parameetrit: keskväärtus ja standardhälve. Kolmnurkjaotus (TRIA(min, mood, max)- PJS jaotus, mille korral tihedusfunktsiooni graafik on kolmnurkse kujuga. Jaotust kirjeldavaid parameetreid on kolm- murdjoone nurkpunktide väärtused. RANDOM(0,1)- juhuslik arv 0 ja 1 vahel. NÄIDE: 13. Mündi viskamise mudel- Juhusliku protsessi mudel. Viskame nt. 2000 korda münti. Modelleerime selle arvutil, kasutades juhuslike arvude generaatorit- igal viskel genereerime juhusliku arvu vahemikus (0,1), kui see on <0.5, siis loeme viske kirjaks, kui >0.5 kulliks. Põhimuutuja loendab, mitu korda esineb kiri rohkem, kui kull. Ajasamm DT=1, simulatsiooni aeg 2000. 14. Positiivne tagasimõju, mudel- süsteemi ühe komponendi muutus kutsub esile süsteemi teise (teiste) komponendi muutuse, mis omakorda võimendab esialgset komponendi muutust. On halb, see viib süsteemi tasakaalust välja. Nt. mudel, mis
N2 positsiooni ja N3 kohta kümnendkoha järel • stuff(C1,N1,N2,C2) – Stringis C1 alates positsioonist N1 asendatakse N2 märki stringiga C2 • substr(C,N1,N2) – stringist C eraldatakse alates positsioonist N1 N2 märki • upper(C) – annab stringi suurtähtedes Stringifunktsioonid ? Replicate('Juga',3) JugaJugaJuga ? Right("Jugapuu23"), 4) uu23 ? Left("Jugapuu23"), 4) Juga Stringifunktsioonid Genereerime kolmekordse jada (Replicate), asendame selles kindla märgi (StrTran) ja liidame tulemusele konstandi "puu" ?StrTran(Replicate('Juga',3),'g','r')+'puu' JuraJuraJurapuu Kuupäevafunktsioonid Kuupäeva ja aja tüüpi väärtused koosnevad alamkomponentidest • ctod(C) – teeb stringist kuupäeva • date() – annab süsteemse kuupäeva • day(D) – annab päeva numbri kuus • dtoc(D) – teeb kuupäevast stringi
on nagu sisemine taju, mis annab oma südametunnistuse järgi, olenemata ratsionaalsetest kaalutlustest, siis hoobilt õige vastuse. genereerime me rohkem õnne kui sel juhul, kui üritaksime otseselt maksimeerida õnne 7 maailmas. A Free sample background from www.awesomebackgrounds.com © 2004 By Default! A Free sample background from www.awesomebackgrounds.com © 2004 By Default!
Klassikaline Monte Carlo meetod põhineb ühtlase jaotusega juhuslikel väärtustel. Meetodi rakendamine seisneb järgmiste tegevuste sooritamises: määrame muutuja jaotumise ja esinemise sageduse, arvutame sageduse esinemise tõenäosuse 7 arvutame muutuja jaotumise kumulatiivse tõenäosuse kumulatiivse tõenäosuse abil leiame muutuja väärtustele vastava juhuslike arvude intervalli genereerime juhuslike arvude rea või kasutame juhuslike arvude tabelit modelleerime uuritava protsessi 8 3. Prognoosimine Prognoosimise olemus ja liigitused. Prognoose kasutatakse kahel viisil. Esimene võimaldab operatsioonijuhil planeerida süsteemi, teine planeerida süsteemi kasutamist. Süsteemi planeerimine toimub pikaajaliste plaanide abil, mis kajastavad toodete ja teenuste nõudlust, vajalikke tootmisvõimsusi ja seadmete vajadust,
Kui mõnd aspekti ei arvestata, siis ei ole lahendus täiuslik. Integratsiooniline muutuja jaotumise kumulatiivse tõenäosuse; *kumulatiivse tõenäosuse abil leiame muutuja vahima elemendi reegel, Vogeli meetod jt võtted. Regressionnimudelid. Eksperthinnangud lähenemisviis integratsiooni all mõistame juhtimissubjektide koostöö süvendamist ja väärtustele vastava juhuslike arvude intervalli; *genereerime juhuslike arvude rea või 5. Laovarude juhtimine, mudelid ja arvutused. arendamist, juhtimissüsteemi komponentide ühendamist ja nendevaheliste sidemete kasutame juhuslike arvude tabelit; *modelleerime uuritava protsessi; Eelised: *meetod 5.1.Varude vajalikkus ja liigitus. Varud on kaubaliikide ja artiklite kogu, mida *hoitakse tugevdamist
x mudeli analüüsimine on hõlpsasti teostatav x mudeli muutmine on lihtne ja kiiresti teostatav. Meetodi rakendamine seisneb järgmiste tegevuste sooritamises: x määrame muutuja väärtuse jaotumise ja esinemise sageduse, arvutame sageduse esinemise tõenäosuse x arvutame muutuja jaotumise kumulatiivse tõenäosuse x kumulatiivse tõenäosuse abil leiame muutuja väärtustele vastava juhuslike arvude intervalli x genereerime juhuslike arvude rea või kasutame juhuslike arvude tabelit x modelleerime uuritava protsessi. Otsustusmaatriks ja otsustuspuu Otsustusmaatriks Väliskeskkonna seisundid Tegevuse S1 S2 ...Sj... Sn alternatiivid Väliskeskkonna seisundite esinemise tõenäosus P1 P2 ...Pj..
x mudeli analüüsimine on hõlpsasti teostatav x mudeli muutmine on lihtne ja kiiresti teostatav. Meetodi rakendamine seisneb järgmiste tegevuste sooritamises: x määrame muutuja väärtuse jaotumise ja esinemise sageduse, arvutame sageduse esinemise tõenäosuse x arvutame muutuja jaotumise kumulatiivse tõenäosuse x kumulatiivse tõenäosuse abil leiame muutuja väärtustele vastava juhuslike arvude intervalli x genereerime juhuslike arvude rea või kasutame juhuslike arvude tabelit x modelleerime uuritava protsessi. Prognoosimine Prognoosimise etapid: 1. Prognoosieelne orienteerimine o prognoosimise eesmärgi ja ülesannete ning prognoosi liigi määratlemine o baasi- ja prognoosiperioodi esmane fikseerimine 2. Retrospektiivne uuring ja diagnoos o süsteemi (objekti jne) arengu ajalugu ja eripära uurimine o prognoosimise foon (majanduskeskkond, turusituatsioon jne)
2. loeng Kvantitatiivne vs kvalitatiivne uurimus (deduktsioon vs induktsioon) Meetodi valiku seos teooria ja uurimisprobleemiga Tundmaõppimise viisid: · Deduktsioon Alustada teooriast, hüpoteesist, siis pöörduda empiiria poole eesmärgiga hüpoteese ja teooriaid kontrollida. Üldiselt üksikule. Testime olemasolevaid teooriaid. Positivistid. · Induktsioon Alustab empiirilisest, andmekogumisest, analüüsist, selle töö käigus tekivad uued teooriad. Genereerime hüpoteese, teooriaid, uut teadmist. Fenomenoloogid kritiseerisid positiviste, et need ei uuri fenomene, vaid oma kontseptsioone. · Induktiivselt deduktiivne viis (hilisemas põhistatud teoorias) Teooria mõjutab ka empiiriat. · Abduktsioon (C. S. Peirce) ,,Mõtte loominguline hüpe", mille käigus uurija äkki saab aru, kuidas üksiku sündmuse või juhtumi kaudu võib seletada nähtust laiemalt.
hulk N' U ' ei sisalda kasutuid sümboleid METHOD: · Kasutades keele tühjuse algoritmi, koostame hulga Ne (viimase hulga, millele lisandus sümboleid) ja grammatika G1 = (,N lõige Ne,P1,S), kus P1 = {A | A on produktsioon ning kuulub (Ne U *)} Need produktsioonid, mille parema poole stringid on saadavad stardisümbolist produktsioonide teel. · Kasutades saavutamatute sübolite elimineerimise algoritmi, genereerime grammatikast G1 grammatika G' Grammatikat nimetatakse -vabaks, kui ta ei sisalda ühtegi paremas poolest evivat produktsiooni või on üks produktsioon S ja S ei sisaldu ühegi teise produktisiooni paremas pooles. Tühja parema poolega reeglite elimineerimine: IN: KV grammatika G = (,N,P,S) OUT: Ekvivalentne KV grammatika G', milles pole -reegleid METHOD: · Keele tühjuse algoritmiga koostame hulga Ne.= {A | A =>* e} · Konstrueerime hulga P:
institutsioonide siseprotsesside analüüs Nii kvalitatiiv, kui kvantitatiiv Kvantitatiiv (näit.): demokraatia, poliitilise kultuuri, kodanikuhariduse teemalised küsitlused; Kvalitatiiv (näit.): erakondade siseprotsesside uurimine, meedia-diskursused, kodanikeühiskond ja kaasamine Rahvusvahelised suhted Politoloogia Valitsemine Uurimisloogikad • Lisaks neile võib eristada ka uurimisloogikaid, mis seotud teooria koha ja rolliga uurimistöös • Induktsioon: alustame andmetest ja genereerime nende põhjal teooria (või empiirilise üldistuse) • Deduktsioon: alustame teooriast, võtame andmed ja vaatame, kas andmed kinnitavad või lükkavad teooria ümber. • Induktsioon – andmed teooria; • Deduktsioon - teooria hüpoteesid teooria testimine andmete põhjal. • NB: uurimisloogikat EI PANDA KIRJA BAtöösse! See on sinu enda jaoks, et mõelda läbi, millise üldise loogikaga sa oma tööle lähened Induktsioon ja deduktsioon Induktsioon: Andmed
kaalumata. Selles võib kahelda. 2. Intuitsioon teises tähenduses on see, mis aitab meil tõde teada saada. See on nagu sisemine taju, mis annab hoobilt õige vastuse. Joseph Butleri intuitsionism · Iga õiglane inimene suudab leida õige lahenduse oma südame-tunnistuse alusel. · Jumalik kaudne utilitarism: Jumal lõi meid selliseks, et kui me toimime oma südametunnistuse järgi, olenemata ratsionaalsetest kaalutlustest, siis genereerime me rohkem õnne kui sel juhul, kui üritaksime otseselt maksimeerida õnne maailmas. Detsisionism: kas vastust saabki olla? · Võib-olla moraalis ei olegi üheselt kehtivaid tõdesid? · Näide. Sartre'i õpilane II Maailmasõja ajal. Kas jääda koju ja hoolitseda ema eest või olla patrioot ja minna sõtta? Sartre'i näite analüüs · Mõlemad otsused näivad olevat võrdselt moraalsed. · Puudub üldreegel sellistes olukordades otsuste tegemiseks.
XmlNodeType.CDATA Mitte parsetav tekst XmlNodeType.Comment XML kommentaar XmlNodeType.ProcessingInstruction Töö juhised erinevatele parseritele ja rakendustele XmlNodeType.WhiteSpace Tühjus elementide vahel XmlNodeType.XmlDeclaration XMLi kirjeldused Kui element võib olla tühi e. algus ja lõpu tag on üks ja seesama, siis tuleks seda kontrollida IsEmptyElement omaduse kaudu. Järgnevas näites genereerime XmlReader'it kasutades väljundisse uue XMLi. XmlTextReader MinuXmlLugeja = new XmlTextReader("mingifail.xml"); while (MinuXmlLugeja.Read()) { switch (MinuXmlLugeja.NodeType) { case XmlNodeType.Comment: Console.WriteLine(""); break; case XmlNodeType.Element: if (MinuXmlLugeja. IsEmptyElement) { Console.WriteLine("<" + MinuXmlLugeja.Name + " />"); }else { Console
annaabi.ee 
