AUTOMATYCZNE GENEROWANIE ESTETYCZNYCH WZORÓW ZA POMOCĄ TRANSFORMACJI GUMOWSKIEGO-MIRY KRZYSZTOF GDAWIEC, WIESŁAW KOTARSKI, AGNIESZKA LISOWSKA
|
|
- Eleonora Czerwińska
- 7 lat temu
- Przeglądów:
Transkrypt
1 AUOMAYCZNE GENEROWANIE ESEYCZNYCH WZORÓW ZA POMOCĄ RANSFORMACJI GUMOWSKIEGO-MIRY KRZYSZOF GDAWIEC, WIESŁAW KOARSKI, AGNIESZKA LISOWSKA Uiwersytet Śląski, Istytut Iformatyki, 41 Sosowiec, ul. Będzińska 39 {kgdawiec, kotarski, Streszczeie Celem iiejszej pracy jest przedstawieie sposobu użycia jedego z dyskretych układów dyamiczych, tj. trasformacji Gumowskiego-Miry, do automatyczego geerowaia estetyczych wzorów. Zaprezetowae zostaą rówież trzy algorytmy kolorowaia otrzymaych wzorów. Przedstawioe przykłady pokazują ogrome możliwości tworzeia iepowtarzalych wzorów za pomocą zaprezetowaych algorytmów. Wygeerowae za pomocą zapropoowaego algorytmu wzory mogą zostać użyte jako wzory a tkaiy, ceramikę czy też jako podstawa do wykoaia różego rodzaju ozdób czy biżuterii. 1. Wstęp Estetyka odgrywa dużą rolę w wielu dziedziach, p. architekturze, modzie oraz projektowaiu biżuterii. Najczęściej, większość pracy przy projektowaiu wzorów jest wykoywaa przez człowieka. W przypadku, gdy wzory muszą być bardzo skomplikowae i iepowtarzale, ilość pracy przy ich tworzeiu jest bardzo duża i wymaga poświęceia zaczego czasu. W celu uproszczeia i przyspieszeia procesu projektowaia estetyczych wzorów możemy skorzystać z możliwości jakie dają am komputery oraz matematyka. W ostatich -stu latach badaia ad geometrią fraktalą skupiły dużą uwagę aukowców ze względu a duże zaczeie teoretycze oraz praktycze. Jedym z takich zastosowań praktyczych jest użycie wzorów fraktalych do automatyczego geerowaia estetyczych wzorów, p. a tkaiach [6] czy też w projektowaiu biżuterii [8]. Fraktale dają am możliwość tworzeia bardzo skomplikowaych wzorów, których ie bylibyśmy w staie stworzyć ręczie. W pracy przedstawimy sposób użycia trasformacji Gumowskiego-Miry [3] do automatyczego geerowaia estetyczych wzorów. W odróżieiu od algorytmów użytych w pracach [4],[6], gdzie rozpatrywao pojedyczą trasformację, użyjemy zbioru trasformacji oraz procesu losowego. W te sposób będziemy mogli wygeerować całkowicie owe wzory, których ie jesteśmy w staie otrzymać używając tylko jedej trasformacji. W sekcji przedstawimy podstawowe pojęcia używae w dalszej części pracy oraz zdefiiujemy trasformację Gumowskiego-Miry. Poadto przedstawimy przykładowe kształty jakie moża uzyskać stosując trasformację Gumowskiego-Miry. W sekcji 3 zaprezetujemy algorytm geerowaia wzorów. Sekcja 4 poświęcoa została przedstawieiu trzech algorytmów kolorowaia wzorów otrzymaych z algorytmu z sekcji 3. W sekcji 5 przedstawimy przykładowe kształty uzyskae za pomocą zapropoowaych algorytmów, zaś w sekcji 6 podamy wioski końcowe oraz kieruki dalszych badań.
2 Systemy wspomagaia decyzji. rasformacja Gumowskiego-Miry Zaczijmy od wprowadzeia defiicji układu dyamiczego [1]. Defiicja 1. Układem dyamiczym azywamy przekształceie metryczej ( X, d). Orbitą puktu X azywamy ciąg { } =, gdzie f : X X a przestrzei o = f f ( ) f ( ) 1443 o Ko =. (1) razy Geerując elemety orbity daego układu dyamiczego zgodie z (1) przy każdym elemecie dokoujemy obliczeń, których dokoywaliśmy przy poprzedich elemetach. akie powtarzaie obliczeń przekłada się a szybkość działaia algorytmu geerującego elemety orbity. W celu zmiejszeia ilości obliczeń zapiszmy elemet dla > w postaci: = f o ( ) = f ( f o( 1) ( )) = f ( 1 ). () Wzór () azyway jest iteracją Picarda [] i został zastosoway w dalszej części pracy do geerowaia orbit trasformacji Gumowskiego-Miry. rasformacja Gumowskiego-Miry została wprowadzoa w 198 r. w CERN-ie i służyła do opisu trajektorii ruchu przyspieszoych cząstek [3]. Jest oa zdefiiowaa astępująco: Defiicja. rasformacja Gumowskiego-Miry jest to dyskrety układ dyamiczy określoy a przestrzei R day wzorami: y = y = α( 1. 5 y + g( ), 1 ) y 1 + g( 1 ), (3) gdzie odwzorowaie g : R R dae jest wzorem: ( 1 µ ) g( ) = µ + (4) 1+ oraz α, µ R. Przy ustaloym pukcie początkowym, y ] R dla różych wartości parametrów α, µ otrzymujemy róże orbity. Podobie, jeśli ustalimy wartości parametrów α, µ i będziemy zmieiać pukt początkowy y ] [,, to rówież otrzymamy róże kształty orbit. Rys. 1 przedstawia przykłady orbit uzyskaych dla różych wartości parametrów α, µ i ustaloego, y ], zaś Rys. przedstawia przykłady odwrotej sytuacji (róże wartości, y ] i ustaloe α, µ ). Widzimy, że w pierwszym przypadku otrzymujemy o wiele ciekawsze kształty orbit oraz kształty te są bardziej zróżicowae, dlatego też algorytm geerowaia estetyczych wzorów będzie opierać się a tym przypadku.
3 K. GDAWIEC, W.KOARSKI, A. LISOWSKA, Automatycze geerowaie Rys. 1. Przykłady orbit trasformacji Gumowskiego-Miry dla ustaloego puktu, y ] = [,. 5] i różych wartości parametrów α, µ. Góra (od lewej): α 1 =. 1, µ 1 =. 1, α =, µ =. 759, α 3 =, µ 3 =. 31. Dół (od lewej): α 4 =, µ 4 =. 15, α 5 =, µ 5 =. 34, α 6 =, µ 6 =. 4. Rys.. Przykłady orbit trasformacji Gumowskiego-Miry dla ustaloych wartości parametrów α =, µ =. 71 (góra), α =, µ =. 74 (dół) i różych puktów początkowych, y ]. Góra (od lewej): [ 1, 1], [ 5, ], [ 1, 4]. Dół (od lewej): [ 1, 1], [ 1, 4], [1,9]. 3. Algorytm geerowaia wzorów W propoowaym algorytmie używamy k trasformacji Gumowskiego-Miry. Każdej z tych k trasformacji przypisujemy prawdopodobieństwo wylosowaia w procesie losowym. Wszystkie prawdopodobieństwa muszą sumować się do 1. Oprócz trasformacji i prawdopodobieństw dae są
4 Systemy wspomagaia decyzji pukt startowy oraz liczba puktów, z których ma się składać wygeeroway wzór. Sam algorytm wygląda astępująco: Dae: pukt startowy, y ], N - liczba iteracji, f, K 1, f - k trasformacje Gumowskiego-Miry, f i : R R, dla i = 1K,, k p, K 1, p - k prawdopodobieństwa, Wyik: ciąg puktów k p i = 1 oraz p i > dla i = 1K,, k. i= 1, y ], K,[, y ] tworzących wzór. 1. Dla i = 1K,, a. Wylosuj liczbę j { 1, K, k} zgodie z rozkładem prawdopodobieństwa p, K, p }, b., y ] = f (, y ] ). [ i i j i 1 i 1 { 1 k 4. Algorytmy kolorowaia Algorytm z sekcji 3 geeruje jedyie geometrię wzoru. Z puktu widzeia estetyki ie tylko geometria, ale rówież i kolor gra dużą rolę. Jeśli użyjemy złej palety kolorów lub też rozkład kolorów a wzorze będzie ieodpowiedi, to pomimo, iż kształt będzie bardzo ciekawy, może wydać się ieestetyczy. Dlatego też wprowadziliśmy rówież trzy algorytmy kolorowaia za pomocą, których adawae są kolory poszczególym puktom, używając daej mapy kolorów (tablica z kolorami). W pierwszym z algorytmów kolorowaia do określaia koloru puktu używamy odległości tego puktu od środka ajmiejszego prostokąta otaczającego dae pukty. Algorytm wygląda astępująco: Dae:, y ], K,, y ], mapa kolorów rgb [.. K 1] R kolorów, d : R R [, + ) - metryka. Wyik: kolory c, K,c., K - liczba 1. Wyzacz miimaly prostokąt ograiczający dae pukty. Niech c, y c ] ozacza jego środek, a D ozacza połowę długości przekątej tego prostokąta.. Dla i =, K, d([ c, yc ],i, yi ] ) a. j = ( K 1), D b. c i = rgb[ j]. W drugim algorytmie do określeia koloru puktu zamiast odległości używamy umeru iteracji (umeru puktu), a algorytm wygląda astępująco: Dae:, y ], K,, y ] R, mapa kolorów rgb [.. K 1], K - liczba kolorów. Wyik: kolory c, K,c.
5 K. GDAWIEC, W.KOARSKI, A. LISOWSKA, Automatycze geerowaie 1. Dla i =, K, i a. j = ( K 1), b. c i = rgb[ j]. Ostati, trzeci algorytm to tzw. algorytm mieszay, w którym kolor puktu określa się korzystając z dwóch poprzedich algorytmów, tj. wyzaczay jest jako średia arytmetycza tych kolorów. Algorytm mieszay ma astępującą postać: Dae:, y ], K,, y ], mapa kolorów rgb [.. K 1] R kolorów, d : R R [, + ) - metryka. Wyik: kolory c, K,c., K - liczba 3. Wyzacz miimaly prostokąt ograiczający dae pukty. Niech c, y c ] ozacza jego środek, a D ozacza połowę długości przekątej tego prostokąta. 4. Dla i =, K, 1 d([ c, yc ],i, yi ] ) i c. j = ( K 1)( + ), D d. c i = rgb[ j]. 5. Przykłady We wszystkich zaprezetowaych przykładach użyliśmy tylko jedej mapy kolorów składającej się z odciei szarości (Rys. 3). Jest to spowodowae tym, że druk jest czaro-biały i użycie iych map kolorów ie dałoby żadego zauważalego efektu. Z tego też powodu ie jesteśmy w staie zobaczyć pełi możliwości jakie dają am zapropoowae algorytmy kolorowaia. Rys. 3. Mapa kolorów użyta we wszystkich przykładach. Zaczijmy od przykładu (Rys. 4) prezetującego użycie algorytmów kolorowaia a wzorach z Rys. 1.
6 Systemy wspomagaia decyzji Rys. 4. Przykłady użycia algorytmów kolorowaia (od lewej): z użyciem odległości, z użyciem umeru iteracji, mieszae. Rys. 5 i 6 prezetują użycie algorytmu geerowaia wzorów z sekcji 3 pokolorowaych za pomocą algorytmów kolorowaia z sekcji 4. Do geerowaia użyto dwóch trasformacji Gumowskiego-Miry z różymi wartościami prawdopodobieństw, zaś do kolorowaia użyto poowie mapy kolorów składającej się z odciei szarości. Rys. 5. rasformacje Gumowskiego-Miry użyte do geerowaia wzorów (góra). Wygeerowae wzory (dół).
7 K. GDAWIEC, W.KOARSKI, A. LISOWSKA, Automatycze geerowaie Rys. 6. rasformacje Gumowskiego-Miry użyte do geerowaia wzorów (góra). Wygeerowae wzory (dół). Po wygeerowaiu puktów wzoru ie tylko możemy wyrysować te pukty ale możemy rówież je połączyć za pomocą liii. Połączyć możemy koleje pukty tworząc tym samym łamaą lub możemy łączyć pukty opuszczając iektóre z ich. Rys. 7 przedstawia przykłady wzorów powstałych przez połączeie liiami puktów wygeerowaych za pomocą algorytmu z sekcji 3. Rys. 7. rasformacje Gumowskiego-Miry użyte do geerowaia wzorów (góra). Wzory otrzymae z łączeia puktów liiami (dół).
8 Systemy wspomagaia decyzji 6. Wioski i dalsze badaia W pracy przedstawiliśmy sposób w jaki moża wykorzystać trasformację Gumowskiego- Miry do geerowaia estetyczych wzorów. W odróżieiu od metod z literatury [4],[6] zapropooway algorytm ie używa jedej trasformacji lecz ich zbioru oraz procesu losowego. Używając zapropoowaego sposobu geerowaia wzorów jesteśmy w staie otrzymać całkowicie owe, iepowtarzale wzory. Poadto, dodając do wygeerowaych wzorów kolor, za pomocą jedego z trzech zapropoowaych algorytmów, jesteśmy w staie polepszyć walory estetycze tych wzorów. Wszystkie otrzymae wzory moża użyć jako wzory a tkaiach, ceramice czy też jako podstawę do wykoaia biżuterii lub różych ozdób, p. choikowych. W dalszych badaiach będziemy chcieli się skupić a użyciu iych układów dyamiczych, których orbity tworzą ciekawe kształty. Przykłady takich układów dyamiczych moża zaleźć w [5]. Poadto zamiast iteracji Picarda będziemy chcieli użyć bardziej ogólych typów iteracji, p. Maa lub Ishikawa y, które używae są do aproksymacji puktów stałych []. Nie wszystkie otrzymae wzory możemy uzać za estetycze. Stąd też prowadzoe będą rówież badaia ad możliwością automatyczej ocey czy day wzór może zostać uzay za estetyczy czy ie. Próby stworzeia takiego systemu ocey możemy zaleźć w [7],[8]. Bibliografia [1] Barsley, M.: Fractals Everywhere. Academic Press, Bosto (1988). [] Beride, V.: Iterative Approimatio of Fied Poits. d Editio, Spriger-Verlag, Berli Heidelberg (7). [3] Gumowski, I., Mira, C.: Recurreces ad Discrete Dyamic Systems. Spriger-Verlag, New York (198). [4] Maallem, H.B., Richard, P., Ferrier, J.-L., Labib, A.: Usig Gumowski-Mira Maps for Artistic Creatio. w: Proceedigs 1th Geerative Art Coferece, pp (9). [5] Morozov, A.D., Draguov,.N., Boykova, S.A., Malysheva, O.V.: Ivariat Sets for Widows. World Scietific (1999). [6] Naud, M., Richard, P., Chapeau-Blodeau, F., Ferrier, J.L.: Automatic Geeratio of Aesthetic Images for Computer-assisted Virtual Fashio Desig. w: Proceedigs 1th Geerative Art Coferece, Mila, Italy (7). [7] Pag, W., Hui, K.C.: Iteractive Evolutioary 3D Fractal Modelig. Visual Computer, 6(1), pp (1). [8] Waarumo, S., Bohem, E.L.J.: A New Aesthetic Evolutioary Approach for Jewelry Desig. Computer-Aided Desig & Applicatios, 3(1-4), pp (6).
METODY GENEROWANIA ESTETYCZNYCH WZORÓW WIESŁAW KOTARSKI, KRZYSZTOF GDAWIEC, AGNIESZKA LISOWSKA
METODY GENEROWANIA ESTETYCZNYCH WZORÓW WIESŁAW KOTARSKI, KRZYSZTOF GDAWIEC, AGNIESZKA LISOWSKA Zakład Modelowaia i Grafiki Komputerowej, Istytut Iformatyki, Uiwersytet Śląski e-mail: {kotarski, kgdawiec,
Bardziej szczegółowoFraktale - ciąg g dalszy
Fraktale - ciąg g dalszy Koleja próba defiicji fraktala Jak Madelbrot zdefiiował fraktal? Co to jest wymiar fraktaly zbioru? Układy odwzorowań iterowaych (IFS Przykład kostrukcji pewego zbioru. Elemety
Bardziej szczegółowoMETODY NUMERYCZNE dr inż. Mirosław Dziewoński
Metody Numerycze METODY NUMERYCZNE dr iż. Mirosław Dziewoński e-mail: miroslaw.dziewoski@polsl.pl Pok. 151 Wykład /1 Metody Numerycze Aproksymacja fukcji jedej zmieej Wykład / Aproksymacja fukcji jedej
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej szczegółowox 1 2 3 t 1 (x) 2 3 1 o 1 : x 1 2 3 s 3 (x) 2 1 3. Tym samym S(3) = {id 3,o 1,o 2,s 1,s 2,s 3 }. W zbiorze S(n) definiujemy działanie wzorem
9.1. Izomorfizmy algebr.. Wykład Przykłady: 13) Działaia w grupach często wygodie jest zapisywać w tabelkach Cayleya. Na przykład tabelka działań w grupie Z 5, 5) wygląda astępująco: 5 1 3 1 1 3 1 3 3
Bardziej szczegółowoFraktale. Definicja ogólna. fraktala. w naturze. Samopodobieństwo. w naturze. Śnieżynka von Kocha
Defiicja ogóla fraktala Fraktale dr iż.. Piotr Steć Fraktalem azywamy obiekt, który wykazuje cechy dokładego lub statystyczego podobieństwa Fraktal jest obiektem, którego wymiar jest ułamkiem Słowo fraktal
Bardziej szczegółowoZnajdowanie pozostałych pierwiastków liczby zespolonej, gdy znany jest jeden pierwiastek
Zajdowaie pozostałych pierwiastków liczby zespoloej, gdy zay jest jede pierwiastek 1 Wprowadzeie Okazuje się, że gdy zamy jede z pierwiastków stopia z liczby zespoloej z, to pozostałe pierwiastki możemy
Bardziej szczegółowoUKŁADY RÓWNAŃ LINOWYCH
Ekoeergetyka Matematyka. Wykład 4. UKŁADY RÓWNAŃ LINOWYCH Defiicja (Układ rówań liiowych, rozwiązaie układu rówań) Układem m rówań liiowych z iewiadomymi,,,, gdzie m, azywamy układ rówań postaci: a a a
Bardziej szczegółowoGeometrycznie o liczbach
Geometryczie o liczbach Geometryczie o liczbach Łukasz Bożyk Dodatią liczbę całkowitą moża iterpretować jako pole pewej figury składającej się z kwadratów jedostkowych Te prosty pomysł pozwala w aturaly
Bardziej szczegółowoKolorowanie Dywanu Sierpińskiego. Andrzej Szablewski, Radosław Peszkowski
olorowaie Dywau ierpińskiego Adrzej zablewski, Radosław Peszkowski pis treści stęp... Problem kolorowaia... Róże rodzaje kwadratów... osekwecja atury fraktalej...6 zory rekurecyje... Przekształcaie rekurecji...
Bardziej szczegółowoDefinicja interpolacji
INTERPOLACJA Defiicja iterpolacji Defiicja iterpolacji 3 Daa jest fukcja y = f (x), x[x 0, x ]. Zamy tablice wartości tej fukcji, czyli: f ( x ) y 0 0 f ( x ) y 1 1 Defiicja iterpolacji Wyzaczamy fukcję
Bardziej szczegółowoEstymacja przedziałowa
Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoZasada indukcji matematycznej. Dowody indukcyjne.
Zasada idukcji matematyczej Dowody idukcyje Z zasadą idukcji matematyczej i dowodami idukcyjymi sytuacja jest ajczęściej taka, że podaje się w szkole treść zasady idukcji matematyczej, a astępie omawia,
Bardziej szczegółowoO pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii
O pewych zastosowaiach rachuku różiczkowego fukcji dwóch zmieych w ekoomii 1 Wielkość wytwarzaego dochodu arodowego D zależa jest od wielkości produkcyjego majątku trwałego M i akładów pracy żywej Z Fukcję
Bardziej szczegółowoWykład 11 ( ). Przedziały ufności dla średniej
Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;
Bardziej szczegółowoElementy nieliniowe w modelach obwodowych oznaczamy przy pomocy symboli graficznych i opisu parametru nieliniowego. C N
OBWODY SYGNAŁY 1 5. OBWODY NELNOWE 5.1. WOWADZENE Defiicja 1. Obwodem elektryczym ieliiowym azywamy taki obwód, w którym występuje co ajmiej jede elemet ieliiowy bądź więcej elemetów ieliiowych wzajemie
Bardziej szczegółowoD. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assignment Problem)
D. Miszczyńska, M.Miszczyński KBO UŁ, Badaia operacyje (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assigmet Problem) Bliskim "krewiakiem" ZT (w sesie podobieństwa modelu decyzyjego) jest zagadieie
Bardziej szczegółowoO trzech elementarnych nierównościach i ich zastosowaniach przy dowodzeniu innych nierówności
Edward Stachowski O trzech elemetarych ierówościach i ich zastosowaiach przy dowodzeiu iych ierówości Przy dowodzeiu ierówości stosujemy elemetare przejścia rówoważe, przeprowadzamy rozumowaie typu: jeżeli
Bardziej szczegółowoTrzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w
Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to
Bardziej szczegółowoWIELOMIANOGRAFIA WYŻSZYCH RZĘDÓW Z ITERACJAMI MANNA I ISHIKAWY KRZYSZTOF GDAWIEC, WIESŁAW KOTARSKI, AGNIESZKA LISOWSKA
WIELOMIANOGRAFIA WYŻSZYCH RZĘDÓW Z ITERACJAMI MANNA I ISHIKAWY KRZYSZTOF GDAWIEC, WIESŁAW KOTARSKI, AGNIESZKA LISOWSKA Uniwersytet Śląski, Instytut Informatyki, Zakład Modelowania i Grafiki Komputerowej,
Bardziej szczegółowoInstrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy transportowe cd, Problem komiwojażera
Istrukcja do ćwiczeń laboratoryjych z przedmiotu: Badaia operacyje Temat ćwiczeia: Problemy trasportowe cd Problem komiwojażera Zachodiopomorski Uiwersytet Techologiczy Wydział Iżyierii Mechaiczej i Mechatroiki
Bardziej szczegółowoMATURA 2014 z WSiP. Zasady oceniania zadań
MATURA 0 z WSiP Matematyka Poziom rozszerzoy Zasady oceiaia zadań Copyright by Wydawictwa Szkole i Pedagogicze sp z oo, Warszawa 0 Matematyka Poziom rozszerzoy Kartoteka testu Numer zadaia Sprawdzaa umiejętość
Bardziej szczegółowoc 2 + d2 c 2 + d i, 2
3. Wykład 3: Ciało liczb zespoloych. Twierdzeie 3.1. Niech C R. W zbiorze C określamy dodawaie: oraz możeie: a, b) + c, d) a + c, b + d) a, b) c, d) ac bd, ad + bc). Wówczas C, +, ) jest ciałem, w którym
Bardziej szczegółowoEGZAMIN MATURALNY Z INFORMATYKI MAJ 2012 POZIOM PODSTAWOWY CZĘŚĆ I WYBRANE: Czas pracy: 75 minut. Liczba punktów do uzyskania: 20 WPISUJE ZDAJĄCY
Cetrala Komisja Egzamiacyja Arkusz zawiera iformacje prawie chroioe do mometu rozpoczęcia egzamiu. Układ graficzy CKE 2010 KOD WPISUJE ZDAJĄCY PESEL Miejsce a aklejkę z kodem EGZAMIN MATURALNY Z INFORMATYKI
Bardziej szczegółowoFundamentalna tabelka atomu. eureka! to odkryli. p R = nh -
TEKST TRUDNY Postulat kwatowaia Bohra, czyli założoy ad hoc związek pomiędzy falą de Broglie a a geometryczymi własościami rozważaego problemu, pozwolił bez większych trudości teoretyczie przewidzieć rozmiary
Bardziej szczegółowoModele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017
STATYSTYKA OPISOWA Dr Alia Gleska Istytut Matematyki WE PP 18 listopada 2017 1 Metoda aalitycza Metoda aalitycza przyjmujemy założeie, że zmiay zjawiska w czasie moża przedstawić jako fukcję zmieej czasowej
Bardziej szczegółowoMATEMATYKA (poziom podstawowy) przykładowy arkusz maturalny wraz ze schematem oceniania dla klasy II Liceum
MATEMATYKA (poziom podstawowy) przykładowy arkusz maturaly wraz ze schematem oceiaia dla klasy II Liceum Propozycja zadań maturalych sprawdzających opaowaie wiadomości i umiejętości matematyczych z zakresu
Bardziej szczegółowoArkusz ćwiczeniowy z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE. W zadaniach od 1. do 21. wybierz i zaznacz poprawną odpowiedź. 1 C. 3 D.
Arkusz ćwiczeiowy z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE W zadaiach od. do. wybierz i zazacz poprawą odpowiedź. Zadaie. ( pkt) Liczbę moża przedstawić w postaci A. 8. C. 4 8 D. 4 Zadaie. ( pkt)
Bardziej szczegółowoTESTY LOSOWOŚCI. Badanie losowości próby - test serii.
TESTY LOSOWOŚCI Badaie losowości próby - test serii. W wielu zagadieiach wioskowaia statystyczego istotym założeiem jest losowość próby. Prostym testem do weryfikacji tej własości jest test serii. 1 Dla
Bardziej szczegółowoa n 7 a jest ciągiem arytmetycznym.
ZADANIA MATURALNE - CIĄGI LICZBOWE - POZIOM PODSTAWOWY Opracowała mgr Dauta Brzezińska Zad.1. ( pkt) Ciąg a określoy jest wzorem 5.Wyzacz liczbę ujemych wyrazów tego ciągu. Zad.. ( 6 pkt) a Day jest ciąg
Bardziej szczegółowoEgzaminy. na wyższe uczelnie 2003. zadania
zadaia Egzamiy wstępe a wyższe uczelie 003 I. Akademia Ekoomicza we Wrocławiu. Rozwiąż układ rówań Æ_ -9 y - 5 _ y = 5 _ -9 _. Dla jakiej wartości parametru a suma kwadratów rozwiązań rzeczywistych rówaia
Bardziej szczegółowo1.3. Największa liczba naturalna (bez znaku) zapisana w dwóch bajtach to a) b) 210 c) d) 32767
Egzami maturaly z iformatyki Zadaie. (0 pkt) Każdy z puktów tego zadaia zawiera stwierdzeie lub pytaie. Zazacz (otaczając odpowiedią literę kółkiem) właściwą kotyuację zdaia lub poprawą odpowiedź. W każdym
Bardziej szczegółowoRÓWNANIA RÓŻNICZKOWE WYKŁAD 11
RÓWNANIA RÓŻNICZKOWE WYKŁAD Szeregi potęgowe Defiicja Fukcja y = f () jest klasy C jeżeli jest -krotie różiczkowala i jej -ta pochoda jest fukcją ciągłą. Defiicja Fukcja y = f () jest klasy C, jeżeli jest
Bardziej szczegółowo3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy
Bardziej szczegółowo1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej szczegółowoAnaliza matematyczna. Robert Rałowski
Aaliza matematycza Robert Rałowski 6 paździerika 205 2 Spis treści 0. Liczby aturale.................................... 3 0.2 Liczby rzeczywiste.................................... 5 0.2. Nierówości...................................
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowoĆwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona
Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów
Bardziej szczegółowoMetrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,
Bardziej szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 1, zima 2016/17
Egzami, 18.02.2017, godz. 9:00-11:30 Zadaie 1. (22 pukty) W każdym z zadań 1.1-1.10 podaj w postaci uproszczoej kresy zbioru oraz apisz, czy kresy ależą do zbioru (apisz TAK albo NIE, ewetualie T albo
Bardziej szczegółowoZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA
ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością
Bardziej szczegółowoStruktura czasowa stóp procentowych (term structure of interest rates)
Struktura czasowa stóp procetowych (term structure of iterest rates) Wysokość rykowych stóp procetowych Na ryku istieje wiele różorodych stóp procetowych. Poziom rykowej stopy procetowej (lub omialej stopy,
Bardziej szczegółowoVII MIĘDZYNARODOWA OLIMPIADA FIZYCZNA (1974). Zad. teoretyczne T3.
KOOF Szczeci: www.of.szc.pl VII MIĘDZYNAODOWA OLIMPIADA FIZYCZNA (1974). Zad. teoretycze T3. Źródło: Komitet Główy Olimpiady Fizyczej; Olimpiada Fizycza XXIII XXIV, WSiP Warszawa 1977 Autor: Waldemar Gorzkowski
Bardziej szczegółowoOBWODY LINIOWE PRĄDU STAŁEGO
Politechika Gdańska Wydział Elektrotechiki i Automatyki 1. Wstęp st. stacjoare I st. iżyierskie, Eergetyka Laboratorium Podstaw Elektrotechiki i Elektroiki Ćwiczeie r 1 OBWODY LINIOWE PRĄDU STAŁEGO Obwód
Bardziej szczegółowoZADANIA Z TOPOLOGII I. PRZESTRZENIE METRYCZNE. II. ZBIORY OTWARTE I DOMKNIĘTE.
ZADANIA Z TOPOLOGII I. PRZESTRZENIE METRYCZNE. 1. Niech (X, ρ) będzie przestrzeią metryczą zaś a liczbą rzeczywistą dodatią. Wykaż, że fukcja σ: X X R określoa wzorem σ(x, y) = mi {ρ(x, y), a} jest metryką
Bardziej szczegółowoElementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)
Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod
Bardziej szczegółowoParametryzacja rozwiązań układu równań
Parametryzacja rozwiązań układu rówań Przykład: ozwiąż układy rówań: / 2 2 6 2 5 2 6 2 5 //( / / 2 2 9 2 2 4 4 2 ) / 4 2 2 5 2 4 2 2 Korzystając z postaci schodkowej (środkowa macierz) i stosując podstawiaie
Bardziej szczegółowo( 0) ( 1) U. Wyznaczenie błędów przesunięcia, wzmocnienia i nieliniowości przetwornika C/A ( ) ( )
Wyzaczeie błędów przesuięcia, wzmocieia i ieliiowości przetworika C/A Celem ćwiczeia jest wyzaczeie błędów przesuięcia, wzmocieia i ieliiowości przetworika C/A. Zając wartości teoretycze (omiale) i rzeczywiste
Bardziej szczegółowoSTATYSTKA I ANALIZA DANYCH LAB II
STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.
Bardziej szczegółowoMINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU
Przedmiot: Iformatyka w logistyce Forma: Laboratorium Temat: Zadaie 2. Automatyzacja obsługi usług logistyczych z wykorzystaiem zaawasowaych fukcji oprogramowaia Excel. Miimalizacja pustych przebiegów
Bardziej szczegółowoElementy modelowania matematycznego
Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,
Bardziej szczegółowoAlgorytmy ewolucyjne
Algorytmy ewolucyje Piotr Lipiński Iformacje ogóle Iformacje i materiały dotyczące wykładu będą publikowae a PIAZZA.com, m.i. prezetacje z wykładów UWAGA: prezetacja to ie książka, otatki czy skrypt to
Bardziej szczegółowoPrzykład Obliczenie wskaźnika plastyczności przy skręcaniu
Przykład 10.5. Obliczeie wskaźika plastyczości przy skręcaiu Obliczyć wskaźiki plastyczości przy skręcaiu dla astępujących przekrojów: a) -kąta foremego b) przekroju złożoego 6a 16a 9a c) przekroju ciekościeego
Bardziej szczegółowoDydaktyka matematyki III-IV etap edukacyjny (wykłady)
Dydaktyka matematyki III-IV etap edukacyjy (wykłady) Wykład r 12: Fukcja wykładicza cd. Ciągłość fukcji. Pochoda fukcji Semestr zimowy 2018/2019 Fukcja wykładicza (cd.) propozycja Podobie jak w przykładach
Bardziej szczegółowoPOLITECHNIKA ŚLĄSKA, WYDZIAŁ ELEKTRYCZNY, INSTYTUT ELEKTROTECHNIKI I INFORMATYKI. Wykresy w Excelu TOMASZ ADRIKOWSKI GLIWICE,
POLITECHNIKA ŚLĄSKA, WYDZIAŁ ELEKTRYCZNY, INSTYTUT ELEKTROTECHNIKI I INFORMATYKI Wykresy w Excelu TOMASZ ADRIKOWSKI GLIWICE, -- EXCEL Wykresy. Kolumę A, B wypełić serią daych: miesiąc, średia temperatura.
Bardziej szczegółowoOpracowanie danych pomiarowych. dla studentów realizujących program Pracowni Fizycznej
Opracowaie daych pomiarowych dla studetów realizujących program Pracowi Fizyczej Pomiar Działaie mające a celu wyzaczeie wielkości mierzoej.. Do pomiarów stosuje się przyrządy pomiarowe proste lub złożoe.
Bardziej szczegółowoJak obliczać podstawowe wskaźniki statystyczne?
Jak obliczać podstawowe wskaźiki statystycze? Przeprowadzoe egzamiy zewętrze dostarczają iformacji o tym, jak ucziowie w poszczególych latach opaowali umiejętości i wiadomości określoe w stadardach wymagań
Bardziej szczegółowoScenariusz lekcji: Kombinatoryka utrwalenie wiadomości
Sceariusz lekcji: Kombiatoryka utrwaleie wiadomości 1 1. Cele lekcji a) Wiadomości Uczeń: za pojęcia: permutacja, wariacja i kombiacja, zdarzeie losowe, prawdopodobieństwo, za iezbęde wzory. b) Umiejętości
Bardziej szczegółowoMetody Obliczeniowe w Nauce i Technice laboratorium
Marci Rociek Iformatyka, II rok Metody Obliczeiowe w Nauce i Techice laboratorium zestaw 1: iterpolacja Zadaie 1: Zaleźć wzór iterpolacyjy Lagrage a mając tablicę wartości: 3 5 6 y 1 3 5 6 Do rozwiązaia
Bardziej szczegółowoI. Podzielność liczb całkowitych
I Podzielość liczb całkowitych Liczba a = 57 przy dzieleiu przez pewą liczbę dodatią całkowitą b daje iloraz k = 3 i resztę r Zaleźć dzieik b oraz resztę r a = 57 = 3 b + r, 0 r b Stąd 5 r b 8, 3 więc
Bardziej szczegółowoMateriał ćwiczeniowy z matematyki Marzec 2012
Materiał ćwiczeiowy z matematyki Marzec 0 Klucz puktowaia do zadań zamkiętych oraz schemat oceiaia do zadań otwartych POZIOM PODSTAWOWY Marzec 0 Klucz puktowaia do zadań zamkiętych Nr zad 3 5 6 7 8 9 0
Bardziej szczegółowo201. a 1 a 2 a 3...a n a 2 1 +a 2 2 +a a 2 n n a 4 1 +a 4 2 +a a 4 n n. a1 + a 2 + a a n 204.
Liczby rzeczywiste dodatie a 1, a 2, a 3,...a spełiają waruek a 1 +a 2 +a 3 +...+a =. Wpisać w kratkę zak lub i udowodić podaą ierówość bez korzystaia z gotowych twierdzeń (moża korzystać z wcześiejszych
Bardziej szczegółowoWykład 11. a, b G a b = b a,
Wykład 11 Grupy Grupą azywamy strukturę algebraiczą złożoą z iepustego zbioru G i działaia biarego które spełia własości: (i) Działaie jest łącze czyli a b c G a (b c) = (a b) c. (ii) Działaie posiada
Bardziej szczegółowoZadania z algebry liniowej - sem. I Liczby zespolone
Zadaia z algebry liiowej - sem. I Liczby zespoloe Defiicja 1. Parę uporządkowaą liczb rzeczywistych x, y azywamy liczbą zespoloą i ozaczamy z = x, y. Zbiór wszystkich liczb zespoloych ozaczamy przez C
Bardziej szczegółowoMetoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień.
Metoda aalizy hierarchii Saaty ego Ważym problemem podejmowaia decyzji optymalizowaej jest często występująca hierarchiczość zagadień. Istieje wiele heurystyczych podejść do rozwiązaia tego problemu, jedak
Bardziej szczegółowoModa (Mo, D) wartość cechy występującej najczęściej (najliczniej).
Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy
Bardziej szczegółowoWymagania edukacyjne na poszczególne oceny z matematyki w klasie III poziom rozszerzony
Wymagaia edukacyje a poszczególe ocey z matematyki w klasie III poziom rozszerzoy Na oceę dopuszczającą, uczeń: zazacza kąt w układzie współrzędych, wskazuje jego ramię początkowe i końcowe wyzacza wartości
Bardziej szczegółowoEgzamin maturalny z matematyki CZERWIEC 2011
Egzami maturaly z matematyki CZERWIEC 0 Klucz puktowaia do zadań zamkiętych oraz schemat oceiaia do zadań otwartych POZIOM PODSTAWOWY Poziom podstawowy czerwiec 0 Klucz puktowaia do zadań zamkiętych Nr
Bardziej szczegółowoPierwiastki z liczby zespolonej. Autorzy: Agnieszka Kowalik
Pierwiastki z liczby zespoloej Autorzy: Agieszka Kowalik 09 Pierwiastki z liczby zespoloej Autor: Agieszka Kowalik DEFINICJA Defiicja : Pierwiastek z liczby zespoloej Niech będzie liczbą aturalą. Pierwiastkiem
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są
Bardziej szczegółowoWERSJA TESTU A. Komisja Egzaminacyjna dla Aktuariuszy. LX Egzamin dla Aktuariuszy z 28 maja 2012 r. Część I. Matematyka finansowa
Matematyka fiasowa 8.05.0 r. Komisja Egzamiacyja dla Aktuariuszy LX Egzami dla Aktuariuszy z 8 maja 0 r. Część I Matematyka fiasowa WERJA EU A Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut
Bardziej szczegółowoD:\materialy\Matematyka na GISIP I rok DOC\07 Pochodne\8A.DOC 2004-wrz-15, 17: Obliczanie granic funkcji w punkcie przy pomocy wzoru Taylora.
D:\maerialy\Maemayka a GISIP I rok DOC\7 Pochode\8ADOC -wrz-5, 7: 89 Obliczaie graic fukcji w pukcie przy pomocy wzoru Taylora Wróćmy do wierdzeia Taylora (wzory (-( Tw Szczególie waża dla dalszych R rozważań
Bardziej szczegółowoPodprzestrzenie macierzowe
Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji ( ) : m f x = Ax ( A) { Ax x } = Defiicja: Zakresem macierzy A Œ âm azywamy
Bardziej szczegółowoLABORATORIUM METROLOGII
AKADEMIA MORSKA W SZCZECINIE Cetrum Iżyierii Ruchu Morskiego LABORATORIUM METROLOGII Ćwiczeie 5 Aaliza statystycza wyików pomiarów pozycji GNSS Szczeci, 010 Zespół wykoawczy: Dr iż. Paweł Zalewski Mgr
Bardziej szczegółowoTeoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i =
Zastosowaie symboli Σ i Π do zapisu sum i iloczyów Teoria Niech a, a 2,..., a będą dowolymi liczbami. Sumę a + a 2 +... + a zapisuje się zazwyczaj w postaci (czytaj: suma od k do a k ). Zak Σ to duża grecka
Bardziej szczegółowoAnaliza numeryczna. Stanisław Lewanowicz. Aproksymacja funkcji
http://www.ii.ui.wroc.pl/ sle/teachig/a-apr.pdf Aaliza umerycza Staisław Lewaowicz Grudzień 007 r. Aproksymacja fukcji Pojęcia wstępe Defiicja. Przestrzeń liiową X (ad ciałem liczb rzeczywistych R) azywamy
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowoMODELE MATEMATYCZNE W UBEZPIECZENIACH. 1. Renty
MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 2: RENTY. PRZEPŁYWY PIENIĘŻNE. TRWANIE ŻYCIA 1. Rety Retą azywamy pewie ciąg płatości. Na razie będziemy je rozpatrywać bez żadego związku z czasem życiem człowieka.
Bardziej szczegółowoMACIERZE STOCHASTYCZNE
MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:
Bardziej szczegółowo16 Przedziały ufności
16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])
Bardziej szczegółowoEGZAMIN MATURALNY Z INFORMATYKI
Miejsce a aklejkę z kodem szkoły dysleksja MIN-R_P-072 EGZAMIN MATURALNY Z INFORMATYKI MAJ ROK 2007 POZIOM ROZSZERZONY CZĘŚĆ I Czas pracy 90 miut Istrukcja dla zdającego. Sprawdź, czy arkusz egzamiacyjy
Bardziej szczegółowo7 Liczby zespolone. 7.1 Działania na liczbach zespolonych. Liczby zespolone to liczby postaci. z = a + bi,
7 Liczby zespoloe Liczby zespoloe to liczby postaci z a + bi, gdzie a, b R. Liczbę i azywamy jedostką urojoą, spełia oa waruek i 2 1. Zbiór liczb zespoloych ozaczamy przez C: C {a + bi; a, b R}. Liczba
Bardziej szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoĆwiczenie 10/11. Holografia syntetyczna - płytki strefowe.
Ćwiczeie 10/11 Holografia sytetycza - płytki strefowe. Wprowadzeie teoretycze W klasyczej holografii optyczej, gdzie hologram powstaje w wyiku rejestracji pola iterferecyjego, rekostruuje się jedyie takie
Bardziej szczegółowoZadania domowe. Ćwiczenie 2. Rysowanie obiektów 2-D przy pomocy tworów pierwotnych biblioteki graficznej OpenGL
Zadania domowe Ćwiczenie 2 Rysowanie obiektów 2-D przy pomocy tworów pierwotnych biblioteki graficznej OpenGL Zadanie 2.1 Fraktal plazmowy (Plasma fractal) Kwadrat należy pokryć prostokątną siatką 2 n
Bardziej szczegółowoMetody badania zbieżności/rozbieżności ciągów liczbowych
Metody badaia zbieżości/rozbieżości ciągów liczbowych Ryszard Rębowski 14 grudia 2017 1 Wstęp Kluczowe pytaie odoszące się do zagadieia badaia zachowaia się ciągu liczbowego sprowadza się do sposobu opisu
Bardziej szczegółowoSYSTEM OCENY STANU NAWIERZCHNI SOSN ZASADY POMIARU I OCENY STANU RÓWNOŚCI PODŁUŻNEJ NAWIERZCHNI BITUMICZNYCH W SYSTEMIE OCENY STANU NAWIERZCHNI SOSN
ZAŁĄCZNIK B GENERALNA DYREKCJA DRÓG PUBLICZNYCH Biuro Studiów Sieci Drogowej SYSTEM OCENY STANU NAWIERZCHNI SOSN WYTYCZNE STOSOWANIA - ZAŁĄCZNIK B ZASADY POMIARU I OCENY STANU RÓWNOŚCI PODŁUŻNEJ NAWIERZCHNI
Bardziej szczegółowod wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem
d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)
Bardziej szczegółowoMetody numeryczne Laboratorium 5 Info
Metody umerycze Laboratorium 5 Ifo Aproksymacja - proces określaia rozwiązań przybliżoych a podstawie rozwiązań zaych, które są bliskie rozwiązaiom dokładym w ściśle sprecyzowaym sesie. Metoda ajmiejszych
Bardziej szczegółowoTechnikum Nr 2 im. gen. Mieczysława Smorawińskiego w Zespole Szkół Ekonomicznych w Kaliszu
Techikum Nr 2 im. ge. Mieczysława Smorawińskiego w Zespole Szkół Ekoomiczych w Kaliszu Wymagaia edukacyje iezbęde do uzyskaia poszczególych śródroczych i roczych oce klasyfikacyjych z obowiązkowych zajęć
Bardziej szczegółowoJoanna JASZUŃSKA, Warszawa. Centrum Studiów Zaawansowanych, Politechnika Warszawska
Artykuł związay jest z odczytem Nie)zależie od liczby wymiarów, wygłoszoym podczas L Szkoły Matematyki Poglądowej Nie)zależość w stycziu 2013 r w Nadarzyie Podziały Joaa JASZUŃSKA, Warszawa Cetrum Studiów
Bardziej szczegółowoSzeregi liczbowe. 15 stycznia 2012
Szeregi liczbowe 5 styczia 0 Szeregi o wyrazach dodatich. Waruek koieczy zbieżości szeregu Defiicja.Abyszereg a < byłzbieżyciąga musizbiegaćdo0. Jest to waruek koieczy ale ie dostateczy. Jak wiecie z wykładu(i
Bardziej szczegółowoma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y
Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:
Bardziej szczegółowoOperatory zwarte Lemat. Jeśli T jest odwzorowaniem całkowym na przestrzeni Hilberta X = L 2 (Ω) z jądrem k L 2 (M M)
Operatory zwarte Niech X będzie przestrzeią Baacha. Odwzorowaie liiowe T azywa się zwarte, jeśli obraz kuli jedostkowej T (B) jest zbiorem warukowo zwartym. Przestrzeń wszystkich operatorów zwartych a
Bardziej szczegółowo3. Regresja liniowa Założenia dotyczące modelu regresji liniowej
3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi
Bardziej szczegółowoPodprzestrzenie macierzowe
Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji : m f x = Ax RAAx x Defiicja: Zakresem macierzy A Œ âm azywamy podprzestrzeń
Bardziej szczegółowoKomisja Egzaminacyjna dla Aktuariuszy. XXXVI Egzamin dla Aktuariuszy z 10 października 2005 r. Część I. Matematyka finansowa
Komisja Egzamiacyja dla Aktuariuszy XXXVI Egzami dla Aktuariuszy z 0 paździerika 2005 r. Część I Matematyka fiasowa Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut . Niech dur() ozacza duratio
Bardziej szczegółowo