Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán

Save this PDF as:
 WORD  PNG  TXT  JPG

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán"

Átírás

1 Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály

2 Az egy adatsorra (idősorra) is alkalmazható módszerek

3 Példa: Az epileptikus roham lassú dinamikája Egy kísérletes epilepszia modell: 4-Aminopiridin lokális alkalmazásával kiváltott generalizálódó epilepszia, EKoG: 24s 10s 6s Hullámalak és jellemző frekvenciák alapján 3 fázis.

4 Adatelemzés: Fourier-transzformáció Frekvencia (Hz)

5 Wavelettranszformáció

6 Wavelet-transzformáció

7 Wavelet-transzformáció ECoG adaton 40 Amplitúdó Frekvencia (Hz) Idő (s)

8 Koherencia

9 Fázistér rekonstrukció Whitney-tétele alapján, a rendszer pszeudo-attraktora a deriváltakból (a(t), a1(t), a2(t)...) képzett térben topologiailag ekvivalens a valódi fázistérben bejárt valódi attraktorával. A deriválás növeli a zajt, ezért inkább a a(t), a(t+dt), a(t+2dt)... visszatérési térképeket (return map) használják.

10 Egy egyszerű epilepszia modell A serkentés és gátlás viszonylagos erejének változtatásával - tüskék - komplex dinamikájú rohamok - status epilepticus jelenik meg A gátlás növeléséve a rohamok megszüntethetőek

11 A modell dinamikájának rekonstruált attraktorai és változásuk A szinaptiks depresszió átvezeti a rendszert az egyre lassuló teljesen aktivált szakaszból az irreguláris oszcilláció tartományába.

12 A mért roham és a modell attraktorainak összehasonlítása

13 Fázistér rekonstrukció Mihez kezdjünk a rekonstruált attraktorral? A típusát (topológiáját) megállapítani a zajos adatsorból nehéz. A dimenziója mérhető pl: L2-dimenzió: N=Ld ahol N az L sugarú gömbben található pontok száma. Mérhető a Ljapunov-exponens: a pálya átlagos instabilitása. Mi egyéb?

14 A néhány párhuzamos adatsorra (idősorra) alkalmazható módszerek

15 ARMA és ARIMA folyamatok X ( t ) = Ai X ( t i ) X ( t ) = Ai X ( t i )+ B j X' ( t j )

16 Koktélparti probléma és főkomponens analizis (PCA) Y i ( t ) = W ij X j ( t ) Keressük a legnagyobb szórású irányokat X1 Y1 Y2 X2

17 Koktélparti probléma és független komponens analizis (ICA) Y i ( t ) = W ij X j ( t ) Keressük a legfüggetlenebb irányokat! Az elv a centrális határeloszlás tétel: Két független valószínüségi változó lineáris kombinációja közelebb van a Gauss-eloszláshoz mint a két eredeti. Tehát keressük a legkevésbé Gauss forrásokat! Nem gaussitás mérték: pl: skewness (ferdeség)

18 Koktélparti probléma és független komponens analizis (ICA) Y i ( t ) = W ij X j ( t ) Keressük a legfüggetlenebb irányokat X1 Y1 Y2 X2

19 Információ elméleti mértékek Kölcsönös információ I X ;Y = H X H Y H X,Y H X = x p x log p x

20 Információ elméleti mértékek Granger kauzalítás p X t = i a1 j X t j 1 t p Y t = i d 1 j X t j 1 t p p p p X t = j a2 j X t j j b 2 j Y t j 2 t Y t = j c 2 j X t j j d 2 j Y t j 2 t

21 Információ elméleti mértékek Granger kauzalítás 1=Var 1 t 2=Var 2 t 1=Var 1 t 2 =Var 2 t F X Y =log 1 log 2 F Y X =log 1 log F YX =log 2 2 log cov 2 t 2 t

22 A sok párhuzamos adatsorra (idősorra) alkalmazható módszerek

23 Membránáramok meghatározása egyedi idegsejteken extracelluláris mérések alapján Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály

24 1.5 mm Mikroelektróda a rengetegben

25 Első feladat az egyes idegsejtek azonosítása

26 Az idegsejteket jellegzetes potenciál mintázataik alapján azonosíthatjuk

27 Az idegsejteket jellegzetes potenciál mintázataik alapján azonosíthatjuk

28 13 azonosított sejt tüzelésének potenciálja térben és időben

29 A feladat Az idegsejtek membránján folyó áramok tér-időbeli eloszlásának meghatározása a mikroelektróda rendszerekkel mért potenciál eloszlások alapján Ez a Poisson-egyenlet inverz feladatának megoldása, amely azonban nem egyértelmű, ugyanahhoz a potenciál mintához végtelen sok forráseloszlás tartozhat.

30 A Poisson inverz probléma általános esetben Az EC potenciál Ф=TJ, ahol J a CSD eloszlás és T a lead-field mátrix. Az aktuális mérésnek megfelelő megoldások affin alteret alkotnak az összes lehetséges források terében: J(x)=T+Ф+ker(T)x

31 Az elméleti modell A lehetséges megoldások sokaságából a priori tudás felhasználásával választhatjuk ki a valódi forrást: 1, A sejt egy vonal forrással közelíthető, amely párhuzamos az elektródával 2, A CSD eloszlást a sejten egy sejttest közeli lokalizált nyelő és egy sima háttérforrás jellemzi. E feltevésről megmutattuk, hogy igaz az EC akciós potenciál kezdetétől a negatív csúcsáig. Somogyvári et al. 2005

32 A modell felhasználásával Rögzített forrás és elektróda geometria mellett a mért potenciál csak az elektróda és a forrás távolságától függ: V(d)=T(d)I, ahhol: T i,j d = 1 4π ε 2 2 x x +d i j Ha forrás és mérési pontok száma megegyezik, T(d) invertálható és I(d)=T-1(d)V Az I(d) csúcsosságát S(I) méri: S I =max j I j 2 I j mean I j 2 I j

33 Microimaging A matematikai autofókusz algoritmus nem csak a legélesebb képet adja meg, de becslést ad a sejt és az elektróda távolságára is.

34 A kulcs: a sejt távolsága Teszt szimulált adatokon A sejt-elektróda távolságának becslési pontossága különböző távolságokban, tíz különböző sejt elektróda relatív pozícióban

35 Az áramforrás-sűrűség térbeli eloszlásának meghatározása 1 %-os relatív amplitúdójú áramok is meghatározhatóak

36 Az új és a hagyományos CSD hibája Teszt szimulált adatokon A meghatározott CSD eloszlás hibájának távolságfüggése a három különböző forrás mintázat esetében.

37 Alkalmazás a mért akciós potenciálokra: A sejt elektróda távolság becslése A mért akciós potenciálok távolságának meghatározásával meghatározható az idegsejt pozíciója az idegszövetben és az amplitúdó távolságfüggése is.

38 Az akciós potenciál kezdetének helye és az események időrendje

Az egyedi neuronoktól az EEG hullámokig Somogyvári Zoltán

Az egyedi neuronoktól az EEG hullámokig Somogyvári Zoltán Az egyedi neuronoktól az EEG hullámokig Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az állati elektromosság felfedezése 1792 Galvani, De Viribus - Electricitatis in Motu

Részletesebben

Mikroelektródás képalkotó eljárások Somogyvári Zoltán

Mikroelektródás képalkotó eljárások Somogyvári Zoltán Somogyvári Zoltán Magyar Tudományos Akadémia Wigner Fizikai Kutatóközpont Részecske és Magfizikai Intézet Elméleti Osztály Elméleti Idegtudomány és Komplex Rendszerek Kutatócsoport Az agy szürkeállománya

Részletesebben

Az agykéreg dinamikájának modell alapú vizsgálata: az egyedi idegsejtektől a hálózatokig

Az agykéreg dinamikájának modell alapú vizsgálata: az egyedi idegsejtektől a hálózatokig Az agykéreg dinamikájának modell alapú vizsgálata: az egyedi idegsejtektől a hálózatokig Doktori tézisek Somogyvári Zoltán Semmelweis Egyetem Szentágothai János Idegtudományi Doktori Iskola Témavezető:

Részletesebben

Az agykéreg dinamikájának modell alapú vizsgálata: az egyedi idegsejtektől a hálózatokig. Somogyvári Zoltán

Az agykéreg dinamikájának modell alapú vizsgálata: az egyedi idegsejtektől a hálózatokig. Somogyvári Zoltán Az agykéreg dinamikájának modell alapú vizsgálata: az egyedi idegsejtektől a hálózatokig Doktori értekezés Somogyvári Zoltán Semmelweis Egyetem Szentágothai János Idegtudományi Doktori Iskola Témavezető:

Részletesebben

Pelletek térfogatának meghatározása Bayes-i analízissel

Pelletek térfogatának meghatározása Bayes-i analízissel Pelletek térfogatának meghatározása Bayes-i analízissel Szepesi Tamás KFKI-RMKI, Budapest, Hungary P. Cierpka, Kálvin S., Kocsis G., P.T. Lang, C. Wittmann 2007. február 27. Tartalom 1. Motiváció ELM-keltés

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

Transzformációk síkon, térben

Transzformációk síkon, térben Transzformációk síkon, térben Leképezés, transzformáció Leképezés: Ha egy A ponttér pontjaihoz egy másik B ponttér pontjait kölcsönösen egyértelműen rendeljük hozzá, akkor ezt a hozzárendelést leképezésnek

Részletesebben

Mérési hibák 2006.10.04. 1

Mérési hibák 2006.10.04. 1 Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség

Részletesebben

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott

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

[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

1. Gauss-eloszlás, természetes szórás

1. Gauss-eloszlás, természetes szórás 1. Gauss-eloszlás, természetes szórás A Gauss-eloszlásnak megfelelő függvény: amely egy σ szélességű, µ középpontú, 1-re normált (azaz a teljes görbe alatti terület 1) görbét ír le. A természetben a centrális

Részletesebben

Több valószínűségi változó együttes eloszlása, korreláció

Több valószínűségi változó együttes eloszlása, korreláció Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...

Részletesebben

Akusztikai tervezés a geometriai akusztika módszereivel

Akusztikai tervezés a geometriai akusztika módszereivel Akusztikai tervezés a geometriai akusztika módszereivel Fürjes Andor Tamás BME Híradástechnikai Tanszék Kép- és Hangtechnikai Laborcsoport, Rezgésakusztika Laboratórium 1 Tartalom A geometriai akusztika

Részletesebben

15. LINEÁRIS EGYENLETRENDSZEREK

15. 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

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

Modern Fizika Labor. Fizika BSc. Értékelés: A mérés dátuma: A mérés száma és címe: 5. mérés: Elektronspin rezonancia. 2008. március 18.

Modern Fizika Labor. Fizika BSc. Értékelés: A mérés dátuma: A mérés száma és címe: 5. mérés: Elektronspin rezonancia. 2008. március 18. Modern Fizika Labor Fizika BSc A mérés dátuma: 28. március 18. A mérés száma és címe: 5. mérés: Elektronspin rezonancia Értékelés: A beadás dátuma: 28. március 26. A mérést végezte: 1/7 A mérés leírása:

Részletesebben

Az idegrendszeri dinamika modell alapú vizsgálata: az egyedi idegsejtektől a hálózatokig

Az idegrendszeri dinamika modell alapú vizsgálata: az egyedi idegsejtektől a hálózatokig Az idegrendszeri dinamika modell alapú vizsgálata: az egyedi idegsejtektől a hálózatokig Somogyvári Zoltán Doktori (Ph. D.) értekezés Készült a Magyar Tudományos Akadémia Részecske és Magfizikai Kutatóintézetének

Részletesebben

Számítógépes geometria (mester kurzus)

Számítógépes geometria (mester kurzus) 2010 sz, Debreceni Egyetem Csuklós szerkezetek animációja (Kép 1985-b l: Tony de Peltrie) Csontváz-modellek Csuklós szerkezet (robotkar) A robotkar részei: csuklók (joints) rotációs prizmatikus (transzlációs)

Részletesebben

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( ) Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:

Részletesebben

Matematikai statisztika c. tárgy oktatásának célja és tematikája

Matematikai statisztika c. tárgy oktatásának célja és tematikája Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:

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

Mechanika I-II. Példatár

Mechanika I-II. Példatár Budapesti Műszaki és Gazdaságtudományi Egyetem Műszaki Mechanika Tanszék Mechanika I-II. Példatár 2012. május 24. Előszó A példatár célja, hogy támogassa a mechanika I. és mechanika II. tárgy oktatását

Részletesebben

Jelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék

Jelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék Jelek és rendszerek 1 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék 1 Ajánlott irodalom: FODOR GYÖRGY : JELEK ÉS RENDSZEREK EGYETEMI TANKÖNYV Műegyetemi Kiadó, Budapest, 2006

Részletesebben

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

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

Felügyelt önálló tanulás - Analízis III.

Felügyelt önálló tanulás - Analízis III. Felügyelt önálló tanulás - Analízis III Kormos Máté Differenciálható sokaságok Sokaságok Röviden, sokaságoknak nevezzük azokat az objektumokat, amelyek egy n dimenziós térben lokálisan k dimenziósak Definíció:

Részletesebben

Elfedett pulzációk vizsgálata a KIC fedési kettősrendszerben

Elfedett pulzációk vizsgálata a KIC fedési kettősrendszerben Elfedett pulzációk vizsgálata a KIC 3858884 fedési kettősrendszerben Bókon András II. éves Fizikus MSc szakos hallgató Témavezető: Dr. Bíró Imre Barna tudományos munkatárs, 216. 11. 25. Csillagok pulzációja

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

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

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

Részletesebben

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

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Mi az adat? Az adat elemi ismeret. Az adatokból információkat Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás

Részletesebben

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes

Részletesebben

A távérzékelt felvételek tematikus kiértékelésének lépései

A távérzékelt felvételek tematikus kiértékelésének lépései A távérzékelt felvételek tematikus kiértékelésének lépései Csornai Gábor László István Földmérési és Távérzékelési Intézet Mezőgazdasági és Vidékfejlesztési Igazgatóság Az előadás 2011-es átdolgozott változata

Részletesebben

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb

Részletesebben

A térképen ábrázolt vonal: - sík felület egyenese? - sík felület görbéje? - görbült felület egyenese ( geodetikus )? - görbült felület görbéje?

A térképen ábrázolt vonal: - sík felület egyenese? - sík felület görbéje? - görbült felület egyenese ( geodetikus )? - görbült felület görbéje? Előzetes megjegyzés: 1. Az időt nyugodtan mérhetjük méterben. ct [s ] = t [m ] A film kétórás volt. = A film 2.16 milliárd kilométernyi ideig tartott. 2. A tömeget is nyugodtan mérhetjük méterben! GM [kg]

Részletesebben

A gyakorlat célja a fehér és a színes zaj bemutatása.

A gyakorlat célja a fehér és a színes zaj bemutatása. A gyakorlat célja a fehér és a színes zaj bemutatása. 1.@. FFT begyakorlása n = [:9]; % Harminc minta x = cos(*pi*n/1); % 1 mintát veszünk periodusonként N1 = 64; % Három módon számoljuk az FFT-t N = 18;

Részletesebben

BMF, Kandó Kálmán Villamosmérnöki Kar, Híradástechnika Intézet. Aktív Szűrő Mérése - Mérési Útmutató

BMF, Kandó Kálmán Villamosmérnöki Kar, Híradástechnika Intézet. Aktív Szűrő Mérése - Mérési Útmutató Aktív Szűrő Mérése - Mérési Útmutató A mérést végezte ( név, neptun kód ): A mérés időpontja: - 1 - A mérés célja, hogy megismerkedjenek a Tina Pro nevű simulációs szoftverrel, és elsajátítsák kezelését.

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

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

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

Módszer fejlesztése forró részecskék azonosítására és lokalizálására biztosítéki részecske-analízis céljára

Módszer fejlesztése forró részecskék azonosítására és lokalizálására biztosítéki részecske-analízis céljára Módszer fejlesztése forró részecskék azonosítására és lokalizálására biztosítéki részecske-analízis céljára Mácsik Zsuzsanna, Széles Éva MTA, Izotópkutató Intézet, Sugárbiztonsági Osztály XXXV. Sugárvédelmi

Részletesebben

Villamos jelek mintavételezése, feldolgozása. LabVIEW előadás

Villamos jelek mintavételezése, feldolgozása. LabVIEW előadás Villamos jelek mintavételezése, feldolgozása (ellenállás mérés LabVIEW támogatással) LabVIEW 7.1 2. előadás Dr. Iványi Miklósné, egyetemi tanár LabVIEW-7.1 EA-2/1 Ellenállás mérés és adatbeolvasás Rn ismert

Részletesebben

ACM Snake. Orvosi képdiagnosztika 11. előadás első fele

ACM Snake. Orvosi képdiagnosztika 11. előadás első fele ACM Snake Orvosi képdiagnosztika 11. előadás első fele ACM Snake (ismétlés) A szegmentáló kontúr egy paraméteres görbe: x Zs s X s, Y s,, s A szegmentáció energia funkcionál minimalizálása: E x Eint x

Részletesebben

Az ipari komputer tomográfia vizsgálati lehetőségei

Az ipari komputer tomográfia vizsgálati lehetőségei Az ipari komputer tomográfia vizsgálati lehetőségei Dr. Czinege Imre, Kozma István Széchenyi István Egyetem 6. ANYAGVIZSGÁLAT A GYAKORLATBAN KONFERENCIA Cegléd, 2012. június 7-8. Tartalom A CT technika

Részletesebben

S atisztika 2. előadás

S atisztika 2. előadás Statisztika 2. előadás 4. lépés Terepmunka vagy adatgyűjtés Kutatási módszerek osztályozása Kutatási módszer Feltáró kutatás Következtető kutatás Leíró kutatás Ok-okozati kutatás Keresztmetszeti kutatás

Részletesebben

Elektromágneses hullámok

Elektromágneses hullámok Bevezetés a modern fizika fejezeteibe 2. (a) Elektromágneses hullámok Utolsó módosítás: 2015. október 3. 1 A Maxwell-egyenletek (1) (2) (3) (4) E: elektromos térerősség D: elektromos eltolás H: mágneses

Részletesebben

Kutatásmódszertan és prezentációkészítés

Kutatásmódszertan és prezentációkészítés Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I

Részletesebben

Matematika (mesterképzés)

Matematika (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,

Részletesebben

Digitális képek feldolgozása Előfeldolgozás Radiometriai korrekció Geometriai korrekció Képjavítás Szűrők Sávok közötti műveletek Képosztályozás Utófe

Digitális képek feldolgozása Előfeldolgozás Radiometriai korrekció Geometriai korrekció Képjavítás Szűrők Sávok közötti műveletek Képosztályozás Utófe Távérzékelés Digitális felvételek előfeldolgozása (EENAFOTOTV, ETNATAVERV) Erdőmérnöki szak, Környezettudós szak Király Géza NyME, Erdőmérnöki Kar Geomatikai, Erdőfeltárási és Vízgazdálkodási Intézet Földmérési

Részletesebben

1. előadás. Lineáris algebra numerikus módszerei. Hibaszámítás Számábrázolás Kerekítés, levágás Klasszikus hibaanalízis Abszolút hiba Relatív hiba

1. előadás. Lineáris algebra numerikus módszerei. Hibaszámítás Számábrázolás Kerekítés, levágás Klasszikus hibaanalízis Abszolút hiba Relatív hiba Hibaforrások Hiba A feladatok megoldása során különféle hibaforrásokkal találkozunk: Modellhiba, amikor a valóságnak egy közelítését használjuk a feladat matematikai alakjának felírásához. (Pl. egy fizikai

Részletesebben

Fényerősség. EV3 programleírás. Használt rövidítések. A program működésének összegzése

Fényerősség. EV3 programleírás. Használt rövidítések. A program működésének összegzése EV3 programleírás A 11- es program egy 60W- os hagyományos izzó fényerősségét méri (más típusú izzókkal is használható) tíz pontnál, 5 cm- es intervallumokra felosztva. Használt rövidítések ol Külső ciklus

Részletesebben

Gauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei

Gauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.

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

Matematikai geodéziai számítások 6.

Matematikai geodéziai számítások 6. Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre

Részletesebben

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

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

Részletesebben

[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

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel

Részletesebben

Relációk Függvények. A diákon megjelenő szövegek és képek csak a szerző (Kocsis Imre, DE MFK) engedélyével használhatók fel!

Relációk Függvények. A diákon megjelenő szövegek és képek csak a szerző (Kocsis Imre, DE MFK) engedélyével használhatók fel! függvények RE 1 Relációk Függvények függvények RE 2 Definíció Ha A, B és ρ A B, akkor azt mondjuk, hogy ρ reláció A és B között, vagy azt, hogy ρ leképezés A-ból B-be. Ha speciálisan A=B, azaz ρ A A, akkor

Részletesebben

11. Egy Y alakú gumikötél egyik ága 20 cm, másik ága 50 cm. A két ág végeit azonos, f = 4 Hz

11. Egy Y alakú gumikötél egyik ága 20 cm, másik ága 50 cm. A két ág végeit azonos, f = 4 Hz Hullámok tesztek 1. Melyik állítás nem igaz a mechanikai hullámok körében? a) Transzverzális hullám esetén a részecskék rezgésének iránya merőleges a hullámterjedés irányára. b) Csak a transzverzális hullám

Részletesebben

Szívbetegségek hátterében álló folyamatok megismerése a ciklusosan változó szívélettani paraméterek elemzésén keresztül

Szívbetegségek hátterében álló folyamatok megismerése a ciklusosan változó szívélettani paraméterek elemzésén keresztül Dr. Miklós Zsuzsanna Semmelweis Egyetem, ÁOK Klinikai Kísérleti Kutató- és Humán Élettani Intézet Szívbetegségek hátterében álló folyamatok megismerése a ciklusosan változó szívélettani paraméterek elemzésén

Részletesebben

KÉSZÍTETTE: BALOGH VERONIKA ELTE IDEGTUDOMÁNY ÉS HUMÁNBIOLÓGIA SZAKIRÁNY MSC 2015/16 II. FÉLÉV

KÉSZÍTETTE: BALOGH VERONIKA ELTE IDEGTUDOMÁNY ÉS HUMÁNBIOLÓGIA SZAKIRÁNY MSC 2015/16 II. FÉLÉV KÉSZÍTETTE: BALOGH VERONIKA ELTE IDEGTUDOMÁNY ÉS HUMÁNBIOLÓGIA SZAKIRÁNY MSC 2015/16 II. FÉLÉV TÉNYEK, CÉLOK, KÉRDÉSEK Kísérlet központja Neuronok és réskapcsolatokkal összekötött asztrocita hálózatok

Részletesebben

Híradástechikai jelfeldolgozás

Híradástechikai jelfeldolgozás Híradástechikai jelfeldolgozás 13. Előadás 015. 04. 4. Jeldigitalizálás és rekonstrukció 015. április 7. Budapest Dr. Gaál József docens BME Hálózati Rendszerek és SzolgáltatásokTanszék gaal@hit.bme.hu

Részletesebben

Lineáris egyenletrendszerek

Lineáris egyenletrendszerek Lineáris egyenletrendszerek Lineáris egyenletrendszernek nevezzük az a 11 x 1 + a 12 x 2 +... +a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... +a 2n x n = b 2.. a k1 x 1 + a k2 x 2 +... +a kn x n = b k n ismeretlenes,

Részletesebben

Hullámok tesztek. 3. Melyik állítás nem igaz a mechanikai hullámok körében?

Hullámok tesztek. 3. Melyik állítás nem igaz a mechanikai hullámok körében? Hullámok tesztek 1. Melyik állítás nem igaz a mechanikai hullámok körében? a) Transzverzális hullám esetén a részecskék rezgésének iránya merıleges a hullámterjedés irányára. b) Csak a transzverzális hullám

Részletesebben

Képrestauráció Képhelyreállítás

Képrestauráció Képhelyreállítás Képrestauráció Képhelyreállítás Képrestauráció - A képrestauráció az a folyamat mellyel a sérült képből eltávolítjuk a degradációt, eredményképpen pedig az eredetihez minél közelebbi képet szeretnénk kapni

Részletesebben

RE 1. Relációk Függvények. A diákon megjelenő szövegek és képek csak a szerző (Kocsis Imre, DE MFK) engedélyével használhatók fel!

RE 1. Relációk Függvények. A diákon megjelenő szövegek és képek csak a szerző (Kocsis Imre, DE MFK) engedélyével használhatók fel! RE 1 Relációk Függvények RE 2 Definíció: Ha A, B és ρ A B, akkor azt mondjuk, hogy ρ reláció A és B között, vagy azt, hogy ρ leképezés A-ból B-be. Ha speciálisan A=B, azaz ρ A A, akkor azt mondjuk, hogy

Részletesebben

Adatok statisztikai értékelésének főbb lehetőségei

Adatok statisztikai értékelésének főbb lehetőségei Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció

Részletesebben

Jelkondicionálás. Elvezetés. a bioelektromos jelek kis amplitúdójúak. extracelluláris spike: néhányszor 10 uv. EEG hajas fejbőrről: max 50 uv

Jelkondicionálás. Elvezetés. a bioelektromos jelek kis amplitúdójúak. extracelluláris spike: néhányszor 10 uv. EEG hajas fejbőrről: max 50 uv Jelkondicionálás Elvezetés 2/12 a bioelektromos jelek kis amplitúdójúak extracelluláris spike: néhányszor 10 uv EEG hajas fejbőrről: max 50 uv EKG: 1 mv membránpotenciál: max. 100 mv az amplitúdó növelésére,

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

Intelligens beágyazott rendszer üvegházak irányításában

Intelligens beágyazott rendszer üvegházak irányításában P5-T6: Algoritmustervezési környezet kidolgozása intelligens autonóm rendszerekhez Intelligens beágyazott rendszer üvegházak irányításában Eredics Péter, Dobrowiecki P. Tadeusz, BME-MIT 1 Üvegházak Az

Részletesebben

Hallás időállandói. Következmények: 20Hz alatti hang nem hallható 12Hz kattanás felismerhető

Hallás időállandói. Következmények: 20Hz alatti hang nem hallható 12Hz kattanás felismerhető Hallás időállandói Fizikai terjedési idők Dobhártya: végtelenül gyors Hallócsontok: 0.08ms késés Csiga: 20Hz: 3ms késés 100Hz: 1.5 ms késés 1000Hz: 0.3ms késés >3000Hz: késés nélkül Ideg-impulzus időtartam:

Részletesebben

Villamosságtan szigorlati tételek

Villamosságtan szigorlati tételek Villamosságtan szigorlati tételek 1.1. Egyenáramú hálózatok alaptörvényei 1.2. Lineáris egyenáramú hálózatok elemi számítása 1.3. Nemlineáris egyenáramú hálózatok elemi számítása 1.4. Egyenáramú hálózatok

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.08. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)

Részletesebben

Tanmenetjavaslat. Téma Óraszám Tananyag Fogalmak Összefüggések Eszközök Kitekintés. Helyi érték, alaki érték. Számegyenes.

Tanmenetjavaslat. Téma Óraszám Tananyag Fogalmak Összefüggések Eszközök Kitekintés. Helyi érték, alaki érték. Számegyenes. Heti 4 óra esetén, 37 tanítási hétre összesen 148 óra áll rendelkezésre. A tanmenet 132 óra beosztását tartalmazza. Heti 5 óra esetén összesen 37-tel több órában dolgozhatunk. Ez összesen 185 óra. Itt

Részletesebben

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

e (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:

Részletesebben

Transzportfolyamatok a biológiai rendszerekben

Transzportfolyamatok a biológiai rendszerekben A nyugalmi potenciál jelentősége Transzportfolyamatok a biológiai rendszerekben Transzportfolyamatok a sejt nyugalmi állapotában a sejt homeosztázisának (sejttérfogat, ph) fenntartása ingerlékenység érzékelés

Részletesebben

Matematika szigorlat, Mérnök informatikus szak I máj. 12. Név: Nept. kód: Idő: 1. f. 2. f. 3. f. 4. f. 5. f. 6. f. Össz.: Oszt.

Matematika szigorlat, Mérnök informatikus szak I máj. 12. Név: Nept. kód: Idő: 1. f. 2. f. 3. f. 4. f. 5. f. 6. f. Össz.: Oszt. Matematika szigorlat, Mérnök informatikus szak I. 2009. máj. 12. Név: Nept. kód: Idő: 1. f. 2. f. 3. f. 4. f. 5. f. 6. f. Össz.: Oszt.: 180 perc 0-49 pont: elégtelen, 50-61 pont: elégséges, 62-73 pont:

Részletesebben

A Riemann-Siegel zeta függvény kiugró értékeinek keresése. A matematikai egyik legnehezebb problémája, avagy a prímszámok misztériuma

A Riemann-Siegel zeta függvény kiugró értékeinek keresése. A matematikai egyik legnehezebb problémája, avagy a prímszámok misztériuma A Riemann-Siegel zeta függvény kiugró értékeinek keresése A matematikai egyik legnehezebb problémája, avagy a prímszámok misztériuma 2013 A probléma fontossága és hatása a hétköznapi életre A prímszámok

Részletesebben

Rezgés, Hullámok. Rezgés, oszcilláció. Harmonikus rezgő mozgás jellemzői

Rezgés, Hullámok. Rezgés, oszcilláció. Harmonikus rezgő mozgás jellemzői Rezgés, oszcilláció Rezgés, Hullámok Fogorvos képzés 2016/17 Szatmári Dávid (david.szatmari@aok.pte.hu) 2016.09.26. Bármilyen azonos időközönként ismétlődő mozgást, periodikus mozgásnak nevezünk. A rezgési

Részletesebben

Az SPC (statisztikai folyamatszabályozás) ingadozásai

Az SPC (statisztikai folyamatszabályozás) ingadozásai A TERMELÉSI FOLYAMAT MINÕSÉGKÉRDÉSEI, VIZSGÁLATOK 2.3 Az SPC (statisztikai folyamatszabályozás) ingadozásai Tárgyszavak: statisztikai folyamatszabályozás; Shewhart-féle szabályozókártya; többváltozós szabályozás.

Részletesebben

12. előadás - Markov-láncok I.

12. 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

Részletesebben

7. Laboratóriumi gyakorlat KIS ELMOZDULÁSOK MÉRÉSE KAPACITÍV ÉS INDUKTÍV MÓDSZERREL

7. Laboratóriumi gyakorlat KIS ELMOZDULÁSOK MÉRÉSE KAPACITÍV ÉS INDUKTÍV MÓDSZERREL 7. Laboratóriumi gyakorlat KIS ELMOZDULÁSOK MÉRÉSE KAPACITÍV ÉS INDUKTÍV MÓDSZERREL 1. A gyakorlat célja Kis elmozulások (.1mm 1cm) mérésének bemutatása egyszerű felépítésű érzékkőkkel. Kapacitív és inuktív

Részletesebben

Hálózatok számítása egyenáramú és szinuszos gerjesztések esetén. Egyenáramú hálózatok vizsgálata Szinuszos áramú hálózatok vizsgálata

Hálózatok számítása egyenáramú és szinuszos gerjesztések esetén. Egyenáramú hálózatok vizsgálata Szinuszos áramú hálózatok vizsgálata Hálózatok számítása egyenáramú és szinuszos gerjesztések esetén Egyenáramú hálózatok vizsgálata Szinuszos áramú hálózatok vizsgálata Egyenáramú hálózatok vizsgálata ellenállások, generátorok, belső ellenállások

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

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

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

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

Villamos jelek mintavételezése, feldolgozása. LabVIEW 7.1

Villamos jelek mintavételezése, feldolgozása. LabVIEW 7.1 Villamos jelek mintavételezése, feldolgozása (ellenállás mérés LabVIEW támogatással) LabVIEW 7.1 előadás Dr. Iványi Miklósné, egyetemi tanár LabVIEW-7.1 KONF-5_2/1 Ellenállás mérés és adatbeolvasás Rn

Részletesebben

Algoritmusok bonyolultsága

Algoritmusok bonyolultsága Algoritmusok bonyolultsága 5. előadás http://www.ms.sapientia.ro/~kasa/komplex.htm 1 / 27 Gazdaságos faváz Kruskal-algoritmus Joseph Kruskal (1928 2010) Legyen V = {v 1, v 2,..., v n }, E = {e 1, e 2,...,

Részletesebben

KUTATÁSI JELENTÉS. Multilaterációs radarrendszer kutatása. Szüllő Ádám

KUTATÁSI JELENTÉS. Multilaterációs radarrendszer kutatása. Szüllő Ádám KUTATÁSI JELENTÉS Multilaterációs radarrendszer kutatása Szüllő Ádám 212 Bevezetés A Mikrohullámú Távérzékelés Laboratórium jelenlegi K+F tevékenységei közül ezen jelentés a multilaterációs radarrendszerek

Részletesebben

Lineáris algebra Gyakorló feladatok

Lineáris 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

Részletesebben

Intelligens Rendszerek Elmélete. Biológiai érzékelők és tanulságok a technikai adaptáláshoz. Az érzékelés alapfogalmai

Intelligens Rendszerek Elmélete. Biológiai érzékelők és tanulságok a technikai adaptáláshoz. Az érzékelés alapfogalmai Intelligens Rendszerek Elmélete dr. Kutor László Biológiai érzékelők és tanulságok a technikai adaptáláshoz http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 2/1 Az érzékelés

Részletesebben

ESR-spektrumok különbözı kísérleti körülmények között A számítógépes értékelés alapjai anizotróp kölcsönhatási tenzorok esetén

ESR-spektrumok különbözı kísérleti körülmények között A számítógépes értékelés alapjai anizotróp kölcsönhatási tenzorok esetén ESR-spektrumok különbözı kísérleti körülmények között A számítógépes értékelés alapjai anizotróp kölcsönhatási tenzorok esetén A paraméterek anizotrópiája egykristályok rögzített tengely körüli forgatásakor

Részletesebben

YBL - SGYMMAT2012XA Matematika II.

YBL - SGYMMAT2012XA Matematika II. YBL - SGYMMAT2012XA Matematika II. Tantárgyfelelős: Dr. Joós Antal Tárgyelőadó: Dr. Joós Antal Tantárgyi leírás Oktatási cél: Azoknak a matematikai alapoknak a megszerzése, melyek a szaktárgyak elsajátításához

Részletesebben

Deutérium pelletekkel keltett zavarok mágnesesen összetartott plazmában

Deutérium pelletekkel keltett zavarok mágnesesen összetartott plazmában Deutérium pelletekkel keltett zavarok mágnesesen összetartott plazmában 1. Motiváció ELM-keltés folyamatának vizsgálata 2. Kísérleti elrendezés Diagnosztika Szepesi Tamás MTA KFKI RMKI Kálvin S., Kocsis

Részletesebben

3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás

3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás 3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás 15. Digitális Alakzatrekonstrukció Méréstechnológia, Ponthalmazok regisztrációja http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav54

Részletesebben

Megoldott 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 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+ =

Részletesebben

Szenzorcsatolt robot: A szenzorcsatolás lépései:

Szenzorcsatolt robot: A szenzorcsatolás lépései: 1. Mi a szenzorcsatolt robot, hogyan épül fel? Ismertesse a szenzorcsatolás lépéseit röviden az Egységes szenzorplatform architektúra segítségével. Mikor beszélünk szenzorfúzióról? Milyen módszereket használhatunk?

Részletesebben

Drótos G.: Fejezetek az elméleti mechanikából 4. rész 1

Drótos G.: Fejezetek az elméleti mechanikából 4. rész 1 Drótos G.: Fejezete az elméleti mechaniából 4. rész 4. Kis rezgése 4.. gyensúlyi pont, stabilitás gyensúlyi pontna az olyan r pontoat nevezzü valamely oordináta-rendszerben, ahol a vizsgált tömegpont gyorsulása

Részletesebben