What is the translation of " CARLO SIMULATION " in Serbian?

• карло симулација
• карло симулације

Examples of using Carlo simulation in English and their translations into Serbian

Monte Carlo simulations in theoretical physic.
Монте Карло симулације у физици.

Sawilowsky lists the characteristics of a high-quality Monte Carlo simulation:[50].
Савиловски наводи карактеристике квалитетне Монте Карло симулације:[ 48].

Monte Carlo simulation of photons, neutrons, electrons, protons and heavy ions.
Monte Karlo simulacija transporta fotona, neutrona, elektrona, protona i teških jona.

Sawilowsky lists the characteristics of a high quality Monte Carlo simulation:[49].
Савиловски наводи карактеристике квалитетне Монте Карло симулације:[ 48].

Life is not a Monte Carlo simulation, and you need a plan to ride out the rough times.
Живот није Монте Царло симулација и потребан вам је план да се извучете из тешких времена.

Scenarios are prepared on the basis of a historic distribution of inputs, using Monte Carlo simulations.
Сценарији се праве на основу историјске дистрибуције улазних података, користећи Monte Carlo симулацију.

A part of this investigation will include a Monte Carlo simulation study. Extended Kalman filter based training of artificial neural networks.
U ovoj analizi koristiće se Monte Carlo simulacija. Obučavanje veštačkih neuronskih mreža primenom proširenog Kalmanovog filtra.

Monte Carlo simulation methods are especially useful for modeling phenomena with significant uncertainty in inputs and in studying systems with a large number of coupled degrees of freedom.
Монте Карло методе су посебно корисне за симулацију феномена са неизвесношћу улаза и системима са великим бројем спрегнутих степена слободе.

There are ways of using probabilities that are definitely not Monte Carlo simulations- for example, deterministic modeling using single-point estimates.
Постоје начини коришћења вероватноће које дефинитивно нису Монте Карло симулације- на пример, детерминистичко моделирање користи процене једне тачке.

By contrast, Monte Carlo simulations sample from a probability distribution for each variable to produce hundreds or thousands of possible outcomes.
Насупрот томе, узорак Монте Карло симулација из расподеле вероватноће за сваку променљиву произведе стотине или хиљаде могућих исхода.

There are ways of using probabilities that walpurgis maik definitely not Monte Carlo simulations- for example, deterministic modeling using single-point estimates.
Постоје начини коришћења вероватноће које дефинитивно нису Монте Карло симулације- на пример, детерминистичко моделирање користи процене једне тачке.

Although the knowledge domain does of course encompass much more, the most involved techniques even mentioned in the entire PMBOK® Guide are probability distributions and Monte Carlo simulation.
Iako domen znanja obuhvata mnogo više, najčešće uključene tehnike koje se čak spominju u celom PMBOK-u su distribucije verovatnoće i Monte Carlo simulacija.

Monte Carlo simulation methods do not always require truly random numbers to be useful- while for some applications, such as primality testing, unpredictability is vital.
Монте Карло симулације методе не захтевају увек истински случајне бројеве да би била корисне- док за неке примене, као што је тестирање узорака, непредвидивост је од виталног значаја.

Low-discrepancy sequences are often used instead of random sampling from a space as they ensure even coverage and normally have a faster order of convergence than Monte Carlo simulations using random or pseudorandom sequences.
Секвенце мале несразмерности се често користе уместо случајног узорка јер имају бољу покривеност и обично имају бржи ред конвергенције од Монте Карло симулације помоћу случајних или псеудослучајних секвенци.

In many fields, much research work prior to the 21st century that relied on random selection or on Monte Carlo simulations, or in other ways relied on PRNGs, is much less reliable than it might have been as a result of using poor-quality PRNGs.
У Разним пољима, доста истраживања налик овима из 21 века која се ослањају на случајну селекцију или на Монте Карло симулатор, или у било ком облику ослањају на ГПСБ-ве, су мање поуздана него да су користили ГПСБ-ве слабог квалитета.

Drawing a large number of pseudo-random uniform variates from the interval[0,1], and assigning values less than or equal to 0.50 as heads and greater than 0.50 as tails, is a Monte Carlo simulation of the behavior of repeatedly tossing a coin.
Цртање великог броја псеудо-случајних јединствених варијабли из интервала[ 0, 1], и додељивање вредности мањих или једнаких 0, 50 као главе и већи од 0, 50 као писма, је Монте Карло симулација понашања у више наврата бацања новчића.

Monte Carlo simulation: Drawing a large number of pseudo-random uniform variables from the interval[0,1] at one time, or once at a large number of different times, and assigning values less than or equal to 0.50 as heads and greater than 0.50 as tails, is a Monte….
Монте Карло симулација: Цртање великог броја псеудо-случајних јединствених варијабли из интервала[ 0, 1], и додељивање вредности мањих или једнаких 0, 50 као главе и већи од 0, 50 као писма, је Монте Карло симулација понашања у више наврата бацања новчића.

Introduce students to Boltzmann transport theory. The outcomeAcquiring knowledge in Monte Carlo simulation of particle transport at a high mathematical level and at the level of complex models of interaction. ContentsContents of lecturesBoltzmann transport theory.
Упознаје студенте са Болцмановом транспортном теоријом. Исходи учења( стечена знања) Познавање Монте Карло симулације транспорта честица на високом математичком нивоу и на нивоу сложених модела интеракције честица. Садржај предметаСадржај теоријске наставеБолцманова транспортна теорија.

Monte Carlo simulation: Drawing a large number of pseudo-random uniform variables from the interval[0,1] at one time, or once at many different times, and assigning values less than or equal to 0.50 as heads and greater than 0.50 as tails, is a Monte Carlo simulation of the behavior of repeatedly tossing a coin.
Монте Карло симулација: Цртање великог броја псеудо-случајних јединствених варијабли из интервала[ 0, 1], и додељивање вредности мањих или једнаких 0, 50 као главе и већи од 0, 50 као писма, је Монте Карло симулација понашања у више наврата бацања новчића.

For example, a comparison of a spreadsheet cost construction model run using traditional“what if” scenarios, and then run again with Monte Carlo simulation and Triangular probability distributions shows that the Monte Carlo analysis has a narrower range than the“what if” analysis.
На пример, поређење модела изградње табела трошкова користећи традиционални„ шта ако“ сценаријо, а затим покретање поређења Монте Карло симулацијом, троугаона дистрибуција вероватноће показује да Монте Карло анализа има ужи опсег него" шта ако" анализа.

Sawilowsky lists the characteristics of a high quality Monte Carlo simulation: the(pseudo-random) number generator has certain characteristics(e.g., a long"period" before the sequence repeats) the(pseudo-random) number generator produces values that pass tests for randomness there are enough samples to ensure accurate results the proper sampling technique is used the algorithm used is valid for what is being modeled it simulates the phenomenon in question.
Слабе корелације између узастопних узорака је често пожељно/ неопходно Савиловски наводи карактеристике квалитетне Монте Карло симулације: је( псеудо-случајни) генератор бројева има одређене карактеристике( нпр дуг" рок" пред понављања секвенце) је( псеудо-случајни) генератор бројева који производи вредности које пролазе тестове случајности има довољно узорака како би се осигурали тачни резултати користи се правилна техника узорковања алгоритам се користи за оно за шта је моделиран симулира феномен у питању.

As a modeling environment, it is interesting in the way it combines hierarchical influence diagrams for visual creation and view of models, intelligent arrays for working with multidimensional data, Monte Carlo simulation for analyzing risk and uncertainty, and optimization, including linear and nonlinear programming.
Као модел окружења, она је занимљива тема, као што је он комбинује хијерархијске графикон утицаја за визуелну израду и преглед модела паметних низове за рад са вишедимензионални подацима, симулација методом Монте Карло за анализу ризика и неизвесности и оптимизација, укључујући линеарна и нелинеарна програмирање.

Sawilowsky distinguishes between a simulation, a Monte Carlo method, and a Monte Carlo simulation: a simulation is a fictitious representation of reality, a Monte Carlo method is a technique that can be used to solve a mathematical or statistical problem, and a Monte Carlo simulation uses repeated sampling to obtain the statistical properties of some phenomenon(or behavior).
Савиловски разликује симулације, методе Монте-Карло, и Монте Карло симулације: симулација је измишљена представа стварности, метод Монте Карло је техника која се може користити за решавање математичког или статистичког проблем, а Монте Карло симулација користи поновио узорковање за утврђивање својства неке појаве( или понашања).

Knowledge of the possible technologies based on the use of plasma. ContentsContents of lecturesAtomic and molecular energy levels, collisions of atomic particles, transport of charged particles, the Boltzmann equation and Monte Carlo simulations, fluid, hybrid and kinetic models of plasma breakdown in gases, plasma applications: etching, implantation, nitridation, nanotechnology. Contents of exercisesExperiments and demonstrations: plasma sources, plasma treatment of materials, plasma simulations..
Познавање могућих технологија базираних на примени плазме. Садржај предметаСадржај теоријске наставеAтомски и молекулски енергијски нивои, судари атомских честица, транспорт наелектрисаних честица, Болцманова једначина и Монте Карло симулације, флуидни, хибридни и кинетички модели плазме, пробој у гасовима, примене плазме: нагризање, имплантација, нитридизација, нанотехнологије. Садржај практичне наставеEксперименти и демонстрације: извори плазме, плазма третман материјала, симулације плазме.

Knowledge of the possible technologies based on the use of plasma. ContentsContents of lecturesAtomic and molecular energy levels, collisions of atomic particles, transport of charged particles, the Boltzmann equation and Monte Carlo simulations, fluid, hybrid and kinetic models of plasma breakdown in gases, plasma applications: etching, implantation, nitridation, nanotechnology. Contents of exercisesExperiments and demonstrations: plasma sources, plasma treatment of materials, plasma simulations..
Poznavanje mogućih tehnologija baziranih na primeni plazme. Sadržaj predmetaSadržaj teorijske nastaveAtomski i molekulski energijski nivoi, sudari atomskih čestica, transport naelektrisanih čestica, Bolcmanova jednačina i Monte Karlo simulacije, fluidni, hibridni i kinetički modeli plazme, proboj u gasovima, primene plazme: nagrizanje, implantacija, nitridizacija, nanotehnologije. Sadržaj praktične nastaveEksperimenti i demonstracije: izvori plazme, plazma tretman materijala, simulacije plazme.

Theoretical studies in(a) statistical thermodynamics of polymers and(b) Monte Carlo computer simulations of chain conformations in supramolecular structures are available for theoretically oriented students.
Теоријске студије( а) статистичке термодинамике полимера и( б) Монте Карло компјутерске симулације конформација ланца у супрамолекуларним структурама доступне су за теоријски оријентисане студенте.