Nieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji
|
|
- Władysław Cieślik
- 7 lat temu
- Przeglądów:
Transkrypt
1 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 zbeŝne do mnmum loalnego *, jeŝel ta punt stneje. Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
2 I. Techn optymalzacj loalnej Ad.I Iteracyjne algorytmy optymalzacj Algorytmy optymalzacj w erunu Algorytmy optymalzacj bez ogranczeń Algorytmy optymalzacj z ogranczenam Algorytmy zbeŝne do mnmum loalnego *, jeŝel ta punt stneje. Algorytm optymalzacj loalnej - przemerzane obszaru rozwązań dopuszczalnych w poszuwanu estremum funcj celu według teracyjnego schematu. Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
3 Schemat algorytmu optymalzacj loalnej bez ogranczeń () Wyberz punt startowy o=. () Oblcz wartość funcj f( ) oraz jeŝel jest to wymagane to jej gradent f( ) (3) Zbadaj przyjęte ryterum zbeŝnośc. Jeśl ryterum jest spełnone to onec algorytmu uzysano rozwązane optymalne optymalną wartość funcj celu f( ) JeŜel ne, to przejdź do (4) (4) Wyznacz ustalony erune poszuwań : d (5) Wyonaj mnmalzację erunową wybraną metodą: + T (, d ) (6) Podstaw + oraz + przejdź do () Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
4 Do mnmalzacj w erunu moŝna uŝyć lu algorytmów tach ja np.: Algorytmy bez-gradentowe: złotego podzału, aprosymacj wadratowej, Algorytmy gradentowe: espansj ontracj geometrycznej z testem jednosośnym, logarytmczny złoty podzał odcna ze wstępną espansją ontracją geometryczną, aprosymacj parabolcznej z testem jednosośnym, bsecj z testem dwusośnym Goldsten a,
5 Iteracja metody poszuwana mnmum w erunu Przebeg typowej -tej teracj dowolnej metody realzującej deę poszuwana wzdłuŝ erunu:. Oreśl erune poszuwań d. α ~ = α.. Znajdź mnmalzujące f ( α ) f ( + αd ) ze względu na 3. Podstaw = + αd +. Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
6 ZbeŜność cągu puntów { } Defncja. Mówmy, Ŝe cąg puntów = jest zbeŝny do puntu jeŝel cąg róŝnc -tych przyblŝeń puntu optymalnego (puntu mnmum) h = zbega do zera, co w n przestrzen R oznacza, Ŝe h 0 Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
7 Krytera zbeŝnośc:. Test teoretyczny f fˆ ε ˆ, ε. PrzyblŜona stacjonarność rozwązana f ( ) 3. Testy pratyczne: = g g ε lub + ε, =,..., n f f + ε Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
8 Algorytmy optymalzacj loalnej Algorytmy bezgradentowe Algorytm Hooe a-jeeves a Algorytm Nelder -Meade a Algorytm Gauss a-sedla Algorytm Powella Algorytm Zangwlla Algorytmy gradentowe Algorytm najwęszego spadu Zmodyfowany algorytm Newtona Algorytm Fletchera-Reeves a Algorytm Polaa-Rbery Algorytm Fletchera-Powella-Davdona Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
9 Algorytm Gauss a-sedela Istotą metody jest mnmalzacja funcj f() wzdłuŝ olejnych erunów ortogonalnej bazy, tóra utworzona jest z wersorów uładu współrzędnych artezjańsch. Algorytm Gaussa-Sedela polega na cylcznym stosowanu odwzorowana T do erunów. Wyonane jednego taego cylu nazywa sę -tą terację. Odwzorowane T: T (, d ) = { } : f ( = mnf ( + τd ), = + τd τ σ Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
10 Algorytm oblczeń metoda Gauss a-sedla () Wyberz punt startowy o =. Oblcz wartość funcj f( ) () Zbadaj ryterum zbeŝnośc: + + ε, =,..., n oraz f f ε gdze ε [0, δ ] np.: ε = 0 6 Jeśl ta, to onec, jeśl ne, to przejdź do (3) Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
11 (3) Wyznacz erune poszuwań : są to olejne erun ortogonalnej bazy d =e Np. e = [,0,...,0] (4) Wyonaj mnmalzację erunową wybraną metodą: + T (, d ) (5) Podstaw + oraz + powtórz () Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
12 Metoda najwęszego spadu NS jest to metoda gradentowa, tóra pozwala szuać mnmum róŝnczowalnej funcj nelnowej f(). Koncepcja metody wyna z lematu, w tórym wyazano, Ŝe jeśl stneje erune d w R przestrzen ta, Ŝe n f ( ), d < 0 to f ( +τd) < f ( ) Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
13 Algorytm oblczeń metoda NS () Wyberz punt startowy o =. Oblcz wartość funcj f( ) oraz jej gradent f( ) () Zbadaj ryterum zbeŝnośc: f ( ), f ( ) = 0 czyl f ( ), f ( ) ε gdze ε [0, δ ] np.: ε = 0 6 Jeśl ta, to onec, jeśl ne, to przejdź do (3) Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
14 (3) Wyznacz erune poszuwań : d = f ( ) (4) Wyonaj mnmalzację erunową wybraną metodą: + T (, d ) (5) Podstaw + oraz + powtórz () Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
15 Do mnmalzacj w erunu zastosowano gradentowy algorytm bsecj z testem dwusośnym Goldsten a :
16 Algorytm bsecj z testem dwusośnym Golsten a algorytm gradentowy Pratyczne do wyszuana puntów spełnających test dwusośny Goldstena stosuje sę następujący algorytm bsecj: p= f ( () Oblcz pochodną w erunu oraz współczynn o ) T d rou 0 τ R > 0 ta, Ŝe f ( + τ Rd ) < f ( 0 ) 0 () Wyznacz τ = ( τl+ τr ). Oblcz f ( + τd). 0 0 f ( + τd) < f ( ) + ( β ) pτ τ τ (3) Jeśl to podstaw L przejdź do rou (), w przecwnym raze przejdź do rou (4) 0 τ τ 0 f ( + τd) > f ( ) + βpτ (4) Jeśl to podstaw przejdź do rou (), w przecwnym przypadu onec. R Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
17 Dzałane algorytmu bsecj z testem dwusośnym Goldsten'a dla funcj: f(, ) = ( ) + ( ) 6 + punt początowy 0 = [0, 0] T erune d = [, 0] T współczynn testu β = początowa wartość współczynna rou τ R = 9 doładność dla testu 5 ε =0 5 Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
18 Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya Pochodna w erunu zatem mamy: dla = 0 = [0, 0] T Otrzymujemy wartość pochodnej p: d f p o ) T ( = + + = =,4 6 ) (, ) ( ) ( f f f [ ] 6,0 ) ( 0 = f 6 0 0] 6 [ ) ( = = = d f p T o
19 () Oblczamy τ 0 τ = ( τl+ τr ) oraz f ( + τd). ( τ ) = = R (9) = 4,5 f ( 0 + τd) = f (0,0) + (4,5,0) = 0,5-7= - 6,75 Przechodzmy do rou (3) Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
20 (3) JeŜel to podstaw f ( 0 + τd) < f ( 0 ) + ( β ) pτ τ L τ przejdź do rou (). W przecwnym wypadu przejdź do rou (4) sprawdzamy: -6,75 <? ( 0,6) (4,5) = 6, 0+ ( 6) NIE Przechodzmy do rou (4) Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
21 (4) JeŜel to podstaw przejdź do rou (). W przecwnym wypadu KONIEC sprawdzamy: -6,75 >? TAK przechodzmy do rou () DRUGA ITERACJA (...) 0 0 f ( + τd) > f ( ) + βpτ τ τ R Po trzecej teracj otrzymujemy wyn τ=3,375 ( 0,4) (4,5) = 0, 8 0+ ( 6) Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
22 Dzałane algorytmu najszybszego spadu dla funcj: f(, ) = ( ) + ( ) punt początowy 0 = [, 3] T współczynn testu β = 4 początowa wartość współczynna rou τ R =
23 Oblczamy PonewaŜ perwsza stosowana wartość współczynna rou τ R = spełna test dwusośny Goldstena, węc: = 0 + τ 0 d 0 = [0 ] T W drugej teracj mamy: Otrzymujemy: p d 0 = f ( 0 ) = [, ] T d = f ( ) = [ ] T f ( + τd ) = 0τ 8τ + T = f ( ) d = [ ] = 8 Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
24 Zatem test dwusośny ma postać -6 0τ - 8τ - Za pomocą algorytmu bsecj (test dwusośny Goldstena) w trzecej próbe znajdujemy wartość współczynna τ = 0,5 Stąd = + τ d = [ ] T Postępując zgodne z algorytmem otrzymujemy olejne wartośc puntów optymalzowanej funcj. Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
25 Kolejno podane są punty wyznaczone za pomocą algorytmu najszybszego spadu dla funcj: f(, ) = ( ) + ( ) 0 = [ 3] = [0 ] = [ ] 3 = [ ] 4 4 = [ 4 4 ] td... I ta olejno, aŝ do momentu gdy zostane spełnony warune f ^ ( ), f ^ ( ) < ε = 0 3 Ta uzysano rozwązane optymalne =[0,0] f( )=0. Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
26 Funcja celu f() M Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
27 Kolejne teracje metody najwęszego spadu NS ^ Teora metody Moptymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
28 Algorytmy optymalzacj z ogranczenam W celu uwzględnena ogranczeń moŝna postąpć w ponŝszy sposób: doonać transformacj zmennych decyzyjnych doonać transformacj funcj celu wprowadzając funcje ary. Przyłady transformacj zmennych dla typowych ogranczeń: a b = u = u = ep = sn u ( u ) ep( u ) = ep( u ) + ep( u ) = a + ( b a ) sn ( u ) Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
29 Algorytmy optymalzacj z ogranczenam cd. Transformacja funcj ryteralnej: m P(, σ, θ ) = f ( ) + σϕ( g ( ) + θ ) H ( g ( ) + θ ) = Funcja ary charateryzuje sę tym, Ŝe w zborze rozwązań dopuszczalnych X przyjmuje wartość równą zeru lub blsą zeru, a poza tym obszarem przyjmuje bardzo duŝe wartośc. Gdze: σ >, σ = [ σ, σ,..., σ ] jest wetorem współczynnów ary 0 m θ >, θ = [ θ, θ,..., θ ] 0 m φ( ) funcja ary jest wetorem przesunęć ary ϕ ( g ( ) + θ ) : np. ( g ( ) + θ ) lub ( g ( ) + θ ) Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
30 Algorytmy optymalzacj z ogranczenam cd. Funcja H ma ponŝszą własność: H ( g ( ) + θ ) = 0 dla dla g g ( ) + θ > 0 ( ) + θ 0. Metody zewnętrznej funcj ary (metoda Couranta, metoda Schmta Foa). Metody wewnętrznej funcj ary (metoda Rosenbroca, metoda Carolla) 3. Metody przesuwanej funcj ary (metoda Powella). Teora metody optymalzacj Dr nŝ. Ewa Szlachcc Wydzał Eletron studa II st. er. Automatya Robotya
min h = x x Algorytmy optymalizacji lokalnej Nieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji x x
Nelnowe zaane optymalzacj bez ogranczeń numeryczne metoy teracyjne optymalzacj mn n x R ) = f x Algorytmy poszuwana mnmum loalnego la: f zaana programowana nelnowego bez ogranczeń zaana programowana nelnowego
Bardziej szczegółowoTeoria i metody optymalizacji
Teora metoy optymalzacj Nelowe zaae optymalzacj bez ograczeń umerycze metoy teracyje optymalzacj m x R f = f x Algorytmy poszuwaa mmum loalego zaaa programowaa elowego: Bez ograczeń Z ograczeam Algorytmy
Bardziej szczegółowoTechnika optymalizacji
Algorytmy bezgraientowe Algorytmy optymalizacji loalnej c. Nieliniowe zaanie optymalizacji statycznej bez ograniczeń - nieliniowe algorytmy optymalizacji loalnej c. r inŝ. Ewa Szlachcic Wyział Eletronii
Bardziej szczegółowoRozwiązywanie 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 szczegółowoMetody optymalizacji nieliniowej (metody programowania nieliniowego) Ewa Niewiadomska-Szynkiewicz Instytut Automatyki i Informatyki Stosowanej
Metody optymalizacji nieliniowej metody programowania nieliniowego Ewa Niewiadomsa-Szyniewicz Instytut Automatyi i Inormatyi Stosowanej Ewa Niewiadomsa-Szyniewicz ens@ia.pw.edu.pl Instytut Automatyi i
Bardziej szczegółowoMetody 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 szczegółowoMetody 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 szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE METODY KLASYFIKACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE MEODY KLASYFIKACJI Częstochowa 4 Dr hab. nż. Grzegorz Dude Wydzał Eletryczny Poltechna Częstochowsa FUNKCJE FISHEROWSKA DYSKRYMINACYJNE DYSKRYMINACJA I MASZYNA LINIOWA
Bardziej szczegółowoMetody 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 szczegółowoliniowym 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 szczegółowoModelowanie 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 szczegółowoWYKŁAD 5 METODY OPTYMALIZACJI NIELINIOWEJ BEZ OGRANICZEŃ
WYKŁAD 5 METODY OPTYMALIZACJI NIELINIOWEJ BEZ OGRANICZEŃ Wstęp. Za wyjątie nielicznych funcji, najczęściej w postaci wieloianów, dla tórych ożna znaleźć iniu na drodze analitycznej, pozostała więszość
Bardziej szczegółowoCzęść 1 7. TWIERDZENIA O WZAJEMNOŚCI 1 7. TWIERDZENIA O WZAJEMNOŚCI Twierdzenie Bettiego (o wzajemności prac)
Część 1 7. TWIERDZENIA O WZAJEMNOŚCI 1 7. 7. TWIERDZENIA O WZAJEMNOŚCI 7.1. Twerdzene Bettego (o wzajemnośc prac) Nech na dowolny uład ramowy statyczne wyznaczalny lub newyznaczalny, ale o nepodatnych
Bardziej szczegółowoMetody 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 szczegółowoĆw. 5. Wyznaczanie współczynnika sprężystości przy pomocy wahadła sprężynowego
5 KATEDRA FIZYKI STOSOWANEJ PRACOWNIA FIZYKI Ćw. 5. Wyznaczane współczynna sprężystośc przy pomocy wahadła sprężynowego Wprowadzene Ruch drgający należy do najbardzej rozpowszechnonych ruchów w przyrodze.
Bardziej szczegółowoMetody 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 szczegółowoNumeryczne metody optymalizacji Optymalizacja w kierunku. informacje dodatkowe
Numeryczne metody optymalizacji Optymalizacja w kierunku informacje dodatkowe Numeryczne metody optymalizacji x F x = min x D x F(x) Problemy analityczne: 1. Nieliniowa złożona funkcja celu F i ograniczeń
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowo) 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 szczegółowoWykład 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 szczegółowoProjekt 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 szczegółowoMinimalizacja 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 szczegółowoLaboratorium 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 szczegółowoMinimalizacja 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 szczegółowoIN YNIERIA BEZPIECZE STWA LABORATORIUM NR 6
IN YNIERIA BEZPIECZE STWA LABORATORIUM NR 6 WYBRANE ZAGADNIENIA Z TEORII LICZB 1. Wybrane zagadnena z teor lczb Do onstruowana systemów ryptografcznych u Ŝ ywa sę czę sto wyrafnowanego aparatu matematycznego,
Bardziej szczegółowoKier. MTR Programowanie w MATLABie Laboratorium Ćw. 12
Ker. MTR Programowane w MATLABe Laboratorum Ćw. Analza statystyczna grafczna danych pomarowych. Wprowadzene MATLAB dysponuje weloma funcjam umożlwającym przeprowadzene analzy statystycznej pomarów, czy
Bardziej szczegółowoKlasyfkator 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( ) ( ) 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 szczegółowo4. Zjawisko przepływu ciepła
. Zawso przepływu cepła P.Plucńs. Zawso przepływu cepła wymana cepła przez promenowane wymana cepła przez unoszene wymana cepła przez przewodzene + generowane cepła znane wartośc temperatury zolowany brzeg
Bardziej szczegółowoPattern 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 szczegółowo5. Maszyna Turinga. q 1 Q. Konfiguracja: (q,α β) q stan αβ niepusta część taśmy wskazanie położenia głowicy
5. Maszyna Turnga = T Q skończony zór stanów q 0 stan początkowy F zór stanów końcowych Γ skończony zór symol taśmy T Γ alfaet wejścowy T Γ symol pusty (lank) δ: Q Γ! 2 Q Γ {L,R} funkcja
Bardziej szczegółowoBezgradientowe metody optymalizacji funkcji wielu zmiennych. informacje dodatkowe
Bezgradientowe metody optymalizacji funkcji wielu zmiennych informacje dodatkowe Wybór kierunku poszukiwań Kierunki bazowe i ich modyfikacje metody bezgradientowe. Kierunki oparte na gradiencie funkcji
Bardziej szczegółowoALGEBRA Z GEOMETRIĄ ANALITYCZNĄ
ALGEBRA Z GEOMETRIĄ ANALITYCZNĄ LISTA ZADAŃ 1 1 Napisać w formie rozwiniętej następujące wyrażenia: 4 (a 2 + b +1 =0 5 a i b j =1 n a i b j =1 n =0 (a nb 4 3 (! + ib i=3 =1 2 Wyorzystując twierdzenie o
Bardziej szczegółowo( ) + ( ) T ( ) + E IE E E. Obliczanie gradientu błędu metodą układu dołączonego
Obliczanie gradientu błędu metodą uładu dołączonego /9 Obliczanie gradientu błędu metodą uładu dołączonego Chodzi o wyznaczenie pochodnych cząstowych funcji błędu E względem parametrów elementów uładu
Bardziej szczegółowoSTATYSTYKA 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 szczegółowoUdoskonalona metoda obliczania mocy traconej w tranzystorach wzmacniacza klasy AB
Julusz MDZELEWSK Wydzał Eletron Techn nformacyjnych, nstytut Radoeletron, oltechna Warszawsa do:0.599/48.05.09.36 dosonalona metoda oblczana mocy traconej w tranzystorach wzmacnacza lasy AB Streszczene.
Bardziej szczegółowoKONSPEKT 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 szczegółowoFiltracja adaptacyjna - podstawy
Fltracja adaptacyjna - podstawy Współczynn fltrów adaptacyjnych są zmennym w czase w celu optymalzacje zadanego ryterum Powszechnym algorytmem dla fltrów adaptacyjnych jest algorytm LMS Least Mean Square)
Bardziej szczegółowo(U.3) Podstawy formalizmu mechaniki kwantowej
3.10.2004 24. (U.3) Podstawy formalizmu mechanii wantowej 33 Rozdział 24 (U.3) Podstawy formalizmu mechanii wantowej 24.1 Wartości oczeiwane i dyspersje dla stanu superponowanego 24.1.1 Założenia wstępne
Bardziej szczegółowoBADANIA 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 szczegółowoWstęp 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 szczegółowoROZWIĄZYWANIE DWUWYMIAROWYCH USTALONYCH ZAGADNIEŃ PRZEWODZENIA CIEPŁA PRZY POMOCY ARKUSZA KALKULACYJNEGO
OZWIĄZYWAIE DWUWYMIAOWYCH USALOYCH ZAGADIEŃ PZEWODZEIA CIEPŁA PZY POMOCY AKUSZA KALKULACYJEGO OPIS MEODY Do rozwązana ustalonego pola temperatury wyorzystana est metoda blansów elementarnych. W metodze
Bardziej szczegółowoAlgorytm mrówkowy w optymalizacji dyskretnych problemów nieliniowych
KRENICH Stansław 1 mrówowy w optymalzacj dysretnych problemów nelnowych WSTĘP Proces optymalzacj dysretnych nelnowych problemów jedno ja weloryteralnych jest w dalszym cągu jednym z trudnejszych zagadneń
Bardziej szczegółowoPrzykład 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 szczegółowo7. 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 szczegółowoMATEMATYKA 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 szczegółowo28 maja, Problem Dirichleta, proces Wienera. Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126
Problem Dirichleta, proces Wienera Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 28 maja, 2012 Funkcje harmoniczne Niech będzie operatorem Laplace a w
Bardziej szczegółowoZestaw 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 szczegółowoexp jest proporcjonalne do czynnika Boltzmanna exp(-e kbt (szerokość przerwy energetycznej między pasmami) g /k B
Koncentracja nośnów ładunu w półprzewodnu W półprzewodnu bez domesz swobodne nośn ładunu (eletrony w paśme przewodnctwa, dzury w paśme walencyjnym) powstają tylo w wynu wzbudzena eletronów z pasma walencyjnego
Bardziej szczegółowoSYSTEM NEURONOWO-ROZMYTY W ZASTOSOWANIU DO BADAŃ DEFORMACJI KONSTRUKCJI APPLICATION OF NEURAL-FUZZY SYSTEM IN STRUCTURE DEFORMATION ANALYSIS
MRI MRÓWCZYŃSK, JÓZEF GIL SYSTEM EUROOWO-ROZMYTY W ZSTOSOWIU DO DŃ DEFORMCJI KOSTRUKCJI PPLICTIO OF EURL-FUZZY SYSTEM I STRUCTURE DEFORMTIO LYSIS Streszczene Dynamczny rozwój dzedzny przetwarzana nformacj
Bardziej szczegółowo13. 13. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE
Część 3. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE 3. 3. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE 3.. Metoda trzech momentów Rozwiązanie wieloprzęsłowych bele statycznie niewyznaczalnych można ułatwić w znaczącym
Bardziej szczegółowoZaawansowane 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 szczegółowoZaawansowane 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 szczegółowoSZTUCZNA 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 szczegółowoWYKŁAD 9 METODY ZMIENNEJ METRYKI
WYKŁAD 9 METODY ZMIENNEJ METRYKI Kierunki sprzężone. Metoda Newtona Raphsona daje dobre przybliżenie najlepszego kierunku poszukiwań, lecz jest to okupione znacznym kosztem obliczeniowym zwykle postać
Bardziej szczegółowomax Wydział Elektroniki studia I st. Elektronika III r. EZI Technika optymalizacji Dr inż. Ewa Szlachcic
Zadane rograowana lnowego PL dla ogranczeń neszoścowch rz ogranczenach: a f c A b d =n, d c=n, d A =[ n], d b =, Postać anonczna zadana PL a c X : A b, Postać anonczna acerzowa zadana PL a Lczba zennch
Bardziej szczegółowoSztuczne 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 szczegółowoZASTOSOWANIE METODY ROJU CZĄSTEK W OPTYMALNYM PROJEKTOWANIU ELEMENTÓW KONSTRUKCJI
PAWEŁ FORYŚ ZASTOSOWANIE METODY ROJU CZĄSTEK W OPTYMALNYM PROJEKTOWANIU ELEMENTÓW KONSTRUKCJI A PARTICLE SWARM OPTIMIZATION APPLIED TO OPTIMAL DESIGN OF STRUCTURAL ELEMENTS Streszczene Abstract Zmodyfowana
Bardziej szczegółowoPORÓWNANIE WYBRANYCH ALGORYTMÓW OPTYMALIZACJI ROZPŁYWU MOCY W SYSTEMIE ELEKTROENERGETYCZNYM A COMPARISON OF SELECTED OPTIMAL POWER FLOW ALGORITHMS
ELEKRYKA 2013 Zeszyt 4 (228) Ro LIX Artur PASIERBEK, Marcin POŁOMSKI, Radosław SOKÓŁ Politechnia Śląsa w Gliwicach PORÓWNANIE WYBRANYCH ALGORYMÓW OPYMALIZACJI ROZPŁYWU MOCY W SYSEMIE ELEKROENERGEYCZNYM
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5. PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Rozłady soowe Rozład jednopuntowy Oreślamy: P(X c) 1 gdzie c ustalona liczba. 1 EX c, D 2 X 0 (tylo ten rozład ma zerową wariancję!!!)
Bardziej szczegółowoDRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH DRGAŃ WŁASNYCH
Część 5. DRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH... 5. 5. DRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH DRGAŃ WŁASNYCH 5.. Wprowadzenie Rozwiązywanie zadań z zaresu dynamii budowli sprowadza
Bardziej szczegółowoZadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.
Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer
Bardziej szczegółowop Z(G). (G : Z({x i })),
3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W
Bardziej szczegółowoWykład 21: Studnie i bariery cz.1.
Wyład : Studnie i bariery cz.. Dr inż. Zbigniew Szlarsi Katedra Eletronii, paw. C-, po.3 szla@agh.edu.pl http://layer.uci.agh.edu.pl/z.szlarsi/ 3.6.8 Wydział Informatyi, Eletronii i Równanie Schrödingera
Bardziej szczegółowoMetody Lagrange a i Hamiltona w Mechanice
Metody Lagrange a i Hamiltona w Mechanice Mariusz Przybycień Wydział Fizyi i Informatyi Stosowanej Aademia Górniczo-Hutnicza Wyład 12 M. Przybycień (WFiIS AGH Metody Lagrange a i Hamiltona... Wyład 12
Bardziej szczegółowo5. 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 szczegółowoPokazać, 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 szczegółowoSygnały stochastyczne
Sygnały stochastyczne Zmienne losowe E zbiór zdarzeń elementarnych (zbiór możliwych wyniów esperymentu) e E zdarzenie elementarne (wyni esperymentu) B zbiór wybranych podzbiorów zbioru E β B zdarzenie
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium Zadanie nr 3 Osada autor: A Gonczarek Celem poniższego zadania jest zrealizowanie fragmentu komputerowego przeciwnika w grze strategiczno-ekonomicznej
Bardziej szczegółowoF - wypadkowa sił działających na cząstkę.
PRAWA ZACHOWAIA Podstawowe termny Cała tworzące uład mechanczny oddzałują mędzy sobą z całam nenależącym do uładu za omocą: Sł wewnętrznych Sł zewnętrznych - Sł dzałających na dane cało ze strony nnych
Bardziej szczegółowoEkonometria 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 szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Metody optymalizacji Metody bezgradientowe optymalizacji bez ograniczeń Materiały pomocnicze do ćwiczeń
Bardziej szczegółowoFunkcje wielu zmiennych różniczkowalność
Funcje weu zmennyc różnczowaność Zajmemy sę teraz różnczowanem funcj weu zmennyc. Zacznemy od pojęca pocodnej cząstowej, bo jest ono najważnejszym zarazem najprostszym z tyc, tórym przyjdze nam sę zająć.
Bardziej szczegółowoEgzamin 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 szczegółowo2012-10-11. 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 szczegółowoNeuron liniowy. Najprostsza sieć warstwa elementów liniowych
Najprostsza jest jednostka lnowa: Neuron lnowy potraf ona rozpoznawać wektor wejścowy X = (x 1, x 2,..., x n ) T zapamętany we współczynnkach wagowych W = (w 1, w 2,..., w n ), Zauważmy, że y = W X Załóżmy,
Bardziej szczegółowoRównanie Fresnela. napisał Michał Wierzbicki
napisał Michał Wierzbici Równanie Fresnela W anizotropowych ryształach optycznych zależność między wetorami inducji i natężenia pola eletrycznego (równanie materiałowe) jest następująca = ϵ 0 ˆϵ E (1)
Bardziej szczegółowoOptymalizacja 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 szczegółowoAnaliza B II zadania. cos kx = sin(n x) 2 sin x 2. cos n sin 1 n., tan x, cot x, log sin x, log tan x, 1 + x
Analiza B II zadania Oblicz granicę n cos n n Udowodnij wzór dla mπ 3 Udowodnij że szereg + n = cos = sin(n + sin cos n sin n jest zbieżny warunowo 4 Wyprowadź wzory (sin = cos (cos = sin 5 Wyaż że funcje
Bardziej szczegółowo4.15 Badanie dyfrakcji światła laserowego na krysztale koloidalnym(o19)
256 Fale 4.15 Badanie dyfracji światła laserowego na rysztale oloidalnym(o19) Celem ćwiczenia jest wyznaczenie stałej sieci dwuwymiarowego ryształu oloidalnego metodą dyfracji światła laserowego. Zagadnienia
Bardziej szczegółowoZastosowanie informatyki w elektrotechnice
Zastosowanie informatyi w eletrotechnice Politechnia Białostoca - Wydział Eletryczny Eletrotechnia, semestr V, studia niestacjonarne Ro aademici 2006/2007 Wyład nr 4 (15.12.2006 Zastosowanie informatyi
Bardziej szczegółowoWeryfikacja 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 szczegółowoMETODA USTALANIA WSPÓŁCZYNNIKA DYNAMICZNEGO WYKORZYSTANIA ŁADOWNOŚCI POJAZDU
Stansław Bogdanowcz Poltechna Warszawsa Wydzał Transportu Załad Logsty Systemów Transportowych METODA USTALANIA WSPÓŁCZYNNIKA DYNAMICZNEGO WYKORZYSTANIA ŁADOWNOŚCI POJAZDU Streszczene: Ogólna podstawa
Bardziej szczegółowoSterowanie Ciągłe. Używając Simulink a w pakiecie MATLAB, zasymulować układ z rysunku 7.1. Rys.7.1. Schemat blokowy układu regulacji.
emat ćwiczenia nr 7: Synteza parametryczna uładów regulacji. Sterowanie Ciągłe Celem ćwiczenia jest orecja zadanego uładu regulacji wyorzystując następujące metody: ryterium amplitudy rezonansowej i metodę
Bardziej szczegółowoMARTA GAWRON * METODY SYMULACJI STATYCZNEJ SIECI GAZOWEJ
UNIWERSYTET ZIELONOGÓRSKI ZESZYTY NAUKOWE NR 144 Nr 4 INŻYNIERIA ŚRODOWISKA 011 MARTA GAWRON * METODY SYMULACJI STATYCZNEJ SIECI GAZOWEJ S t r e s z c z e n e W artyule przedstawono metody symulacj statycznej
Bardziej szczegółowoN ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.
3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy
Bardziej szczegółowoParametry zmiennej losowej
Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru
Bardziej szczegółowoWykład VIII Rozwiązywanie równań i układów równań nieliniowych
Wyład VIII Rozwiązywanie równań i uładów równań nieliniowych Równania nieliniowe w technice Zadanie wyznaczenia pierwiastów równania nieliniowego Metody iteracji z otaczaniem i podziałem (bisecja i regula-falsi)
Bardziej szczegółowoDiagonalizacja 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 szczegółowoOptymalizacja transformacji wyników pomiarów bloków kadłuba statku z uwzględnieniem ograniczeń
PAK vol. 56, nr 6/010 597 Alesander KNIA POLIECHNIKA GDAŃSKA, WYDZIAŁ OCEANOECHNIKI I OKRĘOWNICWA, ul. G. Narutowa 11/1, 80-33 Gdańs Optymalzacja transformacj wynów pomarów bloów adłuba statu z uwzględnenem
Bardziej szczegółowoMarkowa. ZałoŜenia schematu Gaussa-
ZałoŜena scheatu Gaussa- Markowa I. Model jest nezennczy ze względu na obserwacje: f f f3... fl f, czyl y f (x, ε) II. Model jest lnowy względe paraetrów. y βo + β x +ε Funkcja a być lnowa względe paraetrów
Bardziej szczegółowoWYMAGANIA Z WIEDZY I UMIEJĘTNOŚCI NA POSZCZEGÓLNE STOPNIE SZKOLNE DLA KLASY 3g. zakres rozszerzony
WYMAGANIA Z WIEDZY I UMIEJĘTNOŚCI NA POSZCZEGÓLNE STOPNIE SZKOLNE DLA KLASY 3g zares rozszerzony 1. Wielomiany bardzo zna pojęcie jednomianu jednej zmiennej; potrafi wsazać jednomiany podobne; potrafi
Bardziej szczegółowoTEORIA OBWODÓW I SYGNAŁÓW LABORATORIUM
EORI OBWODÓW I SYGNŁÓW LBORORIUM KDEMI MORSK Katedra eleomuniacji Morsiej Ćwiczenie nr 2: eoria obwodów i sygnałów laboratorium ĆWICZENIE 2 BDNIE WIDM SYGNŁÓW OKRESOWYCH. Cel ćwiczenia Celem ćwiczenia
Bardziej szczegółowoWYBRANE ZASTOSOWANIA OPTYMALIZACJI ROZMYTEJ W STEROWANIU PROCESAMI ODLEWNICZYMI
47/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznk 5, Nr 17 Archves of Foundry Year 2005, Volume 5, Book 17 PAN - Katowce PL ISSN 1642-5308 WYBRANE ZASTOSOWANIA OPTYMALIZACJI ROZMYTEJ W STEROWANIU PROCESAMI ODLEWNICZYMI
Bardziej szczegółowoIII.4 Ruch względny w przybliżeniu nierelatywistycznym. Obroty.
III.4 Ruch względny w przybliżeniu nierelatywistycznym. Obroty. Newtonowskie absolutna przestrzeń i absolutny czas. Układy inercjalne Obroty Układów Współrzędnych Opis ruchu w UO obracających się względem
Bardziej szczegółowoKwantowa 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 szczegółowoMETODY ROZWIĄZYWANIA RÓWNAŃ NIELINIOWYCH
METODY ROZWIĄZYWANIA RÓWNAŃ NIELINIOWYCH Jednym z zastosowań metod numerycznych jest wyznaczenie pierwiastka lub pierwiastków równania nieliniowego. W tym celu stosuje się szereg metod obliczeniowych np:
Bardziej szczegółowoAnaliza Matematyczna Ćwiczenia. J. de Lucas
Aalza Matematycza Ćwczea J. de Lucas Zadae. Oblczyć grace astępujących fucj a lm y 3,y 0,0 b lm y 3 y ++y,y 0,0 +y c lm,y 0,0 + 4 y 4 y d lm y,y 0,0 3 y 3 e lm,y 0,0 +y 4 +y 4 f lm,y 0,0 4 y 6 +y 3 g lm,y
Bardziej szczegółowoA. Cel ćwiczenia. B. Część teoretyczna
A. Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z wsaźniami esploatacyjnymi eletronicznych systemów bezpieczeństwa oraz wyorzystaniem ich do alizacji procesu esplatacji z uwzględnieniem przeglądów
Bardziej szczegółowoDiagnostyka układów kombinacyjnych
Dagnostyka układów kombnacyjnych 1. Wprowadzene Dagnostyka obejmuje: stwerdzene stanu układu, systemu lub ogólne sec logcznej. Jest to tzw. kontrola stanu wykrywająca czy dzałane sec ne jest zakłócane
Bardziej szczegółowo