Intelligens elosztott rendszerek. Információfúzió (valószínűségi alapon, Kálmán-szűrőt használva, Dempster-Shafer elmélet alapján)
|
|
- Katalin Vinczené
- 5 évvel ezelőtt
- Látták:
Átírás
1 Intelligens elosztott rendszere Információfúzió (valószínűségi alapon, Kálmán-szűrőt használva, Dempster-Shafer elmélet alapján) Patai Béla BME I.E. 414,
2 Az információfúzió természetes paradigma Az élőlénye is ülönböző szenzoroal rendelezne, és az egyes szenzoraiból nyert információt fuzionáljá. látás (2 szemünből nyert infó 3D-s ép), hallás (2 fülünből nyert infó sztereó hallás), szaglás, tapintás, ízlelés Elsősorban térbeli iterjedéssel rendelező problémánál több szenzor jelét fuzionálju, így alotun modellt.
3 Fúzió valószínűségi alapon Egy eseményhalmazban az elemi eseményeet A i -vel jelölve: p( Ai) 0,1 minden Ai pa ( i ) 1 A i Egy szenzor időbeli jelsorozatána fúziója A -di időpillanatban a eresett érté x, az s-di szenzor által mért ( s) ( s) ( s) ( s) értée sorozata Y y, y,..., y. A Bayes szabály alapján: p( Y x ) p( x ) p( y, Y x ) p( x ) ( s) ( s) ( s) ( s) 1 Y ( s) ( s) ( s) p( Y ) p( y, Y 1) px ( ) 1 2 p( y x, Y ) p( x, Y ) p( y x, Y ) p( x Y ) p( Y ) p( x ) p( x y, ) ( s) ( s) ( s) ( s) ( s) ( s) ( s) ( s) ( s) ( s) Y Y 1 ( s) ( s) ( s) ( s) ( s) p( y, Y 1) p( y Y 1) p( Y 1) p( y x, Y ) p( x Y ) p( y x ) p( x Y ) ( s) ( s) ( s) ( s) ( s) ( s) ( s) ( s) ( s) p( y Y 1) p( y Y 1) Az utolsó lépésben ihasználtu, hogy az egyes időpillanatbeli méréseet egymástól függetlenne teintjü: x minden megadható ( s) információt biztosít y -re nézve, a megelőző mérésere nincs szüség.
4 A számláló másodi tényezője: p( x Y ) p( x x ) p( x Y ) ( s) ( s) x A nevezőt általában normálásra használju: a valószínűsége összege legyen 1. p( y Y ) p( y x ) p( x Y ) p( y x ) p( x Y ) ( ) 1. ( ) ( ) ( s) ( s) ( s) 1 p x Y 1 ( s) ( s) x x p y x p x Y 1 x 1 ( s) ( s) ( s) ( s) 1 1 x Több szenzor jeléne fúziója (az egyszerűség edvéért 2 szenzorra bemutatva) Y, Y,, Y, Y p x p x y y p x Y,, 1, 1 1, 1 p y y x Y Y p x Y Y 1 1 p y, y, Y 1, Y 1, Y Y 1, 1 Y Y 1, Y 1 Y 1, 1 p y y x p x p, Y = p y y p, Y 1, Y 1 Y 1, Y 1 = (1) ( 2) y x, Y Y 1, p x 1 Y Y 1, 1 p y p y, y Y, Y 1 1
5 Feltesszü, hogy a ét mérés y ismeretében az előző mérése - jelenlegi mérésről., y Y, Y 1 1 x egymástól független, és - nem adna több infót a p x Y, Y p x Y, Y (1) (2), Y,, 1 Y 1 Y Y 1 1 p y x p y x p x p y, y Y, Y 1 1 (1) (2) 1, 1 (1) (2) p x Y 1 p x Y 1 p x Y Y p x Y p x Y 1 Normalization
6 Kálmán szűrőt használó fúzió Van egy lineáris rendszermodellün: x Fx Bu w 1 Szintén lineáris modellün a megfigyelésről: y Hx v A rendszerről való ismeretein bizonytalanságát a w zaj írja le (a -di időpillanatban), ovarianciamátrixa R. A mérésein bizonytalanságát a v mérési zaj írja le (a -di időpillanatban), ovarianciamátrixa Q. A Kálmán szűrő az állapotvetor (x ) és az állapotvetor ovarianciamátrixána ( P T E x x ) becslését adja reurzív módon. Utóbbi azt mutatja számunra, hogy mennyire bízhatun az x ra apott becslésünben.
7 Az egyszerűség edvéért: a zajo stb. tulajdonságai időtől függetlene. Például: R =R, Q =Q minden -ra. Jelölés: ˆ( j m) a j jel -di időpillanatbeli értééne becslése az m-di időpontban rendelezésre álló infó alapján. 1. =0, ezdeti becslés - állapotvetoré: ˆ(0 0) ovarianciájáé: 2. egylépéses predició: xˆ( 1 ) Fxˆ( ) Bu 3. a ov. mátrix becsléséé Pˆ( 1 ) FPˆ( ) F T R 4. a Kálmán erősítés: 5. a valódi mérésből nyert adat és az állapotvetor-becslésből számított adat ülönbségével javítju a becslést. xˆ ( 1 1) xˆ ( 1 ) K( 1) z( 1) Hxˆ ( 1 ) 6. a ovariancia becslését is javítju: 7. 1folytatju a 2. pontnál x P ˆ (0 0) K ( 1) ˆ( 1 ) T ˆ T P H ( 1 ) H P H Q Pˆ( 1 1) 1 K( 1) H Pˆ( 1 ) 1
8 A Kálmán szűrő szenzorfúzióra való felhasználása salár mérendő jel esetére bemutatva: w() Első szenzor: z 1 () v 1 () B h 1 h 2 Mérendő változó: x() * T * F Másodi szenzor: z 2 () v 2 () h N N-di szenzor: Z N () v N () h h H... h v 1 2 N v1 ( ) v 2( )... v N ( ) z z1( ) z2( )... z N ( ) u()
9 Dempster-Shafer fúzió A valószínűségeet az elemi eseménye felett értelmezzü. Pl. A, B, C elemi eseménye (ölcsönösen izárjá egymást) P(A)+P(B)+P(C)=1. A Dempster-Shafer modellben az eseménye hatványhalmazán értelmezün egy mértéet: mass of probability, mop. Nem csa az elemi eseményene, hanem az összetett eseményene is van mop-ja. {0, A, B, C, AB, AC, BC, ABC} Az ABC összetett esemény az ismerethiány ez talán a legnagyobb újítás (= fogalmun sincs, Unnown, Ignorance, ). A fúziós szabály: m ( C) m A m B m A m B ( ) ( ) ( ) ( ) ABC ABC 1 m ( A) m ( B) m ( A) m ( B) AB0 AB0
10 Dempster-Shafer öveteztetési példa Két szenzor figyel meg egy eszözt. Az eszöz háromféle lehet, tulajdonságai: A: gyors, B: gyors, C: lassú. A ét szenzor mop-ot tulajdonít az egyes a hatványhalmazból modellezett esetene. A ét megfigyelés eredményét szeretnén fúzionálni: m mop A B C {A,B} {A,B,C} S1 mop (1) 0,3 0,15 0,03 0,42 0,1 1 S2 mop (2) 0,4 0,1 0,02 0,45 0,03 1 Dempster-Shafer fúziós szabály: ( C) m A m B m A m B ( ) ( ) ( ) ( ) ABC ABC 1 m ( A) m ( B) m ( A) m ( B) AB0 AB0
11 Dempster-Shafer öveteztetési példa Például a fúzió után az A esemény (megfigyelt eszöz) eredő mop értée: m ( A) m ( C) m ( A) m ( B) m ( A) m ( B) ABC ABC 1 m ( A) m ( B) m ( A) m ( B) AB0 AB0 ( ) ( ) (, ) (,, ) ( ) (, ) (,, ) Nevező (2) (2) (2) (1) (1) m A m A m A B m A B C m A m A B m A B C Nevező m A m B m A m C m B m A m B m C 1 ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )... m ( C) m ( A) m ( C) m ( B) m ( C) m ( A, B ) m ( A, B ) m ( C) Például az ={A,B,C} esemény (megfigyelt eszöz) eredő mop értée: m m ( A, B, C ) m ( A, B, C ) ( A, B, C ) Nevező
12 Dempster-Shafer öveteztetési példa A fúzió után az eseménye eredő mop értée: 0, 472 m ( A) Nevező Nevező 0,8641 mop A B C {A,B} {A,B,C} S1 mop (1) 0,3 0,15 0,03 0,42 0,1 1 S2 mop (2) 0,4 0,1 0,02 0,45 0,03 1 Fuzionált mop 0,546 0,161 0,0041 0,2854 0, Az eredmény józanna tűni. Van esélye az ismerethiányna, de csöent az egyes szenzoro ismerethiányához épest. A C esélye csöent.
13 Dempster-Shafer öveteztetési problémája Probléma merül fel, ha ellentmondás van a megfigyeléseben. Tipius példa: 3 eseményün van és 2 megfigyelőn, amelye a övetező mop-oat adjá. (a és özti oszlop a onflitus: 1-0,9999=0,0001 lesz a úziós összefüggés nevezője.). mop A B C {A,B,C} 0 S1 mop (1) 0,99 0, S2 mop (2) 0 0,01 0, Fuzionált 0 0, , mop számláló Fuzionált mop Az eredmény nyilvánvalóan nem józan. Yager: a probléma az, hogy a fúziós összefüggés normálásából (nevező) izártu a onflitust! m ( C) m A m B m A m B ( ) ( ) ( ) ( ) ABC ABC 1 m ( A) m ( B) m ( A) m ( B) AB0 AB0
14 Yager fúzió Használju csa a számlálót, ne zárju i a onflitusoat a nevezőből. (ground mass of probability, gmop) q C m A m B ( ) ( ) ( ) C C 0 ABC q C q C ( ) ( ) q m A m B (0) ( ) ( ) 0 AB0 A, B, C q m m ( ) ( ) ( ) q q q ( ) ( ) (0) mop A B C 0 S1 mop (1) 0,99 0, S2 mop (2) 0 0,01 0, Fúzionált q 0 0, , Fúzionált q 0 0, ,9999 1
15 Inaagi egyesített elmélet Használju csa a számlálót, ne zárju i a onflitusoat a nevezőből. q( C) m ( A) m ( B) C, C 0 ABC q m m ( ) ( ) ( ) q m A m B (0) ( ) ( ) 0 AB0 mu ( C) 1 q 0 q( C) C, C 0 mu ( ) 1 q 0 q( ) 1 q(0) q(0) q 0 q mop A B C 0 S1 mop (1) 0,99 0, S2 mop (2) 0 0,01 0, Fuzionált q 0 0, , Fuzionált q 0 0, ,9999 1
16 q12(0) Inaagi egyesített elmélet 2 szenzor 3 esemény Esemény A B C 0, onflitus =Ignorance={A, B, C} m (1) () m (2) () q() ,50,4=0,2 m u () [1+0,2] q() [1+0,2] 0,2+[1+0,2-] 0,2=0,4-0,12 blue: m12(a) green: m12(b) cyan: m12(c) blac: m12() q12(theta) 0.1 Yager /(1-q12(0)) 1/(1-q12(0)-q12(Theta)) D-Sh
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?
RészletesebbenNeurális hálózatok. Nem ellenőrzött tanulás. Pataki Béla. BME I.E. 414,
Neurális hálózato Nem ellenőrzött tanulás Patai Béla BME I.E. 414, 463-26-79 patai@mit.bme.hu, http://www.mit.bme.hu/general/staff/patai Nem ellenőrzött tanulás (Klaszterezés ) Az eseteet szoásos módon
RészletesebbenMozgásmodellezés. Lukovszki Csaba. Navigációs és helyalapú szolgáltatások és alkalmazások (VITMMA07)
TÁVKÖZLÉSI ÉS MÉDIAINFORMATIKAI TANSZÉK () BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM (BME) Mozgásmodellezés Lukovszki Csaba Áttekintés» Probléma felvázolása» Szabadsági fokok» Diszkretizált» Hibát
RészletesebbenDr. Tóth László, Kombinatorika (PTE TTK, 2007)
A Fibonacci-sorozat általános tagjára vontozó éplet máséppen is levezethető A 149 Feladatbeli eljárás alalmas az x n+1 ax n + bx, n 1 másodrendű állandó együtthatós lineáris reurzióal adott sorozato n-edi
RészletesebbenA 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
RészletesebbenI. A PRIMITÍV FÜGGVÉNY ÉS A HATÁROZATLAN INTEGRÁL
A primitív függvény és a határozatlan integrál 5 I A PRIMITÍV FÜGGVÉNY ÉS A HATÁROZATLAN INTEGRÁL Gyaorlato és feladato ( oldal) I Vizsgáld meg, hogy a övetező függvényene milyen halmazon van primitív
RészletesebbenSCHRÖDINGER-EGYENLET SCHRÖDINGER-EGYENLET
SCHRÖDINGER-EGYENLET A Scrödinger-egyenlet a kvantummecanika mozgásegyenlet, Newton II. törvényével analóg. Nem vezetető le korábbi elvekből, de intuitívan bevezetető. Egy atározott energiával és impulzussal
RészletesebbenA CSOPORT 4 PONTOS: 1. A
A CSOPORT 4 PONTOS:. A szám: pí= 3,459265, becslése: 3,4626 abszolút hiba: A szám és a becslés özti ülönbség abszolút értée Pl.: 0.000033 Relatív hiba: Az abszolút hiba osztva a szám abszolút értéével
Részletesebben2.2.36. AZ IONKONCENTRÁCIÓ POTENCIOMETRIÁS MEGHATÁROZÁSA IONSZELEKTÍV ELEKTRÓDOK ALKALMAZÁSÁVAL
01/2008:20236 javított 8.3 2.2.36. AZ IONKONCENRÁCIÓ POENCIOMERIÁ MEGHAÁROZÁA IONZELEKÍ ELEKRÓDOK ALKALMAZÁÁAL Az onszeletív eletród potencálja (E) és a megfelelő on atvtásána (a ) logartmusa özött deáls
Részletesebbenü ő ő ü ő ő ö ö ő ö í ü ő í ö ö í ő ö ő ű ú ő í ü ő ö ő Í ö ö ő ö ö ő ő ö ő í Í í ü ö ő í ü ü ú ü ö ö ő ü ő ö ő í ü ő í ö ö ő ő ő í í ő í ő ő Á Ó Í í í ő ű ú ő í í ő ő Í ő í ő í í Í í ő í ő í ő ő íí ő
RészletesebbenÉ Ü ö Ü ú Ú ű Ó Ó ű ö Ó Ó ú ű Ü Ö Ó Ó ö Ó Ő ű Ó Ó ú Ü Ü Ó Ó Ó Ü Ó Í Í ö ö ö ö ö ú ú ö ű ú ö ö ö ú ö ú ű ö ö ű ö ö ö ű ö ö ö ú ö ö ú ö ö ö ö ö ú ö ö ö ö ú ö ú ö ö ö ö ö ö ú ö ö ö ö Í ö Ö ö ú ö ö ö ö Ó Í
RészletesebbenÍ Ő É Ó É é Ö Á Á Á Ó é Ó é ö é Ö ű ö é ö ű ö é ö é é é é é é é é é é é é é é é é é é ü é é é Í é é é é ü é ö ü é ü é é ö ö é ú é é ü é é ü é é ü é ü é é é ú é Ó é é ú é ü é é ö é ö é Á Á Á Ó é Ó Í é ö
Részletesebbenö í Ö Ó ü í ü ö Ö ö ü ü ö ö ö ö Ö ü ö ö Ö ü Ű Ö ö ü ú ű ö ö í ö ö í ü ö ö í í ö Á É ö Ö í ö Ö ü ö Ö ö ö ö ö ö ü í ü ö í ü ö ö ö Ö ü ö í ü í ö ö ö Ö ü ö Ö í í ö Ö ü ö Ö í ü ö Á É ö Ö í ü ö í ö ű ö ö ű ö
Részletesebbenő ő ű í ó ú í ó í ó Á Á Á É ű ő ó ó ő ó ő Á É ó Á É ú Á É É Á ó Á Á Á Á Á É É ó Á É í É É í É ú ú ú ó ó Ö ú É ú ó ő ú ó í É É É É Ö Ö É Á É É É Ő Ó É ő ó ó í ő ú ő ő ű í ó ú Ő Ö ú É ú ú ő ő É É ő ő ő ő
Részletesebbenö é é ü Ő Ö é ü ö é é ü é é ó é ü ü é é é é é í é ü é é é é é é ö é é ö ö é ü ö ö é ü í é ü ü é é é ü é ö é é é ó é é é é é ü ö é é ü ú ö é é é é ö é é ö é é ó é ó é é í é é ó é é ó é é í ó é é ü ü é ó
Részletesebbenü É Í ü ü ü Í ü ű ü ü ü ű ü ű ű ű ü ü ü ű ü Í ü ű ü ü ü Ű Í É É Á Ő Á Ó Á Á Á Á É Á Á Á Á É Á Í Á Á Í Í ű Á É É Á Á Ö Í Á Á Á Á Á É Á Á Ó ű Í ü ü ü ű ű ü ü ű ü Á ü ű ü Í Í Í ü Í Í ű ű ü ü ü ü ű ü ű ü ü
RészletesebbenŰ Í ó Ü Ö Á Á Ó Ö Ü Ü Ü Ü Á Í Ü Á Á Ü Ü Ü Ü Ü Ü Ö Ü Í Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Á Í Ü Í Í Á Í Í Ü Í Í Ü Á Ü Ü Ü Ü Ü Ü Ü Ü Ő Ö Á ÁÍ Á Ü Ü Á Í Ü Í Á Ü Á Í ó Í Í Ü Ü ő Í Ü Ű Ü Ü Ü Ü Í Ü Ü Ü Ü Ü Ü Ü Í Ü Á Ü Ö Á
RészletesebbenÍ Á Á É ö ö ö ö ö ű ü ö ű ű ű ö ö ö ü ö ü í ü í í í ü í ü Á ü ö ö ü ö ü ö ö ü ö í ö ö ü ö ü í ö ü ű ö ü ö ü í ö í ö ű ű ö ö ú ö ü ö ű ű ű í ö ű í ű ö ű ü ö í ű í í ö í ö ö Ó Í ö ű ű ű ű í í ű ű í í Ü ö
Részletesebbenű í ú ü Á ü ü ü ü ü É É É Ü í ü Á í í ű í ú É É É Ü Í í í í Á í í Á í Á Í É Ő Ú ú Ú í í í íí í ú í í Í í Í Í É í í Í Í í ú í ü Ó í Í ú Í Í ű í ű í í í Í É Ü ű í ü ű í ú É É É Ü ű í í í í ü í Í í Ú Í í
RészletesebbenBeltéri autonóm négyrotoros helikopter szabályozó rendszerének kifejlesztése és hardware-in-the-loop tesztelése
Beltéri autonóm négyrotoros helikopter szabályozó rendszerének kifejlesztése és hardware-in-the-loop tesztelése Regula Gergely, Lantos Béla BME Villamosmérnöki és Informatikai Kar Irányítástechnika és
RészletesebbenA Föld középpontja felé szabadon eső test sebessége növekszik, azaz, a
a Matematika mérnököknek I. című tárgyhoz Függvények. Függvények A Föld középpontja felé szabadon eső test sebessége növekszik, azaz, a szabadon eső test sebessége az idő függvénye. Konstans hőmérsékleten
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
RészletesebbenVTOL UAV. Inerciális mérőrendszer kiválasztása vezetőnélküli repülőeszközök számára. Árvai László, Doktorandusz, ZMNE
Inerciális mérőrendszer kiválasztása vezetőnélküli repülőeszközök számára Árvai László, Doktorandusz, ZMNE Tartalom Fejezet Témakör 1. Vezető nélküli repülőeszközök 2. Inerciális mérőrendszerek feladata
RészletesebbenBAYES-ANALÍZIS A KOCKÁZATELEMZÉSBEN, DISZKRÉT VALÓSZÍNŰSÉG ELOSZLÁSOK ALKALMAZÁSA 3
Balogh Zsuzsanna Hana László BAYES-ANALÍZIS A KOCKÁZATELEMZÉSBEN, DISZKRÉT VALÓSZÍNŰSÉG ELOSZLÁSOK ALKALMAZÁSA 3 Ebben a dolgozatban a Bayes-féle módszer alalmazási lehetőségét mutatju be a ocázatelemzés
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
RészletesebbenDinamikus rendszerek paramétereinek BAYES BECSLÉSE. Hangos Katalin VE Számítástudomány Alkalmazása Tanszék
Dinamikus rendszerek paramétereinek BAYES BECSLÉSE Hangos Katalin VE Számítástudomány Alkalmazása Tanszék 1 Bayes-becslések 1. A véletlen Bayes féle fogalma A "véletlen" Bayes féle értelmezése a megfigyelést
RészletesebbenNGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő
SZÉCHENYI ISTVÁN EGYETEM Műszaki Tudományi Kar Informatika Tanszék BSC FOKOZATÚ MÉRNÖK INFORMATIKUS SZAK NGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő Fejlesztői dokumentáció GROUP#6
RészletesebbenLépcsős látens változós CreditRisk + modell
0. TIZEDI ÉVFOLYAM 5. SZÁM 455 NAGY ATTILA Lépcsős látens változós CreditRis + modell A CreditRis + alapú modelle zárt alaját biztosító egyi feltételezése a defaultintenzitásoat vezérlő fatoro gamma-eloszlása.
RészletesebbenSZENZORFÚZIÓS ELJÁRÁSOK KIDOLGOZÁSA AUTONÓM JÁRMŰVEK PÁLYAKÖVETÉSÉRE ÉS IRÁNYÍTÁSÁRA
infokommunikációs technológiák SZENZORFÚZIÓS ELJÁRÁSOK KIDOLGOZÁSA AUTONÓM JÁRMŰVEK PÁLYAKÖVETÉSÉRE ÉS IRÁNYÍTÁSÁRA BEVEZETŐ A KUTATÁS CÉLJA Autonóm járművek és robotok esetén elsődleges feladat a robotok
RészletesebbenFEGYVERNEKI 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
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
Részletesebben5. Végezd el a kijelölt műveleteket, és ahol lehet, vonj össze!
1 1. Rendezd a következő polinomokat a bennük lévő változó növekedő hatvánkitevői szerint! a) 2 + + 2 b) 2 + + 2 + 6 2. Melek egnemű algebrai kifejezések? a) a 2 b; 2ab; a 2 b; 2a b; 1,a 2 b b) 2 ; 2 ;
RészletesebbenBevezetés az állapottér-elméletbe Dinamikus rendszerek állapottér reprezentációi
Tartalom Bevezetés az állapottér-elméletbe Irányítható alak Megfigyelhetőségi alak Diagonális alak Állapottér transzformáció 2018 1 A szabályozáselmélet klasszikus, BODE, NICHOLS, NYQUIST nevéhez kötődő,
Részletesebben(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,
Részletesebbens n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
RészletesebbenBAGME11NNF 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
Részletesebben1. Feladatsor. I. rész
. feladatsor. Feladatsor I. rész. Mely x valós számokra lesz ebben a sorrendben a cos x, a sinx és a tg x egy mértani sorozat három egymást követő tagja?... (). Egy rombusz egyik átlója 0 cm, beírható
RészletesebbenNumerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások
Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások 1. Feladat. (6p) Jelöljön. egy tetszőleges vektornormát, ill. a hozzá tartozó indukált mátrixnormát! Igazoljuk, hogy ha A
RészletesebbenAdatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus
Részletesebben3. Lineáris differenciálegyenletek
3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra
RészletesebbenStatisztika - 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
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS Dr. Soumelidis Alexandros 2018.10.04. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérés-feldolgozás
RészletesebbenKéprestauráció 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
RészletesebbenAutonóm jármű forgalomszimulátorba illesztése
Autonóm jármű forgalomszimulátorba illesztése Szalai Mátyás 2018 Konzulens: Dr. Tettamanti Tamás A szimulációs feladat Miért hasznos? Biztonságos környezetben nyújt lehetőséget az autonóm járművek forgalmi
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenMatematikai 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[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria Bódis Emőke 2016. 04. 25. J J 9 Korrelációanalízis Regresszióanalízis: hogyan változik egy vizsgált változó értéke egy másik változó változásának függvényében. Korrelációs
RészletesebbenMérési 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
RészletesebbenVARIANCIAANALÍZIS (szóráselemzés, ANOVA)
VARIANCIAANAÍZIS (szóráselemzés, ANOVA) Varancaanalízs. Varancaanalízs (szóráselemzés, ANOVA) Adott: egy vagy több tetszőleges skálájú független változó és egy legalább ntervallum skálájú függő változó.
RészletesebbenÁltalánosan, 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
RészletesebbenINSTRUCTIONS FOR OPERATION. Használati útmutató DAVOLINE 2 MOTOROS ELSZÍVÓHOZ
INSTRUCTIONS FOR OPERATION Használati útmutató DAVOLINE 2 MOTOROS ELSZÍVÓHOZ Telepítés Elektromos főzőlap esetén az elszívót a főzőlaptól 60 cm távolságra telepítsük, míg gázfőzőlap esetén 75 cm távolságra.
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
RészletesebbenValószínűségszámítás feladatok
Valószínűségszámítás feladato A FELADATOK MEGOLDÁSAI A 0. FELADAT UTÁN TALÁLHATÓK.. Egyszerre dobun fel három érmét. Mi anna a valószínűsége, hogy mindegyine ugyanaz az oldala erül felülre?. Két dobóocát
RészletesebbenFirst Prev Next Last Go Back Full Screen Close Quit
Valós függvények (2) (Határérték) 1. A a R szám δ > 0 sugarú környezete az (a δ, a + δ) nyílt intervallum. Ezután a valós számokat, a számegyenesen való ábrázolhatóságuk miatt, pontoknak is fogjuk hívni.
RészletesebbenBiomatematika 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
RészletesebbenPolinomok, Lagrange interpoláció
Közelítő és szimbolikus számítások 8. gyakorlat Polinomok, Lagrange interpoláció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján 1. Polinomok
Részletesebben6. 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
RészletesebbenMinősítéses mérőrendszerek képességvizsgálata
Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek
RészletesebbenA JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA
A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projet eretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszéén az ELTE Közgazdaságtudományi
Részletesebben1. A Hilbert féle axiómarendszer
{Euklideszi geometria} 1. A Hilbert féle axiómarendszer Az axiómarendszer alapfogalmai: pont, egyenes, sík, illeszkedés (pont egyenesre, pont síkra, egyenes síkra), közte van reláció, egybevágóság (szögeké,
RészletesebbenGyártástechnológia alapjai Méréstechnika rész. Előadások (2.) 2011.
Gyártástechnológia alapjai Méréstechnika rész Előadások (2.) 2011. 1 Méréstechnika előadás 2. 1. Mérési hibák 2. A hiba rendszáma 3. A mérési bizonytalanság 2 Mérési folyamat A mérési folyamat négy fő
RészletesebbenAz információelmélet alapjai, biológiai alkalmazások. 1. A logaritmusfüggvény és azonosságai
Az információelmélet alapjai, biológiai alkalmazások 1. A logaritmusfüggvény és azonosságai 2 k = N log 2 N = k Például 2 3 = 8 log 2 8 = 3 10 4 = 10000 log 10 10000 = 4 log 2 2 = 1 log 2 1 = 0 log 2 0
RészletesebbenVéletlen 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
RészletesebbenHa ismert (A,b,c T ), akkor
Az eddigiekben feltételeztük, hogy a rendszer állapotát mérni tudjuk. Az állapot ismerete szükséges az állapot-visszacsatolt szabályzó tervezéséhez. Ha nem ismerjük az x(t) állapotvektort, akkor egy olyan
RészletesebbenÍ É É Í ú É ü ű Á É ü Ó ű É ü ú Á Á ü Á ú ü Í ü ü ú ú ü ü Í ü ü ú ü ü ú Í ú Í ú ü Ó ü Í ú ú ü ú ú Í ü ü ú Ö ű Í ú Í Í ű ú ü Í ü ú Ö ú ü ú ü Í ú ü ü ú ü ü ú Í ú ü ú ú ü Ó ü ú ü Í Í ü Í ű ü ú ú ú ű ú ü ü
RészletesebbenMatematikai statisztika 1.
Matematikai statisztika 1 segédanyag Daróczi Gergely Szociológia Intézet 2010 Matematikai statisztika 1 01 Mátrixok A mátrix vízszintes vonalban elhelyezked elemei sorokat, függ leges vonalban elhelyezked
RészletesebbenValószínűségi 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 :
Részletesebben1.1. Vektorok és operátorok mátrix formában
1. Reprezentáció elmélet 1.1. Vektorok és operátorok mátrix formában A vektorok és az operátorok mátrixok formájában is felírhatók. A végtelen dimenziós ket vektoroknak végtelen sok sort tartalmazó oszlopmátrix
RészletesebbenBiomatematika 13. Varianciaanaĺızis (ANOVA)
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:
RészletesebbenAz SPC (statisztikai folyamatszabályozás) ingadozásai
A TERMELÉSI FOLYAMAT MINÕSÉGKÉRDÉSEI, VIZSGÁLATOK 2.3 Az SPC (statisztikai folyamatszabályozás) ingadozásai Tárgyszavak: statisztikai folyamatszabályozás; Shewhart-féle szabályozókártya; többváltozós szabályozás.
RészletesebbenBizonytalan tudás kezelése
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Bizonytalan tudás kezelése Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz Valószínűségi
RészletesebbenLineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31
Lineáris leképezések Wettl Ferenc 2015. március 9. Wettl Ferenc Lineáris leképezések 2015. március 9. 1 / 31 Tartalom 1 Mátrixleképezés, lineáris leképezés 2 Alkalmazás: dierenciálhatóság 3 2- és 3-dimenziós
Részletesebbení ö í í ú ű í í í ú í ű í Ü ö ö ö ü ö ö ö í ö ö ö ö Ö Á ö ö É ö ö ú ú ö ö ú ö í Á Á ö Ü Ú í ÁÁ ö í ö í í ú ű í ö ö í ú É í ű í ö ö É í í ű í ű í É í í ü ű ü ű í Á Á í ü í ü í ü ö ű ö É ü É ú Á Ó í í í
RészletesebbenÖ ü ö ü Ö Ö ü ú ó ü ö ö Ö ó Ö ö ú ö ó ö ö ó ö ö ö í í ö ö ü ü ö í ü ö ö í ö í ó ü ö ö í ü í ö í ü ú ü ö Ö ü ö ű ó í ó ó ó ö í ü ó ó ó ö ö ó ö í ó ü ó ó ö ö ü ó ö ö ó ó ó ü ü ó ó ö ö ü í ö ű ö ű ö ö ű í
RészletesebbenMATE-INFO UBB verseny, március 25. MATEMATIKA írásbeli vizsga
BABEŞ-BOLYAI TUDOMÁNYEGYETEM, KOLOZSVÁR MATEMATIKA ÉS INFORMATIKA KAR MATE-INFO UBB verseny, 218. március 25. MATEMATIKA írásbeli vizsga FONTOS TUDNIVALÓK: 1 A feleletválasztós feladatok,,a rész esetén
RészletesebbenBiometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
Részletesebbenc adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
RészletesebbenLineáris algebra Gyakorló feladatok
Lineáris algebra Gyakorló feladatok. október.. Feladat: Határozzuk meg a, 4b, c és a b c vektorokat, ha a = (; ; ; ; b = (; ; ; ; c = ( ; ; ; ;.. Feladat: Határozzuk meg a, 4b, a, c és a b; c + b kifejezések
RészletesebbenHatározatlan integrál (2) First Prev Next Last Go Back Full Screen Close Quit
Határozatlan integrál () First Prev Next Last Go Back Full Screen Close Quit 1. Az összetett függvények integrálására szolgáló egyik módszer a helyettesítéssel való integrálás. Az idevonatkozó tétel pontos
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
Részletesebben1. Fourier-sorok. a 0 = 1. Ennek a fejezetnek a célja a 2π szerint periodikus. 1. Ha k l pozitív egészek, akkor. (a) cos kx cos lxdx = 1 2 +
. Fourier-soro. Bevezet definíció Enne a fejezetne a célja, hogy egy szerint periodius függvényt felírjun mint trigonometrius függvényeből épzett függvénysorént. Nyilván a cos x a sin x függvénye szerint
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
Részletesebben(1 + (y ) 2 = f(x). Határozzuk meg a rúd alakját, ha a nyomaték eloszlás. (y ) 2 + 2yy = 0,
Feladatok az 5. hétre. Eredményekkel és kidolgozott megoldásokkal. Oldjuk meg az alábbi másodrend lineáris homogén d.e. - et, tudva, hogy egy megoldása az y = x! x y xy + y = 0.. Oldjuk meg a következ
RészletesebbenMatematika III. harmadik előadás
Matematika III. harmadik előadás Kézi Csaba Debreceni Egyetem, Műszaki Kar Debrecen, 2013/14 tanév, I. félév Kézi Csaba (DE) Matematika III. harmadik előadás 2013/14 tanév, I. félév 1 / 13 tétel Az y (x)
RészletesebbenHiszterézis: Egy rendszer kimenete nem csak az aktuális állapottól függ, hanem az állapotváltozás aktuális irányától is.
1. Mi az érzékelő? Definiálja a típusait (belső/külső). Mit jelent a hiszterézis? Miért nem tudunk közvetlenül mérni, miért származtatunk? Hogyan kapcsolódik össze az érzékelés és a becslés a mérések során?
RészletesebbenMátrixok és lineáris egyenletrendszerek
Mátrixok és lineáris egyenletrendszerek A fizika numerikus módszerei I. mf1n1a06- mf1n2a06 Csabai István Mátrixok megadása octave:##> A=[5 7 9-1 3-2] A = 5 7 9-1 3-2 Javasolt kiírni a,-t és ;-t octave:##>
Részletesebben14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull
14 A Black-choles-Merton modell Copyright John C. Hull 01 1 Részvényárak viselkedése (feltevés!) Részvényár: μ: elvárt hozam : volatilitás Egy rövid Δt idő alatt a hozam normális eloszlású véletlen változó:
RészletesebbenAz Országos Középiskolai Tanulmányi Verseny tanévi második fordulójának feladatmegoldásai. x 2 sin x cos (2x) < 1 x.
Az Országos Középiskolai Tanulmányi Verseny 2005-2006. tanévi második fordulójának feladatmegoldásai matematikából, a II. kategória számára 1. Oldja meg a következő egyenlőtlenséget, ha x > 0: x 2 sin
RészletesebbenDiverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 11. Előadás Portfólió probléma Portfólió probléma Portfólió probléma Adott részvények (kötvények,tevékenységek,
Részletesebben2. Algebrai átalakítások
I. Nulladik ZH-ban láttuk: 2. Algebrai átalakítások 1. Mi az alábbi kifejezés legegyszerűbb alakja a változó lehetséges értékei esetén? (A) x + 1 x 1 (x 1)(x 2 + 3x + 2) (1 x 2 )(x + 2) (B) 1 (C) 2 (D)
RészletesebbenHatványozás. A hatványozás azonosságai
Hatványozás Definíció: a 0 = 1, ahol a R, azaz bármely szám nulladik hatványa mindig 1. a 1 = a, ahol a R, azaz bármely szám első hatványa önmaga a n = a a a, ahol a R, n N + n darab 3 4 = 3 3 3 3 = 84
Részletesebbené ö é Ö é ü é é ö ö ö ü é é ö ú ö é é é Ő ö é ü é ö é é ü é é ü é é é ű é ö é é é é é é é ö ö í é ü é ö ü ö ö é í é é é ö ü é é é é ü ö é é é é é é é é é é é é é é é ö é Í ö í ö é Í í ö é Í é í é é é é
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
RészletesebbenAz őszi témahét programja:
Az őszi témahét programja: 2011. október 10-14 Osztály: II. Rákóczi Ferenc Általános Iskola 3.a osztályában Időkeret: 5 nap x 5 x 45 perc Kapcsolatok: NAT Környezetismeret Művészetek dráma, vizuális kultúra,
RészletesebbenLineáris 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,
Részletesebben6. Bizonyítási módszerek
6. Bizonyítási módszere I. Feladato. Egy 00 00 -as táblázat minden mezőjébe beírju az,, 3 számo valamelyiét és iszámítju soronént is, oszloponént is, és a ét átlóban is az ott lévő 00-00 szám öszszegét.
RészletesebbenVéletlenszám generátorok és tesztelésük HORVÁTH BÁLINT
Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám
Részletesebben1. MINTAFELADATSOR EMELT SZINT JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ
Oktatáskutató és Fejlesztő Intézet TÁMOP-3..-/-0-000 XXI. századi közoktatás (fejlesztés, koordináció) II. szakasz MATEMATIKA. MINTAFELADATSOR EMELT SZINT 05 JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ Oktatáskutató
Részletesebben4. Lokalizáció Magyar Attila
4. Lokalizáció Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. szeptember 23. 4. Lokalizáció 2 4. Tartalom
RészletesebbenMegoldások MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!
MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!) 2016. JANUÁR 21. Elérhető pontszám: 50 pont Megoldások 1. 6. 2. 7. 3. 8. 4. 9. 5. Össz.:
Részletesebben