Elosztóhálózati eszközök öregedés és várható élettartam vizsgálata
|
|
- Norbert Lakatos
- 5 évvel ezelőtt
- Látták:
Átírás
1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Villamos Energetika Tanszék Kálecz György Elosztóhálózati eszközök öregedés és várható élettartam vizsgálata TDK dolgozat KONZULENS Cselkó Richárd BUDAPEST, 2017
2 Összefoglaló A városokban a villamosenergia-átvitel föld alatti középfeszültségű kábelhálózaton történik. Ezen eszközök megfelelő működése elengedhetetlen a rendszer stabilitásának érdekében, valamint a struktúrából adódó nagy számú berendezés ellátása miatt. Egy-egy esetleges zárlat a fogyasztók hosszabb idejű kiesését eredményezheti a nehéz javíthatóság, illetve az ezt megelőző időigényes hibahely behatárolás miatt. Ezen eszközök megfelelő élettartammenedzsmentje nagyban elősegíti az energiaszolgáltatás megbízhatóságát a jövőben bekövetkező hibák számának csökkentésével. Dolgozatomban egy lehetséges eszközgazdálkodási módszert kívánok bemutatni, melynek segítségével lehetőség nyílik a meglévő eszközpark állapotának felmérésére, valamint hatékony karbantartási és javítási tervek kialakítására valószínűségi számítások segítségével. A módszer Weibull eloszlás segítségével modellezi az eszközök várható öregedését, amelynek köszönhetően egy élesebb képet kapunk a meglévő eszközpopuláció állapotáról. Az így létrejövő információ segítségével pedig egy a meglévő erőforrásokat jobban optimalizáló eszközgazdálkodási stratégia alakítható ki. 2
3 Abstract In urban territories, electric power is being transmitted by underground medium voltage cables. In order to maintain the stability of the transmission system as well as the high amount of consumer per cable, these means need to operate properly. When an error occurs in the system, the solving of the problem can take a long-time due to the location of these equipment. With a proper asset management system, these outages can be reduced in numbers and in the repairing times too. My research concentrating on a realization of an asset management system focusing on medium voltage cables. With this system, it will be possible to receive correct information about the current condition of the devices and create an effective maintenance plan for the future repair works. The basis of the model is the Weibull distribution. This method creates an opportunity for a lifetime prediction that is very close to reality. The goal of the system is to provide a better optimized asset management strategy with the same resources. 3
4 Tartalomjegyzék 1 Bevezetés Kábelek élettartammenedzsmentjének alapjai Az asset management fogalma és célja [1] Diagnosztika és karbantartás [1][2] Elosztóhálózati eszközök öregedésének folyamata [3][5] A kádgörbe Középfeszültségű kábelek szerepe a villamosenergia-elosztásban Kábelek meghibásodása A Weibull-eloszlás alkalmazása eszközgazdálkodási feladatokra Sűrűségfüggvény Eloszlásfüggvény Hibaráta függvény A Weibull-eloszlás széleskörű alkalmazásának okai Eloszlásfüggvény illesztése diszkrét adatpontokra Weibull-eloszlás illesztése [6][7] Weibull-plot Benard féle median rank Maximum likelihood módszer Középfeszültségű kábelek öregedésvizsgálatának MLE alapú modellje A nemlineáris egyenletrendszer A Broyden-módszer Az algoritmus kimenete Generált adatok Működés A tesztek értelmezése A modell értékelése: Goodness of fit Alkalmazás valós adatra A hibaráta függvény alkalmazása Összegzés Ábrajegyzék Irodalomjegyzék
5 1 Bevezetés Napjainkra a villamosenergia-átviteli, illetve elosztó hálózat egy rendkívül kiterjedt, komplex rendszerré nőtte ki magát. A XXI. századi ember számára az élet elképzelhetetlen villamosenergia nélkül. A jelenlegi életmódunk fenntartásához létszükségletté vált a megbízható, magas színvonalú energiaszolgáltatás. A hálózatot folyamatosan fejlesztik ennek érdekében, valamint lassan a bolygó minden pontjára eljut valamilyen formában. Ez a rendszer is, mint minden emberi alkotás, amelynek funkcióját szeretnénk megőrizni, az idő próbájának fokozatosan ki van téve. A színvonal fenntartásához, illetve emeléséhez is legalább annyira fontos a használatban lévő eszközök diagnosztikája, karbantartása, mint új, a korábbiaknál hatékonyabb technológiák, és innovációs eszközök beépítése. Egy megfelelő eszközgazdálkodási stratégia segítségével nemcsak a fogyasztók lesznek elégedettebbek, hanem a villamosenergia-szolgáltatók is spórolhatnak költségeiken. Dolgozatomban középfeszültségű kábelek öregedésének adatai alapján, illetve generált adatok alapján is demonstrálom az általam készített algoritmus működését. A valós adatokat magyarországi kábelek szolgáltatják, habár az adatmennyiség jelenleg még rendkívül szűkös, és ezáltal egy újabb probléma megoldására kényszerít: a módszer kevés adatból is képes legyen egy megfelelő, informatív kimenetet produkálni., amelynek segítségével hatást gyakorol a karbantartási, illetve javítási munkálatokra. A módszer elkészítése során R programozási nyelv, valamint MATLAB segítségével generálok adatokat, amelyekre aztán numerikus módszerek segítségével görbét illesztek, majd elemzem a görbe minőségét, és amennyiben ez megfelelő, lehetőség nyílik az adott típusú, de még üzemelő eszközök állapotának jellemzésére. 5
6 2 Kábelek élettartammenedzsmentjének alapjai 2.1 Az asset management fogalma és célja [1] Az asset management magyarul eszközgazdálkodás a meglévő eszközparkot illető javítási, csere döntések összefoglaló fogalmaként definiálható, amely figyelemmel kíséri értékük, állapotuk változását, és megpróbálja minden szempontból a lehető legideálisabb döntést meghozni egy adott eszközzel kapcsolatban, továbbá az esetnek megfelelő módon priorizálja a beavatkozások időbeli sorrendjét ábra Eszközgazdálkodás egy modellje [8] A 2.1 ábra alapján felfogható egy pénzügyi stratégiának, amely létszükséglet a működés fenntartása érdekében, ellenben egy helytelen stratégia a hatékonyság rovására megy, esetenként veszélyeztetheti a működőképességet. 6
7 2.2 Diagnosztika és karbantartás [1][2] Az eszközgazdálkodási stratégia létrehozása során létfontosságú, hogy az eszközparkról megfelelő információ álljon rendelkezésünkre, amellyel képesek vagyunk átfogó képet alkotni az eszközökről, és azt felhasználva egy hatékony karbantartási módszer segítségével költséghatékonyabbá alakíthatjuk rendszerünket. A diagnosztika feladata felhívni a figyelmünket egy esetleges hiba bekövetkezésének lehetőségére. A karbantartás feladata az eszköz helyreállítása vagy cseréje, tehát a hiba bekövetkezési valószínűségének kielégítő csökkentése. Időfüggő Megbízhatósági alapú Eseményfüggő Állapotfüggő 2-2. ábra Karbantartási stratégiák A négy felsorolt közül az eseményfüggő a legegyszerűbb, amikor hibaesemény következik be, akkor történik beavatkozás, nincs megelőzés. Az állapotfüggő esetében alkalomszerű, vagy akár folyamatos állapotelemzés, szükség esetén beavatkozás. Az időfüggő karbantartási stratégia fix időintervallumok szerint ellenőrzi a berendezés állapotát. A legfejlettebb megbízhatósági alapú karbantartási stratégia egyszerre képes mérlegelni az eszköz jelentőségét és állapotát, valószínűségi számításokat alkalmaz, összetettebb következtetéseket használ a döntés meghozatalához, például egy eszköz meghibásodása esetén annak adatait felhasználva befolyásolhatja egy másik eszközzel kapcsolatos döntés meghozatalát. 7
8 2.3 Elosztóhálózati eszközök öregedésének folyamata [3][5] Minden eszköz valamilyen funkció ellátásának céljából készül. Az idő múlásával feladatát karbantartás nélkül egy idő után már nem tudja ellátni. Ezt a pillanatot elérve az eszköz eléri élettartamának végét. Az öregedés folyamata rendkívül komplex folyamat, rengeteg befolyásoló tényezővel, amelyek egymásra is hatnak. A nagyfeszültségű berendezések állandó igénybevételei közé tartoznak a mechanikai, termikus, villamos, kémiai igénybevételek. Ezeken kívül előfordulhat valamilyen hirtelen, jelentős igénybevétel, aminek következtében az eszköz öregedési folyamata megváltozik, akár el is éri élettartama végét. Ez utóbbi jelenségek közé tartozik a villámlás, jelentős túlterhelés vagy az állandó igénybevételek bármelyike a megszokottnál jóval nagyobb igénybevétellel például villamos igénybevétel esetén egy kapcsolási túlfeszültség. Az eszközök élettartamának modellezésére szolgál az alakjáról elnevezett kádgörbe A kádgörbe 2-3. ábra Kádgörbe [9] Az eszközök egyes hibái használat során jönnek elő, ezt reprezentálja a görbe korai szakasza, amely a konstrukciós, gyártási és szerelési hibák miatt nagyobb meghibásodási esélyt rejt, míg a végső szakaszon az elhasználódás miatt nő a hiba valószínűsége. A görbe középső része a hasznos életkort szemlélteti. Megfelelő konstrukció esetén ez a normál működési szakasz a leghosszabb az eszköz életében. Fontos megjegyezni, hogy a három szakasz éles elhatárolását lehetetlen végrehajtani, ezáltal a meghibásodási 8
9 intenzitás egy folytonos valószínűségi változó, amelyet például Weibull-eloszlással lehet közelíteni. Mivel nem tudunk választópontot kijelölni az egyes szakaszok átfedésbe kerülnek, így előfordulhat, hogy egy eszközt leselejtezünk, pedig az még képes lenne funkciója ellátására, míg egy másikat megfelelőnek gondolunk, és további üzemeltetésével nem várt esemény következik be. 2.4 Középfeszültségű kábelek szerepe a villamosenergiaelosztásban Magyarországon a városi villamosenergia-elosztás mellett az ipari szektor energiaszükségleteinek ellátásában is kulcsfontosságú szerepet játszanak a középfeszültségű kábelek. Jellemző névleges feszültségszint a 11 kv, illetve a 22 kv, de elvétve előfordulnak 35 kv-on üzemelő kábelszakaszok is. Az országban nagyobb mennyiséget az 1970-esés 1980-as években helyeztek üzembe, amelyek nagy része már életkora végén, elhasználódása határán mozog, nevezetesen a roundal típusú kábel, amely egy polietilén szigetelésű kábel jelenleg hozzávetőlegesen 5000 km üzemel a villamosenergia-elosztóhálózatban. Létezik egy, illetve háromfázisú kivitelben is. Utóbbi típushibája, hogy az érszigetelések közti térrész nincs kitöltve, így az sérülés esetén hosszában feltelik vízzel, amely a kábel meghibásodásához vezethet.[4] 2-4. ábra 3 fázisú kábel felépítése [10] 9
10 2.5 Kábelek meghibásodása A föld alatti kábelek meghibásodásának legnagyobb része ember okozta behatás miatt következik be. Földmunkálatok során az érszigetelés megsértése egyfázisú kábelek esetén azonnali földzárlat bekövetkezését vonja maga után, háromfázisú esetben előfordulhat még az előbbin felül két fázis közötti, illetve több fázis és föld közötti zárlat, amelyek esetén a védelem lekapcsolja az adott kábelszakaszt. Ezek a hibák nem vehetők figyelembe öregedésvizsgálatkor, hiszen megjelenésük a kábelszigetelés öregedésétől, romlásától független, véletlen események eredménye. Az élettartam vizsgálatok során az állandó igénybevétel miatti szigetelés romlást vizsgáljuk. Legjellemzőbb roncsoló folyamatok a termikus öregedés, részkisülés a kábelszigetelésben, valamint a water treeing. Termikus öregedés során a kábel áramterhelése, valamint esetlegesen a környezeti hőmérséklet általi fokozott igénybevétel felgyorsítja az öregedés folyamatát. A részkisülés egy nem elektródtól elektródig tartó villamos letörés, amely a szigetelés fokozatos roncsolásával egy idő után átütéshez vezet. A villamos eredetű kábelhibák döntő többségét részkisülések okozzák. A water treeing jelensége nedvesség jelenléte mellett jöhet létre a kábel szigetelésében. Apróbb, mikroszkópikus sérülés hatására a víz a szigetelés belsejében az elektromos térerősség által befolyásolt módon terjedni kezd. Egy idő után a folyamat által véghezvitt roncsolás olyan mértékű lesz, hogy az zárlatot eredményez. A középfeszültségű kábelek javítása komplikált feladat elhelyezkedésük miatt. Nem várt esemény bekövetkezése esetén először szükséges a hibahely behatárolása. A legmodernebb módszerek képesek 1-2 méteres hibával beazonosítani a hiba helyét. A behatárolást követően a környezeti paraméterektől függően elhúzódhat a tényleges javítási munkálat megkezdésének ideje. Fontos tehát az üzemben lévő kábelek hibáinak minimalizálása, hiszen az esetek döntő többségében az érintett fogyasztók hosszabb kiesésre számíthatnak. 10
11 3 A Weibull-eloszlás alkalmazása eszközgazdálkodási feladatokra A valószínűségszámítás elméletében és a statisztika területén a Weibull-eloszlás egy folytonos valószínűség-eloszlás. Ezt az eloszlást Waloddi Weibull-ról nevezték el, aki 1951-ben írta le részletesen. A Weibull-eloszlásra alapuló élettartam előrejelzés az egyik leggyakrabban használt, és az egyik leghatékonyabb módszer hibaanalízis, valamint megbízhatósági számítások során. 3.1 Sűrűségfüggvény A Weibull x valószínűségi változó valószínűség-sűrűségfüggvénye: f x, λ, k = f x = k x '() e ( + -,, ha x 0 λ λ 0, ha x < 0 (3-1) ahol k > 0 az alakparaméter és λ > 0 a skálaparaméter. Az alakparaméter esetében k < 1 érték azt jelenti, hogy az eszköz hibájának valószínűsége az idővel csökken, k = 1 esetben pedig időfüggetlen a meghibásodás valószínűsége, tehát az öregedéssel kapcsolatos hibák modellezése esetén a keresett tartomány: k > 1, ami értelemszerűen az idő múlásával növekvő meghibásodási kockázatot jelent. 11
12 3-1. ábra Sűrűségfüggvény különböző alakparaméterek esetén [11] 3.2 Eloszlásfüggvény A Weibull-eloszlás kumulatív eloszlásfüggvénye: F x, λ, k = f t, λ, k + (6 dt = 1 e ( +,, ha x 0 0, ha x < 0 - (3-2) ahol f(t, λ, k ) az adott eloszláshoz tartozó sűrűségfüggvény. Az eloszlásfüggvény megadja, hogy adott x (jelen esetben életkor) érték mellett mekkora a valószínűsége, hogy az adott elem már meghibásodott. 12
13 3-2. ábra Eloszlásfüggvény különböző alakparaméterek esetén [12] 3.3 Hibaráta függvény A Weibull-eloszlás hibaráta függvénye: h x, λ, k = f(x) 1 F(x) = k λ x λ '() (3-3) ahol f(x) az adott eloszláshoz tartozó sűrűségfüggvény, F x pedig az eloszlásfüggvény. A hibaráta függvény megadja, hogy adott x érték (jelen esetben életkor) mellett az elemek hány százaléka hibásodik meg. 3.4 A Weibull-eloszlás széleskörű alkalmazásának okai A mérnöki tudományok minden területén találkozhatunk valamilyen szintű öregedésvizsgálati módszerrel. Fontos, hogy az általunk felállított modell jól közelítse az elhasználódás folyamatát, lehessen rá jövőbeli stratégiákat építeni. Kézenfekvő, hogy egy olyan módszert alkalmazzunk, amely rendkívül jól hangolható, valamint megfelelő pontosságot biztosít a folyamat leírásában. A két paraméteres Weibull-eloszlás két szabadságfokának köszönhetően és helyes alkalmazásának segítségével képesek vagyunk 13
14 egy rendkívül valósághű modellt alkotni egy eszköz várható élettartamáról. A paraméterek hangolásával lehetőség nyílik a görbe alakjának nagyfokú megváltoztatására. Az következő ábrákon látható sűrűséghisztogram a generált meghibásodási adatokat mutatja, az ábrázolt függvény pedig az illesztett Weibull sűrűségfüggvénye ábra Weibull eloszlás csökkenő meghibásodási valószínűséggel A grafikon alakjának magyarázata (alakparaméter kisebb, mint 1), hogy a szimulált eszközpopuláció valamilyen gyermekbetegségben szenved, ezért jelentős a kezdeti szakasz meghibásodásainak száma. A csökkenő meghibásodás esélye pedig annak tudható be, hogy a selejtes elemeket eltávolítjuk a rendszerből, így már csak a túlélők maradnak. 14
15 3-4. ábra Weibull, mint normális eloszlás Az alakparaméter megfelelő hangolásával (3 és 4 közötti értéket rendelve hozzá) előállítható egy szimmetrikus, harang alakú görbe, amely a normális eloszláshoz hasonló. A Weibull-eloszlásból származtatható az exponenciális eloszlás. Karakterisztikájából adódóan az alakparamétert 1-nek választva egy olyan exponenciálisan lecsengő görbét kapunk, amelynek kitevője a skálaparaméter reciproka. 15
16 3-5. ábra Weibull, mint exponenciális eloszlás Míg a normális eloszlás esetében csak közelítő görbéről van szó, az exponenciális eloszlás teljes egészében kiváltható a fent említett paraméterbeállítással. Ebből következik, hogy az exponenciális eloszlásra épülő öregedési modelleknél minden esetben megfelelőbb egy Weibull eloszlásra épülő előrejelző algoritmus. 16
17 4 Eloszlásfüggvény illesztése diszkrét adatpontokra A görbeillesztés egy olyan matematikai folyamat, amelynek során egy empirikus adathalmazról szeretnénk információt nyerni, az adatok egymáshoz való viszonyára szeretnénk értelmezhető jellemzést adni egy már ismert valószínűségi modell segítségével. A megfelelő karakterisztikájú eloszlás meghatározása nem triviális folyamat. Egyértelműen semmilyen esetben nem mondható egy tapasztalati adathalmazra, hogy az egy megjelölt eloszlást követ. Görbeillesztés során az általunk elkészített modell és a valós folyamat közti hiba minimalizálása a cél. Tökéletes illeszkedés természetben lejátszódó folyamatokra mivel erőforrásaink végesek - nem érhető el, valamint a tényleges paraméterek meghatározásához végtelen mennyiségű adatra lenne szükség. Erre a célra sokféle eljárás létezik, analitikus megközelítés például az interpoláció, amelynek során egy adathalmazhoz keresünk egy tökéletesen illeszkedő görbét. Ez csak elméletben valósítható meg, ugyanis a görbe leírása zárt alakban nem biztos, hogy lehetséges, azonban például egy hiányos adathalmaz hiányzó elemeinek jelleget számottevően nem deformáló helyettesítése céljából eredményes algoritmus készíthető segítségével ábra Interpoláció A matematikai statisztika egyik leggyakrabban alkalmazott módszere a témában a regresszió. Eltérése az interpolációtól, hogy lemondunk a hibátlan illeszkedésről. A számított görbe kikötése, hogy minden egyes pont esetén az eltérés a valós adatpontoktól egy meghatározott intervallumon belülre essen, különben a modell nem megfelelő. A 17
18 következőkben ismertetett eljárások közül a median rank és a maximum likelihood módszer a regresszió csoportjába tartoznak. 4.1 Weibull-eloszlás illesztése [6][7] A következőkben néhány elterjedt Weibull-görbeillesztési eljárást mutatok be, amelyek bonyolultsága és alkalmazhatósága is eltér Weibull-plot Görbeillesztést végezhetünk grafikus módszerekkel. Az adathalmazunk pontjait egy olyan koordináta-rendszerben helyezzük el, amelyben a Weibull-eloszlás eloszlásfüggvénye egy egyenes, ezáltal megkönnyítve dolgunkat, majd ezt követően leolvassuk a paraméterek értékét a grafikonról. A transzformáció folyamata Descartes-koordináta rendszerből az alábbiak szerint történik: F T = Q T = 1 e ( U, - (4-1) ln 1 Q T = ln (e ( U, - ) (4-2) ln 1 Q T = T λ ' (4-3) ln ln 1 Q T = k ln T λ (4-4) ln ln 1 1 Q(T) = k ln T k ln (λ) (4-5) Legyen y = ln ln ) )(Y(U), valamint x = ln (T), ahol T az adatvektor, Q(T) pedig az eloszlásfüggvény. Így az alábbi eredményt kapjuk: y = k x k ln (λ) (4-6) Ez a formula immár egy lineáris függvény, amely k meredekséggel, illetve egy k ln (λ) eltolással írható le. 18
19 4-2. ábra Linearizált Weibull-eloszlásfüggvény A grafikus paraméterbecslés a numerikus módszerek térnyerésével háttérbe szorult, de ellenőrzésnek továbbra is kiválóan használható Benard féle median rank A median rank számítása során az adathalmazt időintervallumokra osztjuk fel a meghibásodások ideje alapján. Minden i-edik halmazt magába foglalja az őt követő i+1- edik, azaz az utolsó intervallum számossága megegyezik az összes meghibásodás számával. Az intervallumokon belül található meghibásodások számát összegezzük, majd a következő formulával meghatározzuk a meghibásodási valószínűséget: MR \ = j 0,3 N + 0,4 (4-7) Ahol j az adott intervallumba tartozó meghibásodások száma, N pedig az adathalmaz számossága. A kapott érték megadja, hogy mekkora valószínűséggel megy tönkre egy adott típusú eszköz az intervallum végére. A median rank számítására többféle algoritmus létezik. A módszer alkalmazható kevés megbízhatósági adat rendelkezésre állása esetén is. Hiányossága, hogy mindenképp intervallumokra kell felosztani az adatokat, ami további pontatlanságot okoz a becslés során. 19
20 Meghibásodás ideje [év] Maximum likelihood módszer 4-1. táblázat Meghibásodott eszközök száma Benard féle median rank érték [%] A maximum likelihood módszer (magyarul: legnagyobb valószínűség, továbbiakban: MLE) a matematikai statisztika egyik leggyakrabban használt görbeillesztési eljárása. Az MLE célja, hogy adott értékekhez, a valószínűségi eloszlás ismeretlen paramétereinek olyan becslését adja meg, amely mellett az adott érték a legnagyobb valószínűséggel következik be. Jelen esetben a már ismertetett skála- és alakparaméter legvalószínűbb értékét keressük az adott meghibásodási időpontok alapján a log-likelihood föggvény alkalmazásával A Log-likelihood függvény Az általános Log-likelihood függvény a 2 paraméteres Weibull-eloszlás esetén a következő: ln L = Λ = f g dh) N d ln k λ n T d λ N d i T d i dh) λ '() e ( U e, fm - kk ' + N d ii ln e ( U je dh), - e ( U kk le, - (4-8) ahol: Fe a csoportok száma, amelybe a hibákat foglaljuk; Ni k λ Fe-n belül az i-edik csoport számossága; a Weibull-eloszlás becsült alakparamétere à Ismeretlen; a Weibull-eloszlás becsült skálaparamétere à Ismeretlen; 20
21 Ti S N d i T d i FI N d ii ii T d ii T d az i-edik csoport meghibásodásának ideje; a csoportok száma, amelybe a nem öregedés okozta hibákat foglaljuk; S-n belül az i-edik csoport számossága; az i-edik csoport, amely a nem öregedés okozta hibák idejét tartalmazza; az intervallumok száma, amelybe a hibákat csoportosítjuk; az intervallumok száma az i-edik intervallumban; az i-edik intervallum első eleme; az i-edik intervallum utolsó eleme. A paraméterek becslését többféleképpen elvégezhetjük: - közvetlenül a Log-Likelihood függvény maximalizálásával, - a két paraméter szerinti parciális deriválás eredményeképpen adódó két nemlineáris egyenletet tartalmazó egyenletrendszer megoldásával, mindkét esetben szükségünk van egy solver implementálására, amely numerikus módszerek felhasználásával dolgozik. 21
22 5 Középfeszültségű kábelek öregedésvizsgálatának MLE alapú modellje Az esetek döntő többségében pontosabb paraméterbecslést tesz lehetővé az MLE, emiatt további munkám során ennek a módszernek a segítségével végeztem a paraméterbecslő számításokat. A modell közvetlen bemeneti paramétere a meghibásodások ideje egy adott eszköztípus esetén, kimenete pedig az illesztett Weibull-eloszlás paraméterei, amelynek jóságát ellenőrzi, valamint a számítások során mérlegel és döntést hoz a lehető legjobb kimenet előállítása érdekében. 5.1 A nemlineáris egyenletrendszer Munkám során a parciálás deriválást választottam a solver algoritmus implementálásakor, valamint a Log-likelihood függvényt egyszerűsítettem az alábbiak szerint: - a nem öregedési folyamatok okozta hibákat már a görbeillesztés megkezdése előtt, az adatbázis előkészítése során elimináltam - nem osztottam fel intervallumokra az öregedést, a teljes folyamatot egyben kezeltem üzembe helyezéstől az elhasználódásig. Az adódó egyenletrendszer: f k, λ = Λ k = N k + dh) Λ λ = k λ ln T d λ T d λ N + k λ dh) dh) T d λ ' ' ln T d λ = 0 = 0 (5-1) ahol: Ti az adott elem meghibásodási életkora; N k λ a meghibásodási adatok száma; a Weibull-eloszlás becsült alakparamétere à Ismeretlen; a Weibull-eloszlás becsült skálaparamétere à Ismeretlen. 22
23 5.2 A Broyden-módszer Nemlineáris egyenletrendszert sokféle numerikus algoritmussal megoldhatunk. Egyik legismertebb a Newton-Raphson (továbbiakban: NR) módszer. Az algoritmusnak léteznek változatai, amelyeket kvázi-newton módszereknek neveznek Ide tartozik a Broyden-módszer is, amely annyiban különbözik a NR algoritmustól, hogy a számítás során nem igényel Jacobi-mátrixot, vagyis nem szükséges deriválni minden iteráció alatt, csak az algoritmus saját segédmátrixát kell frissíteni, ezáltal a futási idő jelentősen lerövidülhet. A megoldandó egyenlet: B dˆ) x d = f(x d ) (5-2) ahol B a Broyden mátrix x d a 2 paraméter i-edik iterációhoz tartozó értéke, vektor: x d = U k d λ d f x d a megoldandó egyenletrendszer x d helyettesítéssel A Broyden mátrix frissítése: B dˆ) = B d + f x d B d x d x d U x d U x d (5-3) ahol f x d =f x dˆ) f x d x d = x dˆ) x d Kezdetben a Broyden-mátrix egy identitásmátrix, x pedig a kezdeti becslés fele.a két ismeretlen paraméter kezdeti becslése, azaz az x vektor kezdeti értékei a Weibull-eloszlás karakterisztikájának figyelembe vételével a következő módon kerülnek meghatározásra: k Ž = 1,2 var ln T (5-4) λ Ž = e ˆŽ, ' (5-5) ahol T a meghibásodási életkorokat tartalmazó vektor; var m a mátrix varianciája; az ln T vektor átlaga. 23
24 Az iterálás befejezését a következő dolgok okozhatják: - a kezdeti becslés megfelelő, ilyenkor az MLE algoritmusra nincs szükség; - nagyon kis intervallumon belül változnak a paraméterek az iterálás során, tehát a becslés megfelelő; - elérte a maximális határt a lépésszámmal, ilyenkor a rendszer a legutolsó iteráció adatait közli. A felsorolt esetekben a solver automatikusan dönt az ideális kimenet előállításának érdekében. Az iterálás végeztével az eloszlás becsült paraméterei már nem ismeretlenek. 5.3 Az algoritmus kimenete Generált adatok A modell működésének bemutatása céljából tesztadatokkal is végeztem szimulációt. Öregedés okozta meghibásodási adatokat egy R programnyelven írt kód segítségével meghatározott paraméterű Weibull-eloszlás használatával hoztam létre, majd az adatokat a függvénynek átadva, az elvárt kimenetet előre ismerve összehasonlítottam a modell által adott értékekkel Működés A tesztelés során fontos a meghibásodási adatok számossága. A görbeillesztést nagyban megkönnyíti, ha a rendelkezésre álló adathalmaz statisztikai mennyiségű, azaz több mint 200 adatot tartalmaz. A hazai gyakorlatnak megfelelően középfeszültségű kábelek esetén a rendelkezésre álló adatmennyiség ennél jóval kisebb a hiányos nyilvántartásnak köszönhetően. A solver algoritmusának készítése során különös figyelmet fordítottam a kis számú adathalmaz megfelelő kezelésére, azonban a minden esetben konvergens implementáció létrehozása lehetetlen feladat. Szükséges tehát az ellenőrzés futási időben, valamint az eredmények közlése után is. A modell MATLAB környezetben van implementálva, ezáltal a vizuális megjelenítés a MATLAB sajátja Teszt 1 30 meghibásodási adatot generálva k = 8, és λ = 35 értékekkel a rendszer a következő kimenetet adta: 24
25 k λ 6, , ábra Első teszt sűrűségfüggvénye 25
26 5-2. ábra Első teszt eloszlásfüggvénye 5-3. ábra Első teszt hibaráta függvénye 26
27 Teszt 2 10 meghibásodási adatot generálva k = 9, és λ = 32 értékekkel az algoritmus a következő kimenetet adta: k λ 9, , ábra Második teszt sűrűségfüggvénye 27
28 5-5. ábra Második teszt eloszlásfüggvénye 5-6. ábra Második teszt hibaráta függvénye 28
29 Teszt meghibásodási adatot generálva k = 11, és λ = 29 értékekkel az algoritmus a következő kimenetet adta: k λ 10, , ábra Harmadik teszt sűrűségfüggvénye 29
30 5-8. ábra Harmadik teszt eloszlásfüggvénye 5-9. ábra Harmadik teszt hibaráta függvénye 30
31 5.3.3 A tesztek értelmezése Minden egyes teszt esetében feltüntettem az elméleti és a függvény által becsült paraméterértékeket. Tökéletes paraméteregyezés csak végtelen számú adat esetén lenne lehetséges, amely végtelen időt igényel, ezáltal az algoritmus az optimális kimenetel eredményét közli. A 5-1, 5-4 és 5-7 ábrán az illesztett sűrűségfüggvény látható, valamint a hibák hisztogramja. Ez az ábra rendkívül jól szemlélteti az adat számossága okozta eltéréseket, azonban az algoritmus jól bánik a kis és nagy adathalmazzal is, megállja a helyét MATLAB és R programozási nyelvben implementált algoritmusok mellett is. A többi függvény esetében már nem lesz szembetűnő a különbség ebből a szempontból. A 7-2, 5-5 és 5-8 ábrán az illesztett eloszlásfüggvény, a konfidenciaintervallumok, valamint a hibák tapasztalati eloszlásfüggvénye látható. A konfidenciaintervallumok a fenti esetekben 80%-os intervallumot jelentenek. Az 5-3, 5-6 és 5-9 ábrán a hibaráta függvények láthatók. A függőleges tengelyen százalékos értékben látható egy adott életkorhoz tartozó meghibásodási ráta, amely megadja, hogy az állomány hány százaléka hibásodik meg az adott élettartam alatt. A hibaráta és az összes adott típusú, üzemelő eszköz koreloszlásának szorzataként előállítható a jövőbeli meghibásodások becslése, azonban a koreloszlás nem modellezhető Weibull-eloszlással, ezáltal ahhoz szükségesek valós adatok A modell értékelése: Goodness of fit Az algoritmus jellemzést ad a tapasztalati és az illesztett eloszlásfüggvény távolságának alapján, valamint a konfidenciaintervallumon kívül eső elemek mennyisége alapján az illesztés minőségéről. A konfidenciaintervallumok a becsült paraméterek eltolásával készülnek, a félrehangolás mértéke a konfidenciaintervallum által támasztott kritérium szigorúságától függ. Az illesztés minősége: - kiváló, ha a tapasztalati eloszlásfüggvény pontjainak legalább 90%-a a konfidenciaintervallumon belülre esik; - megfelelő, ha a tapasztalati eloszlásfüggvény pontjainak legalább 80%-a a konfidenciaintervallumon belülre esik; 31
32 - rossz, ha a tapasztalati eloszlásfüggvény pontjainak kevesebb, mint 70%-a esik a konfidenciaintervallumon belülre. A tapasztalati és az illesztett Weibull-eloszlás eltérésének számítása Khí-négyzet próbát végző algoritmus segítségével történik, amelynek lényege, hogy egy mért és egy elvárt kimenetet hasonlít össze. Jelen esetben az elvárt kimenet a tökéletes illeszkedés az empirikus adatokra, a mért pedig az algoritmus kimenete. Az összehasonlítás pontpáronként történik, a párokat a meghibásodási idő rögzítésével képezzük, majd ezt követően az egy adott életkorhoz tartozó függvényértékek kerülnek összehasonlításra. C d = (P(x d ) F(x d )) (5-6) ahol C Khí-négyzet próba eredményeit tároló vektor; P(x ) F(x ) a tapasztalati eloszlásfüggvény i-edik meghibásodási életkorához tartozó értéke; az illesztett Weibull eloszlás i-edik meghibásodási életkorához tartozó értéke Ha az algoritmus minden egyes kiindulási értékre meghatározta az eltérést, megnézi a maximális különbséget a két függvény között, amelynek egy meghatározott érték alatt kell lennie. Valós adatok esetén a modellünk ellenőrzését érdemes további szemléletes és könnyen értelmezhető módszerekkel elvégezni. A konfidenciaintervallumok meghatározásán felül modellünket további grafikus minőségellenőrzési módszerek segítségével értékelhetjük. A tapasztalati eloszlásfüggvény és az általunk illesztett eloszlásfüggvény értékeinek fent említett párosítása után ábrázolhatjuk őket egy grafikonon, amit P-P plot-nak neveznek. Az így előálló pontok egyik koordinátája tehát a tapasztalati, míg másik koordinátája az általunk alkotott modell meghibásodási valószínűségét foglalja magában. Tökéletes illesztés esetén a pontpárok két koordinátája megegyezik, ezáltal az f(x) = x egyenesre esnek. 32
33 5-10. ábra P-P grafikon generált adatra Az 5.10 ábrán látható valószínűségértékeket Weibull-eloszlás alapján generáltam, ezek a pontok y koordinátái, a becsült paraméterek által meghatározott valószínűség értékek kerülnek az x tengelyre. A pontpárok és az f x = x egyenes pontjainak távolsága rendkívül kicsi, ebből a következően a minta nagy valószínűséggel az illesztett eloszlást követi. Az ábra különösen az adathalmaz mediánjához tartozó valószínűségértékek közelében szolgáltat, a felbontás a valószínűségi értékek miatt a (0;1) intervallumra korlátozódik. 33
34 5-11. ábra Q-Q grafikon generált adatra A P-P grafikon mellett a másik gyakran használt vizuális illeszkedésminőség ellenörző ábra a Q-Q grafikon. Ebben az esetben a tapasztalati és az illesztett kvantilisek alkotják a pontpárok két koordinátáját. Értékük az adathalmaztól függő. A P-P grafikonhoz hasonlóan tökéletes illeszkedés esetén lineárisan helyezkednek el a tengelyekre 45 -ot bezáró egyenesre. 5.4 Alkalmazás valós adatra A korábban említett roundal típusú kábelre sikerült öregedés okozta meghibásodási adatot kinyerni. A meghibásodási adatokat szolgáltató adatbázis hiányossága miatt a ténylegesen görbeillesztés alapjául felhasználható adatok száma mindössze 6, míg a vizsgált területen üzemben lévő kábelek száma
35 5-12. ábra A kábelek koreloszlása Meghibásodott roundal kábel üzembehelyezésének ideje [év] 5-1. táblázat Öregedés miatt meghibásodott eszközök száma Az algoritmus kimenete: k λ 7, ,
36 5-13. ábra Roundal hibák sűrűségfüggvénye 36
37 5-14. ábra Roundal hibák eloszlásfüggvénye ábra Roundal hibaráta függvény 37
38 Az illesztés nehézségét a kevés meghibásodási adaton felül az egybeeső meghibásodási évek tovább nehezítik. Az 5-14 ábrán azonban jól látszik, hogy a konfidenciaintervallumon kívül az empirikus eloszlásfüggvénynek csak egy pontja esik, ellenben az algoritmus közepesnek ítéli az alkotott modellt ábra P-P grafikon a roundal meghibásodások alapján ábra Q-Q grafikon a roundal meghibásodások alapján 38
39 A grafikus minőségvizsgálatokon még jobban kiütközik a kevés, illetve egyező meghibásodási adatok okozta hiba, azonban a becslést nem vethetjük el teljesen, mindössze a bizonytalanságot növeli. Lehetséges, hogy statisztikai mennyiségű meghibásodási adat rendelkezésre állása esetén a jelenlegi modellünk megfelelő képet ad a valós öregedési folyamatról, viszont előfordulhat olyan eset, hogy a modell nem megfelelő A hibaráta függvény alkalmazása A gyakorlati alkalmazásban fontos a megfelelő szemléltetés. Az eloszlásfüggvény és a sűrűségfüggvény által szolgáltatott információk közvetlenül nem dolgozhatók fel laikus számára, azonban a hibaráta függvény és a meglévő még meg nem hibásodott eszközök eloszlásának segítségével könnyen szemléltethetjük az eredményt ábra A veszélyeztetett eszközök és a koreloszlás aránya 39
40 A modellalkotás fő célja az eszközgazdálkodás során, hogy a jövőbeni meghibásodások bekövetkezésének esélyére felhívja a figyelmet, segítsen az eszközpark optimalizálásában, és prioritást rendeljen a javítási munkálatokhoz. A modell kimenete alapján az 1982 előtt üzembe helyezett kábelek jelentős részénél öregedés okozta meghibásodás bekövetkezése várható a közeljövőben. Tekintve, hogy a vizsgált területen a kábelek jelentős része az említett tartományba esik a hiba előfordulásának minimalizálása érdekében az öregedett eszközpark nagy részét új kábelekre kellene cserélni, vagy költségkímélő alternatívaként fokozott diagnosztikai vizsgálatok során egy pontosabb képet alkotni az állapotukról, amelynek segítségével egy még jobban priorizált karbantartási terv alakítható ki, amelynek alkalmazását követően jelentősen és egyben költséghatékony módon csökken a meghibásodás valószínűsége. 40
41 6 Összegzés Az elméleti alapok áttanulmányozását követően elkészítettem egy Weibull-eloszlás paraméterbecslését végző algoritmust, amely kielégítő pontossággal dolgozik a generált adatokkal végzett tesztek alapján. Futási időben és az eredmények közlését követően is mind matematikai, mind grafikus úton jellemzi a modell minőségét, eredményeit közvetlenül fel lehet használni az eszközgazdálkodási tevékenységekben, valamint a Broyden-módszer alkalmazásának köszönhetően a solver futási idejének tekintetében is megállja a helyét más, nagyobb programmodulok algoritmusai mellett. Mivel tökéletesen nem illeszthető tapasztalati adatokra görbe, ezért azt sem lehet kijelenteni, hogy a Weibull-eloszlással lehet legjobban közelíteni egy adott öregedési folyamatot. Az algoritmust érdemes lenne úgy kibővíteni, hogy többfajta eloszlás illeszkedését vizsgálja a bemeneti adatokra, majd mérlegeljen, melyik a legjobb modell. Ilyen eloszlás lehet például a gamma vagy a log-normális eloszlás. A korábbi fejezetekben ábrázolt illesztési metódusok pontossága nagyban függ a bemeneti paraméterek számosságától. Amennyiben nem elegendő, úgy az azon adatokra illesztett görbe kis bizonyossággal adja vissza a valós tendenciát. Az algoritmus integrálható egy nagyobb eszközgazdálkodási rendszerbe, ahol a karbantartási adatok figyelembevételével a karbantartási priorizálás hatékonysága tovább növelhető. Az egy adott eszközre vonatkozó végeredmény, miszerint mekkora eséllyel hibásodhat meg az adott pillanatban közvetlen bemeneti paramétere lehet egy FUZZY logikát alkalmazó rendszernek. Munkám során betekintést nyerhettem egy érdekes és szerteágazó témakör egy kis szeletébe. Az algoritmus alkalmazása megkönnyítheti az elosztóhálózati, valamint minden egyéb olyan terület dolgozóit, akik öregedési folyamatokat szeretnének modellezni. 41
42 Ábrajegyzék 2-1. ábra Eszközgazdálkodás egy modellje [8] ábra Karbantartási stratégiák ábra Kádgörbe [9] ábra 3 fázisú kábel felépítése [10] ábra Sűrűségfüggvény különböző alakparaméterek esetén [11] ábra Eloszlásfüggvény különböző alakparaméterek esetén [12] ábra Weibull eloszlás csökkenő meghibásodási valószínűséggel ábra Weibull, mint normális eloszlás ábra Weibull, mint exponenciális eloszlás ábra Interpoláció ábra Linearizált Weibull-eloszlásfüggvény ábra Első teszt sűrűségfüggvénye ábra Első teszt eloszlásfüggvénye ábra Első teszt hibaráta függvénye ábra Második teszt sűrűségfüggvénye ábra Második teszt eloszlásfüggvénye ábra Második teszt hibaráta függvénye ábra Harmadik teszt sűrűségfüggvénye ábra Harmadik teszt eloszlásfüggvénye ábra Harmadik teszt hibaráta függvénye ábra P-P grafikon generált adatra ábra Q-Q grafikon generált adatra ábra A kábelek koreloszlása ábra Roundal hibák sűrűségfüggvénye ábra Roundal hibák eloszlásfüggvénye ábra Roundal hibaráta függvény ábra P-P grafikon a roundal meghibásodások alapján ábra Q-Q grafikon a roundal meghibásodások alapján ábra A veszélyeztetett eszközök és a koreloszlás aránya
43 Irodalomjegyzék [1] Asset Management Decision Making using different Risk Assessment Methodologies for Electricity Transmission CIGRÉ Working Group C1.25, June 2013 ISBN: [2] J. Schneider, A. Gaul, C. Neumann et al.: Asset management techniques 15th PSCC, Liege, August 2005 [3] Rogier A.. Jongen,, Edward Gulski,, Johan J.. Smit Piotr Cichecki: Statistical Approach in Power Cables Diagnostic Data Analysis, IEEE Transactions on Dielectrics and Electrical Insulation,, December 2008 [4] [5] System evolution and reliability of systems [6] Fazekas Tibor: Elosztóhálózati berendezések öregedésének szimulációja, TDK dolgozat, 2011 [7] Cselkó Richárd, Németh Bálint: A statisztikai élettartam elemzés alkalmazása és korlátai a villamosenergia-hálózat eszközgazdálkodásában, 2014 [8] [9] [10] jpg, [11] Valószínűség-sűrűségfüggvény (2 paraméteres), 500px-Weibull_PDF.svg.png, [12] Kumulatíveloszlás-függvény (2 paraméteres), 500px-Weibull_CDF.svg.png, [13] M. Mohseni: What does Asset Management Mean To You?, 2003, IEEExplore [14] L. Asgarieh,, G. Balzer, A. J.. Gaul: Condition Assessment for Optimal Planning and Operation of Power Systems with the Aid of Ageing Models, IEEE Bucharest Power Tech Conference,, June 2009 [15] O. Tor, M. Shahidehpour: Power Distribution Asset Management, 2006, IEEExplore
44 [16] Generic guidelines for life time condition assessment of hv assets and related knowledge rules, CIGRÉ Working Group D1.17, June 2010 [17] T.Kostic: Asset Management in Electrical Utilities: How Many Facets It Actually Has, IEEExplore [18] S. Jamsek, K. Bakic: Slovenian approach in reliability centered maintenance of transmission system provider, 2006, IEEExplore [19] D.J. Vanier: Asset management: A to Z,, Seminar Series "Innovations in Urban Infrastructure", 2001, NRCC [20] Y. Gill: Development of an electrical cable replacement simulation model to aid with the management of aging underground electrical cables, IEEE Dielectrics and Electrical Insulation Systems, vol. 27, no. 11 pp [21] J. Bühler, T. Krontiris, G. Balzer: Calculation of Outage Costs for Maintenance Purposes in Medium Voltage Networks, 15th IEEE Mediterranean Electrotechnical Conference, April
A statisztikai élettartam elemzés alkalmazása és korlátai a villamosenergia hálózat eszközgazdálkodásában
Budapesti Műszaki és Gazdaságtudományi Egyetem Villamos Energetika Tanszék A statisztikai élettartam elemzés alkalmazása és korlátai a villamosenergia hálózat eszközgazdálkodásában Cselkó Richárd, Németh
Statisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
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,
KOMPLEX RONCSOLÁSMENTES HELYSZÍNI SZIGETELÉS- DIAGNOSZTIKA
Budapesti i Műszaki és Gazdaságtudományi Egyetem KOMPLEX RONCSOLÁSMENTES HELYSZÍNI SZIGETELÉS- DIAGNOSZTIKA MEE VÁNDORGYŰLÉS 2010. Tamus Zoltán Ádám, Cselkó Richárd tamus.adam@vet.bme.hu, cselko.richard@vet.bme.hu
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
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
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,
BME Járműgyártás és -javítás Tanszék. Javítási ciklusrend kialakítása
BME Járműgyártás és -javítás Tanszék Javítási ciklusrend kialakítása A javítási ciklus naptári napokban, üzemórákban vagy más teljesítmény paraméterben meghatározott időtartam, amely a jármű, gép új állapotától
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
TERMÉKEK MŐSZAKI TERVEZÉSE Megbízhatóságra, élettartamra tervezés I.
TERMÉKEK MŐSZAKI TERVEZÉSE Megbízhatóságra, élettartamra tervezés I. Dr. Kovács Zsolt egyetemi tanár Megbízhatóság-elméleti alapok A megbízhatóságelmélet az a komplex tudományág, amely a meghibásodási
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
Matematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 5. gyakorlat 013/14. tavaszi félév 1. Folytonos eloszlások Eloszlásfüggvény és sűrűségfüggvény Egy valószínűségi változó, illetve egy eloszlás eloszlásfüggvényének egy
Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények ) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) x
Ensemble előrejelzések: elméleti és gyakorlati háttér HÁGEL Edit Országos Meteorológiai Szolgálat Numerikus Modellező és Éghajlat-dinamikai Osztály 34
Ensemble előrejelzések: elméleti és gyakorlati háttér HÁGEL Edit Országos Meteorológiai Szolgálat Numerikus Modellező és Éghajlat-dinamikai Osztály 34. Meteorológiai Tudományos Napok Az előadás vázlata
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!
Korreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
b) Ábrázolja ugyanabban a koordinátarendszerben a g függvényt! (2 pont) c) Oldja meg az ( x ) 2
1) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) b) c) ( ) ) Határozza meg az 1. feladatban megadott, ; intervallumon
Gyakorló feladatok. Agbeko Kwami Nutefe és Nagy Noémi
Gyakorló feladatok Agbeko Kwami Nutefe és Nagy Noémi 25 Tartalomjegyzék. Klasszikus hibaszámítás 3 2. Lineáris egyenletrendszerek 3 3. Interpoláció 4 4. Sajátérték, sajátvektor 6 5. Lineáris és nemlineáris
Függvények Megoldások
Függvények Megoldások ) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) x x b) x x + c) x ( x + ) b) Az x függvény
LOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála
LOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála a független változó: névleges vagy sorrendi vagy folytonos skála BIOMETRIA2_NEMPARAMÉTERES_5 1 Y: visszafizeti-e a hitelt x: fizetés (életkor)
I. BESZÁLLÍTÓI TELJESÍTMÉNYEK ÉRTÉKELÉSE
I. BESZÁLLÍTÓI TELJESÍTMÉNYEK ÉRTÉKELÉSE Komplex termékek gyártására jellemző, hogy egy-egy termékbe akár több ezer alkatrész is beépül. Ilyenkor az alkatrészek általában sok különböző beszállítótól érkeznek,
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:
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
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
[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 =
A valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
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:
Grafikonok automatikus elemzése
Grafikonok automatikus elemzése MIT BSc önálló laboratórium konzulens: Orosz György 2016.05.18. A feladat elsődleges célkitűzései o eszközök adatlapján található grafikonok feldolgozása, digitalizálása
Biometria az orvosi gyakorlatban. Regresszió Túlélésanalízis
SZDT-09 p. 1/36 Biometria az orvosi gyakorlatban Regresszió Túlélésanalízis Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Logisztikus regresszió
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
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
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...
Egymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
our future our clients + our values Szeptember 16. MEE vándorgyűlés 2010
MEE vándorgyűlés 2010 our clients + our values our future Az átviteli hálózati munkairányítási és eszközgazdálkodási rendszer megvalósítása 2010. Szeptember 16. A WAM projekt és azon belül az Eszközgazdálkodás
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett
Matematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
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:
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
Ipari matematika 2. gyakorlófeladatok
Ipari matematika. gyakorlófeladatok. december 5. A feladatok megoldása általában többféle úton is kiszámítató. Interpoláció a. Polinom-interpoláció segítségével adjunk közelítést sin π értékére a sin =,
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
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
Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
Pontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.
Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
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
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
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.
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
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
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
Gyakorló feladatok I.
Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,
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
GEOSTATISZTIKA. Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány. 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ
GEOSTATISZTIKA Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet
x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
Mérési adatok illesztése, korreláció, regresszió
Mérési adatok illesztése, korreláció, regresszió Korreláció, regresszió Két változó mennyiség közötti kapcsolatot vizsgálunk. Kérdés: van-e kapcsolat két, ugyanabban az egyénben, állatban, kísérleti mintában,
Megoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
Statisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
A kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András
Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András A kockázat fogalma A kockázat (def:) annak kifejezése, hogy valami nem kívánt hatással lesz a valaki/k értékeire, célkitűzésekre. A kockázat
A villamos energia ellátás javítása érdekében tett intézkedések az ELMŰ-ÉMÁSZ Társaságcsoportnál
A villamos energia ellátás javítása érdekében tett intézkedések az ELMŰ-ÉMÁSZ Társaságcsoportnál Igények és lehetőségek új egyensúlya 61. MEE Vándorgyűlés Debrecen 2014.09.10-12 Csank András 1. OLDAL Igények
STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
A kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9
A kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9 Név: Pitlik László Mérés dátuma: 2014.12.04. Mérőtársak neve: Menkó Orsolya Adatsorok: M24120411 Halmy Réka M14120412 Sárosi
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,
6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének
6. Függvények I. Elméleti összefoglaló A függvény fogalma, értelmezési tartomány, képhalmaz, értékkészlet Legyen az A és B halmaz egyike sem üreshalmaz. Ha az A halmaz minden egyes eleméhez hozzárendeljük
Descartes-féle, derékszögű koordináta-rendszer
Descartes-féle, derékszögű koordináta-rendszer A derékszögű koordináta-rendszerben a sík minden pontjához egy rendezett valós számpár rendelhető. A számpár első tagja (abszcissza) a pont y tengelytől mért
Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén
Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Dombi József Szegedi Tudományegyetem Bevezetés - ID3 (Iterative Dichotomiser 3) Az ID algoritmusok egy elemhalmaz felhasználásával
Alapvető karbantartási stratégiák
Alapvető karbantartási stratégiák MBA képzés 2009 Erdei János 4. Tervszerű karbantartás teljesítőképess pesség 00% Teljesítm tménytartalék-diagram kiesési si ciklikus állapotfüggő teljesítménymaradék t
Dr. Kalló Noémi. Termelés- és szolgáltatásmenedzsment. egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék. Dr.
Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Ismertesse a legfontosabb előrejelzési módszereket és azok gyakorlati
A Paksi Atomerőmű üzemidő hosszabbításához. kábelek üzemzavari minősítő vizsgálata
A Paksi Atomerőmű üzemidő hosszabbításához (ÜH) kapcsolódó, biztonsági funkciót ellátó kábelek üzemzavari minősítő vizsgálata Ferenczi Zoltán VEIKI-VNL Kft. IX. Szigetelésdiagnosztikai Konferencia Siófok,
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 2 II. A valószínűségi VÁLTOZÓ És JELLEMZÉsE 1. Valószínűségi VÁLTOZÓ Definíció: Az leképezést valószínűségi változónak nevezzük, ha
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
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
sin x = cos x =? sin x = dx =? dx = cos x =? g) Adja meg a helyettesítéses integrálás szabályát határozott integrálokra vonatkozóan!
Matematika előadás elméleti kérdéseinél kérdezhető képletek Analízis II Határozatlan integrálszámítás g) t = tg x 2 helyettesítés esetén mivel egyenlő sin x = cos x =? g) t = tg x 2 helyettesítés esetén
6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján
Közelítő és szimbolikus számítások 6. gyakorlat Sajátérték, Gersgorin körök Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján . Mátrixok sajátértékei
Modulzáró ellenőrző kérdések és feladatok (2)
Modulzáró ellenőrző kérdések és feladatok (2) 1. Definiálja az alábbi, technikai eszközök üzemi megbízhatóságával kapcsolatos fogalmakat (1): Megbízhatóság. Használhatóság. Hibamentesség. Fenntarthatóság.
Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás
STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H
NULLADIK MATEMATIKA ZÁRTHELYI
A NULLADIK MATEMATIKA ZÁRTHELYI 20-09-2 Terem: Munkaidő: 0 perc. A dolgozat megírásához íróeszközön kívül semmilyen segédeszköz nem használható! Csak és kizárólag tollal tölthető ki a feladatlap, a ceruzával
[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
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
Kvantitatív módszerek
Kvantitatív módszerek szimuláció Kovács Zoltán Szervezési és Vezetési Tanszék E-mail: kovacsz@gtk.uni-pannon.hu URL: http://almos/~kovacsz Mennyiségi problémák megoldása analitikus numerikus szimuláció
Numerikus integrálás
Közelítő és szimbolikus számítások 11. gyakorlat Numerikus integrálás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján 1. Határozatlan integrál
Dinamikus modellek szerkezete, SDG modellek
Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.
(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
Problémás regressziók
Universitas Eotvos Nominata 74 203-4 - II Problémás regressziók A közönséges (OLS) és a súlyozott (WLS) legkisebb négyzetes lineáris regresszió egy p- változós lineáris egyenletrendszer megoldása. Az egyenletrendszer
Robotok inverz geometriája
Robotok inverz geometriája. A gyakorlat célja Inverz geometriai feladatot megvalósító függvények implementálása. A megvalósított függvénycsomag tesztelése egy kétszabadságfokú kar előírt végberendezés
Segítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
Valószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
Termelés- és szolgáltatásmenedzsment
Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Előrejelzési módszerek 14. Az előrejelzési modellek felépítése
REGIONÁLIS KLÍMAMODELLEZÉS AZ OMSZ-NÁL. Magyar Tudományos Akadémia szeptember 15. 1
Regionális klímamodellezés az Országos Meteorológiai Szolgálatnál HORÁNYI ANDRÁS (horanyi.a@met.hu) Csima Gabriella, Szabó Péter, Szépszó Gabriella Országos Meteorológiai Szolgálat Numerikus Modellező
Nagy András. Feladatok a logaritmus témaköréhez 11. osztály 2010.
Nagy András Feladatok a logaritmus témaköréhez. osztály 00. Feladatok a logaritmus témaköréhez. osztály ) Írd fel a következő egyenlőségeket hatványalakban! a) log 9 = b) log 4 = - c) log 7 = d) lg 0 =
Méréselmélet MI BSc 1
Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok
Matematika II képletek. 1 sin xdx =, cos 2 x dx = sh 2 x dx = 1 + x 2 dx = 1 x. cos xdx =,
Matematika II előadás elméleti kérdéseinél kérdezhető képletek Matematika II képletek Határozatlan Integrálszámítás x n dx =, sin 2 x dx = sin xdx =, ch 2 x dx = sin xdx =, sh 2 x dx = cos xdx =, + x 2
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
Számítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
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
Matematika II. 1 sin xdx =, 1 cos xdx =, 1 + x 2 dx =
Matematika előadás elméleti kérdéseinél kérdezhető képletek Matematika II Határozatlan Integrálszámítás d) Adja meg az alábbi alapintegrálokat! x n 1 dx =, sin 2 x dx = d) Adja meg az alábbi alapintegrálokat!
Biomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
Egy gazdasa gmatematikai modell An economical mathematics model
Egy gazdasa gmatematikai modell An economical mathematics model KÉZI CS. University of Debrecen, kezicsaba@science.unideb.hu Absztrakt. Az NTP-NFTÖ-17-C-159 azonosítószámú pályázat keretében az egyik fő
Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre