Logika klasyczna i rozmyta. Rozmyte złożenie relacji (ang. fuzzy composition) Złożenie relacji (ang. composition)
|
|
- Ludwik Krupa
- 7 lat temu
- Przeglądów:
Transkrypt
1 Złożenie relacji ang. compoition) Niech X Y, Y Z. Ptanie: X Z? Cz można znaleźć taą relację, tóra wiąże te ame element z X, tóre zawiera z tmi ammi elementami z Z, tóre zawiera? Czli cz zuam X Z. Przład Podtawowe form operacji złożenia max-min i max-product czaem nazwana max-dot):. max-min o χ x,z). max-product χ x,z) V χ x,) χ,z Y max min χ x,), χ,z) Y max χ x,) χ,z V χ x,) χ,z Y Y ozmte złożenie relacji ang. fuzz compoition) Ja w przpadu crip. Niech ~ będzie relacją tóra mapuje element z przetrzeni X na Y, a ~ relacją, tóra mapuje element z Y na Z. zuam ~ z X Z. max-min ~ ~ o ~ x,z) V x,),z ~ ~ ~ Y max min x,),,z) Y ~ ~. max-product ~ ~ ~ x,z) V x,),z ~ Y ~ ~ Y ~ ~ max min x,),z) Operacje na macierzach). aciej Hape ogia rozmta w zatoowaniach inżnierich 40 aciej Hape ogia rozmta w zatoowaniach inżnierich 4 ogia laczna i rozmta ogia laczna Załóżm, że mam dwa twierdzenia P: prawda, że x Q: prawda, że x Prawdziwość mierzona jet natępująco: Jeżeli x, P) ; w przeciwnm wpadu P) 0 Jeżeli x, Q) ; w przeciwnm wpadu Q) 0 pójnii logiczne ang. logical connective) Djuncja Koniuncja Negacja P Q: x lub x P Q) maxp),q P Q: x i x P Q) minp),q Jeżeli P), to P) 0 Jeżeli P) 0, to P) P Q): x lub x P Q) P Q) ównoważność P Q): P Q), dla P) 0, dla P) Q) Q) Klaczna impliacja P Q jet prawdziwa we wztich przpadach, oprócz taiego, gd poprzedni jet prawdą, a natępni fałzem. Przład:. Jeżeli + to 4>0. Jeżeli +3 to 4>0 3. Jeżeli +3 to 4<0 4. Jeżeli + to 4<0 Czli P Q) P) Q) P) Q) Wobraźm obie, że impliacja dotcz dwóch różnch przetrzeni P jet twierdzeniem termem) wrażonm przez zbiór oreślonm na X Q jet twierdzeniem termem) wrażonm przez zbiór oreślonm na Y P Q może bć też wrażona przez relację : jeżeli to Y) aciej Hape ogia rozmta w zatoowaniach inżnierich 4 aciej Hape ogia rozmta w zatoowaniach inżnierich 43
2 jeżeli to, w przeciwnm razie C C ) w logice P Q) P ) gdzie : C, C Y Deducja wnioowanie, w tórm z przełane wnia logicznie wnioe Deducja modu ponen reguła odrwania) Z prawdziwości przełani i impliacji wnia prawdziwość wniou. Przład autologie W logice pomocne ą związi, tóre ą zawze prawdziwe tautologie) w ażdej nieputej dziedzinie. Przład tautologii: Każd pie jet aiem Każd pie jet ręgowcem w domśle Każd a jet ręgowcem ) jet jet C jet C ~ Λ x) V ~ x) x x jet zbiorem liczb pierwzch,,, 33, 45..., wted twierdzenie i nie jet podzielne przez 6 jet tautologią. C Przełana Wnioe Jan jet ierowcą Jan poiada prawo jazd Deducja modu tollen Przełana Wnioe Jan nie poiada prawa jazd Jan nie jet ierowcą aciej Hape ogia rozmta w zatoowaniach inżnierich 44 aciej Hape ogia rozmta w zatoowaniach inżnierich 45 Wnioowanie deducjne Załóżm, że mam regułę ) JEŻEI, O ) Y gdzie jet zdefiniowane na X, a na Y.? cz znając now poprzedni możem wwnioować now natępni? może bć znalezione natępująco: ) Y Parado logii dwuwartościowej Golibroda z evilli goli wztich i tlo tch mężczzn, tórz ami ię nie golą, to goli golibrodę? ubię wztich tch i tlo tch tórz ami iebie nie lubią. Cz łamca z Kret łamie gd mówi wzc Kreteńczc ą łamcami. Niech golibroda am ię goli golibroda am ię nie goli Wted oraz, tzn., czli ) ) ) ) ½ półprawda pół fałz) aciej Hape ogia rozmta w zatoowaniach inżnierich 46 aciej Hape ogia rozmta w zatoowaniach inżnierich 47
3 ogia rozmta Załóżm, że twierdzenie P ~ jet przpiane do zbioru ~, wted wartość prawdziwa twierdzenia będzie wrażona: P ~ ) x), gdzie x) [0, ] ~ topień prawdziwości P ~ ) jet odpowiada topniowi prznależności x do ~. Niech P ~ będzie oreślone na zbiorze ~, a Q ~ na zbiorze ~. Wted ~ Jeżeli x jet ~ to jet ~ funcja prznależności ~ ~ ~ ) ~ Y) x, ) max[ x), x] ~ ~ ~ ~ Jeżeli x jet ~ to jet ~, w przeciwnm razie jet C ~ ~ ~ ~ ) ~ C ~ ) x, ) max[ x), x ~ ~ ~ ~ C ~ ] Negacja P ~ ) P ~ ) Djuncja P ~ v Q ~ : x jet ~ lub ~ P ~ v Q ~ ) maxp ~ ), Q ~ Koniuncja P ~ Q ~ : x jet ~ i ~ P ~ Q ~ ) minp ~ ), Q ~ [Zadeh, 973] P ~ Q ~ : x jet ~, to jet ~ P ~ v Q ~ ) max P ~ ), Q ~ aciej Hape ogia rozmta w zatoowaniach inżnierich 48 aciej Hape ogia rozmta w zatoowaniach inżnierich 49 Wnioowanie przbliżone Wnioowanie z niepreczjnch twierdzeń) Uogólniona rozmta) reguła wnioowania modu ponen. Przład: Przełana x jet ~ Jeżeli x jet ~ to jet ~ Wnioe jet ~ Przełana Wnioe ~ ~ ~ Prędość amochodu jet duża Jeżeli prędość amochodu jet bardzo duża, to poziom hałau jet woi Poziom hałau w amochodzie jet średniowoi Inne operacje rozmtej impliacji Zadeha 973) x, ) max{min[ x), )], ~ ~ ~ ~ amdani ego 976) x, ) min{ x), ~ ~ ~ arena x,) x) ~ ~ ~ Łuaiewicza x, ) min{,[ x) + Ocena przełani ) )} ~ ~ ~ )]} x)} Wnioowanie rozmte - ocena topnia pełnienia przełane pozczególnch reguł i przenieienie go na onluzje. poób obliczania topnia pełnienia przełani JEŻEI x x) x x aciej Hape ogia rozmta w zatoowaniach inżnierich 50 aciej Hape ogia rozmta w zatoowaniach inżnierich 5
4 Przład graficzne wnioowania. Jeżeli x to wejście jet crip) Obliczenia dla uprozczonej werji dretnej, tzn x 6.5, tzn. ' crip) ' fuzz) amdaniego i ilocznowa Jeżeli x to wejście jet fuzz) ad.. \ [ ] ad.. \ [ ] aciej Hape ogia rozmta w zatoowaniach inżnierich 5 aciej Hape ogia rozmta w zatoowaniach inżnierich 53 ozmte tem regułowe trutura temu rozmtego x Fuzz tem n input output x x tem x Fuzz tem n input output ) Fuz Inferencja Defuz x x xn Fuzz tem n input output Potać anoniczna temu rozmtego eguła : JEŻEI c, O r eguła : JEŻEI c, O r n Nazwa oper. Fuzfiacja rozmwanie) Oper. obliczanie topnia prznależności wartości wejść modelu do zbiorów rozmtch tch wejść Elem. funcje prznależności wejść Inferencja wnioowanie) ocena topnia pełn. przełane reguł oreślenie f. przn. onluzji oreślenie wniowej f. przn. wztich reguł baza reguł mechanizm inferencji funcje prznależności wjścia Defuzfiacja otrzenie) zatąpienie zbioru rozmtego wartością otrą mechanizm defuzfiacji aciej Hape ogia rozmta w zatoowaniach inżnierich 54 aciej Hape ogia rozmta w zatoowaniach inżnierich 55
5 Deompozcja reguł złożonch Wiele oniuncji poprzedniów JEŻEI x jet ~ oraz x jet ~ ~ ~ ~... ~ x)] x) t[ x),..., ~ ~ ~ JEŻEI x jet ~ O jet ~ Dla dwóch przełane protch: JEŻEI x ) I x ) O jet ~ to dla x x oraz x x topień jej prawdziwości jet obliczan x,x ) x,x ) t x), ~ gdzie t jet jednm z operatorów t-norm. Operator t-norm. min-operator t x), x min x), x. iloczn algebraiczn t x ), x x ) x ) x Wiele djuncji poprzedniów JEŻEI x jet ~ lub x jet ~ ~ ~ ~... ~ x) max[ x),..., ~ ~ ~ JEŻEI x jet ~ O jet ~ Dla dwóch przełane protch: x)] O jet ~ JEŻEI x ) U x ) x,x ) x,x ) x), ~ Operator -norm:. max-operator x ), x max x ), x. uma algebraiczna x ), x x ) + x ) x) x) x x t, x x x aciej Hape ogia rozmta w zatoowaniach inżnierich 56 aciej Hape ogia rozmta w zatoowaniach inżnierich 57 gregacja zbioru reguł rozmtch W oreślaniu trategii agregacji itnieją dwa etremalne przpadi: a. Koniuncjn tem reguł. Wztie reguł muzą bć pełnione, połączenie and. and and and r r funcja prznależności ) min ), ),..., r b. Djuncjn tem reguł. dla Y u wmagane jet pełnienie prznajmniej jednej reguł. Łączni or. or or or r r funcja prznależności ) max ), ),..., r dla Y Graficzne technii wnioowania tem reguł z wieloma przełanami) Załóżm rozmt tem regułow, djuncjn: wejścia i wjście 4 przpadi:. x i x ą crip funcjami delta), wted Wg metod wnioowania amdaniego, ) max[min[ inputi, inputj]],,...,r ~ ~ ~. x i x ą crip funcjami delta), wted Wg metod max-product inference method) ) max[ inputi inputj],,...,r ~ ~ ~ 3. x i x ą rozmte Wg metod wnioowania amdaniego ) max[min{max[ x) x )], ~ max[ ~ ~ x) x )]}],,...,r 4. x i x ą rozmte Wg metod wnioowania max-product ) max[max[ x) x )],max[ x) x )]] ~ ~ ~ aciej Hape ogia rozmta w zatoowaniach inżnierich 58 aciej Hape ogia rozmta w zatoowaniach inżnierich 59
6 lgortm inferencji eguła : JEŻEI x I I x n n, O eguła j: JEŻEI x j I I x n jn, O j eguła m: JEŻEI x m I I x n jn, O m Kro. Oreślić topień pełnienia przełane pozczególnch reguł agregacja przełane, t-norma) h t x ),..., x h t h j m j t m x ),..., x ),..., n jn x mn n n x n ) th, j ) th, m j m j ) th, m Kro 3. Oreślić wniową funcję prznależności ) przez aumulację zmodfiowanch funcji prznależności ) onluzji pozczególnch reguł j ) ) ),..., m Kro. Oreślić zmodfiowane funcje prznależności j ) onluzji natępniów) pozczególnch reguł inferencja w regułach). lo dla reguł, tórch przełani pełnione ą w topniu h>0. aciej Hape ogia rozmta w zatoowaniach inżnierich 60 aciej Hape ogia rozmta w zatoowaniach inżnierich 6
Wstęp do Sztucznej Inteligencji: Laboratorium Sterownik rozmyty
Wstęp do Sztucznej Inteligencji: Laboratorium Sterowni rozmt Zbior rozmte pozwalają w sposób usstematzowan modelować pojęcia niepreczjne, jaimi ludzie posługują się na co dzień. Przładem może bć wrażenie
Bardziej szczegółowoDefinicja. Złożenie zbioru rozmytego i relacji rozmytej. Rozważmy. zbiór rozmyty A X z funkcją przynależności
Zagadnienia I Złożenie zbioru rozmtego i relacji rozmtej Rozważm zbiór rozmt X z funcją prznależności relację rozmtą RX Y z funcją prznależności Definicja R Złożenie zbioru rozmtego i relacji rozmtej R
Bardziej szczegółowoELEMENTY TEORII ZBIORÓW ROZMYTYCH
ELEMENTY TEORII ZBIORÓW ROZMYTYCH OPRACOWAŁ: M. KWIESIELEWICZ POJĘCIA NIEPRECYZYJNE ODDZIAŁYWANIA CZŁOWIEK-OBIEKT TECHNICZNY OTOCZENIE (Hoang 990: człowieka na otoczenie, np.: ergonomiczna konstrukcja
Bardziej szczegółowoSterowanie rozmyte. mgr inż. Piotr Fiertek p. 544
Sterowanie rozmte mgr inż. Piotr iertek p. 544 Literatura do wkładu: D. Driankov H. Hellendoorn M. einfrank Wprowadzenie do sterowania ozmtego Wdawnictwo Naukowo-Techniczne Warszawa 996 Piegat A.: Modelowanie
Bardziej szczegółowoZmienna losowa. M. Przybycień Rachunek prawdopodobieństwa i statystyka
Zmienna losowa ozszerzenie znaczenia funcji zmiennej rzeczwistej na przpadi, ied zmienna niezależna nie jest liczbą rzeczwistą: odległość to funcja par puntów, obwód trójąta, to funcja oreślona na zbiorze
Bardziej szczegółowoModelowanie niepewności
Modelowanie niepewności rzetwarzanie numerczne informacji niepewnej niepełnej nej i niepreczjnej lan władu Źródła a niepewności informacji odejście probabilistczne do modelowania niepewności - twierdzenie
Bardziej szczegółowoSTANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F.
METODY HEURYSTYCZNE wykład 6 STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI 2 GAUSSOWSKA F. PRZYNALEŻNOŚCI F. PRZYNALEŻNOŚCI KLASY s środek; a określa szerokość krzywej 3 4 F. PRZYNALEŻNOŚCI KLASY π F. PRZYNALEŻNOŚCI
Bardziej szczegółowoBlok 2: Zależność funkcyjna wielkości fizycznych
Blok : Zależność funkcjna wielkości fizcznch I. Odcztwanie informacji z wkreu co tak naprawdę na nim ię znajduje. Chcąc odcztać informacje z wkreu funkcji, muim dokładnie wiedzieć, jaka wielkość fizczna
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice
Bardziej szczegółowoEkstrema funkcji dwóch zmiennych
Wkład z matematki inżnierskiej Ekstrema funkcji dwóch zmiennch JJ, IMiF UTP 18 JJ (JJ, IMiF UTP) EKSTREMA 18 1 / 47 Ekstrema lokalne DEFINICJA. Załóżm, że funkcja f (, ) jest określona w pewnm otoczeniu
Bardziej szczegółowoZasada rozszerzania. A U A jest zbiorem rozmytym, B jest obrazem zbioru A Przeniesienie rozmytości A w odwzorowaniu f na zbiór B. sup.
Zasada rozszerzania f U V U jest zbiorem rozmytym V = f( ), jest obrazem zbioru Przeniesienie rozmytości w odwzorowaniu f na zbiór v) = ( v)? ( f ( ) = sup ( u) gdy ( v) 0 1 = 1 u f ( v) f( ) ( v) 1 0
Bardziej szczegółowoSKRYPT Z MATEMATYKI. Wstęp do matematyki. Rafał Filipów Piotr Szuca
Publikacja współfinansowana przez Unię Europejską w ramach Europejskiego Funduszu Społecznego SKRYPT Z MATEMATYKI Wstęp do matematki Rafał Filipów Piotr Szuca Publikacja współfinansowana przez Unię Europejską
Bardziej szczegółowoMetody numeryczne. Wykład nr 2. dr hab. Piotr Fronczak
Metod numerczne Wład nr dr hab. Piotr Froncza Przbliżone rozwiązwanie równań nieliniowch Jedno równanie z jedną niewiadomą Szuam pierwiastów rzeczwistch równania =. zwle jest uncją nieliniową zatem orzstam
Bardziej szczegółowoWarsztat pracy matematyka
Warsztat prac matematka Izabela Bondecka-Krzkowska Marcin Borkowski Jęzk matematki Teoria Jednm z podstawowch pojęc matematki jest pojęcie zbioru. Teorię opisującą zbior nazwa sie teorią mnogości. Definicja
Bardziej szczegółowoElementy logiki matematycznej
Elementy logiki matematycznej Przedmiotem logiki matematycznej jest badanie tzw. wyrażeń logicznych oraz metod rozumowania i sposobów dowodzenia używanych w matematyce, a także w innych dziedzinach, w
Bardziej szczegółowo1 Macierze i wyznaczniki
1 Macierze i wyznaczniki 11 Definicje, twierdzenia, wzory 1 Macierzą rzeczywistą (zespoloną) wymiaru m n, gdzie m N oraz n N, nazywamy prostokątną tablicę złożoną z mn liczb rzeczywistych (zespolonych)
Bardziej szczegółowo14. Grupy, pierścienie i ciała.
4. Grup, pierścienie i ciała. Definicja : Zbiór A nazwam grupą jeśli jest wposaŝon w działanie wewnętrzne łączne, jeśli to działanie posiada element neutraln i kaŝd element zbioru A posiada element odwrotn.
Bardziej szczegółowoRysunek 1-1. Przykładowy zbiór klasyczny (nierozmyty) oraz jego funkcja przynale żności.
Podstaw logiki rozmtej i regulatorów rozmtch. Zbiór rozmt Pojęcie zbioru rozmtego zostało wprowadzone przez L. A. Zadeha w 965. Celem wprowadzenia tego pojęcia bła chęć modelowania procesów złożonch, w
Bardziej szczegółowoINŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Podstawowe pojęcia z logiki rozmytej Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sterowanie
Bardziej szczegółowoMyślenie w celu zdobycia wiedzy = poznawanie. Myślenie z udziałem rozumu = myślenie racjonalne. Myślenie racjonalne logiczne statystyczne
Literatura: podstawowa: C. Radhakrishna Rao, Statystyka i prawda, 1994. G. Wieczorkowska-Wierzbińska, J. Wierzbiński, Statystyka. Od teorii do praktyki, 2013. A. Aczel, Statystyka w zarządzaniu, 2002.
Bardziej szczegółowoPrzestrzenie liniowe w zadaniach
Przestrzenie linioe zadaniach Zadanie 1. Cz ektor [3, 4, 4 jest kombinacja linioa ektoró [1, 1, 1, [1, 0, 1, [1, 3, 5 przestrzeni R 3? Roziazanie. Szukam x,, z R takich, że [3, 4, 4 x [1, 1, 1 + [1, 0,
Bardziej szczegółowoZbiory rozmyte. Teoria i zastosowania we wnioskowaniu aproksymacyjnym
Zior rozmte Teori i zstosowni we wniosowniu prosmcjnm PODSTWOWE POJĘCI Motwcje Potrze opisni zjwis i pojęć wielozncznch i niepreczjnch użwnch swoodnie w jęzu nturlnm np. wso tempertur młod człowie średni
Bardziej szczegółowoMacierze normalne. D : Dowolną macierz kwadratową można zapisać w postaci A = B + ic gdzie ( ) B = A + A B = A + A = ( A + A)
Macierze normalne Twierdzenie: Macierz można zdiagonalizować za pomocą unitarnej transformacji podobieństwa wted i tlko wted gd jest normalna (AA A A). ( ) D : Dowolną macierz kwadratową można zapisać
Bardziej szczegółowoMetoda podziału zbioru obiektów na wielokryterialne klastry jakościowe
BIULET ISTTUTU SSTEMÓW IFOMATCZCH (03) Metoda podziału zbioru obietów na wielorterialne lastr jaościowe A. AMELJAŃCZK aameljancz@wat.edu.pl Insttut Sstemów Informatcznch Wdział Cberneti WAT ul. S. Kalisiego,
Bardziej szczegółowo4. Schematy blokowe; algebra schematów blokowych
57. Schemat bloowe; algebra chematów bloowch W ażdm złożonm ładzie atomati można wodrębnić wpółpracjące ze obą element protze, tórch właściwości ą znane i formłowane np. w potaci tranmitancji operatorowej.
Bardziej szczegółowoPochodna funkcji wykład 5
Pochodna funkcji wkład 5 dr Mariusz Grządziel 8 listopada 2010 Funkcja logistczna 40 Rozważm funkcję logistczną = f 0 (t) = 1+5e 0,5t Funkcja f może bć wkorzstana np. do modelowania wzrostu mas ziaren
Bardziej szczegółowoMETODY INTELIGENCJI OBLICZENIOWEJ wykład 6
METODY INTELIGENCJI OBLICZENIOWEJ wykład 6 2 ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE 965 Lotfi A. Zadeh: : Fuzzy sets In almost every case you can build the same product without fuzzy logic, but fuzzy
Bardziej szczegółowo1 Przekształcenie Laplace a
Przekztałcenie Laplace a. Definicja i podtawowe właności przekztałcenia Laplace a Definicja Niech dana będzie funkcja f określona na przedziale [,. Przekztałcenie (tranformatę Laplace a funkcji f definiujemy
Bardziej szczegółowoTesty dotyczące wartości oczekiwanej (1 próbka).
ZASADY TESTOWANIA HIPOTEZ STATYSTYCZNYCH. TESTY DOTYCZĄCE WARTOŚCI OCZEKIWANEJ Przez hipotezę tatytyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu intereującej na cechy. Hipotezy
Bardziej szczegółowoWartości i wektory własne
Rozdział 7 Wartości i wektor własne Niech X będzie skończenie wmiarową przestrzenią liniową nad ciałem F = R lub F = C. Niech f : X X będzie endomorfizmem, tj. odwzorowaniem liniowm przekształającm przestrzeń
Bardziej szczegółowoA i A j lub A j A i. Operator γ : 2 X 2 X jest ciągły gdy
3. Wyład 7: Inducja i reursja struturalna. Termy i podstawianie termów. Dla uninięcia nieporozumień notacyjnych wprowadzimy rozróżnienie między funcjami i operatorami. Operatorem γ w zbiorze X jest funcja
Bardziej szczegółowoMatematyka dyskretna. Wykład 2: Kombinatoryka. Gniewomir Sarbicki
Matematya dysretna Wyład 2: Kombinatorya Gniewomir Sarbici Kombinatorya Definicja Kombinatorya zajmuje się oreślaniem mocy zbiorów sończonych, w szczególności mocy zbiorów odwzorowań jednego zbioru w drugi
Bardziej szczegółowoUwaga 1.1 Jeśli R jest relacją w zbiorze X X, to mówimy, że R jest relacją w zbiorze X. Rozważmy relację R X X. Relację R nazywamy zwrotną, gdy:
Matematya dysretna - wyład 1. Relacje Definicja 1.1 Relacją dwuargumentową nazywamy podzbiór produtu artezjańsiego X Y, tórego elementami są pary uporządowane (x, y), taie, że x X i y Y. Uwaga 1.1 Jeśli
Bardziej szczegółowo(g) (p q) [(p q) p]; (h) p [( p q) ( p q)]; (i) [p ( p q)]; (j) p [( q q) r]; (k) [(p q) (q p)] (p q); (l) [(p q) (r s)] [(p s) (q r)];
Logika 1. Czy następujące sformułowania są zdaniami: (a) Wszystkie koty w Polsce są czarne. (b) Jak to udowodnić? (c) x + y = 7. (d) Jeśli x 2 = y 2, to x = y. (e) Jeśli x = y, to x 2 = y 2. (f) 2 n +
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Logika rozmyta dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Wyostrzanie Ostateczna, ostra wartość
Bardziej szczegółowoLVI Olimpiada Matematyczna
LVI Olimpiada Matematyczna Rozwiązania zadań konkurowych zawodów topnia trzeciego 13 kwietnia 2005 r (pierwzy dzień zawodów) Zadanie 1 Wyznaczyć wzytkie trójki (x, y, n) liczb całkowitych dodatnich pełniające
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Wnioskowanie logiczne i systemy eksperckie Systemy posługujące się logiką predykatów: część 3/3 Dzisiaj Uogólnienie Poprawność i pełność wnioskowania
Bardziej szczegółowoRachunek zdań i predykatów
Rachunek zdań i predykatów Agnieszka Nowak 14 czerwca 2008 1 Rachunek zdań Do nauczenia :! 1. ((p q) p) q - reguła odrywania RO 2. reguła modus tollens MT: ((p q) q) p ((p q) q) p (( p q) q) p (( p q)
Bardziej szczegółowoPrzykłady zdań w matematyce. Jeśli a 2 + b 2 = c 2, to trójkąt o bokach długości a, b, c jest prostokątny (a, b, c oznaczają dane liczby dodatnie),
Elementy logiki 1 Przykłady zdań w matematyce Zdania prawdziwe: 1 3 + 1 6 = 1 2, 3 6, 2 Q, Jeśli x = 1, to x 2 = 1 (x oznacza daną liczbę rzeczywistą), Jeśli a 2 + b 2 = c 2, to trójkąt o bokach długości
Bardziej szczegółowo0.1. Logika podstawowe pojęcia: zdania i funktory, reguły wnioskowania, zmienne zdaniowe, rachunek zdań.
Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej Wykład ELEMENTY LOGIKI ALGEBRA BOOLE A Logika podstawowe pojęcia: zdania i funktory, reguły wnioskowania, zmienne zdaniowe, rachunek
Bardziej szczegółowoProgramowanie nieliniowe optymalizacja funkcji wielu zmiennych
Ekonomia matematczna II Ekonomia matematczna II Prowadząc ćwiczenia Programowanie nieliniowe optmalizacja unkcji wielu zmiennch Modele programowania liniowego często okazują się niewstarczające w modelowaniu
Bardziej szczegółowoWykład 2. Informatyka Stosowana. 8 października 2018, M. A-B. Informatyka Stosowana Wykład 2 8 października 2018, M. A-B 1 / 41
Wykład 2 Informatyka Stosowana 8 października 2018, M. A-B Informatyka Stosowana Wykład 2 8 października 2018, M. A-B 1 / 41 Elementy logiki matematycznej Informatyka Stosowana Wykład 2 8 października
Bardziej szczegółowoTransformacja Hilberta (1905)
Tranormacja Hilbera 95 Zjęcie hp://en.wikipeia.org/wiki/davi_hilber Tranormacja Hilbera je liniowm przekzałceniem całkowm w ej amej ziezinie, zn. zarówno la gnału jak i jego ranorma, argumen je najczęściej
Bardziej szczegółowoRachunek zdao i logika matematyczna
Rachunek zdao i logika matematyczna Pojęcia Logika - Zajmuje się badaniem ogólnych praw, według których przebiegają wszelkie poprawne rozumowania, w szczególności wnioskowania. Rachunek zdao - dział logiki
Bardziej szczegółowoLogika Stosowana. Wykład 1 - Logika zdaniowa. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017
Logika Stosowana Wykład 1 - Logika zdaniowa Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana 2017 1 / 30 Plan wykładu 1 Język
Bardziej szczegółowoZagadnienia AI wykład 3
Zagadnienia I wyład 3 Rozmyte systemy wniosujące by móc sterować pewnym procesem technologicznym lub tez pracą urządzeń onieczne jest zbudowanie modelu, na podstawie tórego można będzie podejmować decyzje
Bardziej szczegółowoWnioskowanie rozmyte. Krzysztof Patan
Wnioskowanie rozmyte Krzysztof Patan Wprowadzenie Informacja precyzyjna jest to jedyna postać informacji akceptowanej przez konwencjonalne metody matematyczne, najczęściej dostarczana jest przez precyzyjne
Bardziej szczegółowoIndukcja. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Indukcja Materiały pomocnicze do wykładu wykładowca: dr Magdalena Kacprzak Charakteryzacja zbioru liczb naturalnych Arytmetyka liczb naturalnych Jedną z najważniejszych teorii matematycznych jest arytmetyka
Bardziej szczegółowoWykład Analiza jakościowa równań różniczkowych
Na podstawie książki J. Rusinka, Równania różniczkowe i różnicowe w zarządzaniu, Oficna Wdawnicza WSM, Warszawa 2005. 21 maja 2012 Definicja Stabilność Niech = F (x, ) będzie równaniem różniczkowm. Rozwiązanie
Bardziej szczegółowoPOLITYKA DYWIDENDY. Podstawowy dylemat: ile zysku przeznaczyć na dywidendy, a ile zatrzymać w firmie i przeznaczyć na potrzeby jej dalszego rozwoju?
POLITYKA DYWIDENDY Treść wyładu politya dywidendy jao element trategii formy wypłaty dywidendy teorie polityi politya dywidendowa polich półe Polityę dywidendą oreśla ię jao decyzje roztrzygające o tym,
Bardziej szczegółowoTesty statystyczne teoria
Tety tatytyczne teoria przygotowanie: dr A Goroncy, dr J Karłowka-Pik Niech X,, X n będzie próbą loową protą z rozkładu P θ, θ Θ oraz niech α (0, ) będzie poziomem itotności (najczęściej 0,, 0,05, czy
Bardziej szczegółowo1 Podstawowe oznaczenia
Poniżej mogą Państwo znaleźć skondensowane wiadomości z wykładu. Należy je traktować jako przegląd pojęć, które pojawiły się na wykładzie. Materiały te nie są w pełni tożsame z tym co pojawia się na wykładzie.
Bardziej szczegółowoLogika i teoria mnogości Ćwiczenia
Logika i teoria mnogości Ćwiczenia Spis treści 1 Zdania logiczne i tautologie 1 2 Algebra zbiorów 3 3 Różnica symetryczna 4 4 Iloczyn kartezjański. Kwantyfikatory. 5 5 Kwantyfikatory. 6 6 Relacje 7 7 Relacje
Bardziej szczegółowoJeśli X jest przestrzenią o nieskończonej liczbie elementów:
Logika rozmyta 2 Zbiór rozmyty może być formalnie zapisany na dwa sposoby w zależności od tego z jakim typem przestrzeni elementów mamy do czynienia: Jeśli X jest przestrzenią o skończonej liczbie elementów
Bardziej szczegółowoRÓWNANIA RÓŻNICZKOWE WYKŁAD 3
RÓWNANIA RÓŻNICZKOWE WYKŁAD 3 Równania różniczkowe liniowe Metoda przewidwań Metoda przewidwań całkowania równania niejednorodnego ' p( x) opiera się na następującm twierdzeniu. Twierdzenie f ( x) Suma
Bardziej szczegółowoAlgorytmy ewolucyjne (2)
Algorytmy ewolucyjne (2) zajecia.jakubw.pl/nai/ ALGORYTM GEETYCZY Cel: znaleźć makimum unkcji. Założenie: unkcja ta jet dodatnia. 1. Tworzymy oobników loowych. 2. Stoujemy operacje mutacji i krzyżowania
Bardziej szczegółowoKrzywe Freya i Wielkie Twierdzenie Fermata
Krzywe Freya i Wielkie Twierdzenie Fermata Michał Krzemiński 29 listopad 2006 Naukowe Koło Matematyki Politechnika Gdańska 1 1 Krzywe algebraiczne Definicja 1.1 Krzywą algebraiczną C nad ciałem K nazywamy
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Logika Rozmyta (Fuzzy Logic) Mimo
Bardziej szczegółowo12. FUNKCJE WIELU ZMIENNYCH. z = x + y jest R 2, natomiast jej
1. FUNKCJE WIELU ZMIENNYCH 1.1. FUNKCJE DWÓCH ZMIENNYCH Funkcją dwóch zmiennch określoną w zbiorze D R nazwam przporządkowanie każdej parze liczb () D dokładnie jednej liczb rzeczwistej z. Piszem prz tm
Bardziej szczegółowoσ-ciało zdarzeń Niech Ω będzie niepustym zbiorem zdarzeń elementarnych, a zbiór F rodziną podzbiorów zbioru Ω spełniającą warunki: jeśli A F, to A F;
Zdarzenie losowe i zdarzenie elementarne Zdarzenie (zdarzenie losowe) - wyni pewnej obserwacji lub doświadczenia; może być ilościowy lub jaościowy. Zdarzenie elementarne - najprostszy wyni doświadczenia
Bardziej szczegółowo4 Klasyczny rachunek zdań
4 Klasyczny rachunek zdań Elementy Logiki i Teorii Mnogości 2015/2016 Spis najważniejszych tautologii: (a) p p prawo wyłączonego środka (b) ( p) p prawo podwójnej negacji (c) p q q p (d) p q q p prawo
Bardziej szczegółowoSID Wykład 7 Zbiory rozmyte
SID Wykład 7 Zbiory rozmyte Wydział Matematyki, Informatyki i Mechaniki UW slezak@mimuw.edu.pl Wstęp Language Ontological Commitment Epistemological Commitment (What exists in the world) (What an agent
Bardziej szczegółowoPolitechnika Poznańska, Katedra Sterowania i Inżynierii Systemów Wykład 12, str. 1 C 1 C 2 C 3 1. * x 2. x 2. or max then (min)
Politechnika Poznańska, Katedra Sterowania i Inżnierii Sstemów Wkład, str. Implikacja rozmta A B A, B µ A (x, µ B ( x A, B µ A B (x, µ A B (x, = min(µ A (x, µ B ( lub µ A B (x, = µ A (x µ B ( 38. Wnioskowanie
Bardziej szczegółowoLogika binarna. Prawo łączności mówimy, że operator binarny * na zbiorze S jest łączny gdy (x * y) * z = x * (y * z) dla każdego x, y, z S.
Logika binarna Logika binarna zajmuje się zmiennymi mogącymi przyjmować dwie wartości dyskretne oraz operacjami mającymi znaczenie logiczne. Dwie wartości jakie mogą te zmienne przyjmować noszą przy tym
Bardziej szczegółowoBloki funkcjonalne. stanowią wyposażenie bibliotek komputerowych systemów projektowania. Każdy układ cyfrowy składamy z bloków funkcjonalnych ZPT
Bloki funkcjonalne stanowią wposażenie bibliotek komputerowch sstemów projektowania Licznik Mux Rejestr Każd układ cfrow składam z bloków funkcjonalnch Edtor graficzn IN CLK CK IN LB[7..] STOP] OUT CLOK
Bardziej szczegółowoTeoria zbiorów w rozmytych
8 Teori ziorów w rozmtch Teori ziorów w rozmtch ng. fuzz set tpu 8 Oprcown przez L.. Zdeh w 965 Powstł w celu reprezentcji niepreczj ci jęz j nturlnego ng. vgueness i jego pojęć Nie m związu zu z Ŝdnmi
Bardziej szczegółowoNiezwykła hiperbola, twierdzenia o wartości średniej i równania funkcyjne
Niezwkła hiperbola, twierdzenia o wartości średniej i równania funkcjne Tomasz TKOCZ, Warszawa Streszczenie Celem artkułu jest zaprezentowanie jak twierdzenia o wartości średniej mogą prowadzić do równań
Bardziej szczegółowoProjekt Era inżyniera pewna lokata na przyszłość jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego
Materiał ddaktczne na zajęcia wrównawcze z matematki dla studentów pierwszego roku kierunku zamawianego Inżnieria Środowiska w ramach projektu Era inżniera pewna lokata na przszłość Projekt Era inżniera
Bardziej szczegółowo= oraz = ; Przykładowe zadania EGZAMINACYJNE z przedmiotu PODSTAWY AUTOMATYKI. Transmitancja operatorowa
Przkładowe zadania EGZAMINACYJNE z przedmiotu PODSTAWY AUTOMATYKI Tranmitancja operatorowa. Dla przedtawionego układu a) Podać równanie różniczkujące opiujące układ Y ( b) Wznacz tranmitancję operatorową
Bardziej szczegółowoMetody wnioskowania. Wnioskowanie w przód (ang. forward chaining) Wnioskowanie w tył (ang. Backward chaining) Od przesłanki do konkluzji Np..
Systemy regułowe Metody wnioskowania Wnioskowanie w przód (ang. forward chaining) Od przesłanki do konkluzji Np.. CLIPS Wnioskowanie w tył (ang. Backward chaining) Czyli od konkluzji do przesłanki Np..
Bardziej szczegółowoTransformacja Hilberta (1905)
Tranormacja Hilbera 95 Zjęcie hp://en.wikipeia.org/wiki/davi_hilber Tranormacja Hilbera je liniowm przekzałceniem całkowm w ej amej ziezinie, zn. zarówno la gnału jak i jego ranorma, argumen je najczęściej
Bardziej szczegółowoi = n = n 1 + n 2 1 i 2 n 1. n(n + 1)(2n + 1) n (n + 1) =
Druga zasada inducji matematycznej Niech m będzie liczbą całowitą, niech p(n) będzie ciągiem zdań zdefiniowanych na zbiorze {n Z: n m} oraz niech l będzie nieujemną liczbą całowitą. Jeśli (P) wszystie
Bardziej szczegółowoAutomatyzacja Ćwicz. 2 Teoria mnogości i algebra logiki Akademia Morska w Szczecinie - Wydział Inżynieryjno-Ekonomiczny Transportu
Automatyzacja Ćwicz. 2 Teoria mnogości i algebra logiki Historia teorii mnogości Teoria mnogości to inaczej nauka o zbiorach i ich własnościach; Zapoczątkowana przez greckich matematyków i filozofów w
Bardziej szczegółowo1 Macierz odwrotna metoda operacji elementarnych
W tej części skupimy się na macierzach kwadratowych. Zakładać będziemy, że A M(n, n) dla pewnego n N. Definicja 1. Niech A M(n, n). Wtedy macierzą odwrotną macierzy A (ozn. A 1 ) nazywamy taką macierz
Bardziej szczegółowoLogika Stosowana. Wykład 2 - Logika modalna Część 2. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017
Logika Stosowana Wykład 2 - Logika modalna Część 2 Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana 2017 1 / 27 Plan wykładu
Bardziej szczegółowoPodstawy logiki i teorii zbiorów Ćwiczenia
Podstawy logiki i teorii zbiorów Ćwiczenia Spis treści 1 Zdania logiczne i tautologie 1 2 Zdania logiczne i tautologie c.d. 2 3 Algebra zbiorów 3 4 Różnica symetryczna 4 5 Kwantyfikatory. 5 6 Relacje 7
Bardziej szczegółowoArytmetyka liczb binarnych
Wartość dwójkowej liczby stałoprzecinkowej Wartość dziesiętna stałoprzecinkowej liczby binarnej Arytmetyka liczb binarnych b n-1...b 1 b 0,b -1 b -2...b -m = b n-1 2 n-1 +... + b 1 2 1 + b 0 2 0 + b -1
Bardziej szczegółowo3.2. Podstawowe własności funkcji. Funkcje cyklometryczne, hiperboliczne. Definicję funkcji f o dziedzinie X i przeciwdziedzinie Y mamy w 3A5.
WYKŁAD 7 3 Podstawowe własności unkcji Funkcje cklometrczne, hiperboliczne Deinicję unkcji o dziedzinie X i przeciwdziedzinie Y mam w 3A5 3A37 (Uwaga: dziedzina naturalna) Często się zdarza, że unkcja
Bardziej szczegółowoRachunek zdań. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Rachunek zdań Materiały pomocnicze do wykładu wykładowca: dr Magdalena Kacprzak RACHUNEK ZDAŃ Zdania Definicja Zdanie jest to stwierdzenie w języku naturalnym, któremu można przypisać wartość prawdy lub
Bardziej szczegółowoZadania do rozdziału 10.
Zadania do rozdziału 0. Zad.0.. Jaką wsokość musi mieć pionowe zwierciadło ab osoba o wzroście.80 m mogła się w nim zobaczć cała. Załóżm, że ocz znajdują się 0 cm poniżej czubka głow. Ab prawidłowo rozwiązać
Bardziej szczegółowoBazy danych. Plan wykładu. Zależności funkcyjne. Wykład 2: Relacyjny model danych - zależności funkcyjne. Podstawy SQL.
Plan wykładu Bazy danych Wykład 2: Relacyjny model danych - zależności funkcyjne. Podstawy SQL. Deficja zależności funkcyjnych Klucze relacji Reguły dotyczące zależności funkcyjnych Domknięcie zbioru atrybutów
Bardziej szczegółowoLogika formalna wprowadzenie. Ponieważ punkty 10.i 12. nie były omawiane na zajęciach, dlatego można je przeczytać fakultatywnie.
Logika formalna wprowadzenie Ponieważ punkty 10.i 12. nie były omawiane na zajęciach, dlatego można je przeczytać fakultatywnie. 1. Zdanie logicznie prawdziwe (Prawda logiczna) Zdanie, którego analityczność
Bardziej szczegółowoSZEREGOWY SYSTEM HYDRAULICZNY
LABORATORIUM MECHANIKI PŁYNÓW Ćwiczenie N 1 SZEREGOWY SYSTEM HYDRAULICZNY 1. Cel ćwiczenia Sporządzenie wykreu Ancony na podtawie obliczeń i porównanie zmierzonych wyokości ciśnień piezometrycznych z obliczonymi..
Bardziej szczegółowo5. Relacja prawostronnie jednoznaczna (jednoznaczna, inaczej: jest funkcją), jeżeli
ELJE EF. elacją w produkcie podzbiór n. n (relacją n-argumentową) zwam dowoln EF. elację zbioru. EF. elację zwam relacją międz elementami zbioru a elementami 2 zwam relacją w () zbiorze. EF. la dowolnej
Bardziej szczegółowoOWO-MODELOWE SKORUPOWE SYSTEMY EKSPERTOWE
REGUŁOWO OWO-MODELOWE SKORUPOWE SYSTEMY EKSPERTOWE Część 3: Systemy elementarne i rozwinięte z ocenami Antoni Niederliński Uniwersytet Ekonomiczny w Katowicach antoni.niederlinski@ue.katowice. pl Koniec
Bardziej szczegółowoKONKURS PRZEDMIOTOWY Z FIZYKI dla uczniów gimnazjów. Schemat punktowania zadań
1 KONKURS PRZEDMIOTOWY Z FIZYKI dla uczniów gimnazjów 10 marca 2017 r. zawody III topnia (finałowe) Schemat punktowania zadań Makymalna liczba punktów 60. 90% 5pkt. Uwaga! 1. Za poprawne rozwiązanie zadania
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 szczegółowoPodstawy logiki i teorii zbiorów Ćwiczenia
Podstawy logiki i teorii zbiorów Ćwiczenia Spis treści 1 Zdania logiczne i tautologie 1 2 Zdania logiczne i tautologie c.d. 2 3 Algebra zbiorów 3 4 Różnica symetryczna 4 5 Iloczyn kartezjański 5 6 Kwantyfikatory.
Bardziej szczegółowoJest to zasadniczo powtórka ze szkoły średniej, być może z niektórymi rzeczami nowymi.
Logika Jest to zasadniczo powtórka ze szkoły średniej, być może z niektórymi rzeczami nowymi. Często słowu "logika" nadaje się szersze znaczenie niż temu o czym będzie poniżej: np. mówi się "logiczne myślenie"
Bardziej szczegółowof x f y f, jest 4, mianowicie f = f xx f xy f yx
Zestaw 14 Pochodne wŝszch rzędów Niech będzie dana funkcja x f określona w pewnm obszarze D Przpuśćm Ŝe f x istnieją pochodne cząstkowe tej funkcji x x Pochodne cząstkowe tch pochodnch jeŝeli istnieją
Bardziej szczegółowoSztuczna inteligencja : Zbiory rozmyte cz. 2
Sztuczna inteligencja : Zbiory rozmyte cz. 2 Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego 1 marca 2012 Funkcja trójkątna: Funkcja trójkątna: Funkcja przynależności γ (gamma): Rysunek:
Bardziej szczegółowoModele rozmyte 1. Model Mamdaniego
Modele rozmte Cel torzena noch model: dążene do uzskana coraz ększej dokładnośc, maroośc lub uproszczena struktur. Model Mamdanego Np.: -^ + R: JEŻELI jest to jest B R: JEŻELI jest to jest B R: JEŻELI
Bardziej szczegółowo1 Funktory i kwantyfikatory
Logika, relacje v07 egzamin mgr inf niestacj 1 1 Funktory i kwantyfikatory x X x X Φ(x) dla każdego x X (= dla wszystkich x) zachodzi formuła Φ(x) Φ(x) istnieje x X takie, że (= dla pewnego x) zachodzi
Bardziej szczegółowoSchematy Piramid Logicznych
Schematy Piramid Logicznych geometryczna interpretacja niektórych formuł Paweł Jasionowski Politechnika Śląska w Gliwicach Wydział Matematyczno-Fizyczny Streszczenie Referat zajmuje się następującym zagadnieniem:
Bardziej szczegółowoPodstawowe struktury algebraiczne
Rozdział 1 Podstawowe struktury algebraiczne 1.1. Działania wewnętrzne Niech X będzie zbiorem niepustym. Dowolną funkcję h : X X X nazywamy działaniem wewnętrznym w zbiorze X. Działanie wewnętrzne, jak
Bardziej szczegółowoREGUŁOWO-MODELOWE SKORUPOWE SYSTEMY EKSPERTOWE
REGUŁOWO-MODELOWE SKORUPOWE SYSTEMY EKSPERTOWE Część 3: Systemy elementarne i rozwinięte z ocenami Antoni Niederliński Uniwersytet Ekonomiczny w Katowicach antoni.niederlinski@ue.katowice. pl Koniec pewnego
Bardziej szczegółowoLogika rozmyta typu 2
Logika rozmyta typu 2 Zbiory rozmyte Funkcja przynależności Interwałowe zbiory rozmyte Funkcje przynależności przedziałów Zastosowanie.9.5 Francuz Polak Niemiec Arytmetyka przedziałów Operacje zbiorowe
Bardziej szczegółowoIndukcja matematyczna
Indukcja matematyczna 1 Zasada indukcji Rozpatrzmy najpierw następujący przykład. Przykład 1 Oblicz sumę 1 + + 5 +... + (n 1). Dyskusja. Widzimy że dla n = 1 ostatnim składnikiem powyższej sumy jest n
Bardziej szczegółowo