Do czego przydaje się matematyka? Od układów dynamicznych, przez optymalizację, do algorytmów genetycznych
|
|
- Julia Król
- 5 lat temu
- Przeglądów:
Transkrypt
1 Do czego przydaje się matematyk(a)? Od układów dynamicznych, przez optymalizację, do algorytmów genetycznych Interdyscyplinarne Centrum Modelowania UW 26 października 2012
2 Spis treści wykładu 1 Wstęp 2 Własności statystyczne funkcji wymiernych Dyskretne układy dynamiczne Teoria ergodyczna Wyniki uzyskane w rozprawie 3 Siatki obliczeniowe dopasowane do sygnału; optymalizacja 4 Plany na przyszłość Obszary zainteresowań Zastosowanie łańcuchów Markowa i teorii układów dynamicznych do badania algorytmów genetycznych
3 Matematyk : praca w ICM UW 2012: stopień doktora matematyki, praca: Własności stanów równowagi dla przekształceń przestrzeni rzutowych, IM PAN; dwie publikacje w tym temacie razem z prof. Anną Zdunik i prof. Mariuszem Urbańskim 2008: stopień magistra informatyki, praca: Kompresja fraktalna i jej modyfikacje (ze szczególnym uwzględnieniem kompresji fraktalno-falkowej), MIM UW 2006: stopień magistra matematyki, praca: O wymiarach pewnych konstrukcji fraktalnych, MIM UW 2000: drugi etap olimpiady informatycznej 1996: laureat olimpiady matematycznej szkół podstawowych W międzyczasie : pomoc przy rozwijaniu oprogramowania graficznego.
4 Matematyka "I m not a religious man, but it s almost like being in touch with God when you re thinking about mathematics." Paul Halmos ( ) fragment wywiadu z 1990 (tłum. Romana Murawskiego) Nie jestem człowiekiem religijnym, ale rozmyślanie nad matematyką, to jest prawie tak, jakby się miało kontakt z Bogiem.
5 Dyskretne układy dynamiczne Niech X będzie przestrzenią, a T : X X przekształceniem tej przestrzeni w siebie (endomorfizmem).
6 Dyskretne układy dynamiczne Niech X będzie przestrzenią, a T : X X przekształceniem tej przestrzeni w siebie (endomorfizmem). Obiektem naszych badań są iteracje: T n, to znaczy n-krotne złożenia T.
7 Dyskretne układy dynamiczne Niech X będzie przestrzenią, a T : X X przekształceniem tej przestrzeni w siebie (endomorfizmem). Obiektem naszych badań są iteracje: T n, to znaczy n-krotne złożenia T. Szczególnie interesują nas trajektorie(inaczej: orbity): x, T (x), T 2 (x),...
8 Dyskretne układy dynamiczne Niech X będzie przestrzenią, a T : X X przekształceniem tej przestrzeni w siebie (endomorfizmem). Obiektem naszych badań są iteracje: T n, to znaczy n-krotne złożenia T. Szczególnie interesują nas trajektorie(inaczej: orbity): x, T (x), T 2 (x),... Dyskretne układy dynamiczne pojawiają się naturalnie w badaniu wielu zjawisk przyrodniczych, ale również w analizie numerycznej (algorytmy iteracyjne: metoda Newtona, optymalizacje, itd.).
9 Metoda Newtona i dynamika holomorficzna Szukamy miejsc zerowych funkcji f (x). T (x) = x f (x) f (x)
10 Metoda Newtona i dynamika holomorficzna Szukamy miejsc zerowych funkcji f (x). T (x) = x f (x) f (x) Fakt x 0 jest miejscem zerowym f (x) x 0 jest punktem stałym T (x)
11 Metoda Newtona i dynamika holomorficzna Szukamy miejsc zerowych funkcji f (x). T (x) = x f (x) f (x) Fakt x 0 jest miejscem zerowym f (x) x 0 jest punktem stałym T (x) Ponadto, jeśli x jest odpowiednio blisko x 0, to trajektoria x zbiega do x 0.
12 Metoda Newtona i dynamika holomorficzna Szukamy miejsc zerowych funkcji f (x). T (x) = x f (x) f (x) Fakt x 0 jest miejscem zerowym f (x) x 0 jest punktem stałym T (x) Ponadto, jeśli x jest odpowiednio blisko x 0, to trajektoria x zbiega do x 0. Ale co się dzieje globalnie?
13 Metoda Newtona i dynamika holomorficzna Szukamy miejsc zerowych funkcji f (x). T (x) = x f (x) f (x) Fakt x 0 jest miejscem zerowym f (x) x 0 jest punktem stałym T (x) Ponadto, jeśli x jest odpowiednio blisko x 0, to trajektoria x zbiega do x 0. Ale co się dzieje globalnie? Twierdzenie (E. Schröder 1871, A. Cayley 1879) Jeśli f : Ĉ Ĉ jest wielomianem kwadratowym to metoda Newtona jest zbieżna dla każdego x spoza pewnej prostej. Cayleyowi mimo prób nie udało się przenieść tego wyniku na wielomiany wyższego stopnia...
14 Przyczyna niepowodzenia Cayleya Metoda Newtona dla f (z) = z 3 1: Zbiór Fatou: punkty, których trajektorie zbiegają do zer f (z). Zbiór Julii: pozostałe punkty; zbiór chaotyczny.
15 Przestrzenie rzutowe i ich przekształcenia 1 Przypadek jednowymiarowy T : Ĉ Ĉ to dowolna funkcja wymierna (szczególny przypadek to metoda Newtona dla wielomianu/funkcji wymiernej). 2 Przypadek wielowymiarowy Przestrzeń: zespolona przestrzeń rzutowa P k Przekształcenie: dowolny holomorficzny endomorfizm P k
16 Jak zapanować nad chaosem? Przełom nastąpił w roku 1889, kiedy król Oskar II świętował swoje 60. urodziny i z tej okazji ogłosił konkurs, w którym wystartował H. Poincaré.
17 Jak zapanować nad chaosem? Przełom nastąpił w roku 1889, kiedy król Oskar II świętował swoje 60. urodziny i z tej okazji ogłosił konkurs, w którym wystartował H. Poincaré. Definicja Mówimy, że punkt x B powraca do B (przy T ), jeżeli istnieje n > 0 takie, że T n x B.
18 Jak zapanować nad chaosem? Przełom nastąpił w roku 1889, kiedy król Oskar II świętował swoje 60. urodziny i z tej okazji ogłosił konkurs, w którym wystartował H. Poincaré. Definicja Mówimy, że punkt x B powraca do B (przy T ), jeżeli istnieje n > 0 takie, że T n x B. Niech (X, B, µ) - dowolna przestrzeń X z miarą skończoną (np. miarą objętości na pewnym ograniczonym zbiorze),
19 Jak zapanować nad chaosem? Przełom nastąpił w roku 1889, kiedy król Oskar II świętował swoje 60. urodziny i z tej okazji ogłosił konkurs, w którym wystartował H. Poincaré. Definicja Mówimy, że punkt x B powraca do B (przy T ), jeżeli istnieje n > 0 takie, że T n x B. Niech (X, B, µ) - dowolna przestrzeń X z miarą skończoną (np. miarą objętości na pewnym ograniczonym zbiorze), zaś T : X X - dowolne przekształcenie odwracalne zachowujące miarę µ.
20 Jak zapanować nad chaosem? Przełom nastąpił w roku 1889, kiedy król Oskar II świętował swoje 60. urodziny i z tej okazji ogłosił konkurs, w którym wystartował H. Poincaré. Definicja Mówimy, że punkt x B powraca do B (przy T ), jeżeli istnieje n > 0 takie, że T n x B. Niech (X, B, µ) - dowolna przestrzeń X z miarą skończoną (np. miarą objętości na pewnym ograniczonym zbiorze), zaś T : X X - dowolne przekształcenie odwracalne zachowujące miarę µ. T zachowuje µ T µ = µ n B µ(t n B) = µ(b)
21 Jak zapanować nad chaosem? Przełom nastąpił w roku 1889, kiedy król Oskar II świętował swoje 60. urodziny i z tej okazji ogłosił konkurs, w którym wystartował H. Poincaré. Definicja Mówimy, że punkt x B powraca do B (przy T ), jeżeli istnieje n > 0 takie, że T n x B. Niech (X, B, µ) - dowolna przestrzeń X z miarą skończoną (np. miarą objętości na pewnym ograniczonym zbiorze), zaś T : X X - dowolne przekształcenie odwracalne zachowujące miarę µ. T zachowuje µ T µ = µ n B µ(t n B) = µ(b) Twierdzenie (Poincarégo o powracaniu) Niech (T, µ) będzie układem jak wyżej. Wtedy dla dowolnego B B µ-prawie każdy punkt x B wraca do B.
22 Twierdzenie Poincarégo a fizyka statystyczna Problem:
23 Twierdzenie Poincarégo a fizyka statystyczna Problem:
24 Twierdzenie Poincarégo a fizyka statystyczna Problem:
25 Twierdzenie Poincarégo a fizyka statystyczna Problem:
26 Twierdzenie Poincarégo a fizyka statystyczna Problem:
27 Twierdzenie Poincarégo a fizyka statystyczna Problem: Nadzieja: miara zbioru konfiguracji takich, że wszystkie cząsteczki są w jednej połowie pudełka jest bardzo mała (wynosi 1 2 n ).
28 Twierdzenie Poincarégo a fizyka statystyczna Twierdzenie (Lemat Kaca, 1947) (T, µ) - ergodyczny układ zachowujący skończoną miarę Dla dowolnego B X, zbioru o dodatniej mierze zachodzi: r B (x) dµ(x) = 1 µ(b) gdzie r B to pierwszy czas powrotu do B B Jeśli w pudełku mamy n cząsteczek, to miara zdarzenia takiego, że 1 wszystkie są w jednej połowie pudełka wynosi 2. n Zatem oczekiwany czas pierwszego powrotu wynosi 2 n.
29 Twierdzenie Poincarégo a fizyka statystyczna Twierdzenie (Lemat Kaca, 1947) (T, µ) - ergodyczny układ zachowujący skończoną miarę Dla dowolnego B X, zbioru o dodatniej mierze zachodzi: r B (x) dµ(x) = 1 µ(b) gdzie r B to pierwszy czas powrotu do B B Jeśli w pudełku mamy n cząsteczek, to miara zdarzenia takiego, że 1 wszystkie są w jednej połowie pudełka wynosi 2. n Zatem oczekiwany czas pierwszego powrotu wynosi 2 n. Ergodyczność oznacza, że przestrzeni X nie da się podzielić na nietrywialne podzbiory niezmiennicze. To oznacza, że jeśli zbiór A jest niezmienniczy (A = T 1 A), to jest miary 0 lub pełnej.
30 Ergodyczność Twierdzenie (Ergodyczne Birkhoffa, 1931) Niech (T, µ) to ergodyczny układ zachowujący miarę probabilistyczną, zaś f : X R jest funkcją µ-całkowalną (obserwablą). Wtedy dla µ-prawie każdego x X zachodzi: 1 n 1 lim f (T j x) = s dla s = n n j=0 X f (x) dµ
31 Ergodyczność Twierdzenie (Ergodyczne Birkhoffa, 1931) Niech (T, µ) to ergodyczny układ zachowujący miarę probabilistyczną, zaś f : X R jest funkcją µ-całkowalną (obserwablą). Wtedy dla µ-prawie każdego x X zachodzi: 1 n 1 lim f (T j x) = s dla s = n n j=0 X f (x) dµ Twierdzenie (Ergodyczne Birkhoffa w wersji probabilistycznej) Niech (X, µ) będzie przestrzenią probabilistyczną, zaś T : X X przekształceniem ergodycznym, zachowującym µ. Niech X 0 = f będzie dowolną całkowalną zmienną losową. Określmy ciąg zmiennych: X 1 = X 0 T,..., X n = X 0 T n,.... Ciąg ten spełnia Mocne Prawo Wielkich Liczb, to znaczy X 0+ +X n 1 n zbiega prawie na pewno do zmiennej stałej EX 0. CTG: rozkład X 0+ +X n n 1 nex 0 zbiega do rozkładu normalnego
32 Formalizm termodynamiczny Mamy przekształcenie T : X X, brakuje nam miary
33 Formalizm termodynamiczny Mamy przekształcenie T : X X, brakuje nam miary potencjał def φ : X R, co najmniej ciągły
34 Formalizm termodynamiczny Mamy przekształcenie T : X X, brakuje nam miary potencjał def φ : X R, co najmniej ciągły def zbiór probabilistycznych miar f -niezmienniczych M f 1
35 Formalizm termodynamiczny Mamy przekształcenie T : X X, brakuje nam miary potencjał def φ : X R, co najmniej ciągły M1 f def zbiór probabilistycznych miar f -niezmienniczych h µ (f ) entropia miary µ
36 Formalizm termodynamiczny Mamy przekształcenie T : X X, brakuje nam miary potencjał def φ : X R, co najmniej ciągły M1 f def zbiór probabilistycznych miar f -niezmienniczych h µ (f ) entropia miary µ stan równowagi def µ M1, f która maksymalizuje h µ (f ) + φ dµ
37 Formalizm termodynamiczny Mamy przekształcenie T : X X, brakuje nam miary potencjał def φ : X R, co najmniej ciągły M1 f def zbiór probabilistycznych miar f -niezmienniczych h µ (f ) entropia miary µ stan równowagi def µ M1, f która maksymalizuje h µ (f ) + φ dµ (Zasada Wariacyjna: sup µ M f 1 h µ (f ) + φ dµ = P(f, φ))
38 Formalizm termodynamiczny Mamy przekształcenie T : X X, brakuje nam miary potencjał def φ : X R, co najmniej ciągły M1 f def zbiór probabilistycznych miar f -niezmienniczych h µ (f ) entropia miary µ stan równowagi def µ M1, f która maksymalizuje h µ (f ) + φ dµ (Zasada Wariacyjna: sup µ M f 1 h µ (f ) + φ dµ = P(f, φ)) Urbański i Zdunik( 09) udowodnili, że przy pewnych założeniach na przekształcenie oraz dla pewnej klasy potencjałów hölderowskich φ stan równowagi µ φ istnieje i jest jedyny.
39 Formalizm termodynamiczny Mamy przekształcenie T : X X, brakuje nam miary potencjał def φ : X R, co najmniej ciągły M1 f def zbiór probabilistycznych miar f -niezmienniczych h µ (f ) entropia miary µ stan równowagi def µ M1, f która maksymalizuje h µ (f ) + φ dµ (Zasada Wariacyjna: sup µ M f 1 h µ (f ) + φ dµ = P(f, φ)) Urbański i Zdunik( 09) udowodnili, że przy pewnych założeniach na przekształcenie oraz dla pewnej klasy potencjałów hölderowskich φ stan równowagi µ φ istnieje i jest jedyny. Jest on mieszający, a więc również ergodyczny.
40 Wyniki uzyskane w rozprawie Niech φ będzie potencjałem hölderowskim, spełniającym sup φ inf φ < log d, takim że stan równowagi µ φ istnieje.
41 Wyniki uzyskane w rozprawie Niech φ będzie potencjałem hölderowskim, spełniającym sup φ inf φ < log d, takim że stan równowagi µ φ istnieje. Twierdzenie (asymptotyczne rozszerzanie) Wykładniki Lapunowa stanu równowagi µ φ są dodatnie.
42 Wyniki uzyskane w rozprawie Niech φ będzie potencjałem hölderowskim, spełniającym sup φ inf φ < log d, takim że stan równowagi µ φ istnieje. Twierdzenie (asymptotyczne rozszerzanie) Wykładniki Lapunowa stanu równowagi µ φ są dodatnie. Twierdzenie (własności statystyczne) Miary µ φ spełniają Centralne Twierdzenie Graniczne oraz wykładnicze ubywanie korelacji dla klasy funkcji próbnych hölderowskich.
43 Wyniki uzyskane w rozprawie Niech φ będzie potencjałem hölderowskim, spełniającym sup φ inf φ < log d, takim że stan równowagi µ φ istnieje. Twierdzenie (asymptotyczne rozszerzanie) Wykładniki Lapunowa stanu równowagi µ φ są dodatnie. Twierdzenie (własności statystyczne) Miary µ φ spełniają Centralne Twierdzenie Graniczne oraz wykładnicze ubywanie korelacji dla klasy funkcji próbnych hölderowskich. Twierdzenie (jednoznaczność stanów równowagi) Istnieje dokładnie jeden stan równowagi dla potencjału φ.
44 Twierdzenie Makarowa Przykład zastosowania właności statystycznych: Twierdzenie Miara harmoniczna ω na spójnym zbiorze D R 2 ma wymiar 1.
45 Twierdzenie Makarowa Przykład zastosowania właności statystycznych: Twierdzenie Miara harmoniczna ω na spójnym zbiorze D R 2 ma wymiar 1. Przykład Niech D to obszar ograniczony przez krzywą Kocha. Wymiar miary harmonicznej jest mniejszy niż wymiar brzegu D, więc mówiąc obrazowo miara harmoniczna widzi tylko bardzo mały fragment brzegu. Ponadto istnieje E D, zbiór ω-pełnej miary, który ma długość 0 (tzn. H 1 (E) = 0), bo H 1 i ω są wzajemnie singularne.
46 Siatki obliczeniowe Siatki obliczeniowe mają fundamentalne znaczenie w wielu problemach i zadaniach numerycznych (np. symulacjach).
47 Siatki obliczeniowe Siatki obliczeniowe mają fundamentalne znaczenie w wielu problemach i zadaniach numerycznych (np. symulacjach). Problem: skąd je brać?
48 Siatki dopasowane do sygnału
49 Siatki dopasowane do sygnału
50 Optymalizacja Z matematycznego punktu widzenia sprawa jest dosyć prosta: szukamy siatki, która będzie minimalizowała energię, zdefiniowaną jako suma wariancji na każdym elemencie siatki.
51 Optymalizacja Z matematycznego punktu widzenia sprawa jest dosyć prosta: szukamy siatki, która będzie minimalizowała energię, zdefiniowaną jako suma wariancji na każdym elemencie siatki. Problemy przy praktycznej realizacji (prosty) siatka początkowa
52 Optymalizacja Z matematycznego punktu widzenia sprawa jest dosyć prosta: szukamy siatki, która będzie minimalizowała energię, zdefiniowaną jako suma wariancji na każdym elemencie siatki. Problemy przy praktycznej realizacji (prosty) siatka początkowa (techniczny) obliczanie wartości funkcji energii
53 Optymalizacja Z matematycznego punktu widzenia sprawa jest dosyć prosta: szukamy siatki, która będzie minimalizowała energię, zdefiniowaną jako suma wariancji na każdym elemencie siatki. Problemy przy praktycznej realizacji (prosty) siatka początkowa (techniczny) obliczanie wartości funkcji energii niejednoznaczność siatki optymalnej + złe własności geometryczne minimów potrzeba geometrycznego składnika energii
54 Optymalizacja Z matematycznego punktu widzenia sprawa jest dosyć prosta: szukamy siatki, która będzie minimalizowała energię, zdefiniowaną jako suma wariancji na każdym elemencie siatki. Problemy przy praktycznej realizacji (prosty) siatka początkowa (techniczny) obliczanie wartości funkcji energii niejednoznaczność siatki optymalnej + złe własności geometryczne minimów potrzeba geometrycznego składnika energii wybór metody optymalizacji: metody bisekcyjne (np. Powella): kosztowne, słabo dostosowane do wielowymiarowych problemów
55 Optymalizacja Z matematycznego punktu widzenia sprawa jest dosyć prosta: szukamy siatki, która będzie minimalizowała energię, zdefiniowaną jako suma wariancji na każdym elemencie siatki. Problemy przy praktycznej realizacji (prosty) siatka początkowa (techniczny) obliczanie wartości funkcji energii niejednoznaczność siatki optymalnej + złe własności geometryczne minimów potrzeba geometrycznego składnika energii wybór metody optymalizacji: metody bisekcyjne (np. Powella): kosztowne, słabo dostosowane do wielowymiarowych problemów metody gradientowe: wrażliwe na gładkość minimalizowanej funkcji, konieczność analitycznego wyliczenia pochodnej (gradient numeryczny w praktyce nie wystarcza)
56 Pochodna wariancji Jak policzyć (i czym jest) pochodna wariancji?
57 Pochodna wariancji Jak policzyć (i czym jest) pochodna wariancji? Przestrzeń: jeśli ustalimy topologię (połączenia) siatki to każdą siatkę możemy opisać przez podanie współrzędnych jej wierzchołków.
58 Pochodna wariancji Jak policzyć (i czym jest) pochodna wariancji? Przestrzeń: jeśli ustalimy topologię (połączenia) siatki to każdą siatkę możemy opisać przez podanie współrzędnych jej wierzchołków. Nasz problem sprowadza się do policzenia pochodnej funkcji F ( ) = f, gdzie jest pewnym elementem siatki, zaś f pewną (niekoniecznie ciągłą) funkcją.
59 Pochodna wariancji Jak policzyć (i czym jest) pochodna wariancji? Przestrzeń: jeśli ustalimy topologię (połączenia) siatki to każdą siatkę możemy opisać przez podanie współrzędnych jej wierzchołków. Nasz problem sprowadza się do policzenia pochodnej funkcji F ( ) = f, gdzie jest pewnym elementem siatki, zaś f pewną (niekoniecznie ciągłą) funkcją. Fakt Niech będzie dowolnym trójkątem. Wtedy: ( ) F ( ) = f (u) du = f (x) p(x)dx de E I e gdzie E to dowolny bok trójkąta, I e to odcinek łączący punkt e E z przeciwległym wierzchołkiem trójkąta v, zaś p(x) = d(x,v) d(e,v) sin α, gdzie α to kąt między bokiem E i odcinkiem I α. Stąd pochodna F w punkcie e i kierunku równoległym do boku E wynosi I e f (x) p(x)dx.
60 Zrobione Udało się zaimplementować: obliczanie wartości funkcji energii w 2D gradient numeryczny i próby wykorzystania go do optymalizacji (wynik: nie spełnia swojej roli) optymalizację metodą Powella (wynik: działa) działający prototyp w oparciu o oprogramowanie VisNow
61 Do zrobienia Plany na przyszłość: zaimplementowanie całkowania w 3D po czworościanach analityczne obliczanie gradientu i wykorzystanie go do optymalizacji zastosowanie do budowy siatek obliczeniowych
62 Co dalej? Co jeszcze ostatnio zajmuje moją głowę: Matematyka dla Ciekawych Świata
63 Co dalej? Co jeszcze ostatnio zajmuje moją głowę: Matematyka dla Ciekawych Świata Uśrednianie w przestrzeni argumentu
64 Co dalej? Co jeszcze ostatnio zajmuje moją głowę: Matematyka dla Ciekawych Świata Uśrednianie w przestrzeni argumentu (Nie)sztuczna inteligencja, uczenie maszynowe Dynamika nierównowagowa
65 Co dalej? Co jeszcze ostatnio zajmuje moją głowę: Matematyka dla Ciekawych Świata Uśrednianie w przestrzeni argumentu (Nie)sztuczna inteligencja, uczenie maszynowe Dynamika nierównowagowa Samo-organizacja Gry (strategiczne, czasu rzeczywistego) Wiele, wiele innych...
66 Algorytmy genetyczne (tak jak je rozumiem) Cel: maksymalizacja funkcji f : Z R (funkcji oceny) Z = {z 1,..., z s } zbiór chromosomów (możliwych osobników )
67 Algorytmy genetyczne (tak jak je rozumiem) Cel: maksymalizacja funkcji f : Z R (funkcji oceny) Z = {z 1,..., z s } zbiór chromosomów (możliwych osobników ) Metoda: algorytmy genetyczne 1 Populacja: r-elementowy multi-zbiór chromosomów wektor probabilistyczny z przestrzeni Λ = {p R s : p k = n k r, p k 0, p k = 1} (s = #Z)
68 Algorytmy genetyczne (tak jak je rozumiem) Cel: maksymalizacja funkcji f : Z R (funkcji oceny) Z = {z 1,..., z s } zbiór chromosomów (możliwych osobników ) Metoda: algorytmy genetyczne 1 Populacja: r-elementowy multi-zbiór chromosomów wektor probabilistyczny z przestrzeni Λ = {p R s : p k = n k r, p k 0, p k = 1} (s = #Z) wektor z przestrzeni Λ = {p R s : p k 0, p k = 1}
69 Algorytmy genetyczne (tak jak je rozumiem) Cel: maksymalizacja funkcji f : Z R (funkcji oceny) Z = {z 1,..., z s } zbiór chromosomów (możliwych osobników ) Metoda: algorytmy genetyczne 1 Populacja: r-elementowy multi-zbiór chromosomów wektor probabilistyczny z przestrzeni Λ = {p R s : p k = n k r, p k 0, p k = 1} (s = #Z) wektor z przestrzeni Λ = {p R s : p k 0, p k = 1} 2 Selekcja: p k p k = f (z k )p k, gdzie f (p) = f (z f (p) k )p k
70 Algorytmy genetyczne (tak jak je rozumiem) Cel: maksymalizacja funkcji f : Z R (funkcji oceny) Z = {z 1,..., z s } zbiór chromosomów (możliwych osobników ) Metoda: algorytmy genetyczne 1 Populacja: r-elementowy multi-zbiór chromosomów wektor probabilistyczny z przestrzeni Λ = {p R s : p k = n k r, p k 0, p k = 1} (s = #Z) wektor z przestrzeni Λ = {p R s : p k 0, p k = 1} 2 Selekcja: p k p k = f (z k )p k, gdzie f (p) = f (z f (p) k )p k 3 Mutacja: p Up, gdzie U (stochastyczna) macierz mutacji, U ij to prawdopodobieństwo mutacji z z j do z i (U ii to prawdopobieństwo braku mutacji)
71 Algorytmy genetyczne (tak jak je rozumiem) Cel: maksymalizacja funkcji f : Z R (funkcji oceny) Z = {z 1,..., z s } zbiór chromosomów (możliwych osobników ) Metoda: algorytmy genetyczne 1 Populacja: r-elementowy multi-zbiór chromosomów wektor probabilistyczny z przestrzeni Λ = {p R s : p k = n k r, p k 0, p k = 1} (s = #Z) wektor z przestrzeni Λ = {p R s : p k 0, p k = 1} 2 Selekcja: p k p k = f (z k )p k, gdzie f (p) = f (z f (p) k )p k 3 Mutacja: p Up, gdzie U (stochastyczna) macierz mutacji, U ij to prawdopodobieństwo mutacji z z j do z i (U ii to prawdopobieństwo braku mutacji) Cały proces możemy zapisać skrótowo jako p G(p) := 1 f (p) US(p), gdzie S to macierz diagonalna taka, że S kk = f (z k )
72 Algorytmy genetyczne (tak jak je rozumiem) Cel: maksymalizacja funkcji f : Z R (funkcji oceny) Z = {z 1,..., z s } zbiór chromosomów (możliwych osobników ) Metoda: algorytmy genetyczne 1 Populacja: r-elementowy multi-zbiór chromosomów wektor probabilistyczny z przestrzeni Λ = {p R s : p k = n k r, p k 0, p k = 1} (s = #Z) wektor z przestrzeni Λ = {p R s : p k 0, p k = 1} 2 Selekcja: p k p k = f (z k )p k, gdzie f (p) = f (z f (p) k )p k 3 Mutacja: p Up, gdzie U (stochastyczna) macierz mutacji, U ij to prawdopodobieństwo mutacji z z j do z i (U ii to prawdopobieństwo braku mutacji) Cały proces możemy zapisać skrótowo jako p G(p) := 1 f (p) US(p), gdzie S to macierz diagonalna taka, że S kk = f (z k ) Metoda analizy: łańcuchy Markowa (na podstawie: On stability and Classification Tools for Genetic Algorithms, S. Kotowski, W. Kosiński, Z. Michalewicz et al.)
73 Łancuchy Markowa Aby wykorzystać teorię łancuchów Markowa, musimy zmienić przestrzeń.
74 Łancuchy Markowa Aby wykorzystać teorię łancuchów Markowa, musimy zmienić przestrzeń. Niech W = W (r) wszystkich możliwych populacji r-elementowych. Zbiór W będzie zbiorem stanów naszego łańcucha Markowa.
75 Łancuchy Markowa Aby wykorzystać teorię łancuchów Markowa, musimy zmienić przestrzeń. Niech W = W (r) wszystkich możliwych populacji r-elementowych. Zbiór W będzie zbiorem stanów naszego łańcucha Markowa. Przypomnijmy, że każdy element w W zadany jest przez wektor (w 1,..., w s ) Λ. Prawdopodobieństwo przejścia ze stanu w do w wynosi: s (G(w) j ) rw j r! (rw j )! gdzie G(p) = 1 f (p) USp j=1
76 Wnioski Twierdzenie Jeśli każda mutacja ma dodatnie prawdopodobieństwo, to nasz model jest asymptotycznie stabilny. Znaczy to, że istnieje stacjonarny rozkład prawdopodobieństwa na przestrzeni W do którego zbiega nasz łańcuch Markowa.
77 Wnioski Twierdzenie Jeśli każda mutacja ma dodatnie prawdopodobieństwo, to nasz model jest asymptotycznie stabilny. Znaczy to, że istnieje stacjonarny rozkład prawdopodobieństwa na przestrzeni W do którego zbiega nasz łańcuch Markowa. Stabilność nazywamy punktową, jeśli stan stacjonarny jest skupiony w (tylko) jednej populacji w W. Stabilność punktowa zachodzi wtedy i tylko wtedy, gdy zbiór osiągalnych chromosomów jest jednoelementowy.
78 A gdzie układy dynamiczne? Łańcuch Markowa możemy zamodelować za pomocą specjalnego układy dynamicznego zwanego przesunięciem Bernoulliego.
79 A gdzie układy dynamiczne? Łańcuch Markowa możemy zamodelować za pomocą specjalnego układy dynamicznego zwanego przesunięciem Bernoulliego. Z kolei takiemu układowi możemy przypisać kilka ważnych niezmienników o których wspominaliśmy wcześniej, np. entropię topologiczną (w klasie przesunięć Bernoulliego jest to pełny niezmiennik, tzn. dwa przesunięcia o tej samej entropii są izomorficzne).
80 A gdzie układy dynamiczne? Łańcuch Markowa możemy zamodelować za pomocą specjalnego układy dynamicznego zwanego przesunięciem Bernoulliego. Z kolei takiemu układowi możemy przypisać kilka ważnych niezmienników o których wspominaliśmy wcześniej, np. entropię topologiczną (w klasie przesunięć Bernoulliego jest to pełny niezmiennik, tzn. dwa przesunięcia o tej samej entropii są izomorficzne). Zastosowania: klasyfikacja algorytmów genetycznych
81 A gdzie układy dynamiczne? Łańcuch Markowa możemy zamodelować za pomocą specjalnego układy dynamicznego zwanego przesunięciem Bernoulliego. Z kolei takiemu układowi możemy przypisać kilka ważnych niezmienników o których wspominaliśmy wcześniej, np. entropię topologiczną (w klasie przesunięć Bernoulliego jest to pełny niezmiennik, tzn. dwa przesunięcia o tej samej entropii są izomorficzne). Zastosowania: klasyfikacja algorytmów genetycznych porównywanie algorytmów genetycznych
82 A gdzie układy dynamiczne? Łańcuch Markowa możemy zamodelować za pomocą specjalnego układy dynamicznego zwanego przesunięciem Bernoulliego. Z kolei takiemu układowi możemy przypisać kilka ważnych niezmienników o których wspominaliśmy wcześniej, np. entropię topologiczną (w klasie przesunięć Bernoulliego jest to pełny niezmiennik, tzn. dwa przesunięcia o tej samej entropii są izomorficzne). Zastosowania: klasyfikacja algorytmów genetycznych porównywanie algorytmów genetycznych (potencjalnie) rozkład algorytmów genetycznych na części składowe stworzenie metodologii konstrukcji algorytmów genetycznych
83 Koniec Dziękuję za uwagę!
Procesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych
Bardziej szczegółowoTeoria ergodyczna. seminarium monograficzne dla studentów matematyki. dr hab. Krzysztof Barański i prof. dr hab. Anna Zdunik. rok akad.
Teoria ergodyczna seminarium monograficzne dla studentów matematyki dr hab. Krzysztof Barański i prof. dr hab. Anna Zdunik rok akad. 2013/14 Teoria ergodyczna Teoria ergodyczna Teoria ergodyczna zajmuje
Bardziej szczegółowoPrawa wielkich liczb, centralne twierdzenia graniczne
, centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
Bardziej szczegółowoZADANIA PRZYGOTOWAWCZE DO EGZAMINU Z UKŁADÓW DYNAMICZNYCH
ZADANIA PRZYGOTOWAWCZE DO EGZAMINU Z UKŁADÓW DYNAMICZNYCH Punkty okresowe, zbiory graniczne, sprzężenia Zadanie 1. Pokazać, że trajektoria (w przód) punktu x w przestrzeni metrycznej X pod działaniem ciągłego
Bardziej szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. Przykład Symetryczne błądzenie przypadkowe na prostej. 1 2 Łańcuchem
Bardziej szczegółowoVII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.
VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa
Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Bardziej szczegółowoStochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów
Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 14
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowo1 Relacje i odwzorowania
Relacje i odwzorowania Relacje Jacek Kłopotowski Zadania z analizy matematycznej I Wykazać, że jeśli relacja ρ X X jest przeciwzwrotna i przechodnia, to jest przeciwsymetryczna Zbadać czy relacja ρ X X
Bardziej szczegółowoPróbny egzamin maturalny z matematyki Poziom rozszerzony
Kujawsko-Pomorskie Centrum Edukacji Nauczycieli w Bydgoszczy PLACÓWKA AKREDYTOWANA Zadanie 1 (4 pkt) Rozwiąż równanie: w przedziale 1 pkt Przekształcenie równania do postaci: 2 pkt Przekształcenie równania
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Łańcuchy Markowa: zagadnienia graniczne. Ukryte modele Markowa. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ KLASYFIKACJA STANÓW Stan i jest osiągalny
Bardziej szczegółowoGeometryczna zbieżność algorytmu Gibbsa
Geometryczna zbieżność algorytmu Gibbsa Iwona Żerda Wydział Matematyki i Informatyki, Uniwersytet Jagielloński 6 grudnia 2013 6 grudnia 2013 1 / 19 Plan prezentacji 1 Algorytm Gibbsa 2 Tempo zbieżności
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowoEfekt motyla i dziwne atraktory
O układzie Lorenza Wydział Matematyki i Informatyki Uniwersytet Mikołaja kopernika Toruń, 3 grudnia 2009 Spis treści 1 Wprowadzenie Wyjaśnienie pojęć 2 O dziwnych atraktorach 3 Wyjaśnienie pojęć Dowolny
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIE STWA
Jerzy Ombach RACHUNEK PRAWDOPODOBIE STWA WSPOMAGANY KOMPUTEROWO DLA STUDENTÓW MATEMATYKI STOSOWANEJ Wydawnictwo Uniwersytetu Jagielloƒskiego Seria Matematyka Książka finansowana przez Wydział Matematyki
Bardziej szczegółowoWEKTORY I WARTOŚCI WŁASNE MACIERZY. = λ c (*) problem przybliżonego rozwiązania zagadnienia własnego dla operatorów w mechanice kwantowej
WEKTORY I WARTOŚCI WŁASNE MACIERZY Ac λ c (*) ( A λi) c nietrywialne rozwiązanie gdy det A λi problem przybliżonego rozwiązania zagadnienia własnego dla operatorów w mechanice kwantowej A - macierzowa
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VIII: Przestrzenie statystyczne. Estymatory 1 grudnia 2014 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji r(x, Z) = 0, 986 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji
Bardziej szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej szczegółowoUkłady dynamiczne. proseminarium dla studentów III roku matematyki. Michał Krych i Anna Zdunik. rok akad. 2014/15
Układy dynamiczne proseminarium dla studentów III roku matematyki Michał Krych i Anna Zdunik rok akad. 2014/15 Układy dynamiczne Układy dynamiczne Układy dynamiczne, i związana z nimi Teoria ergodyczna
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoChaotyczne generatory liczb pseudolosowych
Chaotyczne generatory liczb pseudolosowych Michał Krzemiński michalkrzeminski@wp.pl Politechnika Gdańska Wydział Fizyki Technicznej i Matematyki Stosowanej Chaotyczne generatory liczb pseudolosowych -
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoĆwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.
Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. A Teoria Definicja A.1. Niech (Ω, F, P) będzie przestrzenią probabilistyczną. Zmienną losową określoną na przestrzeni Ω nazywamy dowolną
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoProces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką
z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n
Bardziej szczegółowoWykład 9: Markov Chain Monte Carlo
RAP 412 17.12.2008 Wykład 9: Markov Chain Monte Carlo Wykładowca: Andrzej Ruciński Pisarz: Ewelina Rychlińska i Wojciech Wawrzyniak Wstęp W tej części wykładu zajmiemy się zastosowaniami łańcuchów Markowa
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowoWstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, Spis treści
Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, 2012 Spis treści Przedmowa 5 Oznaczenia i konwencje 7 Rozdział I Rozkład wykładniczy i rozkład jednostajny 1. Wprowadzenie
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /15
Matematyka dyskretna Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl 7/15 Rachunek różnicowy Dobrym narzędziem do obliczania skończonych sum jest rachunek różnicowy. W rachunku tym odpowiednikiem operatora
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowoWykład 11: Martyngały: definicja, twierdzenia o zbieżności
RAP 412 14.01.2009 Wykład 11: Martyngały: definicja, twierdzenia o zbieżności Wykładowca: Andrzej Ruciński Pisarz:Mirosława Jańczak 1 Wstęp Do tej pory zajmowaliśmy się ciągami zmiennych losowych (X n
Bardziej szczegółowoUkłady równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np.
Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona f(x 0, f ( f, f,..., f n gdzie 2 x ( x, x 2,..., x n dla n2 np. f ( x, y 0 g( x, y 0 dla każdej wielowymiarowej rozwinięcie w szereg Taylora
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są
Bardziej szczegółowoWstęp do układów statycznych
Uniwersystet Warszawski 1 maja 2010 Wprowadzenie Standardowe układy dynamiczne - przestrzeń X wraz z przekształceniem f : X X zachowującym strukturę. Typowe przykłady: X - przestrzeń metryczna, f - przekształcenie
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoLiteratura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.
Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej
Bardziej szczegółowoFunkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju
Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoStabilność II Metody Lapunowa badania stabilności
Metody Lapunowa badania stabilności Interesuje nas w sposób szczególny system: Wprowadzamy dla niego pojęcia: - stabilności wewnętrznej - odnosi się do zachowania się systemu przy zerowym wejściu, czyli
Bardziej szczegółowoWSTĘP. Tematy: Regresja liniowa: model regresji liniowej, estymacja nieznanych parametrów. Wykład:30godz., ćwiczenia:15godz., laboratorium:30godz.
Tematy: WSTĘP 1. Wprowadzenie do przedmiotu. Próbkowe odpowiedniki wielkości populacyjnych. Modele statystyczne i przykładowe zadania wnioskowania statystycznego. Statystyki i ich rozkłady. 2. Estymacja
Bardziej szczegółowoczyli o szukaniu miejsc zerowych, których nie ma
zerowych, których nie ma Instytut Fizyki im. Mariana Smoluchowskiego Centrum Badania Systemów Złożonych im. Marka Kaca Uniwersytet Jagielloński Metoda Metoda dla Warszawa, 9 stycznia 2006 Metoda -Raphsona
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoProcesy stochastyczne
Wykład IV: dla łańcuchów Markowa 14 marca 2017 Wykład IV: Klasyfikacja stanów Kiedy rozkład stacjonarny jest jedyny? Przykład Macierz jednostkowa I wymiaru #E jest macierzą stochastyczną. Dla tej macierzy
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoDystrybucje. Marcin Orchel. 1 Wstęp Dystrybucje Pochodna dystrybucyjna Przestrzenie... 5
Dystrybucje Marcin Orchel Spis treści 1 Wstęp 1 1.1 Dystrybucje................................... 1 1.2 Pochodna dystrybucyjna............................ 3 1.3 Przestrzenie...................................
Bardziej szczegółowoCHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE
CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE Do opisu członów i układów automatyki stosuje się, oprócz transmitancji operatorowej (), tzw. transmitancję widmową. Transmitancję widmową () wyznaczyć można na podstawie
Bardziej szczegółowoInstytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2
Instytut Matematyczny Uniwersytet Wrocławski Zakres egzaminu magisterskiego Wybrane rozdziały anazlizy i topologii 1 i 2 Pojęcia, fakty: Definicje i pojęcia: metryka, iloczyn skalarny, norma supremum,
Bardziej szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane
Bardziej szczegółowoUwaga. 1. Jeśli uczeń poda tylko rozwiązania ogólne, to otrzymuje 4 punkty.
Kujawsko-Pomorskie Centrum Edukacji Nauczycieli w Bydgoszczy PLACÓWKA AKREDYTOWANA KRYTERIA OCENIANIA-POZIOM ROZSZERZONY Zadanie 1. (4 pkt) Rozwiąż równanie: w przedziale. 1 pkt Przekształcenie równania
Bardziej szczegółowoTematy prac magisterskich i doktorskich
Tematy prac magisterskich i doktorskich Stochastyczna dynamika z opóźnieniami czasowymi w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki
Bardziej szczegółowoSIMR 2016/2017, Analiza 2, wykład 1, Przestrzeń wektorowa
SIMR 06/07, Analiza, wykład, 07-0- Przestrzeń wektorowa Przestrzeń wektorowa (liniowa) - przestrzeń (zbiór) w której określone są działania (funkcje) dodawania elementów i mnożenia elementów przez liczbę
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa II Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,
Zadania z Rachunku Prawdopodobieństwa II -. Udowodnij, że dla dowolnych liczb x n, x, δ xn δ x wtedy i tylko wtedy, gdy x n x.. Wykaż, że n n k= δ k/n λ, gdzie λ jest miarą Lebesgue a na [, ].. Podać przykład
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 11 Ogólna postać metody iteracyjnej Definicja 11.1. (metoda iteracyjna rozwiązywania układów równań) Metodą iteracyjną rozwiązywania { układów równań liniowych nazywamy ciąg wektorów zdefiniowany
Bardziej szczegółowoPojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1
Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład dr Mariusz Grządziel 5 lutego 04 Paradoks Zenona z Elei wersja uwspółcześniona Zenek goni Andrzeja; prędkość Andrzeja:
Bardziej szczegółowoIII. Funkcje rzeczywiste
. Pojęcia podstawowe Załóżmy, że dane są dwa niepuste zbiory X i Y. Definicja. Jeżeli każdemu elementowi x X przyporządkujemy dokładnie jeden element y Y, to mówimy, że na zbiorze X została określona funkcja
Bardziej szczegółowoĆwiczenia: Ukryte procesy Markowa lista 1 kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II
Ćwiczenia: Ukryte procesy Markowa lista kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II dr Jarosław Kotowicz Zadanie. Dany jest łańcuch Markowa, który może przyjmować wartości,,...,
Bardziej szczegółowoZAGADNIENIA DO EGZAMINU MAGISTERSKIEGO
ZAGADNIENIA DO EGZAMINU MAGISTERSKIEGO Na egzaminie magisterskim student powinien: 1) omówić wyniki zawarte w pracy magisterskiej posługując się swobodnie pojęciami i twierdzeniami zamieszczonymi w pracy
Bardziej szczegółowo5 Przegląd najważniejszych rozkładów
5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,
Bardziej szczegółowoZagadnienia brzegowe dla równań eliptycznych
Temat 7 Zagadnienia brzegowe dla równań eliptycznych Rozważmy płaski obszar R 2 ograniczony krzywą. la równania Laplace a (Poissona) stawia się trzy podstawowe zagadnienia brzegowe. Zagadnienie irichleta
Bardziej szczegółowoRozwiązywanie równań nieliniowych
Rozwiązywanie równań nieliniowych Marcin Orchel 1 Wstęp Przykłady wyznaczania miejsc zerowych funkcji f : f(ξ) = 0. Wyszukiwanie miejsc zerowych wielomianu n-tego stopnia. Wymiar tej przestrzeni wektorowej
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Rachunek prawdopodobieństwa Probability theory Kierunek: Rodzaj przedmiotu: obowiązkowy dla wszystkich specjalności Rodzaj zajęć: wykład, ćwiczenia Matematyka Poziom kwalifikacji: I stopnia
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoMetody Lagrange a i Hamiltona w Mechanice
Metody Lagrange a i Hamiltona w Mechanice Mariusz Przybycień Wydział Fizyki i Informatyki Stosowanej Akademia Górniczo-Hutnicza Wykład 9 M. Przybycień (WFiIS AGH) Metody Lagrange a i Hamiltona... Wykład
Bardziej szczegółowoZadania o numerze 4 z zestawów licencjat 2014.
Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...
Bardziej szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
Bardziej szczegółowoWYDZIAŁ ELEKTRONIKI MIKROSYSTEMÓW I FOTONIKI
Zał. nr do ZW WYDZIAŁ ELEKTRONIKI MIKROSYSTEMÓW I FOTONIKI KARTA PRZEDMIOTU Nazwa w języku polskim: Matematyka (Zao EA EiT stopień) Nazwa w języku angielskim: Mathematics Kierunek studiów (jeśli dotyczy):
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoRachunek prawdopodobieństwa - Teoria - Przypomnienie.. A i B są niezależne, gdy P(A B) = P(A)P(B). P(A B i )P(B i )
Rachunek prawdopodobieństwa - Teoria - Przypomnienie Podstawy Definicja 1. Schemat klasyczny - wszystkie zdarzenia elementarne są równo prawdopodobne, licząc prawdopodobieństwo liczymy stosunek liczby
Bardziej szczegółowoTreści programowe. Matematyka 1. Efekty kształcenia. Literatura. Warunki zaliczenia. Ogólne własności funkcji. Definicja 1. Funkcje elementarne.
Treści programowe Matematyka 1 Katarzyna Trąbka-Więcław Funkcje elementarne. Granica funkcji, własności granic, wyrażenia nieoznaczone, ciągłość funkcji. Pochodna funkcji w punkcie i w przedziale, pochodne
Bardziej szczegółowoGRA Przykład. 1) Zbiór graczy. 2) Zbiór strategii. 3) Wypłaty. n = 2 myśliwych. I= {1,,n} S = {polować na jelenia, gonić zająca} S = {1,,m} 10 utils
GRA Przykład 1) Zbiór graczy n = 2 myśliwych I= {1,,n} 2) Zbiór strategii S = {polować na jelenia, gonić zająca} S = {1,,m} 3) Wypłaty jeleń - zając - 10 utils 3 utils U i : S n R i=1,,n J Z J Z J 5 0
Bardziej szczegółowoRachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3
Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3 Przygotowując wykład korzystam głównie z książki Jakubowski, Sztencel Wstęp do teorii prawdopodobieństwa. Zmienna losowa i jej
Bardziej szczegółowoW naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora.
1. Podstawy matematyki 1.1. Geometria analityczna W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. Skalarem w fizyce nazywamy
Bardziej szczegółowoIII. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań.
III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań. Analiza stabilności rozwiązań stanowi ważną część jakościowej teorii równań różniczkowych. Jej istotą jest poszukiwanie odpowiedzi
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.3 Rozkłady warunkowe i warunkowa wartość oczekiwana Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Prawdopodobieństwo wyraża postawę
Bardziej szczegółowoRÓWNANIA RÓŻNICZKOWE ZWYCZAJNE. Marta Zelmańska
RÓWNANIA RÓŻNICZKOWE ZWYCZAJNE Marta Zelmańska Toruń 009 1 Rozdział 1 Wstęp Definicja 1. Równaniem różniczkowym zwyczajnym rzędu n nazywamy równanie: F (t, x, x, x,..., x (n) ) = 0 (1.1) Rozwiązaniem równania
Bardziej szczegółowoAlgorytmy MCMC i ich zastosowania statystyczne
Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 3 1 Łańcuchy Markowa Oznaczenia
Bardziej szczegółowoRozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE
1. 1. W p r owadze n ie 1 Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE 1.1. WPROWADZENIE SYGNAŁ nośnik informacji ANALIZA SYGNAŁU badanie, którego celem jest identyfikacja własności, cech, miar sygnału; odtwarzanie
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoOśrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski,
Procesy Stochastyczne, wykład, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 27 luty, 2012 Ośrodkowość procesów Dalej zakładamy, że (Ω, Σ, P) jest zupełną przestrzenią miarową. Definicja.
Bardziej szczegółowo2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27
SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;
Bardziej szczegółowo26 marzec, Łańcuchy Markowa z czasem ciągłym. Procesy Stochastyczne, wykład 7, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136
Procesy Stochastyczne, wykład 7, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 26 marzec, 212 Łańcuchy z czasem ciągłym S = {, 1,..., }, B S = 2 S, ale T = [, ) lub T = (, ). Gdy S skończone,
Bardziej szczegółowoMETODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne
METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz: MSI - algorytmy ewolucyjne
Bardziej szczegółowoEGZAMIN DYPLOMOWY, część II, Biomatematyka
Biomatematyka Niech a będzie recesywnym płciowo skojarzonym genem i załóżmy, że proces selekcji uniemożliwia kojarzenie się osobników płci męskiej o genotypie aa. Przyjmijmy, że genotypy AA, Aa i aa występują
Bardziej szczegółowoWokół wyszukiwarek internetowych
Wokół wyszukiwarek internetowych Bartosz Makuracki 23 stycznia 2014 Przypomnienie Wzór x 1 = 1 d N x 2 = 1 d N + d N i=1 p 1,i x i + d N i=1 p 2,i x i. x N = 1 d N + d N i=1 p N,i x i Oznaczenia Gdzie:
Bardziej szczegółowoWstęp do rachunku prawdopodobieństwa. Cz. 1 / William Feller. wyd. 6, dodr. 4. Warszawa, Spis treści
Wstęp do rachunku prawdopodobieństwa. Cz. 1 / William Feller. wyd. 6, dodr. 4. Warszawa, 2012 Spis treści Od Wydawnictwa 5 Z przedmowy autora do wydania pierwszego 7 Z przedmowy autora do wydania drugiego
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoKurs wyrównawczy - teoria funkcji holomorficznych
Kurs wyrównawczy - teoria funkcji holomorficznych wykład 1 Gniewomir Sarbicki 15 lutego 2011 Struktura ciała Zbiór par liczb rzeczywistych wyposażamy w działania: { + : (a, b) + (c, d) = (a + c, b + d)
Bardziej szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAT1332 Wydział Matematyki, Matematyka Stosowana Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Warunkowa
Bardziej szczegółowoAlgorytm Metropolisa-Hastingsa
Seminarium szkoleniowe, 25 kwietnia 2006 Plan prezentacji 1 Problem Metoda MCMC 2 Niezależny algorytm Metropolisa-Hastingsa Bła dzenie losowe Zbieżność procedury Metropolisa-Hastingsa Problem Metoda MCMC
Bardziej szczegółowoPrzykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1
Przykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1 Zadania rozwiązywane na wykładzie Zadania rozwiązywane na ćwiczeniach Przy rozwiązywaniu zadań najistotniejsze jest wykazanie się rozumieniem
Bardziej szczegółowoII. FUNKCJE WIELU ZMIENNYCH
II. FUNKCJE WIELU ZMIENNYCH 1. Zbiory w przestrzeni R n Ustalmy dowolne n N. Definicja 1.1. Zbiór wszystkich uporzadkowanych układów (x 1,..., x n ) n liczb rzeczywistych, nazywamy przestrzenią n-wymiarową
Bardziej szczegółowo