Véletlen gráfok. Backhausz Ágnes Eötvös Loránd Tudományegyetem és MTA Rényi Alfréd Matematikai Kutatóintézet december 2.
|
|
- Irma Kovács
- 4 évvel ezelőtt
- Látták:
Átírás
1 Véletlen gráfok Backhausz Ágnes Eötvös Loránd Tudományegyetem és MTA Rényi Alfréd Matematikai Kutatóintézet december 2.
2 Nagy hálózatok Példák valós hálózatokra társadalmi hálózatok (pl. webes közösségi hálózatok)
3 Nagy hálózatok Példák valós hálózatokra társadalmi hálózatok (pl. webes közösségi hálózatok) információs hálózatok (telefon, internet, www)
4 Nagy hálózatok Példák valós hálózatokra társadalmi hálózatok (pl. webes közösségi hálózatok) információs hálózatok (telefon, internet, www) biológiai hálózatok Kérdések el rejelzés: hogyan fog fejl dni, hogyan reagál küls hatásokra mennyiségi leírás: becslés részleges információk alapján múltbeli fejl dés: a kialakulás folyamata m ködés: információterjedés
5 Gráfok Gráf: csúcsok és élek G = (V, E), ahol V véges halmaz, E V V.
6 Véletlen gráf másolással és törléssel kiindulunk két csúcsból és egy ket összeköt élb l létrehozunk egy új csúcsot: u kiválasztunk egy régi csúcsot véletlenszer en, egyenletesen: v
7 Véletlen gráf másolással és törléssel kiindulunk két csúcsból és egy ket összeköt élb l létrehozunk egy új csúcsot: u kiválasztunk egy régi csúcsot véletlenszer en, egyenletesen: v másolás: az u csúcsot hozzákötjük v összes szomszédjához és v -hez is
8 Véletlen gráf másolással és törléssel kiindulunk két csúcsból és egy ket összeköt élb l létrehozunk egy új csúcsot: u kiválasztunk egy régi csúcsot véletlenszer en, egyenletesen: v másolás: az u csúcsot hozzákötjük v összes szomszédjához és v -hez is kiválasztunk egy régi csúcsot véletlenszer en, egyenletesen: w törlés: w -nek élét töröljük, de az (u, w) élt meghagyjuk, ha össze voltak kötve
9 Másolás Az u csúcsot létrehozzuk, és hozzákötjük a véletlenszer en választott v összes szomszédjához és v -hez is. v w u
10 Törlés A véletlenszer en választott w csúcs összes élét töröljük, kivéve, ami az új u csúcshoz köti. v w u
11 Fokszámok változása az id ben Az 1, 2, 3, 4, 5 szomszéddal rendelkez csúcsok arányának változása a lépések el rehaladtával (1500 lépésre)
12 Fokszámeloszlás 3000 lépésben A k szomszéddal rendelkez csúcsok gyakorisága 3000 lépés után (egy futásból)
13 Határértékek Tétel Jelölje X [k, n] a k fokú csúcsok arányát a gráfban n lépés után. Ekkor lim n X [n, k] = c k teljesül 1 valószín séggel, ahol a c 0, c 1,... számsorozatra c 0 = 1 + c 1 ; c k = k k + 3 (c k 1 + c k+1 ) (k 2).
14 Határértékek Tétel Jelölje X [k, n] a k fokú csúcsok arányát a gráfban n lépés után. Ekkor lim n X [n, k] = c k teljesül 1 valószín séggel, ahol a c 0, c 1,... számsorozatra c 0 = 1 + c 1 ; c k = k k + 3 (c k 1 + c k+1 ) (k 2). Továbbá k=0 c k = 1, és c k eπ k 1/4 e 2 k (k ).
15 Járványterjedés Egyszer példa. Kisorsoljuk a véletlen gráfot. Kezdetben néhány csúcs beteg. Minden körben minden fert zött csúcs p valószín séggel adja tovább a betegséget.
16 Járványterjedés Egyszer példa. Kisorsoljuk a véletlen gráfot. Kezdetben néhány csúcs beteg. Minden körben minden fert zött csúcs p valószín séggel adja tovább a betegséget.
17 Járványterjedés Egyszer példa. Kisorsoljuk a véletlen gráfot. Kezdetben néhány csúcs beteg. Minden körben minden fert zött csúcs p valószín séggel adja tovább a betegséget.
18 Járványterjedés A gráf 3000 csúcsból állt, az eddigi modell szerint. Kezdetben az els 100 csúcs beteg, p = 0, 3 a fert zés valószín sége. A terjedés egyes lépései után ábrázoljuk a fert zött csúcsok arányát.
19 További véletlen gráfmodellek BarabásiAlbert-fa (1999), Yule (1925): az új csúcsot egy véletlenszer en választott régihez kötjük hozzá, a fokszámokkal arányos valószín ség szerint. c k = 4 k(k + 1)(k + 2) 4 k 3.
20 További véletlen gráfmodellek BarabásiAlbert-fa (1999), Yule (1925): az új csúcsot egy véletlenszer en választott régihez kötjük hozzá, a fokszámokkal arányos valószín ség szerint. c k = Erd srényi, Gilbert (1959) 4 k(k + 1)(k + 2) 4. k 3 n csúcs, bármely kett t p valószín séggel kötjük össze, függetlenül. c k 1 k! e (pn = 1).
21 További véletlen gráfmodellek BarabásiAlbert-fa (1999), Yule (1925): az új csúcsot egy véletlenszer en választott régihez kötjük hozzá, a fokszámokkal arányos valószín ség szerint. c k = Erd srényi, Gilbert (1959) 4 k(k + 1)(k + 2) 4. k 3 n csúcs, bármely kett t p valószín séggel kötjük össze, függetlenül. c k 1 k! e (pn = 1). törlés és másolás más arányban
22 További véletlen gráfmodellek BarabásiAlbert-fa (1999), Yule (1925): az új csúcsot egy véletlenszer en választott régihez kötjük hozzá, a fokszámokkal arányos valószín ség szerint. c k = Erd srényi, Gilbert (1959) 4 k(k + 1)(k + 2) 4. k 3 n csúcs, bármely kett t p valószín séggel kötjük össze, függetlenül. c k 1 k! e (pn = 1). törlés és másolás más arányban geometriai modellek: a csúcsokat elhelyezzük a síkon, véletlenszer en, majd azokat kötjük össze, amik egy adott távolságnál közelebb esnek egymáshoz
23 További véletlen gráfmodellek BarabásiAlbert-fa (1999), Yule (1925): az új csúcsot egy véletlenszer en választott régihez kötjük hozzá, a fokszámokkal arányos valószín ség szerint. c k = Erd srényi, Gilbert (1959) 4 k(k + 1)(k + 2) 4. k 3 n csúcs, bármely kett t p valószín séggel kötjük össze, függetlenül. c k 1 k! e (pn = 1). törlés és másolás más arányban geometriai modellek: a csúcsokat elhelyezzük a síkon, véletlenszer en, majd azokat kötjük össze, amik egy adott távolságnál közelebb esnek egymáshoz általános modellek: nem mondjuk meg a szabályt, csak a fokszámok véletlenszer növekedésére teszünk feltételeket az egyes lépésekben
24 Irodalom Barabási, Albert-László and Albert, Réka. Emergence of scaling in random networks.science, 286:509512, Bebek, G., Berenbrink, P., Cooper, C., Friedetzky, T., Nadeau, J. and Sahinalp, S. C., The degree distribution of the generalized duplication model. Theor. Comput. Sci., 369: , Chung, F., Lu, L., Dewey, T. G., and Galas, D. J., Duplication models for biological networks, J. Comput. Biol., 16: , Ágnes Backhausz,Tamás F. Móri. Asymptotic properties of a random graph with duplications. J. Appl. Probab.. 52 (2): , Kim, J., Krapivsky, P. L., Kahng, B. and Redner, S., Innite-order percolation and giant uctuations in a protein interaction network. Phys. Rev., E66: (R), Pastor-Satorras, R., Smith, E. and Solé, R. V., Evolving protein interaction networks through gene duplication. J. Theor. Biol., 222: , 2003.
Komplex hálózatok: alapfogalmak, modellek, módszerek
Komplex hálózatok: alapfogalmak, modellek, módszerek London András, Németh Tamás 2015. április 13. Motiváció Alapfogalmak Centralitás mértékek Néhány gráfmodell Hálózatok mindenhol! ábra 1: Facebook kapcsolati
RészletesebbenA Barabási-Albert-féle gráfmodell
A Barabási-Albert-féle gráfmodell és egyéb véletlen gráfok Papp Pál András Gráfok, hálózatok modelljei Rengeteg gráfokkal modellezhető terület: Pl: Internet, kapcsolati hálók, elektromos hálózatok, stb.
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 6. el adás Hálózatok növekedési modelljei: `uniform és preferential attachment' El adó: London András 2015. október 12. Hogyan n nek a hálózatok? Statikus
RészletesebbenBetekintés a komplex hálózatok világába
Betekintés a komplex hálózatok világába Dr. Varga Imre Debreceni Egyetem Informatikai Kar EFOP-3.6.1-16-2016-00022 Egyszerű hálózatok Grafit kristály Árpád házi uralkodók családfája LAN hálózat Komplex
RészletesebbenHálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet
Hálózattudomány SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Előadó: London András 4. Előadás Hogyan nőnek a hálózatok? Statikus hálózatos modellek: a pontok száma (n) fix, az éleket valamilyen
RészletesebbenValószín ségszámítás. Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes 2018/2019.
Valószín ségszámítás Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes agnes@cs.elte.hu 2018/2019. szi félév A valószín ségszámítás kurzus céljai a statisztika megalapozása: a véletlen
RészletesebbenHierarchikus skálafüggetlen gráfok generálása fraktálokkal
Hierarchikus skálafüggetlen gráfok generálása fraktálokkal Komjáthy Júlia Simon Károly Sztochasztika Tanszék Matematika Intézet Budapesti Műszaki és Gazdaságtudományi Egyetem www.math.bme.hu/~komyju www.math.bme.hu/~simonk
RészletesebbenCsima Judit BME, SZIT február 18.
1 Véletlen gráfok és valós hálózatok Csima Judit BME, SZIT 2011. február 18. Tartalom 2 1. Motiváció: miért pont véletlen gráfok? Tartalom 2 1. Motiváció: miért pont véletlen gráfok? 2. A klasszikus modell:
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@math.elte.hu fogadóóra: szerda 10-11 és 13-14, D 3-415 2018/2019. tavaszi félév Bevezetés A valószín ségszámítás
RészletesebbenÖsszetett hálózatok a híradástechnikában
Összetett hálózatok a híradástechnikában Horváth Árpád 03. december 4.. Híradástechnikai példák. példa: A telefonhálózat El ször minden telefont összekötöttek. Kés bb
RészletesebbenCsima Judit BME, SZIT február 17.
1 Véletlen gráfok és valós hálózatok Csima Judit BME, SZIT 2010. február 17. Tartalom 2 1. Motiváció: miért pont véletlen gráfok? 2. A klasszikus modell: Erdős-Rényi véletlen-gráf modell definíció jellemzői
RészletesebbenA MATEMATIKA NÉHÁNY KIHÍVÁSA
A MATEMATIKA NÉHÁNY KIHÍVÁSA NAPJAINKBAN Simon L. Péter ELTE, Matematikai Intézet Alkalmazott Analízis és Számításmatematikai Tsz. 1 / 20 MATEMATIKA AZ ÉLET KÜLÖNBÖZŐ TERÜLETEIN Kaotikus sorozatok és differenciálegyenletek,
RészletesebbenA társadalom hálózati jelenségeinek adatvezérelt vizsgálata I: Társadalmi terjedés. Magyar Tudomány Ünnepe 2017 Számítógépes Társadalomtudomány
A társadalom hálózati jelenségeinek adatvezérelt vizsgálata I: Társadalmi terjedés Kertész János CEU, BME Magyar Tudomány Ünnepe 2017 Számítógépes Társadalomtudomány Zhongyuan Ruan (CEU) Márton Karsai
RészletesebbenVéletlen gráfok, hálózatok
Véletlen gráfok, hálózatok Véletlen gráfok, hálózatok Csirik András 2018.04.25 Erdős-Rényi modell Watts-Strogatz modell Barabási-Albert modell Hálózatok a mindennapokban Hálózatok a világ minden területén
RészletesebbenA BSc-képzés szakdolgozati témái
A BSc-képzés szakdolgozati témái ELTE TTK, Matematikai Intézet 2010/2011 Valószín ségelméleti és Statisztika Tanszék 1. Szabadon választható téma. Témavezet : A tanszék bármelyik oktatója, vagy (a tanszékvezet
RészletesebbenVéletlen növekedő fák aszimptotikus vizsgálata TÉZISFÜZET
Véletlen növekedő fák aszimptotikus vizsgálata TÉZISFÜZET Rudas Anna 2012. december Tartalomjegyzék 1 Bevezető 2 1.1 Modellcsalád és háttér............................ 2 1.2 A disszertáció felépítése...........................
RészletesebbenA hazai elszámolásforgalom hálózati elemzése
A hazai elszámolásforgalom hálózati elemzése Révkomárom, 2013. január 23. Pál Zsolt egyetemi tanársegéd Miskolci Egyetem Gazdaságtudományi Kar A kutatás előzményei, háttere Hálózatelmélet - szabályos gráfok
RészletesebbenÁdám Réka. Szakdolgozat Alkalmazott matematikus MSc, Sztochasztika szakirány
E ÖTVÖS L ORÁND T UDOMÁNYEGYETEM T ERMÉSZETTUDOMÁNYI K AR Ádám Réka V ÉLETLEN GRÁFOK ÉS JÁRVÁNYTERJEDÉSI FOLYAMATOK Szakdolgozat Alkalmazott matematikus MSc, Sztochasztika szakirány Témavezeto : Backhausz
Részletesebben1. tétel - Gráfok alapfogalmai
1. tétel - Gráfok alapfogalmai 1. irányítatlan gráf fogalma A G (irányítatlan) gráf egy (Φ, E, V) hátmas, ahol E az élek halmaza, V a csúcsok (pontok) halmaza, Φ: E {V-beli rendezetlen párok} illeszkedési
RészletesebbenPólya-féle urnamodell II.
2012. szeptember 5, 15:30 KöMaL, 2012. szeptember (1. lap) Pólya-féle urnamodell II. 4. Egyéb önmegerősítő folyamatok 4.1. Végtelen sok szín az urnában Korábban ígértük, hogy szót ejtünk arról, hogyan
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@cs.elte.hu 2016/2017. tavaszi félév Bevezetés Célok: véletlen folyamatok modellezése; kísérletekb l, felmérésekb
RészletesebbenMázsár Noémi. A járványterjedés modellezése véletlen gráfokon
Eötvös Loránd Tudományegyetem Természettudományi Kar Mázsár Noémi A járványterjedés modellezése véletlen gráfokon BSc Szakdolgozat Témavezet : Backhausz Ágnes Valószín ségelméleti és Statisztika Tanszék
RészletesebbenSzalai Péter. April 17, Szalai Péter April 17, / 36
Szociális hálók Szalai Péter April 17, 2015 Szalai Péter April 17, 2015 1 / 36 Miről lesz szó? 1 Megfigyelések Kis világ Power-law Klaszterezhetőség 2 Modellek Célok Erdős-Rényi Watts-Strogatz Barabási
RészletesebbenZsidók, tudomány és hálózatok?
Zsidók, tudomány és hálózatok? Bevezető gondolatok és alapfogalmak Biró Tamás OR-ZSE Hálózatkutatás a Zsidó Tanulmányokban kutatócsoport 2018. 12. 19. Hálózatok mindenhol Például: emberek alkotta társadalmi
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. Mérai László előadása alapján Készítette: Nagy Krisztián 1. előadás Gráfok halmaza, gráf, ahol a csúcsok halmaza, az élek illesztkedés reláció: illesztkedik az élre, ha ( -él illesztkedik
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 2. el adás A hálózatkutatás néhány fontos fogalma El adó: London András 2015. szeptember 15. Átmér l ij a legrövidebb út a hálózatban i és j pont között =
RészletesebbenShor kvantum-algoritmusa diszkrét logaritmusra
Ivanyos Gábor MTA SZTAKI Debrecen, 20 január 2. Tartalom és kvantum-áramkörök 2 A diszkrét log probléma Kvantum bit Állapot: a B = C 2 komplex euklideszi tér egy egységvektora: az a 0 + b szuperpozíció
RészletesebbenKözösségek keresése nagy gráfokban
Közösségek keresése nagy gráfokban Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2011. április 14. Katona Gyula Y. (BME SZIT) Közösségek
RészletesebbenStatisztikai 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
RészletesebbenPopulációdinamika kurzus, projektfeladat. Aszimptotikus viselkedés egy determinisztikus járványterjedési modellben. El adó:
Populációdinamika kurzus, projektfeladat Aszimptotikus viselkedés egy determinisztikus járványterjedési modellben El adó: Unger Tamás István okleveles villamosmérnök matematika B.Sc. szakos hallgató Szeged
Részletesebben0,9268. Valószín ségszámítás és matematikai statisztika NGB_MA001_3, NGB_MA002_3 zárthelyi dolgozat
A 1. A feln ttkorú munkaképes lakosság 24%-a beszél legalább egy idegen nyelvet, 76%-a nem beszél idegen nyelven. Az idegen nyelvet beszél k 2,5%-a, az idegen nyelvet nem beszél k 10%-a munkanélküli. Véletlenszer
RészletesebbenGyakori elemhalmazok kinyerése
Gyakori elemhalmazok kinyerése Balambér Dávid Budapesti M szaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudomány szakirány 2011 március 11. Balambér Dávid (BME) Gyakori
RészletesebbenIdegennyelv-tanulás támogatása statisztikai és nyelvi eszközökkel
statisztikai és nyelvi eszközökkel Témalabor 2. beszámoló Témavezet : Vámos Gábor 2009. január 9. Mir l lesz szó? A cél: tesztelni és tanítani 1 A cél: tesztelni és tanítani Eszközök és célok Szókincs
RészletesebbenEllátási 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
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
RészletesebbenValószínűségszámítás és statisztika
Valószínűségszámítás és statisztika Programtervező informatikus szak esti képzés Varga László Valószínűségelméleti és Statisztika Tanszék Matematikai Intézet Természettudományi Kar Eötvös Loránd Tudományegyetem
RészletesebbenÖsszefoglalás és gyakorlás
Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)
RészletesebbenLokális tulajdonságok véletlen. Nagy Gábor
Eötvös Loránd Tudományegyetem Természettudományi Kar Lokális tulajdonságok véletlen gráfokban Szakdolgozat Nagy Gábor Matematika BSc Alkalmazott matematikus szakirány Témavezető: Backhausz Ágnes tanársegéd
RészletesebbenKomplex hálózatok moduláris szerkezete
Az OTKA K68669 azonosítójú, Komplex hálózatok moduláris szerkezete című pályázat szakmai beszámolója 1. Bevezetés Az utóbbi évtizedben a hálózati megközelítés több fontos sikert hozott biológiai, technológiai,
RészletesebbenSzA II. gyakorlat, szeptember 18.
SzA II. gyakorlat, 015. szeptember 18. Barátkozás a gráfokkal Drótos Márton drotos@cs.bme.hu 1. Az előre megszámozott (címkézett) n darab pont közé hányféleképp húzhatunk be éleket úgy, hogy egyszerű gráfhoz
RészletesebbenDoktori disszertáció. szerkezete
Doktori disszertáció tézisfüzet Komplex hálózatok szerkezete Szabó Gábor Témavezető Dr. Kertész János Elméleti Fizika Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2005 Bevezetés A tudományos
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenVéletlen bolyongás. Márkus László március 17. Márkus László Véletlen bolyongás március / 31
Márkus László Véletlen bolyongás 2015. március 17. 1 / 31 Véletlen bolyongás Márkus László 2015. március 17. Modell Deníció Márkus László Véletlen bolyongás 2015. március 17. 2 / 31 Modell: Egy egyenesen
RészletesebbenINFORMÁCIÓTERJEDÉS MODELLEZÉSE HÁLÓZATOKON DIFFERENCIÁLEGYENLETEKKEL
INFORMÁCIÓTERJEDÉS MODELLEZÉSE HÁLÓZATOKON DIFFERENCIÁLEGYENLETEKKEL Eötvös Loránd Tudományegyetem Természettudományi Kar BSc szakdolgozat Készítette: Korányi Gerg Matematika BSc Matematikai elemz szakirány
RészletesebbenSzociális hálózatok geográfiai beágyazódása
Eötvös Loránd Tudományegyetem Természettudományi Kar Szociális hálózatok geográfiai beágyazódása Szakdolgozat Készítette: Fejes Ágota Matematika BSc, Matematikai elemző szakirány Témavezető: Lukács András
RészletesebbenMatematika MSc záróvizsgák (2015. június )
Június 23. (kedd) H45a 12.00 13.00 Bizottság: Simonovits András (elnök), Simon András, Katona Gyula Y., Pap Gyula (külső tag) 12.00 Bácsi Marcell Közelítő algoritmusok és bonyolultságuk tv.: Friedl Katalin
RészletesebbenBevezete s a ha ló zatók vila ga ba
Bevezete s a ha ló zatók vila ga ba Bevezetés Kezdjük egy játékkal! Képzeletünkben kalandozzunk el és válasszunk egy tetszőleges országot a világon, annak tetszőleges települését és egy ott élő tetszőleges
Részletesebben1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.
1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét
RészletesebbenFeladatok, amelyek gráfokkal oldhatók meg 1) A königsbergi hidak problémája (Euler-féle probléma) a
Feladatok, amelyek gráfokkal oldhatók meg ) A königsbergi hidak problémája (Euler-féle probléma) a b d c A megfelelő gráf: d a b c ) Egy szórakoztató feladat (Hamilton-féle probléma) Helyezzük el az,,,...,
RészletesebbenFeladatok MATEMATIKÁBÓL
Feladatok MATEMATIKÁBÓL a 12. évfolyam számára III. 1. Számítsuk ki a következő hatványok értékét! 2. Írjuk fel gyökjelekkel a következő hatványokat! 3. Az ötnek hányadik hatványa a következő kifejezés?
Részletesebbenoklevél száma: P-1086/2003 (summa cum laude) A disszertáció címe: Integrálegyenletek és integrálegyenl½otlenségek mértékterekben
Végzettség: 1983 június Okleveles matematikus József Attila Tudományegyetem, Szeged oklevél száma: 60/1983 (kitüntetéses oklevél) 1991 június Egyetemi doktori cím Eötvös Loránd Tudományegyetem, Budapest
Részletesebben13. Egy január elsejei népesség-statisztika szerint a Magyarországon él k kor és nem szerinti megoszlása (ezer f re) kerekítve az alábbi volt:
A 13. Egy 2000. január elsejei népesség-statisztika szerint a Magyarországon él k kor és nem szerinti megoszlása (ezer f re) kerekítve az alábbi volt: korcsoport (év) férfiak száma (ezer f ) n k száma
RészletesebbenInformációterjedés hálózatokon Voter modell
Eötvös Loránd Tudományegyetem Természettudományi Kar Schneider Tímea Információterjedés hálózatokon Voter modell BSc Szakdolgozat Témavezet : Simon L. Péter Alkalmazott Analízis és Számításmatematikai
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenHálózati folyamatok közelít differenciálegyenletei
Eötvös Loránd Tudományegyetem Természettudományi Kar Hálózati folyamatok közelít differenciálegyenletei MSc szakdolgozat Írta: Varga Roxána Alkalmazott matematikus MSc, Alkalmazott analízis szakirány Témavezet
RészletesebbenHálózati Algoritmusok
Hálózati Algoritmsok 2015 Topológia felügyelet és roting ad hoc hálózatokban 1 Topológia felügyelet (Topology Control) Ritka topológiák, alacsony fokszám tár hatékonyság Röid és alacsony energiájú tak
RészletesebbenBóra Eszter. Véletlen gráfok és társadalmi hálózatok. Eötvös Loránd Tudományegyetem Természettudományi Kar. Témavezet : Backhausz Ágnes
Eötvös Loránd Tudományegyetem Természettudományi Kar Bóra Eszter Véletlen gráfok és társadalmi hálózatok BSc Szakdolgozat Matematika BSc, alkalmazott matematikus szakirány Témavezet : Backhausz Ágnes Valószín
RészletesebbenHálózati modellek alkalmazása a molekuláris biológia néhány problémájára. Doktori (PhD) értekezés tézisei. Ágoston Vilmos
Hálózati modellek alkalmazása a molekuláris biológia néhány problémájára Doktori (PhD) értekezés tézisei Ágoston Vilmos Témavezető: Dr. Pongor Sándor SZEGED 2007 Konferencia-részvétel: Bevezetés Ágoston,
RészletesebbenVéges ponthalmazok legrövidebb hálózatai Kábelrakás kis költséggel
Véges ponthalmazok legrövidebb hálózatai Bessenyei Mihály U.M. Debreceni Egyetem, Matematikai Intézet, Analízis Tanszék (Szabó Gréta egyetemi hallgatóval közös munka alapján) Medve Matektábor, Pusztafalu,
RészletesebbenHálózatelméleti modellek a banki rendszerkockázatra. Mázsár Noémi. Témavezet : Dr. Csóka Péter. Befektetések és Vállalati Pénzügy Tanszék
Eötvös Loránd Tudományegyetem Természettudományi Kar Budapesti Corvinus Egyetem Közgazdaságtudományi Kar Hálózatelméleti modellek a banki rendszerkockázatra MSc Szakdolgozat Mázsár Noémi Biztosítási és
RészletesebbenLineáris különböz ségek
Ivanyos Gábor MTA SZTAKI 2010 december 13 A feladat Titok: u = (µ 1,..., µ n ) n dimenziós vektor Z n 3 -b l Z 3 = az egész számok modulo 3 Gombnyomásra kapunk: véletlen v i = (a i1,..., a in ) vektorokat,
RészletesebbenMatematika B/1. Tartalomjegyzék. 1. Célkit zések. 2. Általános követelmények. 3. Rövid leírás. 4. Oktatási módszer. Biró Zsolt. 1.
Matematika B/1 Biró Zsolt Tartalomjegyzék 1. Célkit zések 1 2. Általános követelmények 1 3. Rövid leírás 1 4. Oktatási módszer 1 5. Követelmények, pótlások 2 6. Program (el adás) 2 7. Program (gyakorlat)
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenFertőzés: hálózatok háborúja földön, vízen, levegőben
Fertőzés: hálózatok háborúja földön, vízen, levegőben földön bőr Dr. Maszárovics Zoltán Eger vízben béltraktus, folyadékok levegőben légutak Miért éppen a hálózatok? Internet Városokat összekötő útvonalhálózatok
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2015. tavasz 1. Diszkrét matematika 2.C szakirány 1. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu Komputeralgebra Tanszék 2015. tavasz Gráfelmélet Diszkrét
RészletesebbenAlgoritmusok és adatszerkezetek II.
Algoritmusok és adatszerkezetek II. Horváth Gyula Szegedi Tudományegyetem Természettudományi és Informatikai Kar horvath@inf.u-szeged.hu 6. Ugrólista (Skiplist) Definíció. Olyan adatszerkezet, amelyre
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. ősz 1. Diszkrét matematika 2.C szakirány 2. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
RészletesebbenHajder Levente 2018/2019. II. félév
Hajder Levente hajder@inf.elte.hu Eötvös Loránd Tudományegyetem Informatikai Kar 2018/2019. II. félév Tartalom 1 2 Törtvonal Felületi folytonosságok B-spline Spline variánsok Felosztott (subdivision) görbék
RészletesebbenValószín ségszámítás és statisztika Gyakorlat (Kétmintás próbák)
Gyakorlat (Kétmintás próbák) 2018. december 4. Kétmintás u-próba 1 Adott két független minta 0.0012 szórású normális eloszlásból. Az egyik, 9 elem minta realizációjának átlaga 0.1672, a másik 16 elem é
RészletesebbenPál Judit - Vörös András. Budapesti Corvinus Egyetem. Kapcsolatháló- és Oktatáskutató Központ. 2011. március 1.
Pál Judit - Vörös András Budapesti Corvinus Egyetem Kapcsolatháló- és Oktatáskutató Központ 2011. március 1. Definíció: A kapcsolatháló-elemzés az egyének viselkedését tanulmányozza mikro szinten, és az
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. 2018. szeptember 21. 1. Diszkrét matematika 2. 2. előadás Fancsali Szabolcs Levente nudniq@cs.elte.hu www.cs.elte.hu/ nudniq Komputeralgebra Tanszék 2018. szeptember 21. Gráfelmélet
RészletesebbenOnline algoritmusok. Algoritmusok és bonyolultságuk. Horváth Bálint március 30. Horváth Bálint Online algoritmusok március 30.
Online algoritmusok Algoritmusok és bonyolultságuk Horváth Bálint 2018. március 30. Horváth Bálint Online algoritmusok 2018. március 30. 1 / 28 Motiváció Gyakran el fordul, hogy a bemenetet csak részenként
RészletesebbenAz indukció. Azáltal, hogy ezt az összefüggést felírtuk, ezúttal nem bizonyítottuk, ez csak sejtés!
Az indukció A logikában indukciónak nevezzük azt a következtetési módot, amelyek segítségével valamely osztályon belül az egyes esetekb l az általánosra következtetünk. Például: 0,, 804, 76, 48 mind oszthatóak
RészletesebbenKOMBINATORIKA ElŐADÁS Matematika BSc hallgatók számára. Klikkek gráfokban-1. Definíció. Egy G gráfban egy K V(G) csúcshalmazt klikknek nevezünk, ha K
KOMBINATORIKA ElŐADÁS Matematika BSc hallgatók számára Klikkek gráfokban Előadó: Hajnal Péter 2017 1. Az alapkérdés Emlékeztetünk egy a gráfok színezésénél tárgyalt fontos fogalomra: Definíció. Egy G gráfban
RészletesebbenYule és Galton-Watson folyamatok
Dr. Márkus László Yule és ok 2015. március 9. 1 / 36 Yule és ok Dr. Márkus László 2015. március 9. Yule folyamat Dr. Márkus László Yule és ok 2015. március 9. 2 / 36 A független stacionárius növekmény
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. A szakirány 11. előadás Ligeti Péter turul@cs.elte.hu www.cs.elte.hu/ turul Nagy hálózatok Nagy hálózatok jellemzése Internet, kapcsolati hálók, biológiai hálózatok,... globális
Részletesebbenmunkaer -piaci A Debreceni Egyetemen végze 1998-ban földrajz történelem szakon. 2001 és 2004 közö PhD-hallgató volt a Debreceni Egyetem
B ó I v Mu - m m y v ó mu ó m b m y y, m A mu ü m j v y m y m m y v m y m b, - b m ó ó m u mu - y ó u m y, j, u- ó b. m. A mu m v y v y y y v m ub, v y m y b y m v, mu ü v m y j - um umb bb. L - y ó m
Részletesebben13. Oldja meg a valós számok halmazán az alábbi egyenleteket!
A 13. Oldja meg a valós számok halmazán az alábbi egyenleteket! a) b) sin 2 x 1 2cos x a) 6 pont b) 6 pont 12 pont írásbeli vizsga, II. összetev 4 / 16 2011. október 18. 14. Egy felmérés során két korcsoportban
RészletesebbenMikroszkopikus közlekedési szimulátor fejlesztése és validálása (Development and validating an urban traffic microsimulation)
Közlekedéstudományi Konferencia 2014, Győr Mikroszkopikus közlekedési szimulátor fejlesztése és validálása (Development and validating an urban traffic microsimulation) Dr. Kovács Tamás Dr. Kovács Lóránt
RészletesebbenIdegen atomok hatása a grafén vezet képességére
hatása a grafén vezet képességére Eötvös Loránd Tudományegyetem, Komplex Rendszerek Fizikája Tanszék Mahe Tisk'11 Vázlat 1 Kisérleti eredmények Kémiai szennyez k hatása a Fermi-energiára A vezet képesség
RészletesebbenBevezetés. 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
RészletesebbenKriptográfia házi használatra Szeptember 26
Kriptográfia házi használatra 1 / 16 Kriptográfia házi használatra Csirmaz László CEU Rényi ELTE 2018 Szeptember 26 Kriptográfia házi használatra 2 / 16 A fagylaltos kocsik hová álljanak? Szomszédos sarkokon
RészletesebbenBiometria 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
Részletesebben0,424 0,576. f) P (X 2 = 3) g) P (X 3 = 1) h) P (X 4 = 1 vagy 2 X 2 = 2) i) P (X 7 = 3, X 4 = 1, X 2 = 2 X 0 = 2) j) P (X 7 = 3, X 4 = 1, X 2 = 2)
Legyen adott a P átmenetvalószín ség mátrix és a ϕ 0 kezdeti eloszlás Kérdés, hogy miként lehetne meghatározni az egyes állapotokban való tartózkodás valószín ségét az n-edik lépés múlva Deniáljuk az n-lépéses
RészletesebbenPélda sejtautomatákra. Homokdomb modellek.
Példa sejtautomatákra. Homokdomb modellek. Automaták egyszerű eszközök tulajdonságok: véges számú állapota van átmenet egyik állapotból a másikba érzékeli a környezetet esetleg megváltoztatja a környezetet
Részletesebben2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben
1 feladatsor 1 Egy dobozban 20 fehér golyó van Egy szabályos dobókockával dobunk, majd a következ t tesszük: ha a dobott szám 1,2 vagy 3, akkor tíz golyót cserélünk ki pirosra; ha a dobott szám 4 vagy
RészletesebbenTÉRINFORMATIKAI ALGORITMUSOK
Topológiai algoritmusok és adatszerkezetek TÉRINFORMATIKAI ALGORITMUSOK Cserép Máté mcserep@caesar.elte.hu 2015. november 18. EÖTVÖS LORÁND TUDOMÁNYEGYETEM INFORMATIKAI KAR BEVEZETŐ Topológia: olyan matematikai
RészletesebbenA Bitcoin tranzakcióhálózat fejlődésének vizsgálata adatbányász módszerekkel
A Bitcoin tranzakcióhálózat fejlődésének vizsgálata adatbányász módszerekkel Kondor Dániel ELTE, Komplex Rendszerek Fizikája Tanszék MAFIHE Téli Iskola 2015 február 4 Bitcoin, alapok Teljesen elosztott
RészletesebbenMATEMATIKA A és B variáció
MATEMATIKA A és B variáció A Híd 2. programban olyan fiatalok vesznek részt, akik legalább elégséges érdemjegyet kaptak matematikából a hatodik évfolyam végén. Ezzel együtt az adatok azt mutatják, hogy
RészletesebbenTantárgy kódja Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2
Tantárgy neve Alkalmazott matematika II. Tantárgy kódja MT003 Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2 Számonkérés módja gyakorlati jegy Előfeltétel (tantárgyi kód) MT002 Tantárgyfelelős
RészletesebbenOTKA Komplex viselkedés klasszikus és kvantum hálózatokban Zárójelentés. Vattay Gábor az MTA doktora, egyetemi tanár
OTKA 37903 Zárójelentés 1 OTKA 37903 Komplex viselkedés klasszikus és kvantum hálózatokban 2002-2006 Zárójelentés Vattay Gábor az MTA doktora, egyetemi tanár 2007 február 28. OTKA 37903 Zárójelentés 2
RészletesebbenRamsey-féle problémák
FEJEZET 8 Ramsey-féle problémák "Az intelligens eljárást az jellemzi, hogy még a látszólag megközelíthetetlen célhoz is utat nyit, megfelelő segédproblémát talál ki és először azt oldja meg." Pólya György:
RészletesebbenGépi tanulás és Mintafelismerés
Gépi tanulás és Mintafelismerés jegyzet Csató Lehel Matematika-Informatika Tanszék BabesBolyai Tudományegyetem, Kolozsvár 2007 Aug. 20 2 1. fejezet Bevezet A mesterséges intelligencia azon módszereit,
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2016. tavasz 1. Diszkrét matematika 2. estis képzés 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenPontosan adtuk meg a mérkőzésen a gólok számát és a negyeddöntőt tévén közvetítő országok számát.
A számok kerekítése (Keress példákat pontos és közelítő értékek megadására!) Pontosan adtuk meg a mérkőzésen a gólok számát és a negyeddöntőt tévén közvetítő országok számát Közelítően, becsléssel adtuk
RészletesebbenA különböz lerajzolásokhoz különböz metszési szám tartozik: x(k 5, λ) = 5,
Gráfelmélet/Diszkrét Matematika MSc hallgatók számára Gráfok metszési paramétere és alkalmazásai 2013. El adó: Hajnal Péter 1. Gráfok metszési száma Az el adás a metszési szám nev gráfparaméterr l szól.
RészletesebbenMatematikai 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
RészletesebbenGyakorló feladatok a Közönséges dierenciálegyenletek kurzushoz
Gyakorló feladatok a Közönséges dierenciálegyenletek kurzushoz Vas Gabriella 204. február A feladatgy jtemény a TÁMOP-4.2.4.A/2-/-202-000 azonosító számú Nemzeti Kiválóság Program Hazai hallgatói, illetve
Részletesebben