Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1

Wielkość: px
Rozpocząć pokaz od strony:

Download "Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1"

Transkrypt

1 Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Metody oblczenowe wykład nr metody rozwązywana równań nelnowych zadane optymalzacj

2 Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Postać równana nelnowego Równane nelnowe jednej zmennej o ogólnej postac: rozwązane analtyczne : znalezene takej wartośc dla której

3 Nr: 3 Metody oblczenowe - Budownctwo semestr - wykład nr Postać równana nelnowego Równane nelnowe jednej zmennej o ogólnej postac: rozwązane analtyczne : znalezene takej wartośc dla której rozwązane przyblŝone : skomplkowana postać unkcj unemoŝlwa znalezene rozwązana analtycznego dokładnego etapy: lokalzacja perwastków odosobnonych określene tzw. przedzałów zolacj w których znajdują sę pojedyncze perwastk znajdywane z zadaną dokładnoścą perwastków metodam przyblŝonym teracyjnym przedzał zolacj - -.5

4 Nr: 4 Metody oblczenowe - Budownctwo semestr - wykład nr Równane nelnowe Metody przyblŝone rozwązań metody teracyjne: startują z przyblŝena początkowego polegają na konstrukcj neskończonego cągu rozwązań przyblŝonych, zbeŝnych do szukanego rozwązana,... przerywane w momence osągnęca Ŝądanej dokładnośc < ε

5 Nr: 5 Metody oblczenowe - Budownctwo semestr - wykład nr Równane nelnowe Dana jest unkcja, oraz przedzał [a,b] ,5 - -,5 - -,5-3 -3,5-4 -4,5 unkcja / - ne cągłość unkcj w

6 Nr: 6 Metody oblczenowe - Budownctwo semestr - wykład nr Równane nelnowe Dana jest unkcja, oraz przedzał [a,b] ,5 - -,5 - -,5-3 -3,5-4 -4,5 unkcja / - ne cągłość unkcj w Funkcja jest cągła na przedzale [a,b] spełna warunek a b< posada w przedzale [a,b] tylko jeden perwastek równana

7 Nr: 7 Metody oblczenowe - Budownctwo semestr - wykład nr Równane nelnowe metody rozwązań Metoda bsekcj perwsza teracja b a a a b b

8 Nr: 8 Metoda bsekcj Metody oblczenowe - Budownctwo semestr - wykład nr ty krok teracj b a a b b a b a b

9 Nr: 9 w -tym kroku metody: znajdujemy środek przedzału a b Metoda bsekcj jeśl < ε znaleźlśmy perwastek w przecwnym raze gdy ε wyznaczamy nowy przedzał do podzału ; Metody oblczenowe - Budownctwo semestr - wykład nr a b/ whle abs > eps end a* < else end b a a b/ [ a, b ] [ a, ] gdy a [, b ] gdy a powtarzamy procedurę podzału < >

10 Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Metoda bsekcj Własnośc metody prosta dea metody metoda jest zawsze zbeŝna kontynuując podzały odpowedno długo otrzymamy ZAWSZE wynk z Ŝądaną dokładnoścą szybkość metody ne zaleŝy od postac unkcj

11 Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Metoda bsekcj Własnośc metody prosta dea metody metoda jest zawsze zbeŝna kontynuując podzały odpowedno długo otrzymamy ZAWSZE wynk z Ŝądaną dokładnoścą szybkość metody ne zaleŝy od postac unkcj wady metoda wolno zbeŝna jedną cyrę dzesętną zyskuje sę średno w 3,3 krokach stosowana często do przyblŝeń początkowych

12 Nr: przez punkty a,a b,b prowadzmy cęcwę o równanu: przyblŝenem perwastka jest punkt przecęca tej cęcwy z osą OX 3 jeśl lub < ε to jest szukanym perwastkem 4 jeśl a < to przyjmujemy b, w przecwnym przypadku a powracamy do punktu Regula als regula - lna, alsus - ałszywy y a Metody oblczenowe - Budownctwo semestr - wykład nr b a a a b a y 3 y b Zadane: zapsz kod programu realzujący metodę, pokazujący oszacowane błędu wykonaj oblczena dla przykładu slajd 8

13 Nr: 3 Metody oblczenowe - Budownctwo semestr - wykład nr Regula als załoŝena dodatkowe unkcja jest klasy C [a,b] perwsza druga pochodna mają stały znak metoda ma stały punkt teracj > 3 3 " >, a b

14 Nr: 4 Metody oblczenowe - Budownctwo semestr - wykład nr Regula als przy dodatkowych załoŝenach otrzymujemy jeden z moŝlwych przypadków:

15 Nr: 5 Metody oblczenowe - Budownctwo semestr - wykład nr Regula als Własnośc metody w kolejnych punktach wytyczających cęcwę unkcja ma róŝne znak jest zbeŝna dla unkcj cągłej na [a,b] jeśl jest ogranczona róŝna od zera w otoczenu perwastka jeśl ma stały znak w [a,b] to ten punkt skrajny w którym > jest punktem stałym teracj metoda jest wolno zbeŝna

16 Metody oblczenowe - Budownctwo semestr - wykład nr Nr: 6 Metoda Newtona-Raphsona stycznych zakładamy dodatkowo Ŝ dla oszacowana błędu przyjmujemy Ŝ oraz perwsza druga pochodna mają stały znak w [a,b] styczną do wykresu unkcj prowadzmy od końca przedzału w którym > [ ] C a b, [ ] b a C, ' ' ' ' '

17 Nr: 7 Metody oblczenowe - Budownctwo semestr - wykład nr Metoda Newtona-Raphsona stycznych Przykład braku zbeŝnośc druga pochodna unkcj zmena znak, cyram,,...,4 oznaczono kolejne przyblŝena perwastka 4 3

18 Nr: 8 Metody oblczenowe - Budownctwo semestr - wykład nr Metoda Newtona-Raphsona Własnośc metody metoda jest zbeŝna warunkowo lokalne ekstrema, punkty przegęca JeŜel w pewnym przedzale [a,b], a b mają przecwne znak, jest cągła ne zmena znaku na [a,b], styczne do krzywej y poprowadzone w punktach o odcętych a b przecnają oś OX wewnątrz przedzału [a,b] to równane ma dokładne jeden perwastek w [a,b] metoda Newtona-Raphsona jest zbeŝna do tego perwastka dla dowolnego punktu startowego [a,b] jest stosunkowo szybko zbeŝna jeśl algorytm jest zbeŝny wymaga tylko jednego punktu startowego koneczność oblczana pochodnej unkcj

19 Metody oblczenowe - Budownctwo semestr - wykład nr Nr: 9 Metoda Newtona-Raphsona uogólnene metody wyprowadzene z wzoru Taylora JeŜel perwastkem równana jest ξ, a jest jego przyblŝenem, to L 3! ''! ' 3 3 ξ ξ ξ ξ

20 Metody oblczenowe - Budownctwo semestr - wykład nr Nr: Metoda Newtona-Raphsona uogólnene metody wyprowadzene z wzoru Taylora JeŜel perwastkem równana jest ξ, a jest jego przyblŝenem, to zanedbując wyrazy rzędu wększego nŝ p otrzymujemy równane do wyznaczena kolejnego przyblŝena dla p metoda Newtona-Raphsona stopna I: L 3! ''! ' 3 3 ξ ξ ξ ξ ' '

21 Metody oblczenowe - Budownctwo semestr - wykład nr Nr: Metoda Newtona-Raphsona uogólnene metody wyprowadzene z wzoru Taylora JeŜel perwastkem równana jest ξ, a jest jego przyblŝenem, to zanedbując wyrazy rzędu wększego nŝ p otrzymujemy równane do wyznaczena kolejnego przyblŝena dla p metoda Newtona-Raphsona stopna I: dla p metoda Newtona-Raphsona stopna II: L 3! ''! ' 3 3 ξ ξ ξ ξ ' ' ''! ' '' '' ' ' ± Zadane: zapsz kod programu realzujący metodę Newtona-Raphsona stopna II wykonaj oblczena dla przykładu slajd 8

22 Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Metoda secznych pochodna unkcj jest przyblŝana lorazem róŝncowym w -tym kroku prowadzmy seczną do wykresu unkcj w punktach o odcętych -, a jako kolejne przyblŝene przyjmujemy jej punkt przecęca z osą OX ne jest wymagane aby w punktach wyznaczających kolejną seczną unkcja mała róŝne znak warunek obowązuje dla perwszej stycznej '

23 Nr: 3 Metody oblczenowe - Budownctwo semestr - wykład nr Metoda secznych Własnośc metody zbeŝność na ogół szybsza nŝ dla regula als gdy - - jest tego samego rzędu co oszacowane błędu, następne przyblŝene moŝe ne być poprawne gdy początkowe przyblŝena ne leŝą dostateczne blsko perwastka, metoda moŝe ne być zbeŝna jeśl w trakce oblczeń odległośc mędzy kolejnym przyblŝenam zaczynają wzrastać, naleŝy je przerwać zawęzć przedzał zolacj

24 Nr: 4 Metody oblczenowe - Budownctwo semestr - wykład nr Metoda secznych Przykład braku zbeŝnośc druga pochodna unkcj zmena znak 4 5 3

25 Nr: 5 Metody oblczenowe - Budownctwo semestr - wykład nr Metoda secznych - modykacje metoda Steensena szybcej zbeŝna nŝ metoda secznych wymagająca oblczeń dwóch wartośc unkcj ne korzystająca z pochodnych dana wzorem :, g g Zadane: zapsz kod programu realzujący metodę wykonaj oblczena dla przykładu slajd 8

26 Nr: 6 Metody oblczenowe - Budownctwo semestr - wykład nr Metoda teracj prostej Równane przekształcamy do równana równowaŝnego ϕ perwsze przyblŝene oblczamy ϕ, -rozwązane początkowe kolejne przyblŝena oblczamy k ϕ k- problemy jak znaleźć unkcję ϕ? przy jakch warunkach cąg rozwązań jest zbeŝny? jeśl stneje q take, Ŝe ϕ q < [a,b] to proces teracj prostej jest zbeŝny nezaleŝne od przyblŝena początkowego [a,b]. Przykład ln ϕ-ln k -ln k- przypadek zbeŝny przypadek rozbeŝny

27 Nr: 7 Metody oblczenowe - Budownctwo semestr - wykład nr Rząd metod przyblŝonego oblczana perwastków Metoda jest rzędu p ma wykładnk zbeŝnośc równy p jeŝel stneje stała K taka, Ŝe dla dwu kolejnych przyblŝeń zachodz nerówność - α K - α p Metoda bsekcj regula als Netona secznych Steensena Rząd,6

28 Nr: 8 Metody oblczenowe - Budownctwo semestr - wykład nr Przykład porównane zbeŝnośc metod Szukamy dodatnego perwastka równana otrzymujemy ' 3 '' przedzałem zolacj moŝe być [,] obe pochodne są w tym przedzale dodatne

29 Nr: 9 Metody oblczenowe - Budownctwo semestr - wykład nr Przykład porównane zbeŝnośc metod cd Metoda bsekcj Regula als Metoda secznych Metoda Newtona a -4 a -4 a -4 b 3 b 3 b 3 3-4,5 -,875,574 -,36449,574 -,36449,7693, ,75,7,754 -,4784,754 -,4784,739,83, 5,888 3,65 -,943 3,7788 -,3936 3,7353,9 3,735 -,8 3,835, ,687 -,49 4,734 -,65 4,7399,576 4,7578,478 5,79 -,4 5,7395 -,95

30 Metody oblczenowe - Budownctwo semestr - wykład nr Nr: 3 Układy równań nelnowych Metoda Newtona dla równana nelnowego jest zmenną rzeczywstą ' n n n n n n J J równane nelnowe układ równań nelnowych n n n,...,,...,,...,,...,, n n,...,,...,, n n dla układu równań nelnowych jest wektorem n-wymarowym macerz Jacobego

31 Metody oblczenowe - Budownctwo semestr - wykład nr Nr: Układy równań nelnowych rozwązane w ScLabe wykorzystane unkcj solvepunkt_startowy, unkcja 4 8 cos 4 8 cos y y 4 8 cos y y, 4 8,,,, cos y y Y d c b a X Y d X c bx ax uncton [Y]stX // w denowanej unkcj przyjmujemy X[ ; ], Y[y ;y ] a[,;-,]; b[,;-,]; c[-,;,]; d[-8;-4]; Y a*x b*x^ c*cosx d enduncton // lub nny sposób: uncton [Y]stX Y [X-cosX-8; X-*X-X^-4 ] enduncton // uŝyce unkcj solve początkowym rozwązanem punkt, ysolve[;],st; // znalezone rozwązane: y[.95953; ] ysolve[-3;],st; // znalezone rozwązane: y[ ; ],, y y y y

32 Nr: 3 Metody oblczenowe - Budownctwo semestr - wykład nr Metody optymalzacj Metody wyznaczana optymalnych rozwązań rozwązane optymalne to rozwązane najlepsze ze względu na przyjęte kryterum róŝne krytera prowadzą na ogół do odmennych rozwązań kryterum ścśle zwązane z rozwązywanym zadanem postać zadana: wyznaczene mnmum maksmum danej unkcj tzw. unkcj celu, gdze [,,..., n ] jest wektorem uwzględnene warunków ogranczających: równana A b dla,...,m nerównośc C c dla,...,p

33 Nr: 33 Metody oblczenowe - Budownctwo semestr - wykład nr Metody optymalzacj przykład Zadane transportowe Dana jest seć m punktów wytwarzających określony produkt wysyłających go do n punktów odborczych. Określono j lość produktu wysłanego z punktu -tego,...,m do j-tego j,...,n a lość produktu wytwarzana przez -ty punkt, b lość zapotrzebowana na produkt przez j-ty punkt, c j koszt transportu jednostk produktu z punktu -tego do P_ a P_ a P_m a m punktu j-tego łączne zapotrzebowane jest równe całośc produkcj, tzn. m NaleŜy znaleźć take wartośc j aby całkowty koszt n a b j j transportu był jak najmnejszy. Szukamy mnmum wyraŝena m n j c j j O_ b O_ b O_n b n przy warunkach a j n j,,..., m; bj j, j,,..., m; j,..., n m j,..., n

34 Nr: 34 Metody oblczenowe - Budownctwo semestr - wykład nr Metoda spadku względem współrzędnych Przykład mnmalzujemy unkcję,y.,y punkt startowy. ustalamy krok k,y k 3. sprawdzamy wartośc unkcj w 4 punktach:,y k,,y -k, k,y, -k,y 4. jeŝel w jednym z punktów wartość unkcj,y jest mnejsza nŝ w punkce,y jest połoŝony nŝej to przenosmy sę do nego powtarzamy procedurę w kroku 3. -k,y,y k,y 5. jeśl w punkce 4. ne znalezono takego punktu to zmnejszamy krok np. -krotne powtarzamy punkt 3.,y -k kerunek poszukwań ne zaleŝy od postac unkcj metoda zawodna w przypadku stnena welu mnmów lokalnych unkcj Zadane: zapsz kod programu realzujący metodę, przetestować dla, 4 3

35 Nr: 35 Metody oblczenowe - Budownctwo semestr - wykład nr Metody gradentowe - sposoby poszukwana rozwązań Metody gradentowe - kerunek poszukwań wyznaczany w kaŝdym kolejnym kroku nech unkcja [,,..., n ] jest wektorem jest klasy C. Gradentem unkcj nazywamy wektor: L M n gradent określa kerunek najwększego wzrostu unkcj n T 3 Xˆ ˆ X Przykład oblczene gradentu: Xˆ ˆ X, [- -,- -3] T,[,] T

36 Nr: 36 Metody oblczenowe - Budownctwo semestr - wykład nr Metody optymalzacj - sposoby poszukwana rozwązań Metody gradentowe Procesy teracyjne kolejne przyblŝene k k h k ξ k k poprzedne przyblŝene wektor n-wymarowy, h k długość kroku lczba rzeczywsta, ξ k wektor n-wymarowy, określający kerunek poszukwań. jeśl unkcja [,,..., n ] ma węcej nŝ jedno mnmum lokalne, otrzymany wynk moŝe zaleŝeć od punktu startowego, wyberając róŝne punkty startowe, porównując kolejne wartośc, moŝemy wybrać najlepsze z otrzymanych rozwązań w sytuacjach gdy stneje wele mnmów lokalnych wykorzystuje sę sposoby dające moŝlwość wyjśca z optmum lokalnego rozszerzene lokalnych poszukwań zatrzymane oblczeń po zadanej lczbe teracj, lub po upływe określonego czasu oblczeń, gdy wartość k lub względna zmana wartośc spadne ponŝej zadanego pozomu, gdy długość gradentu k spadne ponŝej zadanego pozomu.

37 Nr: 37 Metody oblczenowe - Budownctwo semestr - wykład nr Metody gradentowe - Metoda gradentu prostego Algorytm oblczeń :. Oblczane w punkce startowym wartość unkcj oraz jej gradentu g g. Wyznaczene kerunku poszukwań ξ-g 3. WzdłuŜ kerunku ξ wykonujemy krok o długośc h oraz określamy współrzędne nowego punktu : h*ξ 4. Oblczene w nowym punkce wartość unkcj oraz gradentu g g, jeŝel krok był pomyślny, tzn. < to powtarzamy od punktu podstawając g gradent w mejsce g 5. JeŜel ne osągnęto mnmum, naleŝy wrócć do poprzednego punktu podstawając : -h*ξ oraz zmnejszamy krok np. -krotne przechodzmy do punktu 3. Zadane: zapsz kod programu realzujący metodę, przyjąć unkcje, g jako znane przetestować dla, -

38 Nr: 38 Metody oblczenowe - Budownctwo semestr - wykład nr Metody gradentowe Metoda najszybszego spadku Algorytm oblczeń :. Oblczene w punkce startowym wartośc unkcj oraz jej gradentu g g, przyjmujemy. Wyznaczene kerunku poszukwań ξ-g 3. WzdłuŜ kerunku ξ określamy λ take dla której wartość - ξ λ osąga mnmum. Współrzędne nowego punktu - ξ λ 4. Oblczene w nowym punkce wartość unkcj oraz gradentu g g, jeŝel ne osągnęto mnmum, powrót do punktu. Zadane: zapsz kod programu realzujący metodę przyjąć unkcje, g jako znane przetestować dla, -3 4

39 Nr: 39 Metody oblczenowe - Budownctwo semestr - wykład nr Metoda najszybszego spadku - przykład Znajdujemy mnmum unkcj:, Punkt startowy:, [,] T Gradent:, [, ] T Szukamy przyblŝena postac: h - welkość h - mejsce w którym unkcja, na wyznaczonym przez gradent kerunku przyjmuje mnmalną wartość: h mn h -h Znajdujemy welkość h - denujemy pomocnczą unkcję H h, znajdujemy jej mnmum H h -h [,] T -h [,] T [-h,-h] T h -h -h 5 4 H h -h - -8-h H h h/ [,] T / -[,] T [,]

40 Nr: 4 Metody oblczenowe - Budownctwo semestr - wykład nr Inne ulepszone metody gradentowe metoda sprzęŝonych gradentów Kerunk poszukwań tworzone są tak, aby kaŝdy kolejny był sprzęŝony do wszystkch poprzednch. Dwa kerunk ξ oraz ξ j są wzajemne sprzęŝone względem dodatno określonej macerzy A, jeŝel ξ T A ξ j < ξ, ξ j > A < Aξ, ξ j > dla <> j kerunk wzajemne sprzęŝone są lnowo nezaleŝne. tworzene kerunków sprzęŝonych : perwszy krok: mnus gradent : ξ - -A* -b doberamy macerz A wektor b tak by spełnona była powyŝsza równość mnmalzacja wzdłuŝ tego kerunku : z równana ξ T *[A β *ξ b] otrzymujemy wartość β, następne określamy punkt β *ξ -ty krok: nowy kerunek w punkce jest wyznaczany według reguły : ξ - β *ξ - - współczynnk β jest tak doberany aby kerunk ξ, ξ - były sprzęŝone punkt wyznaczamy mnmalzując wzdłuŝ tego kerunku : β T T

41 Nr: 4 Metody bezpośredne Metody oblczenowe - Budownctwo semestr - wykład nr Przy uŝycu macerzy odwrotnej Wzory Cramera Układ równań z macerzą trójkątną Elmnacja Gaussa Rozkłady trójkątne macerzy Metoda sprzęŝonych gradentów

42 Nr: 4 Metody bezpośredne Metody oblczenowe - Budownctwo semestr - wykład nr Przy uŝycu macerzy odwrotnej Wzory Cramera Układ równań z macerzą trójkątną Elmnacja Gaussa Rozkłady trójkątne macerzy Metoda sprzęŝonych gradentów

43 Nr: 43 A macerz symetryczna metoda sprzęŝonych gradentów Metody oblczenowe - Budownctwo semestr - wykład nr Układy równań z macerzam specjalnym Metoda sprzęŝonych gradentów Rozwązane równana A b mnmalzuje wyraŝene T T n A b, R

44 Nr: 44 A macerz symetryczna metoda sprzęŝonych gradentów ustalamy wektor początkowy newadomych oblczamy wektor r b A, przyjmujemy P r dla,,,..., n- oblczamy Metody oblczenowe - Budownctwo semestr - wykład nr Układy równań z macerzam specjalnym Metoda sprzęŝonych gradentów α podczas oblczeń ne następuje przekształcene macerzy A wygodne dla macerzy rzadkch zadawalającym przyblŝenem jest wektor dla pewnego < n β r P T r r AP α P,,, P r r r α AP β P

45 Metody oblczenowe - Budownctwo semestr - wykład nr Nr: 45 wektor początkowy newadomych [,,, ] T uzyskwane kolejne przyblŝena [ ] [ ] [ ] [ ] T P r P r r AP r r P AP P r β β α α α,,, Układy równań z macerzam specjalnym Metoda sprzęŝonych gradentów - przykład

46 Nr: 46 Metody oblczenowe - Budownctwo semestr - wykład nr Metody optymalzacj przy zadanych ogranczenach Przykład: znaleźć mnmum unkcj, Zadane mnmalzacj a ogranczene równoścowe h, b ogranczene nerównoścowe aktywne g, c ogranczene nerównoścowe neaktywne g, z warunkem - -

47 Nr: 47 Metody oblczenowe - Budownctwo semestr - wykład nr Metody optymalzacj - Programowane lnowe Programowane lnowe unkcja celu unkcje ogranczeń są lnowe T T mn{ c } mn{ c } X X { R n : A b,, b R m, m n} X X { R Metoda smple jedna z podstawowych metod rozwązywana zadań programowana lnowego wyznaczene punktów werzchołkowych weloścanu obszaru rozwązań jeŝel jest znany jakkolwek werzchołkowy punkt wartość w tym punkce unkcj celu, to wtedy wszystke werzchołkowe punkty, w których celowa unkcja przyjmuje gorsze wartośc, są odrzucane, w kolejnym kroku teracj przechodzmy do następnego werzchołka, znajdującego sę na jednej krawędz z odnalezonym wcześnej punktem, w którym unkcja celu osąga lepsze wartośc, teracja kończy sę, gdy kolejny przeglądany punkt werzchołkowy jest najlepszy pod względem odpowednch wartośc unkcj celu. n : A b,, b R m, m n}

48 Nr: 48 Metody oblczenowe - Budownctwo semestr - wykład nr Programowane lnowe Zadane optymalnego wyboru asortymentu produkcj W abryce wytwarzanych jest m produktów. KaŜdy produkt wytwarzany jest z n surowców. Określono lość wytworzonych jednostek -tego,...,m produktu, a zysk osągnęty ze sprzedaŝy -tego,...,m produktu, b j lość dzennej dostawy jednostek j-tego j,...,n surowca, c j lość jednostek j-tego j,...,n surowca potrzebna do wytworzena jednostk -tego,...,m produktu NaleŜy znaleźć take wartośc aby osągnęty zysk dzenny był jak najwększy. Szukamy maksmum wyraŝena przy warunkach m c j m b j, a,,..., m; j,..., n

49 Nr: 49 Metody oblczenowe - Budownctwo semestr - wykład nr Programowane lnowe przykład lczbowy Zadane optymalnego wyboru asortymentu produkcj Nech m, w abryce wytwarzane są produkty, n do wytworzena jednego produktu potrzebne są surowce. do wytworzena produktu I potrzeba 8 jednostek surowca A, oraz jednostk surowca B, do wytworzena produktu II potrzeba 5 jednostek surowca A, oraz 5 jednostek surowca B. Zysk ze sprzedaŝy : szukamy najwększego zysku jednostk produktu I - 9 tysęcy złotych jednostk produktu II -8 tysęcy złotych Welkość dzennej dostawy surowca A 4 jednostek surowca B 5 jednostek Zadane X zbór rozwązań dopuszczalnych, warstwcam unkcj są lne proste 9 8 const. 9 A: B :, ma

50 Metody oblczenowe - Budownctwo semestr - wykład nr Nr: : :, ma 8 9 B A [, lagr, ] lnprop, C, b, c, cs X p T *X -> mnmum 5 4 * * 8]* 9, [ * cs X c b X C X X p X X T [, lagr, ]-lnpro[-9;-8],[8,5;,5],[4;5],[;],[;] // [.5;4], 54.5 Programowane lnowe przykład lczbowy Zadane optymalnego wyboru asortymentu produkcj unkcja lnpro

51 Metody oblczenowe - Budownctwo semestr - wykład nr Nr: 5 Programowane kwadratowe przykład lczbowy unkcja quapro 5 5 : :, mn B A [, lagr, ] quaproq, p, C, b, c, cs X.5*X T *Q*X p T *X -> mnmum [ ] [ ] [ ] [ ] 5 4 * * * * *.5* * * *.5* cs X c b X C X p p q q q q X X [,lagr,]quapro[,;,],[-;-],[8,5;,5],[4;5],[;],[;] // [.3;4.88]; -5.9

52 Nr: 5 Metody oblczenowe - Budownctwo semestr - wykład nr Przykład zastosowana unkcj optm Znajdź najmnejszą wartość unkcj punkt startowy: [,,]:,y,zsnycoszsny-z na obszarze ogranczonym poprzez nerównośc:, y, z,, y, z // zdenowane unkcj ScLaba która będze optymalzowana: // zmenne,, 3 zapsane zostają w postac wektora // - zwraca wartość unkcj // g - zwraca gradent unkcj // nd - parametr wymagany w unkcj optm uncton [,g,nd]st,nd sn*cos*3sn-3 g [;;] g *cos*-3*sn*3 g *cos*cos-3 g3 -*sn*3-cos-3 enduncton // uŝyce optmst, [ b ], start, [ogranczene_dolne,ogranczene_górne] // wart optymalna mnmalna wartość poszukwanej unkcj, // p punkt wektor 3 współrzędnych w którym wartość zostaje oblczona [wart,p]optmst,'b',[;;],[;;],[;;]

53 Nr: 53 Metody oblczenowe - Budownctwo semestr - wykład nr Programowane lnowe - Problem przydzału maszyn Dany zakład produkcyjny mający m maszyn, wytwarzających n wyrobów. Określono j lość j-tego j,...,n produktu wytworzonego na -tej,...,m maszyne w danym okrese czasu; a j czas potrzebny do wyprodukowana jednostk produktu j-tego j,...,n na -tej,...,m maszyne; a dysponowany czas pracy -tej,...,m maszyny b j lość produktu j-tego j,...,n, który pownen być wytworzony; c j koszt wytworzena jednostk produktu j j,...,n na -tej,...,m maszyne; NaleŜy znaleźć take neujemne wartośc j mnmalzujący wskaźnk jakośc najnŝszy koszt wytworzena określonej lczby wyrobów przy warunkach n j m a j j j b a, j,..., m j,..., n m n j c j j

54 Nr: 54 Metody oblczenowe - Budownctwo semestr - wykład nr Programowane lnowe - Zadane załadunku plecakowe Spośród n ładunków waŝących odpowedno a, a,..., a n o wartoścach c,...,c n naleŝy załadować na samochód o dopuszczalnych ładownośc b take, aby łączna ch wartość była jak najwększa. oznaczamy zmenne,...,n : : gdy -ty ładunek jest załadowany : w przecwnym przypadku zadane przyjmuje postać: n a n b {,}, c ma,..., n Zadane: znajdź rozwązane zadana wykorzystując unkcję ScLaba knapsack. Wag ładunków: 4kg, 35kg, 45kg, 55kg, 5kg, 8kg, 5kg, 33kg, 9kg, 3kg, wartość ładunków odpowedno: zł, 9zł, 5 zł, zł, 4zł, 6zł, 7 zł, 8zł, 6zł, 75zł. Ładowność przyczepy 8 kg.

55 Nr: 55 Metody oblczenowe - Budownctwo semestr - wykład nr Programowane lnowe - Zadane rozkroju Zadane polega na mnmalzacj odpadów powstających podczas np. rozkroju arkusza na częśc. arkusz o szerokośc w ma być pocęty na wstęg o szerokoścach odpowedno b,b,...,b m. Mamy wyróŝnonych n sposobów. Zadane moŝna sormułować wyznaczene krotnośc kaŝdego ze sposobów rozkroju, tak by zmeścć sę w tolerancj zapotrzebowań zmnmalzować łączny odpad: gdze z j n, n s j c mn, y j,..., n j,..., m w,..., n z j mnmalne, y j maksymalne zapotrzebowane na wstęg o szerokoścach b j c odpad powstający w -tym sposobe rozkroju s j całkowta lczba wstęg o szerokośc b j wycętych z arkusza w -tym sposobe rozkroju c m j s j b j

56 Nr: 56 Metody oblczenowe - Budownctwo semestr - wykład nr MS Ecel rozwązywane równań nelnowych narzędze: Szukaj wynku. wps początkowej wartośc do komórk C37. wps ormuły która ma przyjąć określoną wartość do komórk C38 3. wps do okna Szukaj wynku określonej wartośc którą ma przyjąć ormuła wpsana do komórk C38

57 Nr: 57 Metody oblczenowe - Budownctwo semestr - wykład nr Zadane transportowe przykład rozwązana w MS Ecel samochody dostarczają cement na 3 budowy budowa A, budowa B, budowa C zapotrzebowane cementu: budowa A 8 t budowa B 6 t budowa C 4 t Ładowność samochodów: samochód t samochód 3 t Ile kursów na poszczególne budowy musałby wykonać kaŝdy z pojazdów, wedząc Ŝe koszt jednego kursu wynos zł, czas dojazdu mnut, tak aby czas w którym zostane dostarczony beton był jak najkrótszy koszt transportu ne przekroczyłby 7 zł. Oznaczena: j lość kursów -tego pojazdu, 3, na j-tą budowę j,, koszt czas ma{ j,; 3 j,,3 / 6, / 6} mn

58 Nr: 58 Metody oblczenowe - Budownctwo semestr - wykład nr Zadane transportowe przykład rozwązana w MS Ecel samochody dostarczają cement na 3 budowy budowa A, budowa B, budowa C zapotrzebowane cementu: budowa A 8 t budowa B 6 t budowa C 4 t Ładowność samochodów: samochód t samochód 3 t Ile kursów na poszczególne budowy musałby wykonać kaŝdy z pojazdów, wedząc Ŝe koszt jednego kursu wynos zł, czas dojazdu mnut, tak aby czas w którym zostane dostarczony beton był jak najkrótszy koszt transportu ne przekroczyłby 7 zł. Oznaczena: j lość kursów -tego pojazdu, 3, na j-tą budowę j,, koszt czas ma{ j,; 3 j,,3 / 6, / 6} mn

59 Nr: 59 Metody oblczenowe - Budownctwo semestr - wykład nr Zadane transportowe przykład rozwązana w MS Ecel samochody dostarczają cement na 3 budowy budowa A, budowa B, budowa C zapotrzebowane cementu: budowa A 8 t budowa B 6 t budowa C 4 t Ładowność samochodów: samochód t samochód 3 t Ile kursów na poszczególne budowy musałby wykonać kaŝdy z pojazdów, wedząc Ŝe koszt jednego kursu wynos zł, czas dojazdu mnut, tak aby czas w którym zostane dostarczony beton był jak najkrótszy koszt transportu ne przekroczyłby 7 zł. Oznaczena: j lość kursów -tego pojazdu, 3, na j-tą budowę j,, koszt czas ma{ j,; 3 j,,3 / 6, / 6} mn

60 Nr: 6 Metody oblczenowe - Budownctwo semestr - wykład nr Zadane transportowe przykład rozwązana w MS Ecel samochody dostarczają cement na 3 budowy budowa A, budowa B, budowa C zapotrzebowane cementu: budowa A 8 t budowa B 6 t budowa C 4 t Ładowność samochodów: samochód t samochód 3 t Ile kursów na poszczególne budowy musałby wykonać kaŝdy z pojazdów, wedząc Ŝe koszt jednego kursu wynos zł, czas dojazdu mnut, tak aby czas w którym zostane dostarczony beton był jak najkrótszy koszt transportu ne przekroczyłby 7 zł. Oznaczena: j lość kursów -tego pojazdu, 3, na j-tą budowę j,, koszt czas ma{ j,; 3 j,,3 / 6, / 6} mn

61 Nr: 6 Metody oblczenowe - Budownctwo semestr - wykład nr Zadane transportowe przykład rozwązana w MS Ecel samochody dostarczają cement na 3 budowy budowa A, budowa B, budowa C zapotrzebowane cementu: budowa A 8 t budowa B 6 t budowa C 4 t Ładowność samochodów: samochód t samochód 3 t Ile kursów na poszczególne budowy musałby wykonać kaŝdy z pojazdów, wedząc Ŝe koszt jednego kursu wynos zł, czas dojazdu mnut, tak aby czas w którym zostane dostarczony beton był jak najkrótszy koszt transportu ne przekroczyłby 7 zł. Oznaczena: j lość kursów -tego pojazdu, na j-tą budowę j,, koszt czas ma{ j 3,,; j,,3 / 6, / 6} mn Zadane: rozwąŝ wykorzystując dodatek SOLVER w MS Ecel, zadane opsane na slajdze nr 49

62 Nr: 6 Metody oblczenowe - Budownctwo semestr - wykład nr Programowane lnowe - Zadane komwojaŝera KomwojaŜer startując z masta nr ma odwedzć n- mast wrócć do punktu startu. NaleŜy ustalć, w jakej kolejnośc ma on odwedzć te masta, aby przebyta droga była jak najkrótsza. odległość masta od masta j c j nech j jeśl komwojaŝer przejeŝdŝa z masta do masta j, j w przecwnym przypadku Zadane ormułujemy: 3 j n j n n j c {,}, z z n j j, j j j, n mn j j,..., n,..., n,..., n; j,..., n n,, j,..., n j. komwojaŝer do kaŝdego masta tylko raz,. wyjeŝdŝa z kaŝdego masta tylko raz, 3. droga komwojaŝera składa sę z jednego cyklu

63 Nr: 63 Metody oblczenowe - Budownctwo semestr - wykład nr Zadane optymalzacj rozwązane wyznaczone w oparcu o teorę graów zbór werzchołków, które mogą być połączone krawędzam, w tak sposób, Ŝe kaŝda krawędź kończy sę zaczyna w którymś z werzchołków Problem mostów Króleweckch Euler XVIII w

64 Nr: 64 Metody oblczenowe - Budownctwo semestr - wykład nr Zadane komwojaŝera rozwązane wyznaczone w oparcu o teorę graów // g zmenna zdenowany gra cr salesmang

65 Nr: 65 Metody oblczenowe - Budownctwo semestr - wykład nr Zadane komwojaŝera rozwązane wyznaczone w oparcu o teorę graów // g zmenna zdenowany gra cr salesmang

66 Nr: 66 Metody oblczenowe - Budownctwo semestr - wykład nr Równane nelnowe, zadane optymalzacj unkcje ScLaba solve unkcja rozwązująca układ równań nelnowych lnpro narzędze rozwązywana zadań programowana lnowego quapro narzędze rozwązywana zadań programowana kwadratowego optm unkcja rozwązująca nelnowe zadana optymalzacj

67 Nr: 67 Metody oblczenowe - Budownctwo semestr - wykład nr Podsumowane Metody rozwązywana równań nelnowych. Zadane optymalzacj Rozwązywane równań nelnowych Postać równana nelnowego Iteracyjne metody rozwązań dee poszczególnych metod, sposób wyznaczana kolejnych przyblŝeń, własnośc Metoda bsekcj Regula als Metoda Newtona-Raphsona stycznych Metoda secznych jej modykacje Porównane metod rozwązana pojęce rzędu metody Układy równań nelnowych sposoby rozwązana Metody optymalzacj postać zadana sposoby poszukwana rozwązań Metoda spadku względem współrzędnych Metody gradentowe własnośc, sposoby wyznaczana kerunków poszukwań Metoda gradentu prostego Metoda najszybszego spadku metoda Newtona metoda sprzęŝonych gradentów

68 Nr: 68 Metody oblczenowe - Budownctwo semestr - wykład nr Podsumowane cd. Metody rozwązywana równań nelnowych. Zadane optymalzacj Zadane programowana lnowego sposób rozwązywana metodą smple Przykłady standardowych zadań programowana lnowego Zadane transportowe Zadane optymalnego wyboru asortymentu produkcj Problem przydzału maszyn Zadane załadunku Zadane rozkroju Zadane komwojaŝera MoŜlwośc rozwązana zadań optymalzacj przy uŝycu arkusza kalkulacyjnego MS Ecel programu ScLab

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1 Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Metody oblczenowe wykład nr metody rozwązywana równań nelnowych zadane optymalzacj Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Postać równana

Bardziej szczegółowo

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1 Nr: Metody oblczenowe wykład nr metody rozwązywana równań nelnowych zadane optymalzacj Nr: Postać równana nelnowego Równane nelnowe jednej zmennej o ogólnej postac: rozwązane analtyczne : znalezene takej

Bardziej szczegółowo

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:

Bardziej szczegółowo

Metody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,

Metody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia, Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą

Bardziej szczegółowo

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe

Bardziej szczegółowo

Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja

Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest

Bardziej szczegółowo

Zaawansowane metody numeryczne

Zaawansowane metody numeryczne Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x

Bardziej szczegółowo

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5 MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając

Bardziej szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. Definicje ogólne 0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj

Bardziej szczegółowo

liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.

liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym. =DGDQLHSROHJDMFHQDSRV]XNLZDQLXPDNV\PDOQHMOXEPLQLPDOQHMZDUWRFLIXQNFMLZLHOX ]PLHQQ\FKSU]\MHGQRF]HVQ\PVSHáQLHQLXSHZQHMLORFLQDáR*RQ\FKZDUXQNyZ UyZQDOXE QLHUyZQRFLQRVLQD]Z]DGDQLDRSW\PDOL]DF\MQHJROXE]DGDQLDSURJUDPRZDQLD

Bardziej szczegółowo

Nieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji

Nieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji Nelnowe zadane optymalzacj bez ogranczeń numeryczne metody teracyjne optymalzacj mn R n f ( ) = f Algorytmy poszuwana mnmum loalnego zadana programowana nelnowego: Bez ogranczeń Z ogranczenam Algorytmy

Bardziej szczegółowo

Metody Numeryczne 2017/2018

Metody Numeryczne 2017/2018 Metody Numeryczne 7/8 Inormatya Stosowana II ro Inżynera Oblczenowa II ro Wyład 7 Równana nelnowe Problemy z analtycznym rozwązanem równań typu: cos ln 3 lub uładów równań ja na przyład: y yz. 3z y y.

Bardziej szczegółowo

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,

Bardziej szczegółowo

Laboratorium ochrony danych

Laboratorium ochrony danych Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz

Bardziej szczegółowo

Wykład IX Optymalizacja i minimalizacja funkcji

Wykład IX Optymalizacja i minimalizacja funkcji Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej

Bardziej szczegółowo

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1 KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej

Bardziej szczegółowo

Metody numeryczne I Równania nieliniowe

Metody numeryczne I Równania nieliniowe Metody numeryczne I Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/66 Równania nieliniowe 1. Równania nieliniowe z pojedynczym pierwiastkiem

Bardziej szczegółowo

Diagonalizacja macierzy kwadratowej

Diagonalizacja macierzy kwadratowej Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an

Bardziej szczegółowo

I. Elementy analizy matematycznej

I. Elementy analizy matematycznej WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem

Bardziej szczegółowo

Klasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5

Bardziej szczegółowo

Optymalizacja belki wspornikowej

Optymalizacja belki wspornikowej Leszek MIKULSKI Katedra Podstaw Mechank Ośrodków Cągłych, Instytut Mechank Budowl, Poltechnka Krakowska e mal: ps@pk.edu.pl Optymalzacja belk wspornkowej 1. Wprowadzene RozwaŜamy zadane optymalnego kształtowana

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni. Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :

Bardziej szczegółowo

Wstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra

Wstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra Wstęp do metod numerycznych Faktoryzacja SVD Metody teracyjne P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ 2013 Sngular Value Decomposton Twerdzene 1. Dla każdej macerzy A R M N, M N, stneje rozkład

Bardziej szczegółowo

Minimalizacja globalna. Algorytmy genetyczne i ewolucyjne.

Minimalizacja globalna. Algorytmy genetyczne i ewolucyjne. Mnmalzacja globalna Algorytmy genetyczne ewolucyjne. Lnearyzacja nelnowego operatora g prowadz do przyblżonych metod rozwązywana zagadnena odwrotnego. Wynk takej nwersj jest slne uzależnony od wyboru modelu

Bardziej szczegółowo

CAŁKOWANIE NUMERYCZNE całki pojedyncze

CAŁKOWANIE NUMERYCZNE całki pojedyncze CAŁKOWANIE NUMERYCZNE całk pojedyncze Kwadratury nterpolacyjne Kwadratury nterpolacyjne Rozpatrujemy funkcję f() cągłą ogranczoną w przedzale domknętym [a, b]. Przedzał [a, b] dzelmy na skończoną lczbę

Bardziej szczegółowo

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych

Bardziej szczegółowo

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4 Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane

Bardziej szczegółowo

Minimalizacja globalna, algorytmy genetyczne i zastosowanie w geotechnice

Minimalizacja globalna, algorytmy genetyczne i zastosowanie w geotechnice Mnmalzacja globalna, algorytmy genetyczne zastosowane w geotechnce Metoda sejsmczna Metoda geoelektryczna Podstawowy podzał ZAGADNIENIE PROSTE (ang. forward problem) model + parametry modelu dane (ośrodek,

Bardziej szczegółowo

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim 5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej

Bardziej szczegółowo

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu 1 Metody rozwiązywania równań nieliniowych. Postawienie problemu Dla danej funkcji ciągłej f znaleźć wartości x, dla których f(x) = 0. (1) 2 Przedział izolacji pierwiastka Będziemy zakładać, że równanie

Bardziej szczegółowo

0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4

0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4 Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (

Bardziej szczegółowo

Wykład 5 12/15/2013. Problemy algebry liniowej w Matlabie

Wykład 5 12/15/2013. Problemy algebry liniowej w Matlabie Wykład 5. Problemy algebry lnowej w Matlabe. Analza sygnałów a) w dzedzne częstotlwośc b) w dzedzne czasu c) częstotlwoścowo-czasowa d) nagrywane analza dźwęku e) Sgnal Processng Toolbox Problemy algebry

Bardziej szczegółowo

Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2007/08 Podstawowe fakty Równane Ax = b, x, b R N, A R N N (1) ma jednoznaczne

Bardziej szczegółowo

Matematyka obliczeniowa, II rok Matematyki (2015/2016) Metody numeryczne, III rok Informatyki, (2013/2014)

Matematyka obliczeniowa, II rok Matematyki (2015/2016) Metody numeryczne, III rok Informatyki, (2013/2014) Matematyka oblczenowa, II rok Matematyk (2015/2016) Metody numeryczne, III rok Informatyk, (2013/2014) 1. Rozwązywane równań nelnowych 2. Arytmetyka zmennopozycyjna 3. Błędy w oblczenach. Uwarunkowane

Bardziej szczegółowo

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są

Bardziej szczegółowo

METODY NUMERYCZNE. Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą. prof. dr hab.inż. Katarzyna Zakrzewska

METODY NUMERYCZNE. Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą. prof. dr hab.inż. Katarzyna Zakrzewska METODY NUMERYCZNE Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą prof. dr hab.inż. Katarzyna Zakrzewska Met.Numer. Wykład 4 1 Rozwiązywanie równań nieliniowych z jedną niewiadomą

Bardziej szczegółowo

Przykład 4.1. Belka dwukrotnie statycznie niewyznaczalna o stałej sztywności zginania

Przykład 4.1. Belka dwukrotnie statycznie niewyznaczalna o stałej sztywności zginania Przykład.. Beka dwukrotne statyczne newyznaczana o stałej sztywnośc zgnana Poecene: korzystając z metody sł sporządzć wykresy sł przekrojowych da ponŝszej bek. Wyznaczyć ugęce oraz wzgędną zmanę kąta w

Bardziej szczegółowo

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam

Bardziej szczegółowo

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy

Bardziej szczegółowo

Iteracyjne rozwiązywanie równań

Iteracyjne rozwiązywanie równań Elementy metod numerycznych Plan wykładu 1 Wprowadzenie Plan wykładu 1 Wprowadzenie 2 Plan wykładu 1 Wprowadzenie 2 3 Wprowadzenie Metoda bisekcji Metoda siecznych Metoda stycznych Plan wykładu 1 Wprowadzenie

Bardziej szczegółowo

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np. Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych Algorytm wstecznej propagacji błędu

Wprowadzenie do Sieci Neuronowych Algorytm wstecznej propagacji błędu Wprowadzene do Sec Neuronowych Algorytm wstecznej propagacj błędu Maja Czoków, Jarosław Persa --6 Powtórzene. Perceptron sgmodalny Funkcja sgmodalna: σ(x) = + exp( c (x p)) Parametr c odpowada za nachylene

Bardziej szczegółowo

XXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne

XXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca

Bardziej szczegółowo

MECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko

MECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko MECHANIKA Wykład Nr 10 MOMENT BEZWŁADNOŚCI Prowadzący: dr Krzysztof Polko Defncja momentu bezwładnośc Momentem bezwładnośc punktu materalnego względem płaszczyzny, os lub beguna nazywamy loczyn masy punktu

Bardziej szczegółowo

Egzamin poprawkowy z Analizy II 11 września 2013

Egzamin poprawkowy z Analizy II 11 września 2013 Egzamn poprawkowy z nalzy II 11 wrześna 13 Uwag organzacyjne: każde zadane rozwązujemy na osobnej kartce Każde zadane należy podpsać menem nazwskem własnym oraz prowadzącego ćwczena Na wszelk wypadek prosmy

Bardziej szczegółowo

Funkcje i charakterystyki zmiennych losowych

Funkcje i charakterystyki zmiennych losowych Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych

Bardziej szczegółowo

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie. Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane

Bardziej szczegółowo

Natalia Nehrebecka. Wykład 2

Natalia Nehrebecka. Wykład 2 Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad

Bardziej szczegółowo

Określanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2

Określanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2 T A R C Z A Z E G A R O W A ASTYGMATYZM 1.Pojęca ogólne a) astygmatyzm prosty (najbardzej zgodny z pozomem) - najbardzej płask połudnk tzn. o najmnejszej mocy jest pozomy b) astygmatyzm odwrotny (najbardzej

Bardziej szczegółowo

METODY NUMERYCZNE. Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą. Rozwiązywanie równań nieliniowych z jedną niewiadomą

METODY NUMERYCZNE. Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą. Rozwiązywanie równań nieliniowych z jedną niewiadomą METODY NUMERYCZNE Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą dr hab.inż. Katarzyna Zakrzewska, prof.agh Met.Numer. Wykład 4 1 Rozwiązywanie równań nieliniowych z jedną niewiadomą

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4 Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja

Bardziej szczegółowo

Proces narodzin i śmierci

Proces narodzin i śmierci Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do

Bardziej szczegółowo

Definicja pochodnej cząstkowej

Definicja pochodnej cząstkowej 1 z 8 gdzie punkt wewnętrzny Definicja pochodnej cząstkowej JeŜeli iloraz ma granicę dla to granicę tę nazywamy pochodną cząstkową funkcji względem w punkcie. Oznaczenia: Pochodną cząstkową funkcji względem

Bardziej szczegółowo

5. CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE

5. CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE 5. CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE Oprócz transmtancj operatorowej, do opsu członów układów automatyk stosuje sę tzw. transmtancję wdmową. Transmtancję wdmową G(j wyznaczyć moŝna dzęk podstawenu do wzoru

Bardziej szczegółowo

WikiWS For Business Sharks

WikiWS For Business Sharks WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace

Bardziej szczegółowo

8. Optymalizacja decyzji inwestycyjnych

8. Optymalizacja decyzji inwestycyjnych dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj

Bardziej szczegółowo

; -1 x 1 spełnia powyższe warunki. Ale

; -1 x 1 spełnia powyższe warunki. Ale AIB-Inormatka-Wkła - r Aam Ćmel cmel@.ah.eu.pl Funkcje uwkłane Przkła.ozważm równane np. nech. Ptane Cz la owolneo [] stneje tak że? Nech. Wówczas unkcja - spełna powższe warunk. Ale [ ] Q spełna je także

Bardziej szczegółowo

Statystyka. Zmienne losowe

Statystyka. Zmienne losowe Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne

Bardziej szczegółowo

7. Wykład VII: Warunki Kuhna-Tuckera

7. Wykład VII: Warunki Kuhna-Tuckera Wocech Grega, Metody Optymalzac 7 Wykład VII: Warunk Kuhna-Tuckera 7 Warunk koneczne stnena ekstremum Rozważane est zadane z ogranczenam nerównoścowym w postac: mn F( x ) x X X o F( x ), o { R x : h n

Bardziej szczegółowo

Metody numeryczne, III rok Informatyki, 2013/2014

Metody numeryczne, III rok Informatyki, 2013/2014 Metody numeryczne, III rok Informatyk, 2013/2014 1. Rozwązywane równań nelnowych 2. Arytmetyka zmennopozycyjna 3. Błędy w oblczenach. Uwarunkowane zadana. Numeryczna poprawność stablność algorytmu 4. Rozwązywane

Bardziej szczegółowo

Zadanie na wykonanie Projektu Zespołowego

Zadanie na wykonanie Projektu Zespołowego Zadane na wykonane Projektu Zespołowego Celem projektu jest uzyskane następującego szeregu umejętnośc praktycznych: umejętnośc opracowana równoległych wersj algorytmów (na przykładze algorytmów algebry

Bardziej szczegółowo

Wprowadzenie Metoda bisekcji Metoda regula falsi Metoda siecznych Metoda stycznych RÓWNANIA NIELINIOWE

Wprowadzenie Metoda bisekcji Metoda regula falsi Metoda siecznych Metoda stycznych RÓWNANIA NIELINIOWE Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Zazwyczaj nie można znaleźć

Bardziej szczegółowo

Metody numeryczne. Równania nieliniowe. Janusz Szwabiński.

Metody numeryczne. Równania nieliniowe. Janusz Szwabiński. Metody numeryczne Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl nm_slides-9.tex Metody numeryczne Janusz Szwabiński 7/1/2003 20:18 p.1/64 Równania nieliniowe 1. Równania nieliniowe z pojedynczym

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy

Bardziej szczegółowo

; -1 x 1 spełnia powyższe warunki. Ale

; -1 x 1 spełnia powyższe warunki. Ale Funkcje uwkłane Przkła.ozważm równane np. nech. Ptane Cz la owolneo [ ] stneje tak że? Nech. Wówczas unkcja - spełna powższe warunk. Ale spełna je także unkcja [ ] Q. Dokłaając warunek cąłośc unkcj [ ]

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 4

Natalia Nehrebecka. Zajęcia 4 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających

Bardziej szczegółowo

Zadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane

Bardziej szczegółowo

n liczba zmiennych decyzyjnych c współczynniki funkcji celu a współczynniki przy zmienych decyzyjnych w warunkach

n liczba zmiennych decyzyjnych c współczynniki funkcji celu a współczynniki przy zmienych decyzyjnych w warunkach Problem decyzyny cel różne sposoby dzałana (decyze) warunk ogranczaące (determnuą zbór decyz dopuszczalnych) kryterum wyboru: umożlwa porównane efektywnośc różnych decyz dopuszczalnych z punktu wdzena

Bardziej szczegółowo

Programowanie Równoległe i Rozproszone

Programowanie Równoległe i Rozproszone Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać

Bardziej szczegółowo

1 Równania nieliniowe

1 Równania nieliniowe 1 Równania nieliniowe 1.1 Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym jest numeryczne poszukiwanie rozwiązań równań nieliniowych, np. algebraicznych (wielomiany),

Bardziej szczegółowo

Dla dzielnej X (dividend) i dzielnika D 0 (divisor) liczby Q oraz R takie, Ŝe

Dla dzielnej X (dividend) i dzielnika D 0 (divisor) liczby Q oraz R takie, Ŝe zelene ekwencyjne zelene la dzelnej X (dvdend) dzelnka (dvor) lczby Q oraz R take, Ŝe X=Q R, R < nazywa ę lorazem Q (uotent) reztą R (remander) z dzelena X rzez. Równane dzelena moŝe meć rozwązana ełnające

Bardziej szczegółowo

Kolokwium poprawkowe z Optymalizacji II (Ściśle tajne przed godz. 16 : stycznia 2016.)

Kolokwium poprawkowe z Optymalizacji II (Ściśle tajne przed godz. 16 : stycznia 2016.) Kolokwum z Optymalzacj II Ścśle tajne przed godz 4 : 00 8 grudna 05) Proszę uważne przeczytać treść zadań Na ocenę bardzo duży wpływ będze mała czytelność rozwązań poprawność uzasadnena każdej odpowedz

Bardziej szczegółowo

Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH

Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa.   PARA ZMIENNYCH LOSOWYCH Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy

Bardziej szczegółowo

dy dx stąd w przybliżeniu: y

dy dx stąd w przybliżeniu: y Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc

Bardziej szczegółowo

Pattern Classification

Pattern Classification attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter

Bardziej szczegółowo

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Uwagi wstępne Układ liniowych równań algebraicznych można

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 3

Natalia Nehrebecka. Zajęcia 3 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a

Bardziej szczegółowo

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej. /22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:

Bardziej szczegółowo

Systemy Ochrony Powietrza Ćwiczenia Laboratoryjne

Systemy Ochrony Powietrza Ćwiczenia Laboratoryjne ś POLITECHNIKA POZNAŃSKA INSTYTUT INŻYNIERII ŚRODOWISKA PROWADZĄCY: mgr nż. Łukasz Amanowcz Systemy Ochrony Powetrza Ćwczena Laboratoryjne 2 TEMAT ĆWICZENIA: Oznaczane lczbowego rozkładu lnowych projekcyjnych

Bardziej szczegółowo

SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska. SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma

Bardziej szczegółowo

RÓWNANIA NIELINIOWE Maciej Patan

RÓWNANIA NIELINIOWE Maciej Patan RÓWNANIA NIELINIOWE Maciej Patan Uniwersytet Zielonogórski Przykład 1 Prędkość v spadającego spadochroniarza wyraża się zależnością v = mg ( 1 e c t) m c gdzie g = 9.81 m/s 2. Dla współczynnika oporu c

Bardziej szczegółowo

Funkcja kwadratowa. f(x) = ax 2 + bx + c = a

Funkcja kwadratowa. f(x) = ax 2 + bx + c = a Funkcja kwadratowa. Funkcją kwadratową nazywamy funkcję f : R R określoną wzorem gdzie a, b, c R, a 0. f(x) = ax + bx + c, Szczególnym przypadkiem funkcji kwadratowej jest funkcja f(x) = ax, a R \ {0}.

Bardziej szczegółowo

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora. mę, nazwsko, nr ndeksu: Ekonometra egzamn 1//19 1. Egzamn trwa 9 mnut.. Rozwązywane zadań należy rozpocząć po ogłoszenu początku egzamnu a skończyć wraz z ogłoszenem końca egzamnu. Złamane tej zasady skutkuje

Bardziej szczegółowo

Kwantowa natura promieniowania elektromagnetycznego

Kwantowa natura promieniowania elektromagnetycznego Efekt Comptona. Kwantowa natura promenowana elektromagnetycznego Zadane 1. Foton jest rozpraszany na swobodnym elektrone. Wyznaczyć zmanę długośc fal fotonu w wynku rozproszena. Poneważ układ foton swobodny

Bardziej szczegółowo

Modelowanie przepływu cieczy przez ośrodki porowate Wykład IX

Modelowanie przepływu cieczy przez ośrodki porowate Wykład IX Modelowane przepływu ceczy przez ośrodk porowate Wykład IX Metody rozwązywana metodam analtycznym równań hydrodynamk wód podzemnych płaskch zagadneń fltracj. 9.1 Funkcja potencjału zespolonego. Rozważana

Bardziej szczegółowo

ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH

ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH Transport, studia I stopnia Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym

Bardziej szczegółowo

Optymalizacja ciągła

Optymalizacja ciągła Optymalizacja ciągła 4. Metody kierunków poprawy (metoda spadku wzdłuż gradientu) Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 21.03.2019 1 / 41 Plan wykładu Minimalizacja

Bardziej szczegółowo

Zastosowanie technik sztucznej inteligencji w analizie odwrotnej

Zastosowanie technik sztucznej inteligencji w analizie odwrotnej Zastosowane technk sztucznej ntelgencj w analze odwrotnej Ł. Sztangret, D. Szelga, J. Kusak, M. Petrzyk Katedra Informatyk Stosowanej Modelowana Akadema Górnczo-Hutncza, Kraków Motywacja Dokładność symulacj

Bardziej szczegółowo

KONSPEKT WYKŁADU. nt. METODA ELEMENTÓW SKOŃCZONYCH TEORIA I ZASTOSOWANIA. Piotr Konderla

KONSPEKT WYKŁADU. nt. METODA ELEMENTÓW SKOŃCZONYCH TEORIA I ZASTOSOWANIA. Piotr Konderla Studa doktorancke Wydzał Budownctwa Lądowego Wodnego Poltechnk Wrocławskej KONSPEKT WYKŁADU nt. METODA ELEMENTÓW SKOŃCZONYCH TEORIA I ZASTOSOWANIA Potr Konderla maj 2007 Kurs na Studach Doktoranckch Poltechnk

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje

Bardziej szczegółowo

Weryfikacja hipotez dla wielu populacji

Weryfikacja hipotez dla wielu populacji Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w

Bardziej szczegółowo

METODA ELEMENTU SKOŃCZONEGO. Termokinetyka

METODA ELEMENTU SKOŃCZONEGO. Termokinetyka METODA ELEMENTU SKOŃCZONEGO Termoknetyka Matematyczny ops ruchu cepła (1) Zasada zachowana energ W a Cepło akumulowane, [J] P we Moc wejścowa, [W] P wy Moc wyjścowa, [W] t przedzał czasu, [s] V q S(V)

Bardziej szczegółowo

APROKSYMACJA QUASIJEDNOSTAJNA

APROKSYMACJA QUASIJEDNOSTAJNA POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 73 Electrcal Engneerng 213 Jan PURCZYŃSKI* APROKSYMACJA QUASIJEDNOSTAJNA W pracy wykorzystano metodę aproksymacj średnokwadratowej welomanowej, przy

Bardziej szczegółowo