Liczby losowe w informatyce Filip Piękniewski
|
|
- Aneta Bednarska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Informatyka w edukacji 2006 Generowanie (pseudo) losowych ciągów liczb w teorii i praktyce Liczby losowe w informatyce Filip Piękniewski
2 Co to właściwie znaczy losowy? Jako losowy często rozumiemy efekt który jest nieprzewidywalny, jednak chaos deterministyczny jest nieprzewidywalny a jednak jest deterministyczny Losowość to w rzeczywistości pojęcie równie abstrakcyjne jak sigma-algebra czy topologia, nie da się go rozważać bez teorii miary Z abstrakcyjnego pojęcia losowości (równomiernej miary probabilistycznej na pewnym zbiorze) wnioskujemy własności jakie losowy obiekt powinien spełniać Intuicyjne rozumienie losowości nie jest precyzyjne Liczby losowe w informatyce Filip Piękniewski
3 Co to właściwie znaczy losowy? Gdy każemy człowiekowi wypisać cyfry losowo to powstały ciąg prawie na pewno nie przejdzie żadnego testu losowości! Ludzie na siłę unikają lokalnych regularności które w ciągach losowych występują: Który z ciągów wygląda bardziej losowo? Liczby losowe w informatyce Filip Piękniewski
4 Co to właściwie znaczy losowy? Ciąg elementów nazywamy 1-równomierny gdy średnio każdy element występuje równie często. Ciąg elementów nazywamy k-równomierny gdy średnio każdy podciąg długości k tego ciągu występuje równie często. Ciąg nazywamy -równomiernym gdy jest k-równomierny dla każdego k naturalnego. Czy ciąg losowy to to samo co ciąg -równomierny? Liczby losowe w informatyce Filip Piękniewski
5 Co to właściwie znaczy losowy? Intuicyjnie ciąg losowy musi być - równomierny ale... W każdym ciągu - równomiernym występuje fragment dowolnej długości powtarzający tę samą wartość. W ciągu równomiernym występuje na pewno fragment długości samych zer! Taki ciąg losowy nie nadawałby się do większości zastosowań! Liczby losowe w informatyce Filip Piękniewski
6 Co to właściwie znaczy losowy? Może zatem zaproponować taką definicję losowości: Definicja 1 Mówimy, że ciąg U n jest losowy gdy dla dowolnej własności W, takiej że W(V n ) zachodzi z prawdopodobieństwem 1 dla ciągu V n wartości niezależnych zmiennych losowych o rozkładzie jednostajnym, W(U n ) zachodzi. Liczby losowe w informatyce Filip Piękniewski
7 Co to właściwie znaczy losowy? Niech własność W oznacza, że żaden element ciągu nie jest równy x dla pewnej liczby rzeczywistej x. Własność ta jest spełniona z prawdopodobieństwem jeden. Niech Un będzie pewnym ciągiem liczb. Weźmy x=u 0 wtedy ciąg ten nie spełnia definicji 1. Co więcej żaden ciąg nie spełnia tej definicji! Potrzebna jest definicja słabsza... Liczby losowe w informatyce Filip Piękniewski
8 Co to właściwie znaczy losowy? Spróbujmy słabszą definicję: Definicja 2 Ciąg U n jest losowy jeśli każdy jego nieskończony podciąg jest - równomierny. Ta definicja jest znowu za mocna, każdy ciąg - równomierny ma podciąg monotoniczny... Liczby losowe w informatyce Filip Piękniewski
9 Co to właściwie znaczy losowy? Definicja 3 Ciąg U n jest losowy jeśli dla każdego efektywnego algorytmu określającego nieskończony ciąg różnych nieujemnych liczb całkowitych s n dla n>0 podciąg U s0, U s1, U s2,... odpowiadający temu algorytmowi jest - równomierny. Ta definicja jest spełniona dla prawie wszystkich liczb rzeczywistych, jednak żaden jawnie określony ciąg nie może jej spełniać, bo powstały podciąg albo nie będzie równomierny, albo istnieje efektywny algorytm wyznaczający s n, taki że U s0 <U s1 < U s2 <... Liczby losowe w informatyce Filip Piękniewski
10 Co to właściwie znaczy losowy? Regułą tworzenia podciągu R nazwiemy nieskończony ciąg funkcji f n (n-zmiennych) przyjmującą wartości w zbiorze {0,1}. N-ty element ciągu wchodzi w skład podciągu definiowanego przez regułę R jeśli f n (X 0, X 1,... X n-1 )=1. Regułę tworzenia podciągu R nazywamy obliczalną jeśli istnieje efektywny algorytm wyznaczania wartości f n (x 1, x 2,... x n ) dla danych na wejściu n oraz wartości x 1, x 2,... x n o dowolnej skończonej reprezentacji binarnej. Liczby losowe w informatyce Filip Piękniewski
11 Co to właściwie znaczy losowy? Definicja 4 Ciąg U n nazywamy losowym jeśli każdy jego nieskończony podciąg określony przez obliczalną regułę tworzenia podciągu (przy dowolnej skończonej reprezentacji) jest 1- równomierny. Definicja ta jest prawie dobra, jednak obliczalne reguły tworzenia podciągu zawsze określają rosnące ciągi indeksów, definicja 3 natomiast dopuszcza dowolne (nie powtarzające się) ciągi indeksów. Liczby losowe w informatyce Filip Piękniewski
12 Co to właściwie znaczy losowy? Definicja 5 Mówimy, że ciąg U n jest losowy gdy dla każdego efektywnego algorytmu, określającego nieskończony ciąg różnych nieujemnych liczb całkowitych s n jako funkcję wartości n oraz wartości U s0, U s2,..., U sn-1 podciąg U sn odpowiadający temu algorytmowi jest losowy w sensie definicji 4. Istnieją ciągi spełniające definicję 5 [A. Wald], jednocześnie z definicji ciąg taki przechodzi wszystkie popularne testy statystyczne losowości... Liczby losowe w informatyce Filip Piękniewski
13 Czy komputer wygeneruje coś losowego? Komputer jest automatem skończonym, ilość jego stanów odpowiada ilości możliwych konfiguracji pamięci oraz rejestrów procesora (jest zatem olbrzymia)... Każdy algorytm jest funkcją przekształcającą bieżący stan komputera w następny. Jest to zatem funkcja która przekształca zbiór skończony w siebie. Każda funkcja przekształcająca zbiór skończony w siebie po pewnej liczbie iteracji wpadnie w cykl. Komputer nie może wygenerować ciągu losowego! Liczby losowe w informatyce Filip Piękniewski
14 Liczby pseudolosowe Każdy kto rozważa arytmetyczne metody wytwarzania cyfr losowych jest oczywiście w stanie grzechu - John von Neumann (1951) Komputer nie może wytworzyć liczb losowych, ale może wytworzyć liczby które będą wyglądać jak losowe. Takie liczby nazywamy pseudolosowymi. Chcemy by takie liczby przechodziły gładko jak najwięcej testów statystycznych, a jednocześnie chcemy móc je generować szybko. Liczby losowe w informatyce Filip Piękniewski
15 Metoda kongruencji liniowej Ustalamy czwórkę magicznych liczb: m moduł (0 < m) a mnożnik (0 a < m) c krok (0 c < m) X 0 wartość początkowa (0 X 0 < m) Ciąg wartości pseudolosowych uzyskujemy przyjmując: X n+1 =(ax n + c) mod m Liczby losowe w informatyce Filip Piękniewski
16 Jak dobrać liczby? Moduł powinien być możliwie duży żeby zapewnić długi okres a jednocześnie pozwolić na szybkie obliczenia. Często wybiera się długość słowa maszyny (ewentualnie +/- 1); c powinno być względnie pierwsze z m; a-1 powinno być wielokrotnością każdej liczby pierwszej dzielącej m; a-1 powinno być wielokrotnością 4 jeśli m jest wielokrotnością 4. Liczby losowe w informatyce Filip Piękniewski
17 Generator multiplikatywny Gdy przyjmiemy c=0 proces generowania liczb losowych może być nieco szybszy. Ale czy nie psuje to możliwości generatora? Można udowodnić, że gdy c=0 można uzyskać przyzwoicie długi okres generatora, trzeba jednak nieco staranniej dobrać a oraz X 0 Liczby losowe w informatyce Filip Piękniewski
18 Generator multiplikatywny Najdłuższy możliwy okres generatora w przypadku c=0 osiągniemy gdy: - m jest potęgą liczby pierwszej p; - X 0 będzie względnie pierwsze z m; - a jest elementem pierwotnym modulo m, to znaczy jest to wartość o największym możliwym rzędzie modulo m, gdzie rzędem nazywamy najmniejszą liczbę λ taką, że: a 1 mod m Liczby losowe w informatyce Filip Piękniewski
19 Generator Fibonacciego X n 1 = X n X n 1 mod m Generator Fibonacciego jest elegancki i daje zazwyczaj okresy dłuższe niż m Niestety wygenerowane z niego liczby są zdecydowanie zbyt mało losowe Jest to zaskakująco dobry zły przykład generatora losowego Liczby losowe w informatyce Filip Piękniewski
20 Opóźnione generatory Fibonacciego X n 1 = X n l X n k mod m X 0,..., X - Dowolnie dobrane liczby całkowite nie wszystkie parzyste k 1 Dla odpowiednio dobranej pary (l,k) przy założeniu że m=2 e generator ten ma okresy 2 e 1 2 k 1 Nie ma dość informacji teoretycznych potwierdzających losowość liczb generowanych przez takie generatory, wydają się jednak użyteczne Wiele zależy od wyboru dobrych par opóźniaczy Liczby losowe w informatyce Filip Piękniewski
21 Dobre opóźniacze (24,55) (38,89) (37,100) (30,127) (83,258) (107,378) (273,607) (1029,2281) (576,3217) (4187,9689) (7083,19937) (9739,23209) Liczby losowe w informatyce Filip Piękniewski
22 Czy chaos może być źródłem losowości? Chaos deterministyczny powstaje przy iteracji równań nieliniowych dla pewnych parametrów Jednym z najprostszych przykład równania generującego zachowanie chaotyczne jest równanie kwadratowe f x =4 x 1 x Układy chaotyczne o niskowymiarowych atraktorach polegają z kretesem na teście spektralnym... można praktycznie zrekonstruować cały atraktor na podstawie szeregu czasowego... Liczby losowe w informatyce Filip Piękniewski
23 Metody badania losowości Test chi-kwadrat Test Kołmogorowa-Smirnowa Test równomierności Test odstępów Test pokerowy (test podziałów) Test kolekcjonera Test największy-z-t Test kolizji Test autokorelacji Test odstępów dni urodzin Test spektralny... wiele innych Liczby losowe w informatyce Filip Piękniewski
24 Test spektralny Test spektralny to test geometryczny Wykreślamy na płaszczyźnie zależność liczby w sekwencji od jej poprzednika, jeśli dane są w przybliżeniu losowe to wyznaczane punkty ułożą się w równomierną kratę Obliczamy największą odległość między prostymi równoległymi ze wszystkich rodzin prostych równoległych nakrywających elementy powstałej kraty. Jest to precyzje dwuwymiarowa testu. Czynność powtarzamy analogicznie dla wyższych wymiarów (zależności trójek, czwórek itd.) Liczby losowe w informatyce Filip Piękniewski
25 Test spektralny Cechą prawdziwie losowych liczb w teście spektralnym jest to, że układają się w regularne kraty (często dostrzeżenie tej struktury wymaga niemałego powiększenia gdy liczby są zmiennoprzecinkowe obcięte do pewnej precyzji) Jeśli dane są nielosowe, precyzja testu będzie maleć wraz z wymiarem. Jeśli dane są losowe, parametr precyzji będzie niezależny od wymiaru Test ten jest zaskakująco silny, jeśli generator go przechodzi to prawie na pewno przejdzie dowolny inny test Liczby losowe w informatyce Filip Piękniewski
26 Gra w chaos Rysujemy trzy ponumerowane punkty, oraz czwarty jako punkt bazowy. Losujemy liczbę ze zbioru {1,2,3}. Wyznaczamy punkt będący w połowie odcinka między wylosowanym rogiem trójkąta a obecnym punktem bazowym. Wybieramy go na nowy punkt bazowy. Wracamy do losowania. Liczby losowe w informatyce Filip Piękniewski
27 Gra w chaos Liczby losowe w informatyce Filip Piękniewski
28 Losowa gra, trójkąt Sierpińskiego Gra w Chaos jest dość prosta do implementacji dla zdolnego ucznia liceum, intuicyjnie nie jest ciekawa, wydaje się że wynik tej gry będzie po prostu zbiorem losowych punktów w trójkącie. Wynik jest jednak zaskakujący, kieruje od razu uwagę na trójkąt Sierpińskiego. Z zupełnie losowej gry powstaje całkowicie deterministyczny kształt! Liczby losowe w informatyce Filip Piękniewski
29 Losowa gra, trójkąt Sierpińskiego Ciekawym faktem jest, że grę w chaos można stosować jako test losowości liczb Jeśli zamiast liczb losowych w grę wstawimy jakiś deterministyczny ciąg (np. po kolei będziemy wybierać rogi trójkąta), magiczny kształt trójkąta Sierpińskiego nie powstanie! Liczby losowe w informatyce Filip Piękniewski
30 Prawdziwe liczby losowe? Komputer to dusza automat skończony który z pewnością nie wygeneruje nigdy nic losowego Komputer to też ciało dyski, urządzenia wejścia/wyjścia, szumy i zakłócenia, czasy reakcji, kalibrowania głowic, data i czas... Można użyć szumów do wygenerowania sekwencji liczb losowych, nieprzewidywalnych... Liczby losowe w informatyce Filip Piękniewski
31 Prawdziwe liczby losowe? W systemach unixowych jądro zbiera informacje o wszelkich szumach i czasach reakcji sprzętu. Zebrane dane trzyma w obszarze pamięci zwanej pulą entropii. Na żądanie użytkownika zwracana jest funkcja skrótu (np. MD5) z zawartości puli. Chodzi o to aby żaden użytkownik nie mógł poznać zawartości puli. Szacunkowa entropia (nieporządek) puli jest zmniejszany przy każdym odczycie, zwiększany gdy napłyną nowe dane o szumach. Liczby losowe w informatyce Filip Piękniewski
32 Prawdziwe liczby losowe? Gdy szacunkowa entropia puli będzie zbyt niska system może zablokować odczyt do czasu gdy poziom losowości puli zostanie odzyskany. W Linuxie do odczytu losowych danych służą pliki specjalne: /dev/random (blokuje odczyt) /dev/urandom (nie blokuje nigdy odczytu) Liczby losowe w informatyce Filip Piękniewski
33 Prawdziwe liczby losowe? Liczby pochodzące z /dev/random nie są z pewnością przewidywalne, jednak nikt nigdy nie zagwarantuje, że mają rozkład jednostajny. Proces obliczania funkcji skrótu wymaga sporo obliczeń, pobranie dużej ilości losowych danych w ten sposób jest nieefektywne. Można jednak wykorzystywać takie liczby do inicjowania arytmetycznych generatorów. Liczby losowe w informatyce Filip Piękniewski
34 Do czego potrzebne są liczby losowe? Inicjowanie kluczy kryptograficznych, tworzenie sekwencji kluczy symetrycznych Generowanie numerów sekwencyjnych pakietów IP Symulacje Monte-Carlo, próbkowanie całek na wielowymiarowych przestrzeniach Grafika komputerowa, dithering i inne... Liczby losowe w informatyce Filip Piękniewski
35 Liczby losowe w informatyce Pytania? Liczby losowe w informatyce Filip Piękniewski
Technologie Informacyjne
POLITECHNIKA KRAKOWSKA - WIEiK - KATEDRA AUTOMATYKI Technologie Informacyjne www.pk.edu.pl/~zk/ti_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład: Generacja liczb losowych Problem generacji
Bardziej szczegółowoinformatyce Czyli czy komputer potrafi rzucać kostką?
Losowość w informatyce Czyli czy komputer potrafi rzucać kostką? Filip Piękniewski 2006 Co to znaczy losowy? Losowość nie jest pojęciem oczywistym! Intuicyjne rozumienie losowości jako braku regularności
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowoPodstawy symulacji komputerowej
Podstawy symulacji komputerowej Wykład 3 Generatory liczb losowych Wojciech Kordecki wojciech.kordecki@pwsz-legnica.eu Państwowa Wyższa Szkoła Zawodowa im. Witelona w Legnicy Wydział Nauk Technicznych
Bardziej szczegółowoDr inż. Robert Wójcik, p. 313, C-3, tel Katedra Informatyki Technicznej (K-9) Wydział Elektroniki (W-4) Politechnika Wrocławska
Dr inż. Robert Wójcik, p. 313, C-3, tel. 320-27-40 Katedra Informatyki Technicznej (K-9) Wydział Elektroniki (W-4) Politechnika Wrocławska E-mail: Strona internetowa: robert.wojcik@pwr.edu.pl google: Wójcik
Bardziej szczegółowoSieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych
Sieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych Plan laboratorium Generatory liczb pseudolosowych dla rozkładów dyskretnych: Generator liczb o rozkładzie równomiernym Generator
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Bardziej szczegółowo7. CIĄGI. WYKŁAD 5. Przykłady :
WYKŁAD 5 1 7. CIĄGI. CIĄGIEM NIESKOŃCZONYM nazywamy funkcję określoną na zbiorze liczb naturalnych, dodatnich, a wyrazami ciągu są wartości tej funkcji. CIĄGIEM SKOŃCZONYM nazywamy funkcję określoną na
Bardziej szczegółowoGENEROWANIE ROZDAŃ: TEORIA I PRAKTYKA MICHAŁ KLICHOWICZ KRAJOWA KURSOKONFERENCJA SĘDZIÓW IT PZBS, GRUDZIEŃ 2018
GENEROWANIE ROZDAŃ: TEORIA I PRAKTYKA MICHAŁ KLICHOWICZ KRAJOWA KURSOKONFERENCJA SĘDZIÓW IT PZBS, GRUDZIEŃ 2018 JAK WYGENEROWAĆ ROZKŁAD? METODY INTUICYJNE mieszanie uporządkowanej talii (przez wielokrotną
Bardziej szczegółowoREPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH
REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Reprezentacja
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoREPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH
REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH Transport, studia I stopnia rok akademicki 2012/2013 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Pojęcie
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 szczegółowoKADD Metoda najmniejszych kwadratów funkcje nieliniowe
Metoda najmn. kwadr. - funkcje nieliniowe Metoda najmniejszych kwadratów Funkcje nieliniowe Procedura z redukcją kroku iteracji Przykłady zastosowań Dopasowanie funkcji wykładniczej Dopasowanie funkcji
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 02 Jarosław Miszczak IITiS PAN Gliwice 06/10/2016 1 / 31 Czego dowiedzieliśmy się na poprzednim wykładzie? 1... 2... 3... 2 / 31 1 2 3 3 / 31 to jeden z pierwszych
Bardziej szczegółowo5. Algebra działania, grupy, grupy permutacji, pierścienie, ciała, pierścień wielomianów.
5. Algebra działania, grupy, grupy permutacji, pierścienie, ciała, pierścień wielomianów. Algebra jest jednym z najstarszych działów matematyki dotyczącym początkowo tworzenia metod rozwiązywania równań
Bardziej szczegółowoWykład 14. Testowanie hipotez statystycznych - test zgodności chi-kwadrat. Generowanie liczb losowych.
Wykład 14 Testowanie hipotez statystycznych - test zgodności chi-kwadrat. Generowanie liczb losowych. Rozkład chi-kwadrat Suma kwadratów n-zmiennych losowych o rozkładzie normalnym standardowym ma rozkład
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN Szkoła Wyższa Psychologii Społecznej d.wojcik@nencki.gov.pl dwojcik@swps.edu.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/
Bardziej szczegółowoAlgorytmy i schematy blokowe
Algorytmy i schematy blokowe Algorytm dokładny przepis podający sposób rozwiązania określonego zadania w skończonej liczbie kroków; zbiór poleceń odnoszących się do pewnych obiektów, ze wskazaniem porządku,
Bardziej szczegółowoPodstawy OpenCL część 2
Podstawy OpenCL część 2 1. Napisz program dokonujący mnożenia dwóch macierzy w wersji sekwencyjnej oraz OpenCL. Porównaj czasy działania obu wersji dla różnych wielkości macierzy, np. 16 16, 128 128, 1024
Bardziej szczegółowoSpis treści. Definicje prawdopodobieństwa. Częstościowa definicja prawdopodobieństwa. Wnioskowanie_Statystyczne_-_wykład
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Definicje prawdopodobieństwa 1.1 Częstościowa definicja prawdopodobieństwa 1.1.1 Przykład 1.1.2 Rozwiązanie: 1.1.3 Inne rozwiązanie: 1.1.4 Jeszcze inne
Bardziej szczegółowoAlgorytmy i struktury danych. Wykład 4 Tablice nieporządkowane i uporządkowane
Algorytmy i struktury danych Wykład 4 Tablice nieporządkowane i uporządkowane Tablice uporządkowane Szukanie binarne Szukanie interpolacyjne Tablice uporządkowane Szukanie binarne O(log N) Szukanie interpolacyjne
Bardziej szczegółowoTeoretyczne podstawy informatyki
Teoretyczne podstawy informatyki Wykład 12a: Prawdopodobieństwo i algorytmy probabilistyczne http://hibiscus.if.uj.edu.pl/~erichter/dydaktyka2010/tpi-2010 Prof. dr hab. Elżbieta Richter-Wąs 1 Teoria prawdopodobieństwa
Bardziej szczegółowoModelowanie komputerowe
Modelowanie komputerowe wykład 1- Generatory liczb losowych i ich wykorzystanie dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 5,12 października 2016 r.
Bardziej szczegółowoPróbny egzamin maturalny z matematyki Poziom rozszerzony
Kujawsko-Pomorskie Centrum Edukacji Nauczycieli w Bydgoszczy PLACÓWKA AKREDYTOWANA Zadanie 1 (4 pkt) Rozwiąż równanie: w przedziale 1 pkt Przekształcenie równania do postaci: 2 pkt Przekształcenie równania
Bardziej szczegółowoGeneracja liczb pseudolosowych
Generacja liczb pseudolosowych Zapis liczb w komputerze Generatory liczb pseudolosowych Liniowe kongruentne Liniowe mutiplikatywne kongruentne Jakość generatorów Test widmowy Generowanie liczb losowych
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Metody specjalne Monte Carlo 24 listopada 2014 Transformacje specjalne Przykład - symulacja rozkładu geometrycznego Niech X Ex(λ). Rozważmy zmienną losową [X ], która przyjmuje wartości naturalne.
Bardziej szczegółowoGeneratory Liczb Losowych
Generatory Liczb Losowych Metody deterministyczne w niedeterministycznym świecie. Paweł Jamer Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska 30 kwietnia 2011 Rysunek: demotywatory.pl
Bardziej szczegółowoAlgorytmy zrandomizowane
Algorytmy zrandomizowane http://zajecia.jakubw.pl/nai ALGORYTMY ZRANDOMIZOWANE Algorytmy, których działanie uzależnione jest od czynników losowych. Algorytmy typu Monte Carlo: dają (po pewnym czasie) wynik
Bardziej szczegółowoPodręcznik. Przykład 1: Wyborcy
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 5892 424 http://www.neuroinf.pl/members/danek/swps/ Iwo Białynicki-Birula Iwona Białynicka-Birula
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoModelowanie wieloskalowe. Automaty Komórkowe - podstawy
Modelowanie wieloskalowe Automaty Komórkowe - podstawy Dr hab. inż. Łukasz Madej Katedra Informatyki Stosowanej i Modelowania Wydział Inżynierii Metali i Informatyki Przemysłowej Budynek B5 p. 716 lmadej@agh.edu.pl
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobieństwo geometryczne Krzysztof Jasiński Wydział Matematyki i Informatyki UMK, Toruń V Lieceum Ogólnokształące im. Jana Pawała II w Toruniu 13.03.2014 Krzysztof Jasiński (WMiI UMK) Prawdopodobieństwo
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoGenerowanie sygnałów na DSP
Zastosowania Procesorów Sygnałowych dr inż. Grzegorz Szwoch greg@multimed.org p. 732 - Katedra Systemów Multimedialnych Generowanie sygnałów na DSP Wstęp Dziś w programie: generowanie sygnałów za pomocą
Bardziej szczegółowoMoneta 1 Moneta 2 Kostka O, R O,R 1,2,3,4,5, Moneta 1 Moneta 2 Kostka O O ( )
Nowa matura kombinatoryka i rachunek prawdopodobieństwa Zadania zamknięte (0 1 pkt) 1. Doświadczenie losowe polega na rzucie dwiema symetrycznymi monetami i sześcienną kostką do gry. Prawdopodobieństwo
Bardziej szczegółowoUniwersyteckie Koło Matematyczne - Tajemnicza liczba e.
Uniwersyteckie Koło Matematyczne - Tajemnicza liczba e. Filip Piękniewski Wydział Matematyki i Informatyki Uniwersytetu Mikołaja Kopernika http://www.mat.umk.pl/ philip 17 grudnia 2009 Filip Piękniewski,
Bardziej szczegółowoAlgorytmy i złożoności Wykład 5. Haszowanie (hashowanie, mieszanie)
Algorytmy i złożoności Wykład 5. Haszowanie (hashowanie, mieszanie) Wprowadzenie Haszowanie jest to pewna technika rozwiązywania ogólnego problemu słownika. Przez problem słownika rozumiemy tutaj takie
Bardziej szczegółowoMetody numeryczne. Wykład nr 12. Dr Piotr Fronczak
Metody numeryczne Wykład nr 1 Dr Piotr Fronczak Generowanie liczb losowych Metody Monte Carlo są oparte na probabilistyce działają dzięki generowaniu liczb losowych. W komputerach te liczby generowane
Bardziej szczegółowoWybrane zagadnienia teorii liczb
Wybrane zagadnienia teorii liczb Podzielność liczb NWW, NWD, Algorytm Euklidesa Arytmetyka modularna Potęgowanie modularne Małe twierdzenie Fermata Liczby pierwsze Kryptosystem RSA Podzielność liczb Relacja
Bardziej szczegółowoUkłady dynamiczne Chaos deterministyczny
Układy dynamiczne Chaos deterministyczny Proste iteracje odwzorowań: Funkcja liniowa Funkcja logistyczna chaos deterministyczny automaty komórkowe Ewolucja układu dynamicznego Rozwój w czasie układu dynamicznego
Bardziej szczegółowoAlgorytmy sztucznej inteligencji
www.math.uni.lodz.pl/ radmat Przeszukiwanie z ograniczeniami Zagadnienie przeszukiwania z ograniczeniami stanowi grupę problemów przeszukiwania w przestrzeni stanów, które składa się ze: 1 skończonego
Bardziej szczegółowozdarzenie losowe - zdarzenie którego przebiegu czy wyniku nie da się przewidzieć na pewno.
Rachunek prawdopodobieństwa Podstawowym celem rachunku prawdopodobieństwa jest określanie szans zajścia pewnych zdarzeń. Pojęcie podstawowe rachunku prawdopodobieństwa to: zdarzenie losowe - zdarzenie
Bardziej szczegółowo1. Liczby wymierne. x dla x 0 (wartością bezwzględną liczby nieujemnej jest ta sama liczba)
1. Liczby wymierne. - wartość bezwzględna liczby. dla 0 (wartością bezwzględną liczby nieujemnej jest ta sama liczba) - dla < 0 ( wartością bezwzględną liczby ujemnej jest liczba do niej przeciwna) W interpretacji
Bardziej szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
Bardziej szczegółowoSIMR 2016/2017, Analiza 2, wykład 1, Przestrzeń wektorowa
SIMR 06/07, Analiza, wykład, 07-0- Przestrzeń wektorowa Przestrzeń wektorowa (liniowa) - przestrzeń (zbiór) w której określone są działania (funkcje) dodawania elementów i mnożenia elementów przez liczbę
Bardziej szczegółowoLista zadania nr 4 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 4 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW NR 49988 WYGENEROWANY AUTOMATYCZNIE W SERWISIE WWW.ZADANIA.INFO POZIOM PODSTAWOWY CZAS PRACY: 70 MINUT Zadania zamknięte ZADANIE ( PKT) Odległość punktu A =
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW NR 196324 WYGENEROWANY AUTOMATYCZNIE W SERWISIE WWW.ZADANIA.INFO POZIOM PODSTAWOWY CZAS PRACY: 170 MINUT 1 Zadania zamknięte ZADANIE 1 (1 PKT) Rozwiazaniem
Bardziej szczegółowo1. Liczby zespolone. Jacek Jędrzejewski 2011/2012
1. Liczby zespolone Jacek Jędrzejewski 2011/2012 Spis treści 1 Liczby zespolone 2 1.1 Definicja liczby zespolonej.................... 2 1.2 Postać kanoniczna liczby zespolonej............... 1. Postać
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoKodowanie i kompresja Streszczenie Studia Licencjackie Wykład 15, Kryptografia: algorytmy asymetryczne (RSA)
Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 15, 19.06.2005 1 Kryptografia: algorytmy asymetryczne (RSA) Niech E K (x) oznacza szyfrowanie wiadomości x kluczem K (E od encrypt, D K (x)
Bardziej szczegółowoGenerowanie ciągów bitów losowych z wykorzystaniem sygnałów pochodzących z komputera
Generowanie ciągów bitów losowych z wykorzystaniem sygnałów pochodzących z komputera Praca dyplomowa magisterska Opiekun: prof. nzw. Zbigniew Kotulski Andrzej Piasecki apiaseck@mion.elka.pw.edu.pl Plan
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoPodręcznik. Wzór Shannona
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 5892 424 http://www.neuroinf.pl/members/danek/swps/ Iwo Białynicki-Birula Iwona Białynicka-Birula
Bardziej szczegółowoMetody numeryczne I Równania nieliniowe
Metody numeryczne I Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/66 Równania nieliniowe 1. Równania nieliniowe z pojedynczym pierwiastkiem
Bardziej szczegółowoCIĄGI wiadomości podstawowe
1 CIĄGI wiadomości podstawowe Jak głosi definicja ciąg liczbowy to funkcja, której dziedziną są liczby naturalne dodatnie (w zadaniach oznacza się to najczęściej n 1) a wartościami tej funkcji są wszystkie
Bardziej szczegółowoKongruencje twierdzenie Wilsona
Kongruencje Wykład 5 Twierdzenie Wilsona... pojawia się po raz pierwszy bez dowodu w Meditationes Algebraicae Edwarda Waringa (1770), profesora (Lucasian Professor) matematyki w Cambridge, znanego głównie
Bardziej szczegółowoMetody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015
Metody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015 1 Metody numeryczne Dział matematyki Metody rozwiązywania problemów matematycznych za pomocą operacji na liczbach. Otrzymywane
Bardziej szczegółowoPodzielność, cechy podzielności, liczby pierwsze, największy wspólny dzielnik, najmniejsza wspólna wielokrotność.
Podzielność, cechy podzielności, liczby pierwsze, największy wspólny dzielnik, najmniejsza wspólna wielokrotność. W dniu 25 lutego 2014 r. omawiamy test kwalifikacyjny. Uwaga: Przyjmujemy, że 0 nie jest
Bardziej szczegółowoMatematyka dyskretna dla informatyków
Matematyka dyskretna dla informatyków Część I: Elementy kombinatoryki Jerzy Jaworski Zbigniew Palka Jerzy Szymański Uniwersytet im. Adama Mickiewicza Poznań 2007 4 Zależności rekurencyjne Wiele zależności
Bardziej szczegółowoRachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych
Rachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych Autorzy: Marta Rotkiel, Anna Konik, Bartłomiej Parowicz, Robert Rudak, Piotr Otręba Spis treści: Wstęp Cel
Bardziej szczegółowoZestaw 2. Definicje i oznaczenia. inne grupy V 4 grupa czwórkowa Kleina D n grupa dihedralna S n grupa symetryczna A n grupa alternująca.
Zestaw 2 Definicja grupy Definicje i oznaczenia grupa zbiór z działaniem łącznym, posiadającym element neutralny, w którym każdy element posiada element odwrotny grupa abelowa (przemienna) grupa, w której
Bardziej szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych
Bardziej szczegółowoKodowanie i kompresja Streszczenie Studia Licencjackie Wykład 14, Kryptografia: algorytmy asymetryczne (RSA)
Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 14, 7.06.2005 1 Kryptografia: algorytmy asymetryczne (RSA) Niech E K (x) oznacza szyfrowanie wiadomości x kluczem K (E od encrypt, D K (x)
Bardziej szczegółowoZbiory, relacje i funkcje
Zbiory, relacje i funkcje Zbiory będziemy zazwyczaj oznaczać dużymi literami A, B, C, X, Y, Z, natomiast elementy zbiorów zazwyczaj małymi. Podstawą zależność między elementem zbioru a zbiorem, czyli relację
Bardziej szczegółowoPodstawy systemów kryptograficznych z kluczem jawnym RSA
Podstawy systemów kryptograficznych z kluczem jawnym RSA RSA nazwa pochodząca od nazwisk twórców systemu (Rivest, Shamir, Adleman) Systemów z kluczem jawnym można używać do szyfrowania operacji przesyłanych
Bardziej szczegółowoIndukcja matematyczna. Zasada minimum. Zastosowania.
Indukcja matematyczna. Zasada minimum. Zastosowania. Arkadiusz Męcel Uwagi początkowe W trakcie zajęć przyjęte zostaną następujące oznaczenia: 1. Zbiory liczb: R - zbiór liczb rzeczywistych; Q - zbiór
Bardziej szczegółowodo instrukcja while (wyrażenie);
Instrukcje pętli -ćwiczenia Instrukcja while Pętla while (póki) powoduje powtarzanie zawartej w niej sekwencji instrukcji tak długo, jak długo zaczynające pętlę wyrażenie pozostaje prawdziwe. while ( wyrażenie
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowo. : a 1,..., a n F. . a n Wówczas (F n, F, +, ) jest przestrzenią liniową, gdzie + oraz są działaniami zdefiniowanymi wzorami:
9 Wykład 9: Przestrzenie liniowe i podprzestrzenie Definicja 9 Niech F będzie ciałem Algebrę (V, F, +, ), gdzie V, + jest działaniem w zbiorze V zwanym dodawaniem wektorów, a jest działaniem zewnętrznym
Bardziej szczegółowoWyszukiwanie binarne
Wyszukiwanie binarne Wyszukiwanie binarne to technika pozwalająca na przeszukanie jakiegoś posortowanego zbioru danych w czasie logarytmicznie zależnym od jego wielkości (co to dokładnie znaczy dowiecie
Bardziej szczegółowoLiczby pierwsze na straży tajemnic
Liczby pierwsze na straży tajemnic Barbara Roszkowska-Lech MATEMATYKA DLA CIEKAWYCH ŚWIATA Liczby rzadzą światem Ile włosów na głowie? Dowód z wiedzą zerową Reszty kwadratowe Dzielenie sekretu Ile włosów
Bardziej szczegółowoSpis treści. Przedmowa... 9
Spis treści Przedmowa... 9 1. Algorytmy podstawowe... 13 1.1. Uwagi wstępne... 13 1.2. Dzielenie liczb całkowitych... 13 1.3. Algorytm Euklidesa... 20 1.4. Najmniejsza wspólna wielokrotność... 23 1.5.
Bardziej szczegółowo1. Wykład NWD, NWW i algorytm Euklidesa.
1.1. NWD, NWW i algorytm Euklidesa. 1. Wykład 1 Twierdzenie 1.1 (o dzieleniu z resztą). Niech a, b Z, b 0. Wówczas istnieje dokładnie jedna para liczb całkowitych q, r Z taka, że a = qb + r oraz 0 r< b.
Bardziej szczegółowoInteligentna analiza danych
Numer indeksu 150946 Michał Moroz Imię i nazwisko Numer indeksu 150875 Grzegorz Graczyk Imię i nazwisko kierunek: Informatyka rok akademicki: 2010/2011 Inteligentna analiza danych Ćwiczenie I Wskaźniki
Bardziej szczegółowoAlgorytmy i struktury danych. Wykład 4
Wykład 4 Różne algorytmy - obliczenia 1. Obliczanie wartości wielomianu 2. Szybkie potęgowanie 3. Algorytm Euklidesa, liczby pierwsze, faktoryzacja liczby naturalnej 2017-11-24 Algorytmy i struktury danych
Bardziej szczegółowoAlgorytm. Krótka historia algorytmów
Algorytm znaczenie cybernetyczne Jest to dokładny przepis wykonania w określonym porządku skończonej liczby operacji, pozwalający na rozwiązanie zbliżonych do siebie klas problemów. znaczenie matematyczne
Bardziej szczegółowoGenerowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport Michał Krzemiński Streszczenie Projekt dotyczy metod generowania oraz badania własności statystycznych ciągów liczb pseudolosowych.
Bardziej szczegółowoWstęp do programowania. Reprezentacje liczb. Liczby naturalne, całkowite i rzeczywiste w układzie binarnym
Wstęp do programowania Reprezentacje liczb Liczby naturalne, całkowite i rzeczywiste w układzie binarnym System dwójkowy W komputerach stosuje się dwójkowy system pozycyjny do reprezentowania zarówno liczb
Bardziej szczegółowoZadania o numerze 4 z zestawów licencjat 2014.
Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...
Bardziej szczegółowoMet Me ody numer yczne Wykład ykład Dr inż. Mic hał ha Łanc Łan zon Instyt Ins ut Elektr Elektr echn iki echn i Elektrot Elektr echn olo echn
Metody numeryczne Wykład 3 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Pojęcia podstawowe Algebra
Bardziej szczegółowo3 1 + i 1 i i 1 2i 2. Wyznaczyć macierze spełniające własność komutacji: [A, X] = B
1. Dla macierzy a) A = b) A = c) A = d) A = 3 1 + i 1 i i i 0 i i 0 1 + i 1 i 0 0 0 0 1 0 1 0 1 + i 1 i Wyznaczyć macierze spełniające własność komutacji: A, X = B. Obliczyć pierwiaski z macierzy: A =
Bardziej szczegółowoAtaki na RSA. Andrzej Chmielowiec. Centrum Modelowania Matematycznego Sigma. Ataki na RSA p. 1
Ataki na RSA Andrzej Chmielowiec andrzej.chmielowiec@cmmsigma.eu Centrum Modelowania Matematycznego Sigma Ataki na RSA p. 1 Plan prezentacji Wprowadzenie Ataki algebraiczne Ataki z kanałem pobocznym Podsumowanie
Bardziej szczegółowoRaport: Wycena opcji metodą Quasi Monte Carlo
Raport: Wycena opcji metodą Quasi Monte Carlo Autor: Dominik Winnicki Spis treści Opis problemu... 2 Wstęp teoretyczny... 2 Liczby Haltona... 4 Liczby Sobol a... 4 Ocena uzyskanych ciągów Haltona i Sobol
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoKryptografia. z elementami kryptografii kwantowej. Ryszard Tanaś Wykład 8
Kryptografia z elementami kryptografii kwantowej Ryszard Tanaś http://zon8.physd.amu.edu.pl/~tanas Wykład 8 Spis treści 13 Szyfrowanie strumieniowe i generatory ciągów pseudolosowych 3 13.1 Synchroniczne
Bardziej szczegółowoUkłady równań i nierówności liniowych
Układy równań i nierówności liniowych Wiesław Krakowiak 1 grudnia 2010 1 Układy równań liniowych DEFINICJA 11 Układem równań m liniowych o n niewiadomych X 1,, X n, nazywamy układ postaci: a 11 X 1 + +
Bardziej szczegółowoS n = a 1 1 qn,gdyq 1
Spis treści Powtórzenie wiadomości... 9 Zadania i zbiory... 10 Obliczenia... 18 Ciągi... 27 Własności funkcji... 31 Funkcje liniowe i kwadratowe... 39 Wielomiany i wyrażenia wymierne... 45 Funkcje wykładnicze
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY 7SP. V. Obliczenia procentowe. Uczeń: 1) przedstawia część wielkości jako procent tej wielkości;
WYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY 7SP Liczby. TEMAT Rozwinięcia dziesiętne liczb wymiernych. Zaokrąglanie liczb. Szacowanie wyników. Dodawanie i odejmowanie liczb dodatnich. Mnożenie i dzielenie
Bardziej szczegółowoPrzykładowe rozwiązania
Przykładowe rozwiązania (E. Ludwikowska, M. Zygora, M. Walkowiak) Zadanie 1. Rozwiąż równanie: w przedziale. ( ) ( ) ( )( ) ( ) ( ) ( ) Uwzględniając, że x otrzymujemy lub lub lub. Zadanie. Dany jest czworokąt
Bardziej szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego
Bardziej szczegółowoFRAKTALE I SAMOPODOBIEŃSTWO
FRAKTALE I SAMOPODOBIEŃSTWO Mariusz Gromada marzec 2003 mariusz.gromada@wp.pl http://multifraktal.net 1 Wstęp Fraktalem nazywamy każdy zbiór, dla którego wymiar Hausdorffa-Besicovitcha (tzw. wymiar fraktalny)
Bardziej szczegółowoIlustracja metody MONTE CARLO. obliczania całek podwójnych
Ilustracja metody MONTE CARLO obliczania całek podwójnych Często jest tak, iż wiemy, że istnieje całka oznaczona z funkcji f jednak nie potrafimy jej analitycznie policzyć. Konieczne jest wtedy zastosowanie
Bardziej szczegółowoLogika i teoria mnogości Wykład 14
Teoria rekursji Teoria rekursji to dział logiki matematycznej zapoczątkowany w latach trzydziestych XX w. Inicjatorzy tej dziedziny to: Alan Turing i Stephen Kleene. Teoria rekursji bada obiekty (np. funkcje,
Bardziej szczegółowoKombinowanie o nieskończoności. 3. Jak policzyć nieskończone materiały do ćwiczeń
Kombinowanie o nieskończoności. 3. Jak policzyć nieskończone materiały do ćwiczeń Projekt Matematyka dla ciekawych świata spisał: Michał Korch 22 marzec 2018 Szybkie przypomnienie z wykładu Prezentacja
Bardziej szczegółowoZadania do Rozdziału X
Zadania do Rozdziału X 1. 2. Znajdź wszystkie σ-ciała podzbiorów X, gdy X = (i) {1, 2}, (ii){1, 2, 3}. (b) Znajdź wszystkie elementy σ-ciała generowanego przez {{1, 2}, {2, 3}} dla X = {1, 2, 3, 4}. Wykaż,
Bardziej szczegółowo