Budowa i własności sztucznych neuronów i sieci
|
|
- Kornelia Kuczyńska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Budowa i własości sztuczch euroów i sieci Uwaga: Slajd w tej prezetacji są iteswie aimowae, więc a statczch kopiach mogą bć mało cztele (elemet pokazwae podczas aimacji sekwecjie a statczej kopii są ałożoe jede a drugie!) Droga postępowaia Jak zbudowae są sztucze euro i sieci? A) B) w w 2 w2 3 w w w g(, w) f() X X2 X X w w w w Y Y2 w w Elemet, z którch buduje się euroow model Budowa wierego modelu awet pojedczego eurou (komórki Purkijego) jest bardzo kosztowa (de Schutter 5) Do zbudowaia modelu użto: 6 kompartmetów 82 modeli kaałów joowch tpów różch złożoch opisów matematczch kaałów zależch od apięcia 32 rówań różiczkowch! 92 parametrów do oszacowaia prz dostrajaiu modelu Opisu morfologii zrekostruowaej za pomocą mikroskopu
2 Obraz wików smulacji komputerowej modelu komórki Purkijego uzskae w badaiach de Schuttera: u gór aktwość elektrcza smulowaej komórki, u dołu zjawiska biochemicze (przepłw joów wapia 2 Neuro - podstawow elemet sieci w w 2 s gwi, i w... i,, agregacja dach wejściowch Zadaia??? Jak zróżicować sgał wejściowe? f s obliczeie wartości fukcji aktwacji Proces składaia sgałów w biologiczm euroie Kwestia wag różicującch wejścia do eurou iformatka + Załóżm, że oceia kwiat ma ład kolor, ale brzdki zapach. euro wśle a wjściu sgał, że kwiat mu się podoba Prz przeciwm rozłożeiu wag wik jest odwrot euro wśle a wjściu sgał, że kwiat mu się ie podoba do sgału wejściowego zapach przpiszem małą wagę a do sgału kolor wagę dużą iformatka + iformatka + 2 2
3 Wagi mają przemoż wpłw a zachowaie euroów! Wiosek: Prz tm samm zestawie sgałów wejściowch mam dwie całkiem róże reakcje eurou! to wagi decdują o zachowaiu eurou i całej sieci! iformatka + 3 Schemat odruchu warukowego Pawłowa Przkład sieci mającej budowę opartą a próbie odwzorowaia rzeczwistego mechaizmu eurofizjologiczego Reakcja: wdzielaie śli 3
4 Własości eurou determiują: przjęta agregacja dach wejściowch oraz założoa fukcja wjścia Wracam do modelu eurou użwaego w praktczie stosowach sieciach euroowch Agregacja liiowa 2 w s w i i Neuro liiow i w 2 s g wi, i w... i,, = s Tożsamościowa fukcja aktwacji W przpadku eurou liiowego jego zachowaie daje się łatwo ziterpretować Z euroem liiowm (i z imi euroami budowami a jego bazie) związaa jest jeszcze sprawa wrazu wolego w formule agregacji Czsta agregacja liiowa: 2 w s w i i i w s g w 2 wi, i i,, w... ma wadę, polegającą a tm, że charakterstka eurou musi tu przechodzić przez początek układu = s To adal jest euro liiow! Żeb zachować liiową postać wzoru opisującego euro dodaje się dodatkowe pseudowejście azwae BIAS, które zawsze dostarcza sgał Bogatsze możliwości daje agregacja afiicza (z wrazem wolm w formule): Wted agregacja jest adal liiowa: s s i i w w i i w i i W strukturze sieci euroowej czasem zazacza się bias jako osobe wejście W przpadku eurou ieliiowego ie jest tak łatwo, poieważ zagregowa (w taki lub i sposób) sgał wejściow może bć przetworzo prz użciu fukcji ieliiowej o teoretczie dowolm kształcie. 4
5 -2,9-2,7-2,5-2,3-2, -,9 -,7 -,5 -,3 -, -,9 -,7 -,5 -,3 -,,,3,5,7,9,,3,5,7,9 2, 2,3 2,5 2,7 2, Własości eurou determiują: przjęta agregacja dach wejściowch oraz założoa fukcja wjścia Fukcja przejścia wiąże zagregowae wejścia do eurou z jego sgałem wjściowm Agregacja liiowa s w i i euro radial liiow i euro ieliiow 2 w w 2 s g wi, i w i,, = s f s i 2 s w i i Agregacja radiala Najstarsze prace dotczące sieci euroowch wkorzstwał jako charakterstkę eurou fukcję progową ( wszstko albo ic ). Warto odróżić dwie ieliiowe charakterstki eurou: uipolarą (po lewej) i bipolarą (po prawej) Potem wprowadzoo obszar mootoiczej zależości wejścia od wjścia, wzbogacając możliwości obliczeiowe sieci. Róże przkładowe formuł matematcze, wkorzstwae jako fukcje przejścia Fukcje aktwacji eurou może bć dowola, ale ajczęściej stosowae są iżej podae kształt.,5,5 S -,5 - Liiowa Sigmoidala Tagesoidala -,5 Gaussa 5
6 jakość działaia sieci.. :=/(+ep(-*)) Wkres sigmoid w zależości od parametru β β=,5 β= β=2,8,6,4 W wielowmiarowch przestrzeiach charakterstka eurou ma formę urwiska sigmoidalego,2 S f ( s) ep( s) Dobór współczika β ma wpłw a jakość działaia sieci! Aproksmacja sigmoid prz realizacji sprzętowej β Ie przbliżeie sigmoid fukcjami sklejami + Fukcja tages hiperbolicz ma praktczie taki sam kształt, tlko jej wartości zmieiają się od - do +, a ie od do + jak w sigmoidzie - ep( s) ep( s) f ( s) tah( s) ep( s) ep( s) 6
7 β=,5 β= β=2,8,6 Porówaie: Nieliiowe fukcje aktwacji też bwają róże ie, iż omówioe wżej:,4,2-5 5 S Sigmoida f ( s) ep( s) Fukcja tages hiperbolicz ep( s) ep( s) f ( s) tah( s) ep( s) ep( s) Dobierając współcziki wagowe wejść eurou moża wpłwać a kształt jego ieliiowej charakterstki! Podsumowując do tpowego użtkowaia mam do dspozcji główie trz tp euroów: w Neuro liiow Najbardziej popular euro ieliiow sigmoidal, adając się do budow sieci MLP 2 w w 2... w s i w i i = s 2 w w 2... w s w i i i.. :=/(+ep(-*))
8 Neuro radial użwa w sieci RBF i GRNN Sposób separacji przestrzei dach przez: (a) euro sigmoidal, (b) euro radial w 2 w 2... w i 2 s w i i Porówaie zasad działaia perceptrou wielowarstwowego (MLP) i sieci radialej (RBF) To samo pokazae w i sposób Możliwości uzskiwaia różch kształtów i rozmiarów obszarów deczjch prz pomoc euroów RBF Neuro radial użwa w sieci Kohoea w 2 w 2... w i 2 s w i i 8
9 Sztucz euro jest więc w sumie dosć prostą strukturą, dzięki czemu stosukowo łatwo jest stworzć sieć takich elemetów Sgał wejściowe 2. w w 2 w Zmiee "wagi" Sgał Sał wjściow Jak łączć euro, żeb wszła dobra sieć? Obserwacja połączeń w małch skrawkach mózgu pozwala lokalizować połączeia i ustalać ich liczbę Jedak z tej wiedz z reguł się ie korzsta prz ustalaiu struktur sztuczch sieci euroowch Niektórz autorz silą się a tworzeie sieci o bardzo orgialej architekturze Bwał prób budowaia sieci o architekturze ściśle dopasowaej do atur rozwiązwaeg o zadaia (tutaj pokazaa struktura sieci przezaczoa bła do rozpozawaia kodów pocztowch a kopertach) 9
10 Nie zdało to jedak egzamiu i obecie prz budowie sztuczch sieci euroowch ajczęściej przjmuje się arbitralie, że ich budowa jest złożoa z warstw, podobie jak a przkład struktur euroowe zlokalizowae w siatkówce oka Rówież w korze mózgowej daje się zaobserwować warstwowa budowa Kora wzrokowa Połączeia do i od poszczególch warstw w mózgu Warstwowość kor wzrokowej widać lepiej prz wborze małch jej fragmetów Trzeba jedak dodać, że sieci euroowe w mózgu miewają też zaczie bardziej skomplikowaą strukturę Przkład: schemat kor móżdżku Schemat sztuczej sieci euroowej (uproszczoej) Warstwa wejściowa Warstwa ukrta (jeda lub dwie) Warstwa wjściowa 2 Działaie sieci zależ od: przjętego modelu eurou, topologii (struktur) sieci, wartości parametrów eurou, ustalach w wiku uczeia
11 Prawdziwe sieci euroowe mają zwkle bardzo wiele wejść, móstwo euroów ukrtch oraz ajczęściej kilka wjść. Tmczasem a prezetowach tu rsukach chętie stosujem schemat, w którm mam zaledwie dwa wejścia, jedo wjście oraz iewiele euroów ukrtch. Przkład połączeń międzeuroowch wstępującch w sieciach euroowch. (m) - połączeia międzwarstwowe, (w) - połączeia wewątrzwarstwowe, () - połączeia adwarstwowe, (s) samosprzężeia, (r) - połączeia rekurecje s sgał a wejściu r 2 2 Dlaczego? Bo zbiór sgałów wejściowch dla sieci o dwóch wejściach moża łatwo pokazać w postaci puktu a płaszczźie, a wartość sgału a wjściu sieci moża sgalizować a przkład kolorem puktu m m m m w w s m m r mi ma sgał a wejściu r r W strukturze sieci istote jest to, że każd euro warstw wcześiejszej komuikuje się z każdm euroem warstw astępej atomiast euro w warstwach ie komuikują się pomiędz sobą W dużej sieci trudo jest przedstawić i prześledzić wszstkie połączeia Warstw ukrtch może bć wiele
12 Skala możliwości sieci zależ od liczb warstw Struktura sieci ieliiowej Tp obszaru deczjego Przkładow kształt obszaru a płaszczźie sgałów wejściowch Zdolość do rozwiązaia zadaia klasfikacji X X 2 X X 2 X X 2 Jedowarstwowa Dwuwarstwowa Trójwarstwowa półprzestrzeń ograiczoa przez hiperpłaszczzę wpukłe oraz jedospóje ograiczoe hiperpłaszczzami simpleks dowol obszar o złożoości ograiczoej włączie liczbą euroów X 2 X 2 X 2 X X X Jedak sieci z bardziej liczmi warstwami ukrtmi ie są szczególie gode poleceia! Poglądowe działaie sieci euroowej Początek działaia sieci euroowej wiąże się z pojawieiem się a jej wejściach sgałów (czerwoe kropki) iosącch owe zadaie do rozwiązaia Sgał wejściowe (ie przetworzoe w żade sposób w warstwie wejściowej) są rozsłae do wszstkich euroów warstw ukrtej 2
13 Po przetworzeiu sgałów przez euro warstw ukrtej powstają sgał pośredie, kierowae do euroów warstw wjściowej Neuro warstw wjściowej korzstają ze wstępie opracowaej iformacji pochodzącej z warstw ukrtej i obliczają końcowe wiki, będące rozwiązaiem postawioego zadaia Przkładow rozkład pobudzeń euroów w sieci Tp : MLP :--:, Id. = 93 Jakość ucz. =,785276, Jakość wal. =,777778, Jakość test. =, Problem rozwiązwale i ie rozwiązwale z pomocą jedowarstwowej sieci euroowej Możliwości itelektuale sieci z większą lub miejszą liczbą warstw ilustruje za schemat Liebmaa Rola warstw ukrtej przkładow problem żółt czar Na wejście sieci podawae są współrzęde puktów. Sieć ma się auczć, które pukt są żółte, a które czare? 3
14 . :=/(+ep(-*)) :=/(+ep(-*)) :=/(+ep(-*)) :=/(+ep(-*)) :=/(+ep(-*)) :=/(+ep(-*)) :=/(+ep(-*)) Rola warstw ukrtej 6 Przkładowe rzeczwiste zachowaia sieci jedo-, dwu- oraz trójwarstwowej Niektóre zadaia rozpozawaia potrafią bć aprawdę paskude! Przpomijm, że obok różorodości wikającej z różego doboru liczb warstw jest jeszcze różorodość wikająca z faktu istieia w sieci euroów różch charakterstkach Najbardziej tpowa struktura: sieć MLP Podstawowe właściwości: wiele wejść i wiele wjść jeda (rzadziej dwie) warstw ukrte ieliiowe charakterstki euroów ukrtch w formie sigmoid W warstwie wjściowej euro mogą bć liiowe lub także mogą mieć charakterstki sigmoidale Uczeie ajczęściej przeprowadzae metodą wsteczej propagacji błędów Często w różch warstwach sieci euro mają róże charakterstki, zarówo ieliiowe jak i liiowe 4
15 Sieć tpu RBF w zastosowaiu do klasfikacji (wkrwa i sgalizuje skupiska dach wejściowch) Dwie filozofie tworzeia sieci RBF Elemet zbioru uczącego dzieloe są a grup elemetów podobch (metodą k-średich, która będzie zaraz opisaa). Jak uczć taką sieć? W charakterze wag euroów radialch stosowae są środki ciężkości każdej wróżioej grup. Przestrzeń sgałów wejściowch oraz wag Określeie wag euroów radialch metodą K-średich Przedstawim działaie tego algortmu w pięciu krokach Dla próbek wejściowch..., metodę k-meas wkorzstuje się do utworzeia k klastrów, prz czm dla każdego z ich zostaie wzaczo elemet modal, reprezetując umow środek całej grup w przestrzei cech. Metoda k-meas działa w sposób iteracj. W celu wszukaia ajlepszch lokalizacji dla środkowch puktów każdego z klastrów a początek przjmuje się lokalizacji przpadkowe, a potem się je doskoali, tak, ab optmalie dopasować każd wzorzec do klastra dach wejściowch, którego środek jest ajbliżej wzorca. 5
16 ) Ustaleie środków poszczególch klas za pomocą pierwotch wartości m, m,..., m K. Na początku są to wektor Krok przpadkowo rozrzucoe w przestrzei sgałów wejściowch. 2) Wzaczeie odległości międz wszstkimi próbkami,,..., ciągu, a wszstkimi środkami klas m, m m K, Krok 2,..., d 2, m ) m ( m )... ( m, dla i=,...,- oraz j=,...,k- 2 ij i j ip ) 2 ( i j i j jp 3) Połączeie w jedą grupę wszstkich tch sgałów wejściowch i spośród próbek,..., którch odległość od środka mj klas j jest miejsza od odległości tchże Krok 3 sgałów wejściowch i od środków ml ich klas (l j) w celu utworzeia klas j. Czość ta wkowaia jest dla wszstkich umerów klas j=,...,k-. 4) Zalezieie owch środków klas, poprzez wszukaie wśród sgałów i tej próbki, której współrzęde są ajbliższe wartościom średim współrzędch wzaczom dla wszstkich sgałów wejściowch, które został ulokowae w klasie j. (W wariacie metod pozwalającm a Krok to, żeb 4 wzorzec klas mógł bć obiektem abstrakcjm, ie ależącm do zbioru próbek,,..., środkiem klas j staje się po prostu pukt, którego współrzęde są wartościami średimi współrzędch elemetów i przpisach do tej klas.) 5) Jeśli w ciągu ostatiej iteracji żade z elemetów i ie zmieił swojej klas ależ zakończć proces klasterigu, w przeciwm Krok 5 przpadku trzeba wrócić do puktu 3. Puktem wjścia do algortmu k średich jest zbiór dach, o którch sądzim, że tworzą k skupisk. Na rsuku k = 3. W losow sposób wbieram k puktów (rozrzucoch) i azwam te pukt prowizorczmi cetrami budowach skupisk. Na rsuku pukt wbrae jako cetra są ozaczoe zakiem X, a skupiska są azwae red, gree oraz blue Na podstawie odległości od wbrach cetrów skupisk z przpisami im azwami klas zalicza się wszstkie pukt do odpowiedich klas. Każd pukt wejściow jest zaliczo do tej klas której cetrum zajduje się ajbliżej ze wszstkich cetrów. Teraz dla każdej z klas wzacza się owe cetrum a podstawie średiej współrzędch wszstkich puktów przpisach do daej klas Dokouje się poowego przpisaia puktów do poszczególch klas i poowie wzacza się w poszczególch klasach średie. Czości powższe powtarza się tak długo, jak długo chociaż jede pukt zmiei swoją przależość do klas. Po przerwaiu algortmu ostatio użte średie wskazują cetra klas. Odmieie działającm elemetem użwam w iektórch tpach jest tzw. euro radial (wkorzstwa w sieciach RBF) t... t r r Agregacja sgałów wejściowch w tm tpie eurou polega a obliczaiu odległości pomiędz obecm wektorem wejściowm X a ustalom podczas uczeia cetroidem pewego podzbioru T f f -t Rówież ieliiowa fukcja przejścia w tch euroach ma odmieą formę - dzwou gaussoid - czli jest fukcją iemootoiczą. 6
sztucznych neuronów i sieci
29-3-6 Budowa i własości sztuczch euroów i sieci Elemet, z którch buduje się euroow model Neuro - podstawow elemet sieci Własości eurou determiują: przjęta agregacja dach wejściowch oraz założoa fukcja
Bardziej szczegółowoBudowa i własności. sztucznych neuronów i sieci
Budowa i własności sztucznych neuronów i sieci Uwaga: Slajdy w tej prezentacji są intensywnie animowane, więc na statycznych kopiach mogą być mało czytelne (elementy pokazywane podczas animacji sekwencyjnie
Bardziej szczegółowoPrzykładowe zadania dla poziomu rozszerzonego
Przkładowe zadaia dla poziomu rozszerzoego Zadaie. ( pkt W baku w pierwszm roku oszczędzaia stopa procetowa bła rówa p%, a w drugim roku bła o % iższa. Po dwóch latach, prz roczej kapitalizacji odsetek,
Bardziej szczegółowoĆwiczenie 5 ITERACYJNY ALGORYTM LS. IDENTYFIKACJA OBIEKTÓW NIESTACJONARNYCH ALGORYTM Z WYKŁADNICZYM ZAPOMINANIEM.
Kompterowe Sstem Idetfikacji Laboratorim Ćwiczeie 5 IERACYJY ALGORY LS. IDEYFIKACJA OBIEKÓW IESACJOARYCH ALGORY Z WYKŁADICZY ZAPOIAIE. gr iż. Piotr Bros, bros@agh.ed.pl Kraków 26 Kompterowe Sstem Idetfikacji
Bardziej szczegółowo(x 1 y 1 ) (x n y n ) 2. 1<j<m x i y i. x2 y 2 gdy x 1 = y 1 x 2 y 2 + x 1 + y 1 gdy x 1 = y 1. gdy x, y, 0 nie są współliniowe
. Metrka Zadaie.. Pokazać, że metrka jest fukcją ieujemą. Zadaie.2. Odowodić, że poiższe wzor defiiuja metrki. a) (metrka euklidesowa) X = R. d e (, ) := ( ) 2 +... + ( ) 2 b) (metrka taksówkowa) X = R
Bardziej szczegółowoBielecki Jakub Kawka Marcin Porczyk Krzysztof Węgrzyn Bartosz. Zbiorcze bazy danych
Bielecki Jakub Kawka Marci Porczk Krzsztof Węgrz Bartosz Zbiorcze baz dach Marzec 2006 Spis treści. Opis działalości bizesowej firm... 3 2. Omówieie struktur orgaizacjej... 4 3. Opis obszaru bizesowego...
Bardziej szczegółowoMETODY I ZASTOSOWANIA SZTUCZNEJ INTELIGENCJI. LABORATORIUM nr 01. dr inż. Robert Tomkowski
METODY I ZASTOSOWANIA SZTUCZNEJ INTELIGENCJI LABORATORIUM r 01 Temat: PERCEPTRON dr iż. Robert Tomkowski pok. 118 bud. C robert.tomkowski@tu.koszali.pl tel. 94 3178 251 Metody i zastosowaia sztuczej iteligecji
Bardziej szczegółowox 1 x 2 x 3 x n w 1 w 2 Σ w 3 w n x 1 x 2 x 1 XOR x (x A, y A ) y A x A
Sieci neuronowe model konekcjonistczn Plan wkładu Perceptron - przpomnienie Uczenie nienadzorowane Sieci Hopfielda Perceptron w 3 Σ w n A Liniowo separowaln problem klasfikacji ( A, A ) Problem XOR 0 0
Bardziej szczegółowoMichał Gruca ZASADY OPRACOWANIA WYNIKÓW POMIARÓW
Michał Gruca ZASADY OPRACOWANIA WYNIKÓW POMIARÓW 1. Wstęp Pomiarem jest procesem pozawczm, któr umożliwia odwzorowaie właściwości fizczch obiektów w dziedziie liczb. Sam proces pomiarow jest ciągiem czości
Bardziej szczegółowo3. Wykład III: Warunki optymalności dla zadań bez ograniczeń
3 Wkład III: Waruki optmalości dla zadań bez ograiczeń Podae poiże waruki optmalości dla są uogólieiem powszechie zach waruków dla fukci ede zmiee (zerowaie się pierwsze pochode i lokala wpukłość) 3 Twierdzeie
Bardziej szczegółowoPlan wyk y ł k adu Mózg ludzki a komputer Komputer Mózg Jednostki obliczeniowe Jednostki pami Czas operacji Czas transmisji Liczba aktywacji/s
Sieci neuronowe model konekcjonistczn Plan wkładu Mózg ludzki a komputer Modele konekcjonistcze Sieć neuronowa Sieci Hopfielda Mózg ludzki a komputer Twój mózg to komórek, 3 2 kilometrów przewodów i (biliard)
Bardziej szczegółowoPłaskie układy obciąŝeń. Opis analityczny wielkości podstawowych. wersory. mechanika techniczna i wytrzymałość materiałów 1 statyka 2
Opis aalitcz wielkości podstawowch wersor e x, e Opis aalitcz wielkości podstawowch współrzęde puktów A( x A, B( x B, A B ) ) Opis aalitcz wielkości podstawowch współrzęde puktów A( x A, B( x B, A B )
Bardziej szczegółowoZADANIA ZAMKNIĘTE. Zadanie 1. (1 pkt) Wartość wyrażenia. b dla a 2 3 i b 2 3 jest równa A B. 5 C. 6 D Zadanie 2.
Zachęcam do samodzielej prac z arkuszem diagostczm. Pozaj swoje moce i słabe stro, a astępie popracuj ad słabmi. Żczę przjemego rozwiązwaia zadań. Zadaie. ( pkt) Wartość wrażeia a ZADANIA ZAMKNIĘTE b dla
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 szczegółowoSIECI RBF (RADIAL BASIS FUNCTIONS)
SIECI RBF (RADIAL BASIS FUNCTIONS) Wybrane slajdy z prezentacji prof. Tadeusiewicza Wykład Andrzeja Burdy S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 5, PWNT, Warszawa 1996. opr. P.Lula,
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 szczegółowoWektory. P. F. Góra. rok akademicki
Wektor P. F. Góra rok akademicki 009-0 Wektor zwiazan. Wektorem zwiazanm nazwam parę punktów. Jeżeli parę tę stanowią punkt,, wektor przez nie utworzon oznaczm. Graficznie koniec wektora oznaczam strzałką.
Bardziej szczegółowo116 MECHANIK NR 3/2015
6 MECHANIK NR 3/05 Rafał KLUZ Ja JAWORSKI Tomasz TRZEPIECIŃSKI 3 błąd pozcjoowaia robota, motaż, staowisko motażowe, robotzacja robot positioig error, assembl, assembl stad, robotisatio DOKŁADNOŚĆ POZYCJONOWANIA
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 szczegółowoKADD Metoda najmniejszych kwadratów
Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie
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 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 szczegółowoCykl III ćwiczenie 3. Temat: Badanie układów logicznych
Ckl III ćwiczenie Temat: Badanie układów logicznch Ćwiczenie składa się z dwóch podtematów: Poziom TTL układów logicznch oraz Snteza układów kombinacjnch Podtemat: Poziom TTL układów logicznch. Wprowadzenie
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 szczegółowoOcena dopasowania modelu do danych empirycznych
Ocea dopasowaia modelu do dach empirczch Po oszacowaiu parametrów modelu ależ zbadać, cz zbudowa model dobrze opisuje badae zależości. Jeśli okaże się, że rozbieżość międz otrzmam modelem a dami empirczmi
Bardziej szczegółowoWersja najbardziej zaawansowana. Zestaw nr 1: Ciągi liczbowe własności i granica
Wersja ajbardziej zaawasowaa. Zestaw r : Ciągi liczbowe własości i graica.. Niech a dla.... Sprawdzić cz a jest ciągiem mootoiczm artmetczm... Sprawdzić cz astępując ciąg jest ciągiem geometrczm. Wpisać
Bardziej szczegółowoCiągi i szeregi liczbowe. Ciągi nieskończone.
Ciągi i szeregi liczbowe W zbiorze liczb X jest określoa pewa fukcja f, jeŝeli kaŝdej liczbie x ze zbioru X jest przporządkowaa dokładie jeda liczba pewego zbioru liczb Y Przporządkowaie to zapisujem w
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 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 szczegółowoMec Me han a ik i a a o gólna Wyp W a yp dko dk w o a w do d w o o w l o ne n g e o g o ukł uk a ł du du sił.
echaika ogóla Wkład r 2 Wpadkowa dowolego układu sił. ówowaga. odzaje sił i obciążeń. odzaje ustrojów prętowch. Wzaczaie reakcji. Wpadkowa układu sił rówoległch rzłożeie układu zerowego (układ sił rówoważącch
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 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 szczegółowoIII. LICZBY ZESPOLONE
Pojęcie ciała 0 III LICZBY ZESPOLONE Defiicja 3 Niech K będie dowolm biorem Diałaiem wewętrm (krótko będiem mówić - diałaiem) w biore K awam każdą fukcję o : K K K Wartość fukcji o dla elemetów K oacam
Bardziej szczegółowoScenariusz lekcji Zwierciadła i obrazy w zwierciadłach
Scenariusz lekcji. Temat lekcji: Zwierciadła i obraz w zwierciadłach 2. Cele: a) Cele poznawcze: Uczeń wie: - co to jest promień świetln, - Ŝe światło rozchodzi się prostoliniowo, - na czm polega zjawisko
Bardziej szczegółowoKluczowy aspekt wyszukiwania informacji:
Wyszukiwaieiformacjitoproceswyszukiwaiawpewymzbiorze tychwszystkichdokumetów,którepoświęcoesąwskazaemuw kweredzietematowi(przedmiotowi)lubzawierająiezbędedla Wg M. A. Kłopotka: użytkowikafaktyiiformacje.
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 szczegółowoRównania różniczkowe cząstkowe
Równania różniczkowe cząstkowe Definicja: Równaniem różniczkowm cząstkowm nazwam takie równanie różniczkowe w którm wstępuje co najmniej jedna pochodna cząstkowa niewiadomej funkcji dwóch lub więcej zmiennch
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 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 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 szczegółowoWSTĘP DO INFORMATYKI BŁĘDY NUMERYCZNE I POPRAWNOŚĆ OBLICZEŃ
Akademia Góriczo-Huticza Wdział Elektrotechiki, Automatki, Iformatki i Iżierii Biomedczej WSTĘP DO INFORMATYKI Adria Horzk BŁĘDY NUMERYCZNE I POPRAWNOŚĆ OBLICZEŃ www.agh.edu.pl POPRAWNOŚĆ OBLICZEŃ Obliczeia
Bardziej szczegółowoMES polega na wyznaczaniu interesujących nas parametrów w skończonej ilości punktów. A co leży pomiędzy tymi punktami?
MES- 07 Interpolacja, wprowadzenie Interpolacja: po co nam to? Ptania MES polega na wznaczaniu interesującch nas parametrów w skończonej ilości punktów. A co leż pomiędz tmi punktami? Na razie rozpatrwaliśm
Bardziej szczegółowoWytrzymałość materiałów
Wtrzmałość materiałów IMiR - IA - Wkład Nr 8 Aaliza stau aprężeia Sta aprężeia w pukcie, tesor aprężeia, klasfikacja staów aprężeia, aaliza jedoosiowego stau aprężeia, aaliza płaskiego stau aprężeia, koło
Bardziej szczegółowoRelacje rekurencyjne. będzie następująco zdefiniowanym ciągiem:
Relacje rekurecyje Defiicja: Niech =,,,... będzie astępująco zdefiiowaym ciągiem: () = r, = r,..., k = rk, gdzie r, r,..., r k są skalarami, () dla k, = a + a +... + ak k, gdzie a, a,..., ak są skalarami.
Bardziej szczegółowoSztuczne sieci neuronowe
2 Sztuczne sieci neuronowe Sztuczna sieć neuronowa (NN ang. Neural Network) to bardzo uproszczon model rzeczwistego biologicznego sstemu nerwowego. Sztuczną sieć neuronową można zdefiniować jako zespolon
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 szczegółowoWykład 2b. Podstawowe zadania identyfikacji. Wybór optymalnego modelu
Wkład b. odstawowe zadaia idetfikaci. Wbór optmalego model Wiki: wioski i hipotez metod proektowaia metod zarządzaia algortm sterowaia metod diagostcze odiesieie wików do obiekt Efekt: owa wiedza owe obiekt
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 szczegółowoOCENA POPYTU POPYT POJĘCIA WSTĘPNE. Definicja: Popyt to ilość dobra, jaką nabywcy gotowi są zakupić przy różnych poziomach ceny.
OCENA POPYTU POPYT POJĘCIA WSTĘPNE Defiicja: Pop o ilość dobra, jaką abwc goowi są zakupić prz różch poziomach ce. Deermia popu: (a) Cea daego dobra (b) Ilość i ce dóbr subsucjch (zw. kokurecjch) (c) Ilość
Bardziej szczegółowoJózef Beluch Akademia Górniczo-Hutnicza w Krakowie. Wpływ wag współrzędnych na wyniki transformacji Helmerta
Józef Beluch Akadema Górczo-Hutcza w Krakowe płw wag współrzędch a wk trasformacj Helmerta . zór a trasformację współrzędch sposobem Helmerta: = c + b = d + a + a b () 2 2. Dwa modele wzaczea parametrów
Bardziej szczegółowoĆwiczenie 361 Badanie układu dwóch soczewek
Nazwisko... Data... Wdział... Imię... Dzień tg.... Godzina... Ćwiczenie 36 Badanie układu dwóch soczewek Wznaczenie ogniskowch soczewek metodą Bessela Odległość przedmiotu od ekranu (60 cm 0 cm) l Soczewka
Bardziej szczegółowoOBLICZANIE GEOMETRYCZNYCH MOMENTÓW BEZWŁADNOŚCI FIGUR PŁASKICH, TWIERDZENIE STEINERA LABORATORIUM RACHUNKOWE
OBLICZNIE GEOMETRYCZNYCH MOMENTÓW BEZWŁDNOŚCI FIGUR PŁSKICH, TWIERDZENIE STEINER LBORTORIUM RCHUNKOWE Prz oblczeach wtrzmałoścowch dotczącch ektórch przpadków obcążea (p. zgae) potrzeba jest zajomość pewch
Bardziej szczegółowoWektory Funkcje rzeczywiste wielu. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski
Wektory Fukcje rzeczywiste wielu zmieych rzeczywistych Matematyka Studium doktorackie KAE SGH Semestr leti 2008/2009 R. Łochowski Wektory pukty w przestrzei R Przestrzeń R to zbiór uporządkowaych -ek liczb
Bardziej szczegółowoPRZYRZĄDY SUWMIARKOWE, MIKROMETRYCZNE, CZUJNIKI, MASZYNY POMIAROWE. Równanie określające podziałkę noniusza suwmiarki:
RZYRZĄDY SUWMIARKOWE, MIKROMETRYCZNE, CZUJNIKI, MASZYNY OMIAROWE Rówaie określające podziałkę oiusza suwmiarki: L e M Lep L 1 M moduł oiusza, L e długość działki elemetarej oiusza, L ep długość działki
Bardziej szczegółowo1. Określ monotoniczność podanych funkcji, miejsce zerowe oraz punkt przecięcia się jej wykresu z osią OY
. Określ ootoiczość podch fukcji, iejsce zerowe orz pukt przecięci się jej wkresu z osią OY ) 8 ) 8 c) Określjąc ootoiczość fukcji liiowej = + korzst z stępującej włsości: Jeżeli > to fukcj liiow jest
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 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 szczegółowoZadania domowe z Analizy Matematycznej III - czȩść 2 (funkcje wielu zmiennych)
Zadaia domowe z AM III dla grup E7 (semestr zimow 07/08) Czȩść Zadaia domowe z Aaliz Matematczej III - czȩść (fukcje wielu zmiech) Zadaie. Obliczć graice lub wkazać że ie istiej a: (a) () (00) (b) + ()
Bardziej szczegółowoEGZAMIN GIMNAZJALNY W ROKU SZKOLNYM 2011/2012
Centralna Komisja Egzaminacjna EGZAMIN GIMNAZJALNY W ROKU SZKOLNYM 2011/2012 CZĘŚĆ MATEMATYCZNO-PRZYRODNICZA MATEMATYKA ODPOWIEDZI I PROPOZYCJE OCENIANIA PRZYKŁADOWEGO ZESTAWU ZADAŃ PAŹDZIERNIK 2011 Zadania
Bardziej szczegółowoElementy rach. macierzowego Materiały pomocnicze do MES Strona 1 z 7. Elementy rachunku macierzowego
Elemety rach macierzowego Materiały pomocicze do MES Stroa z 7 Elemety rachuku macierzowego Przedstawioe poiżej iformacje staowią krótkie przypomieie elemetów rachuku macierzowego iezbęde dla zrozumieia
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 szczegółowoInterpolacja. Układ. x exp. = y 1. = y 2. = y n
MES 07 lokaln Interpolacja. Układ Interpolacja, wprowadzenie Interpolacja: po co nam to? Ptania MES polega na wznaczaniu interesującch nas parametrów w skończonej ilości punktów. A co leż pomiędz tmi punktami?
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 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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wykład wstępy. Teoria prawdopodobieństwa i elemety kombiatoryki 3. Zmiee losowe 4. Populacje i próby daych 5. Testowaie hipotez i estymacja parametrów 6. Test t 7. Test 8. Test
Bardziej szczegółowoAlgorytmy I Struktury Danych Prowadząca: dr Hab. inż. Małgorzata Sterna. Sprawozdanie do Ćwiczenia 1 Algorytmy sortowania (27.02.
Poiedziałki 11.45 Grupa I3 Iformatyka a wydziale Iformatyki Politechika Pozańska Algorytmy I Struktury Daych Prowadząca: dr Hab. iż. Małgorzata Stera Sprawozdaie do Ćwiczeia 1 Algorytmy sortowaia (27.2.12)
Bardziej szczegółowoWprowadzenie. metody elementów skończonych
Metody komputerowe Wprowadzeie Podstawy fizycze i matematycze metody elemetów skończoych Literatura O.C.Ziekiewicz: Metoda elemetów skończoych. Arkady, Warszawa 972. Rakowski G., acprzyk Z.: Metoda elemetów
Bardziej szczegółowo8. Optymalizacja decyzji inwestycyjnych
8. Optymalizacja decyzji iwestycyjych 8. Wprowadzeie W wielu różych sytuacjach, w tym rówież w czasie wyboru iwestycji do realizacji, podejmujemy decyzje. Sytuacje takie azywae są sytuacjami decyzyjymi.
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoMETODY KOMPUTEROWE 1
MTODY KOMPUTROW WIADOMOŚCI WSTĘPN MTODA ULRA Mcał PŁOTKOWIAK Adam ŁODYGOWSKI Kosultacje aukowe dr z. Wtold Kąkol Pozań 00/00 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN Metod umercze MN pozwalają a ormułowae matematczc
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 szczegółowoMateriał ćwiczeniowy z matematyki marzec 2012
Materiał ćwiczeiowy z matematyki marzec 0 Klucz puktowaia do zadań zamkiętych oraz schemat oceiaia do zadań otwartych dla iewidomych POZIOM PODSTAWOWY Klucz puktowaia do zadań zamkiętych Nr zad 3 4 6 7
Bardziej szczegółowoRozwiązywanie belek prostych i przegubowych wyznaczanie reakcji i wykresów sił przekrojowych 6
ozwiązwanie beek prostch i przegubowch wznaczanie reakcji i wkresów sił przekrojowch 6 Obciążenie beki mogą stanowić sił skupione, moment skupione oraz obciążenia ciągłe q rs. 6.. s. 6. rzed przstąpieniem
Bardziej szczegółowoNAUKA. 2. Nie jest równoodległościowa:
rtkuł recezowa: O badaiu ziekształceń modeli trasormacji map a podstawie elips Tissota Długości, pola kąt Streszczeie: O badaiu ziekształceń modeli trasormacji map a podstawie elips Tissota. W artkule
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch
Bardziej szczegółowoA.Z. Górski, S. Drożdż, J. Kwapień, P. Oświęcimka. Zakład Teorii Systemów Złożonych, Instytut Fizyki Jądrowej PAN, Kraków
COMPLEXITY CHARACTERISTICS OF CURRENCY NETWORKS A.Z. Górski, S. Drożdż, J. Kwapień, P. Oświęcimka Zakład Teorii Sstemów Złożoch, Isttut Fizki Jądrowej PAN, Kraków Układ o wielkiej złożoości moża przedstawiać
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch
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 szczegółowoRealizacja funkcji przełączających
Realizacja funkcji przełączającch. Wprowadzenie teoretczne.. Podstawowe funkcje logiczne Funkcja logiczna NOT AND OR Zapis = x x = = x NAND NOR.2. Metoda minimalizacji funkcji metodą tablic Karnaugha Metoda
Bardziej szczegółowoRównania różniczkowe cząstkowe
Równania różniczkowe cząstkowe Definicja Równaniem różniczkowm cząstkowm nazwam takie równanie różniczkowe w którm wstępuje co najmniej jedna pochodna cząstkowa niewiadomej funkcji dwóch lub więcej zmiennch
Bardziej szczegółowoTRANSFORMACJA DO UKŁADU 2000 A PROBLEM ZGODNOŚCI Z PRG
Tomasz ŚWIĘTOŃ 1 TRANSFORMACJA DO UKŁADU 2000 A ROBLEM ZGODNOŚCI Z RG Na mocy rozporządzeia Rady Miistrów w sprawie aństwowego Systemu Odiesień rzestrzeych już 31 grudia 2009 roku upływa termi wykoaia
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy
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 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 szczegółowoElementy cyfrowe i układy logiczne
Element cfrowe i układ logiczne Wkład 6 Legenda Technika cfrowa. Metod programowania układów PLD Pamięć ROM Struktura PLA Struktura PAL Przkład realizacji 3 4 5 6 7 8 Programowanie PLD po co? ustanowić
Bardziej szczegółowo11. CZWÓRNIKI KLASYFIKACJA, RÓWNANIA
OBWODY SYGNAŁY Wkład : Czwórniki klasfikacja, równania. CZWÓRNK KLASYFKACJA, RÓWNANA.. WELOBEGNNK A WELOWROTNK CZWÓRNK Definicja. Jeśli: wielobiegunnik posiada parzstą liczbę zacisków (tzn. mn) zgrupowanch
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 szczegółowoTeoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka
Nepewośc pomarowe. Teora praktka. Prowadząc: Dr ż. Adrzej Skoczeń Wższa Szkoła Turstk Ekolog Wdzał Iformatk, rok I Fzka 014 03 30 WSTE Sucha Beskdzka Fzka 1 Iformacje teoretcze zameszczoe a slajdach tej
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 szczegółowoZ funkcji zdaniowej x + 3 = 7 można otrzymać zdania w dwojaki sposób:
Z funkcji zdaniowej + 3 = 7 można otrzmać zdania w dwojaki sposób: podstawiając w tej funkcji zdaniowej za stałe będące nazwami liczb np. 4 2 itp. poprzedzając tę funkcję zdaniową zwrotami: dla każdego
Bardziej szczegółowoWnioskowanie statystyczne dla korelacji i regresji.
STATYSTYKA MATEMATYCZNA WYKŁAD 6 Woskowae statstcze dla korelacj regresj. Aalza korelacj Założee: zmea losowa dwuwmarowa X, Y) ma rozkład ormal o współczku korelacj ρ. X, Y cech adae rówocześe. X X X...
Bardziej szczegółowoPodstawy wytrzymałości materiałów
Podstaw wtrzmałości materiałów IMiR - MiBM - Wkład Nr 4 Aaliza stau aprężeia Sta aprężeia w pukcie, tesor aprężeia, klasfikacja staów aprężeia, aaliza jedoosiowego stau aprężeia, aaliza płaskiego stau
Bardziej szczegółowoPOMIARY WARSZTATOWE. D o u ż y t k u w e w n ę t r z n e g o. Katedra Inżynierii i Aparatury Przemysłu Spożywczego. Ćwiczenia laboratoryjne
D o u ż y t k u w e w ę t r z e g o Katedra Iżyierii i Aparatury Przemysłu Spożywczego POMIARY WARSZTATOWE Ćwiczeia laboratoryje Opracowaie: Urszula Goik, Maciej Kabziński Kraków, 2015 1 SUWMIARKI Suwmiarka
Bardziej szczegółowoScenariusz lekcji matematyki z wykorzystaniem komputera
Scenariusz lekcji matematki z wkorzstaniem komputera Temat: Wpłw współcznników a i b na położenie wkresu funkcji liniowej. (Rsowanie wkresów prz użciu arkusza kalkulacjnego EXCEL.) Czas zajęć: 9 min Cele:
Bardziej szczegółowoWypadkowa zbieżnego układu sił
.4.. padkowa zbieżego układu sił rzestrze układ sił Siłami zbieżmi azwam sił, którch liie działaia przeciają się w jedm pukcie, azwam puktem zbieżości (rs..a). oieważ sił działające a ciało sztwe moża
Bardziej szczegółowoRozwiązywanie układu równań metodą przeciwnych współczynników
Rozwiązwanie układu równań metodą przeciwnch współcznników Sposob postępowania krok po kroku: I. przgotowanie równań. pozbwam się ułamków mnoŝąc kaŝd jednomian równania równań przez najmniejszą wspólną
Bardziej szczegółowoOpracowanie wyników pomiarów
Opracowae wków pomarów Praca w laboratorum fzczm polega a wkoau pomarów, ch terpretacj wcagęcem wosków. Ab dojść do właścwch wosków aleŝ szczególą uwagę zwrócć a poprawość wkoaa pomarów mmalzacj błędów
Bardziej szczegółowoSTATYSTYKA I ANALIZA DANYCH
TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica
Bardziej szczegółowoPrzenoszenie niepewności
Przenoszenie niepewności Uwaga wstępna: pojęcia niepewność pomiarowa i błąd pomiarow są stosowane wmiennie. Załóżm, że wielkość jest funkcją wielkości,,, dla którch niepewności (,, ) są znane (wnikają
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 szczegółowo