döntés. Tanuljuk meg! Dobroweck Tadeusz Eredcs Péter, és mások BME I.E. 437, 463-28-99 dobroweck@mt.bme.hu, http://www.mt.bme.hu/general/staff/tade Neuron doktrna: S.

Részletesebben

Gépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés

Gépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket? Precízebben: Tegyük

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

Tartalomjegyzék. Tartalomjegyzék Valós változós valós értékű függvények... 2

Tartalomjegyzék. Tartalomjegyzék Valós változós valós értékű függvények... 2 Tartalomjegyzék Tartalomjegyzék... Valós változós valós értékű függvények... Hatványfüggvények:... Páratlan gyökfüggvények:... Páros gyökfüggvények... Törtkitevős függvények (gyökfüggvények hatványai)...

Részletesebben

Mikroökonómia előadás. Dr. Kertész Krisztián Fogadóóra: minden szerdán között Helyszín: 311-es szoba

Mikroökonómia előadás. Dr. Kertész Krisztián   Fogadóóra: minden szerdán között Helyszín: 311-es szoba Mikroökonómia előadás Dr. Kertész Krisztián e-mail: k.krisztian@efp.hu Fogadóóra: minden szerdán 10.15 11.45. között Helyszín: 311-es szoba Irodalom Tankönyv: Jack Hirshleifer Amihai Glazer David Hirshleifer:

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

Fraktálok. Löwy Dániel Hints Miklós

Fraktálok. Löwy Dániel Hints Miklós alkalmazott erjedéses folyamat sajátságait. Továbbá nemcsak az alkoholnak az emberi szervezetre gyakorolt hatását tudjuk megfigyelni (például a szomszéd dülöngélését és kurjongatását), hanem az alkoholnak

Részletesebben

Neurális hálózatok MATLAB programcsomagban

Neurális hálózatok MATLAB programcsomagban Debreceni Egyetem Informatikai Kar Neurális hálózatok MATLAB programcsomagban Témavezető: Dr. Fazekas István Egyetemi tanár Készítette: Horváth József Programtervező informatikus Debrecen 2011 1 Tartalomjegyzék

Részletesebben

Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás

Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás http:/uni-obuda.hu/users/kutor/ IRE 7/50/1 A neurális hálózatok általános jellemzői 1. A

Részletesebben

KOMPETENCIA ALAPÚ LEVELEZŐ MATEMATIKA VERSENY

KOMPETENCIA ALAPÚ LEVELEZŐ MATEMATIKA VERSENY Név:.Iskola: KOMPETENCIA ALAPÚ LEVELEZŐ MATEMATIKA VERSENY 2012. november 12. 9. évfolyam I. forduló Pótlapok száma db Matematika 9. évfolyam 1. forduló 1. Írja be a megrajzolt halmazábrába az A és B halmazok

Részletesebben

13. Oldja meg a valós számpárok halmazán a következ egyenletrendszert!

13. Oldja meg a valós számpárok halmazán a következ egyenletrendszert! A 13. Oldja meg a valós számpárok halmazán a következ egyenletrendszert! x y 600 x 10 y 5 600 12 pont írásbeli vizsga, II. összetev 4 / 20 2008. október 21. 14. a) Fogalmazza meg, hogy az f : R R, f x

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

1. Kombinációs hálózatok mérési gyakorlatai

1. Kombinációs hálózatok mérési gyakorlatai 1. Kombinációs hálózatok mérési gyakorlatai 1.1 Logikai alapkapuk vizsgálata A XILINX ISE DESIGN SUITE 14.7 WebPack fejlesztőrendszer segítségével és töltse be a rendelkezésére álló SPARTAN 3E FPGA ba:

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

KÖZGAZDASÁGI- MARKETING ALAPISMERETEK

KÖZGAZDASÁGI- MARKETING ALAPISMERETEK ÉRETTSÉGI VIZSGA 2007. október 24. KÖZGAZDASÁGI- MARKETING ALAPISMERETEK KÖZÉPSZINTŰ ÍRÁSBELI VIZSGA 2007. október 24. 14:00 Az írásbeli vizsga időtartama: 180 perc Pótlapok száma Tisztázati Piszkozati

Részletesebben

Nevezetes függvények

Nevezetes függvények Nevezetes függvények Függvények értelmezése Legyen adott az A és B két nem üres halmaz. Az A halmaz minden egyes eleméhez rendeljük hozzá a B halmaz egy-egy elemét. Ez a hozzárendelés egyértelmű, és ezt

Részletesebben

44. ORSZÁGOS TIT KALMÁR LÁSZLÓ MATEMATIKAVERSENY. Megyei forduló április 11.

44. ORSZÁGOS TIT KALMÁR LÁSZLÓ MATEMATIKAVERSENY. Megyei forduló április 11. 44. ORSZÁGOS TIT KALMÁR LÁSZLÓ MATEMATIKAVERSENY Megyei forduló - 2015. április 11. HETEDIK OSZTÁLY - Javítási útmutató 1. Ki lehet-e tölteni a következő táblázat mezőit pozitív egész számokkal úgy, hogy

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

Random Forests - Véletlen erdők

Random Forests - Véletlen erdők Random Forests - Véletlen erdők Szabó Adrienn Adatbányászat és Webes Keresés Kutatócsoport 2010 Tartalom Fő forrás: Leo Breiman: Random Forests Machine Learning, 45, 5-32, 2001 Alapok Döntési fa Véletlen

Részletesebben

a b a b x y a b c d e f PSZT/PSZSZT 1.) Az ábrán e, f egyenesek párhuzamosak. Számítsd ki a hiányzó adatokat!

a b a b x y a b c d e f PSZT/PSZSZT 1.) Az ábrán e, f egyenesek párhuzamosak. Számítsd ki a hiányzó adatokat! 1 PSZT/PSZSZT 1.) Az ábrán e, f egyenesek párhuzamosak. Számítsd ki a hiányzó adatokat! a b a b x y a a b x b y 17 25 13 10 5 7 3 6 7 10 2 4 2 3 9 5 2.) Az ábrán lévő paralelogramma oldalai a) AB=26 cm,

Részletesebben

6. Függvények. 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban?

6. Függvények. 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban? 6. Függvények I. Nulladik ZH-ban láttuk: 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban? f x g x cos x h x x ( ) sin x (A) Az f és a h. (B) Mindhárom. (C) Csak az f.

Részletesebben

Hibadetektáló rendszer légtechnikai berendezések számára

Hibadetektáló rendszer légtechnikai berendezések számára Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő

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

2012. október 9 és 11. Dr. Vincze Szilvia

2012. október 9 és 11. Dr. Vincze Szilvia 2012. október 9 és 11. Dr. Vincze Szilvia Egyváltozós valós függvények nevezetes osztályai I. Algebrai függvények Racionális egész függvények (polinomok) Racionális törtfüggvények Irracionális függvények

Részletesebben

GAZDASÁGI NÖVEKEDÉS I.

GAZDASÁGI NÖVEKEDÉS I. Gazdasági növekedés I. 1 IGAZ-HAMIS ÁLLÍTÁSOK GAZDASÁGI NÖVEKEDÉS I. 1. Ha a gazdaság az aranyszabály szerinti tőkénél nagyobb tőkemennyiséggel indul, a megtakarítási ráta nőni fog minden más tényező változatlansága

Részletesebben

Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában

Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Budapesti Műszaki és Gazdaságtudományi Egyetem Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Cselkó Richárd 2009. október. 15. Az előadás fő témái Soft Computing technikák alakalmazásának

Részletesebben

Egyszerű programozási tételek

Egyszerű programozási tételek Egyszerű programozási tételek Sorozatszámítás tétele Például az X tömbben kövek súlyát tároljuk. Ha ki kellene számolni az összsúlyt, akkor az S = f(s, X(i)) helyére S = S + X(i) kell írni. Az f0 tartalmazza

Részletesebben

1. Két pályázat esetén a nyerési esélyeket vizsgálják. Mintát véve mindkét pályázat esetén az egyik. (b) Mit nevezünk másodfajú hibának?

1. Két pályázat esetén a nyerési esélyeket vizsgálják. Mintát véve mindkét pályázat esetén az egyik. (b) Mit nevezünk másodfajú hibának? Statisztika 2015. május 08. D csoport Név Neptun kód 1. Két pályázat esetén a nyerési esélyeket vizsgálják. Mintát véve mindkét pályázat esetén az egyik pályázatnál 320 pályázóból 42 nyert, a másik pályázatnál

Részletesebben

A II. kategória Fizika OKTV mérési feladatainak megoldása

A II. kategória Fizika OKTV mérési feladatainak megoldása Nyomaték (x 0 Nm) O k t a t á si Hivatal A II. kategória Fizika OKTV mérési feladatainak megoldása./ A mágnes-gyűrűket a feladatban meghatározott sorrendbe és helyre rögzítve az alábbi táblázatban feltüntetett

Részletesebben

x = cos αx sin αy y = sin αx + cos αy 2. Mi a X/Y/Z tengely körüli forgatás transzformációs mátrixa 3D-ben?

x = cos αx sin αy y = sin αx + cos αy 2. Mi a X/Y/Z tengely körüli forgatás transzformációs mátrixa 3D-ben? . Mi az (x, y) koordinátákkal megadott pont elforgatás uténi két koordinátája, ha α szöggel forgatunk az origó körül? x = cos αx sin αy y = sin αx + cos αy 2. Mi a X/Y/Z tengely körüli forgatás transzformációs

Részletesebben

ACTA CAROLUS ROBERTUS

ACTA CAROLUS ROBERTUS ACTA CAROLUS ROBERTUS Károly Róbert Főiskola tudományos közleményei Alapítva: 2011 3 (1) ACTA CAROLUS ROBERTUS 3 (1) Informatika szekció SZÖVEGOSZTÁLYOZÁSI MÓDSZEREK A WEKA ADATBÁNYÁSZATI SZOFTVER SEGÍTSÉGÉVEL

Részletesebben

Mintapélda1 Hányféleképpen állhatnak sorba egy bolt pénztáránál a vásárlók, ha 3-an, 4-en, 5-en, k-an vannak?

Mintapélda1 Hányféleképpen állhatnak sorba egy bolt pénztáránál a vásárlók, ha 3-an, 4-en, 5-en, k-an vannak? Hozzárendelési szabályok.doc 1 / 6 Mintapélda1 Hányféleképpen állhatnak sorba egy bolt pénztáránál a vásárlók, ha 3-an, 4-en, 5-en, k-an vannak? Mintapélda2 Karcsi nyáron 435 Ft-os órabérért dolgozott.

Részletesebben

Coming soon. Pénzkereslet

Coming soon. Pénzkereslet Coming soon Akkor és most Makroökonómia 11. hét 40 pontos vizsga Május 23. hétfő, 10 óra Május 27. péntek, 14 óra Június 2. csütörtök, 12 óra Csak egyszer lehet megírni! Minimumkövetelmény: 40% (16 pont)

Részletesebben

Játékok matematikája

Játékok matematikája Játékok matematikája Kártyázzunk véges geometriával Bogya Norbert Bolyai Intézet Eötvös esték & Mat. Műhely, 2016 Bogya Norbert (Bolyai Intézet) Kártyázzunk véges geometriával Eötvös esték, 2016 1 / 1

Részletesebben

Felületek differenciálgeometriai vizsgálata

Felületek differenciálgeometriai vizsgálata Felületek differenciálgeometriai vizsgálata Felületek differenciálgeometriai értelemben Felület: Olyan alakzat, amely előállítható az (u,v) sík egy összefüggő tartományán értelmezett r(u,v) kétparaméteres

Részletesebben

Piaci szerkezetek VK. Gyakorló feladatok a 4. anyagrészhez

Piaci szerkezetek VK. Gyakorló feladatok a 4. anyagrészhez Piaci szerkezetek VK Gyakorló feladatok a 4. anyagrészhez Cournot-oligopólium Feladatgyűjtemény 259./1. teszt Egy oligopol piacon az egyensúlyban A. minden vállalat határköltsége ugyanakkora; B. a vállalatok

Részletesebben

Gráfelméleti alapfogalmak-1

Gráfelméleti alapfogalmak-1 KOMBINATORIKA ELŐADÁS osztatlan matematika tanár hallgatók számára Gráfelméleti alapfogalmak Előadó: Hajnal Péter 2015 1. Egyszerű gráfok Nagyon sok helyzetben egy alaphalmaz elemei között kitűntetett

Részletesebben

Matematika az építészetben

Matematika az építészetben Matematika az építészetben Molnár-Sáska Katalin Főisk.docens YMÉK Bevezetés - Történeti áttekintés - A geometria helye a főiskolai képzésben - Újraindítás és körülményei Részletes tanmenet Megjegyzések:

Részletesebben

Beadható feladatok. 2006. december 4. 1. Add meg az alábbi probléma állapottér-reprezentációját!

Beadható feladatok. 2006. december 4. 1. Add meg az alábbi probléma állapottér-reprezentációját! Beadható feladatok 2006. december 4. 1. Feladatok 2006. szeptember 13-án kitűzött feladat: 1. Add meg az alábbi probléma állapottér-reprezentációját! Adott I 1,..., I n [0, 1] intervallumokból szeretnénk

Részletesebben

Minősítéses mérőrendszerek képességvizsgálata

Minősítéses mérőrendszerek képességvizsgálata Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek

Részletesebben

5.osztály 1.foglalkozás. 5.osztály 2.foglalkozás. hatszögéskörök

5.osztály 1.foglalkozás. 5.osztály 2.foglalkozás. hatszögéskörök 5.osztály 1.foglalkozás 5.osztály 2.foglalkozás hatszögéskörök cseresznye A cseresznye zöld száránál az egyeneshez képest 30-at kell fordulni! (30 fokot). A cseresznyék között 60 egység a térköz! Szétszedtem

Részletesebben

Gyakorló feladatok a 2. zh-ra MM hallgatók számára

Gyakorló feladatok a 2. zh-ra MM hallgatók számára Gyakorló feladatok a. zh-ra MM hallgatók számára 1. Egy vállalat termelésének technológiai feltételeit a Q L K függvény írja le. Rövid távon a vállalat 8 egységnyi tőkét használ fel. A tőke ára 000, a

Részletesebben

Mély neuronhálók alkalmazása és optimalizálása

Mély neuronhálók alkalmazása és optimalizálása magyar nyelv beszédfelismerési feladatokhoz 2015. január 10. Konzulens: Dr. Mihajlik Péter A megvalósítandó feladatok Irodalomkutatás Nyílt kutatási eszközök keresése, beszédfelismer rendszerek tervezése

Részletesebben

MATEMATIKA ÉRETTSÉGI 2008. október 21. KÖZÉPSZINT I.

MATEMATIKA ÉRETTSÉGI 2008. október 21. KÖZÉPSZINT I. MATEMATIKA ÉRETTSÉGI 008. október 1. KÖZÉPSZINT I. 1) Adja meg a 4 egyjegyű pozitív osztóinak halmazát! A keresett halmaz: {1 4 6 8}. ) Hányszorosára nő egy cm sugarú kör területe, ha a sugarát háromszorosára

Részletesebben

A konfidencia intervallum képlete: x± t( α /2, df )

A konfidencia intervallum képlete: x± t( α /2, df ) 1. feladat. Egy erdőben az egy fészekben levő tojásszámokat vizsgáltuk egy madárfajnál. A következő tojásszámokat találtuk: 1, 1, 1,,,,,,, 3, 3, 3, 3, 3, 4, 4, 5, 6, 7. Mi a mintának a minimuma, maximuma,

Részletesebben

Geometriai alapok Felületek

Geometriai alapok Felületek Geometriai alapok Felületek Geometriai alapok Felületek matematikai definíciója A háromdimenziós tér egy altere Függvénnyel rögzítjük a pontok helyét Parabolavezérgörbéjű donga 4 f z x + a C Elliptikus

Részletesebben

2. Házi feladat és megoldása (DE, KTK, 2014/2015 tanév első félév)

2. Házi feladat és megoldása (DE, KTK, 2014/2015 tanév első félév) . Házi feladat és megoldása (DE, KTK, 4/5 tanév első félév) () Határozza meg a következő függvények (első) deriváltját: 3 + f() ctg, g() (3 )3 tg, h() cos( 3 + e ), i() lg(ln(e + 4 ln )), j() (3) ln, k()

Részletesebben

EBBEN A VIZSGARÉSZBEN A VIZSGAFELADAT ARÁNYA

EBBEN A VIZSGARÉSZBEN A VIZSGAFELADAT ARÁNYA Az Országos Képzési Jegyzékről és az Országos Képzési Jegyzékbe történő felvétel és törlés eljárási rendjéről szóló 133/2010. (IV. 22. ) Korm. rendelet alapján. Szakképesítés, szakképesítés-elágazás, rész-szakképesítés,

Részletesebben

7. Mágneses szuszceptibilitás mérése jegyzőkönyv. Zsigmond Anna Fizika Bsc II. Mérés dátuma: Leadás dátuma:

7. Mágneses szuszceptibilitás mérése jegyzőkönyv. Zsigmond Anna Fizika Bsc II. Mérés dátuma: Leadás dátuma: 7. Mágneses szuszceptibilitás mérése jegyzőkönyv Zsigmond Anna Fizika Bsc II. Mérés dátuma: 2008. 10. 22. Leadás dátuma: 2008. 11. 05. 1 1. A mérési összeállítás A mérési összeállítás sematikus ábrája

Részletesebben

FÜGGVÉNYEK x C: 2

FÜGGVÉNYEK x C: 2 FÜGGVÉNYEK 2005-2014 1. 2005/0511/2 Az ábrán egy [ 2; 2] intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! A: x x 2 2 B: x 2 2 x x

Részletesebben

Egy feladat megoldása Geogebra segítségével

Egy feladat megoldása Geogebra segítségével Egy feladat megoldása Geogebra segítségével A következőkben a Geogebra dinamikus geometriai szerkesztőprogram egy felhasználási lehetőségéről lesz szó, mindez bemutatva egy feladat megoldása során. A Geogebra

Részletesebben

(Solid modeling, Geometric modeling) Testmodell: egy létező vagy elképzelt objektum digitális reprezentációja.

(Solid modeling, Geometric modeling) Testmodell: egy létező vagy elképzelt objektum digitális reprezentációja. Testmodellezés Testmodellezés (Solid modeling, Geometric modeling) Testmodell: egy létező vagy elképzelt objektum digitális reprezentációja. A tervezés (modellezés) során megadjuk a objektum geometria

Részletesebben

IV.7 MÓDSZER KIDOLGOZÁSA FELHASZNÁLÓI ADATOK VÉDELMÉRE MOBIL ALKALMAZÁSOK ESETÉN

IV.7 MÓDSZER KIDOLGOZÁSA FELHASZNÁLÓI ADATOK VÉDELMÉRE MOBIL ALKALMAZÁSOK ESETÉN infokommunikációs technológiák IV.7 MÓDSZER KIDOLGOZÁSA FELHASZNÁLÓI ADATOK VÉDELMÉRE MOBIL ALKALMAZÁSOK ESETÉN ANTAL Margit, SZABÓ László Zsolt 2015, január 8. BEVEZETÉS A KUTATÁS CÉLJA A felhasználó

Részletesebben

Teljesítményprognosztizáló program FELHASZNÁLÓI KÉZIKÖNYV

Teljesítményprognosztizáló program FELHASZNÁLÓI KÉZIKÖNYV Teljesítményprognosztizáló FELHASZNÁLÓI KÉZIKÖNYV Tartalomjegyzék 1. A szoftver feladata...3 2. Rendszerigény...3 3. A szoftver telepítése...3 4. A szoftver használata...3 4.1. Beállítások...3 4.1.1. Elszámolási

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