Algorytmy ewolucyjne
|
|
- Jarosław Domagała
- 6 lat temu
- Przeglądów:
Transkrypt
1 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 raczej streszczeie omawiaego materiału, pokazaie wybraych algorytmów, przedstawieie wybraych przykładów dlatego przejrzeie samych prezetacji czasami może ie wystarczyć do zrozumieia treści całego wykładu listy zadań propozycje miireferatów i miikokursów materiały dodatkowe rozszerzające treść wykładu ogłoszeia bieżące Piotr Lipiński, Wykład z algorytmów ewolucyjych
2 Zasady zaliczeia Ćwiczeia/pracowie: Będzie moża zdobywać pukty za: listy zadań (za 80 puktów łączie) każda lista zadań będzie dotyczyć pewych zagadień związaych z algorytmami ewolucyjymi część zadań będzie polegać a zaimplemetowaiu pewych algorytmów i wykorzystaiu ich do rozwiązaia przykładowych problemów, a część a omówieiu przy tablicy pewych mechaizmów algorytmów ewolucyjych a realizację każdej listy zadań będzie określoy czas, zwykle lub tygodie projekt (za 30 puktów) sprawdzia (za 0 puktów) pukty bousowe za dodatkową aktywość (miireferaty, miikokursy, itp.) Łączie będzie do zdobycia miimum 0 puktów (oprócz puktów bousowych) Na zaliczeie wymagae jest 60 puktów. Progi a puktów poszczególe ocey to: puktów puktów 96 puktów 08 puktów Na oceę bardzo dobrą wymagae jest dodatkowo przygotowaie i wygłoszeie miireferatu. Wykład: egzami 5.0 Piotr Lipiński, Wykład z algorytmów ewolucyjych 3 Zasady zaliczeia Kilka przykładów: Studet, który zdobędzie 40 puktów za listy zadań, 0 puktów ze sprawdziau i 0 puktów za projekt, zaliczy zajęcia z oceą 3.0. Studet, który zdobędzie 60 puktów za listy zadań, 0 puktów ze sprawdziau i 0 puktów za projekt, zaliczy zajęcia z oceą 3.0. Studet, który zdobędzie 55 puktów za listy zadań, 0 puktów ze sprawdziau, 0 puktów za projekt i 5 puktów za miireferat, zaliczy zajęcia z oceą 3.0. Studet, który zdobędzie 75 puktów za listy zadań, 0 puktów ze sprawdziau, 0 puktów za projekt i 5 puktów za miireferat, zaliczy zajęcia z oceą 5.0. Studet, który zdobędzie 75 puktów za listy zadań, 0 puktów ze sprawdziau i 5 puktów za projekt, zaliczy zajęcia z oceą 4.5 (a oceę 5.0 wymagay jest miireferat). UWAGA: Projekt może wymagać sporo pracy. Musi zawierać przemyśleie wybraego problemu, opracowaie algorytmu jego rozwiązywaia, implemetację tego algorytmu, przeprowadzeie eksperymetów obliczeiowych i wykoaie raportu z testowaia opracowaego podejścia. Piotr Lipiński, Wykład z algorytmów ewolucyjych 4
3 Program wykładu Wprowadzeie do problemów optymalizacji Wprowadzeie do heurystyczych algorytmów optymalizacji Problemy optymalizacji: Klasycze problemy optymalizacji Wielomodale problemy optymalizacji Wielokryteriale problemy optymalizacji Dyamicze problemy optymalizacji Algorytmy ewolucyje: algorytmy geetycze, strategie ewolucyje, programowaie geetycze, programowaie ewolucyje (m.i. SGA, ES, GP, EP, messyga, DE) proste algorytmy estymowaia rozkładu (m.i. CGA, PBIL, ECGA) algorytmy oparte a sieciach bayesowskich i gaussowskich (EBNA, EGNA, BOA) algorytmy optymalizacji wielokryterialej (m.i. NSGA, SPEA, MOEA/D) Zastosowaia: klasycze problemy optymalizacji (m.i. TSP, QAP, Q3AP) systemy ekspertowe, systemy klasyfikujące, systemy wspomagaia decyzji evolutioary robotics, embodied evolutio i ie Piotr Lipiński, Wykład z algorytmów ewolucyjych 5 Klasyczy problem optymalizacji Niech F : Ω R będzie fukcją określoą a zbiorze Ω i przyjmującą wartości rzeczywiste. Problem miimalizacji fukcji F a zadaym zbiorze D Ω polega a zalezieiu miimum fukcji F a zbiorze D (i puktu, w którym fukcja to miimum przyjmuje), tz. a zalezieiu x 0 D takiego, że dla każdego x D \ {x 0 } zachodzi F(x 0 ) < F(x). Problem maksymalizacji fukcji F a zadaym zbiorze D Ω polega a zalezieiu maksimum fukcji F a zbiorze D (i puktu, w którym fukcja to maksimum przyjmuje), tz. a zalezieiu x 0 D takiego, że dla każdego x D \ {x 0 } zachodzi F(x) < F(x 0 ). Każdy problem miimalizacji może zostać przekształcoy do problemu maksymalizacji i każdy problem maksymalizacji może zostać przekształcoy do problemu miimalizacji. UWAGI: Zbiór Ω azywamy przestrzeią poszukiwań. Fukcję F azywamy fukcją celu. Zbiór D azywamy zbiorem rozwiązań dopuszczalych. W praktyce, często rozszerza się problem zastępując ierówości ostre ieostrymi i starając się zaleźć wszystkie pukty x 0 spełiające powstały waruek. W praktyce, często ie jest waże zalezieie dokładych puktów miimów czy maksimów fukcji celu, a jedyie ich przybliżeń lub puktów, w których fukcja celu przyjmuje wartości "dostateczie iskie" lub "dostateczie wysokie" z praktyczego puktu widzeia. Piotr Lipiński, Wykład z algorytmów ewolucyjych 6 3
4 Klasyczy problem optymalizacji Często zakłada się, że przestrzeń poszukiwań Ω jest przestrzeią metryczą z pewą metryką ρ. Wówczas moża defiiować pojęcie otoczeia puktu, a przykład otoczeie puktu x 0 o promieiu ε > 0 moża określić jako S = {x : ρ(x 0, x) < ε}. Mówimy, że fukcja F przyjmuje miimum lokale w pukcie x 0 Ω, jeśli istieje otoczeie S puktu x 0 takie, że dla każdego x S \ {x 0 } zachodzi F(x 0 ) < F(x). Mówimy, że fukcja F przyjmuje maksimum lokale w pukcie x 0 Ω, jeśli istieje otoczeie S puktu x 0 takie, że dla każdego x S \ {x 0 } zachodzi F(x) < F(x 0 ). Piotr Lipiński, Wykład z algorytmów ewolucyjych 7 Klasyczy problem optymalizacji Przykład (fukcje aalitycze): Zaleźć miimum fukcji F(x) = 3x x +. Zaleźć miimum fukcji F(x, y) = x 7 y 3 x + 3y Zaleźć miimum fukcji F(x), określoej jak wyżej, ale rozwiązaiami dopuszczalymi są jedyie liczby całkowite. Przykład (problemy kombiatorycze): Problem komiwojażera. Problem QAP. Problem Q3AP. Przykład 3 (fukcje "obliczeiowe" / Black Box Optimizatio): W praktyce często mamy do czyieia z fukcjami, których dokłade matematycze defiicje i wzory ie są zae. Fukcje takie są obliczae w zaday sposób, a przykład w procesie symulacji pewych zjawisk. Cała asza wiedza o takiej fukcji to zajomość procedury obliczaia jej wartości dla zadaego argumetu. Przykład 4: Fukcje pochodzące z systemów uczeia maszyowego: systemów ekspertowych, systemów klasyfikujących, systemów wspomagaia decyzji. Przykład 5: Fukcje określoe a drzewach, grafach czy iych złożoych obiektach. Piotr Lipiński, Wykład z algorytmów ewolucyjych 8 4
5 Przykład klasyfikacja wielospektralych obrazów satelitarych Wielospektraly obraz satelitary: obraz wielospektraly składa się z pewej liczby warstw (zazwyczaj jest duże, p. = 5) (aalogiczie jak obraz RGB składa się z 3 warstw: R, G i B) każdy pukt obrazu q jest więc opisay przez parametrów: q, q,, q (parametry te mogą być liczbami jedobajtowymi lub ogóliej liczbami rzeczywistymi) Klasyfikacja: a obrazie chcemy rozpozawać pewe klasy puktów, a przykład odpowiadające budykom, drogom, trawikom, zbiorikom wodym, itp. pewie fragmet obrazu został wcześiej wzorcowo sklasyfikoway, możemy użyć go do utworzeia/auczeia systemu automatyczej klasyfikacji iech K ozacza liczbę rozważaych klas, zaś C, C,, CK będą etykietami tych klas Piotr Lipiński, Wykład z algorytmów ewolucyjych 9 Przykład klasyfikacja wielospektralych obrazów satelitarych C3 ustaloe wzorce klas pukt obrazu jest zgody ze wzorcem klasy C3 (parametry zawierają się w odpowiedich przedziałach) Piotr Lipiński, Wykład z algorytmów ewolucyjych 0 5
6 Przykład klasyfikacja wielospektralych obrazów satelitarych Propoowae podejście: Dla zadaego puktu q, klasyfikator będzie kolejo określał czy pukt q ależy do klasy C, klasy C,, klasy CK. Jeśli pukt będzie ależał do więcej iż jedej klasy, to klasyfikator zwróci błąd (pukt ieokreśloy). Klasyfikator będzie określał czy pukt q ależy do klasy C przez sprawdzeie waruków postaci: q [a ] q [a ] q [a ], gdzie a, a,, a, to ustaloe parametry określające klasę C. Problem: Jak wyzaczyć właściwe parametry określające klasy? Moża sprowadzić to do problemu optymalizacji: Przestrzeń poszukiwań: Zbiór wszystkich możliwych kofiguracji systemu (ciągów parametrów), tz. zbiór wektorów liczb rzeczywistych o długości K. Fukcja celu: argumetem fukcji celu jest ciąg parametrów [a, a,, a,, a (C), a (C),, a (C) (C) (C), (C),, a, a,, a, ] wartość fukcji celu jest obliczaa przez uruchomieie klasyfikatora z zadaą przez argumet fukcji celu kofiguracją systemu (ciągiem parametrów) dla daych uczących (fragmetu obrazu wzorcowo sklasyfikowaego) i policzeie liczby błędie sklasyfikowaych puktów obrazu Wyzaczeie właściwej kofiguracji systemu polega więc a zalezieiu miimum fukcji celu a przestrzei poszukiwań. Piotr Lipiński, Wykład z algorytmów ewolucyjych Przykład problem QAP Quadratic Assigmet Problem (QAP): rozpatrujemy miejscowości, w których ależy zbudować fabryk (w każdej miejscowości ma powstać dokładie jeda fabryka) przypisaie fabryk do miejscowości (rozmieszczeie fabryk) to permutacja p = (p, p,, p ) liczb,,,, taka że p k ozacza umer miejscowości, w której zostaie zbudowaa fabryka umer k daa jest macierz odległości między miejscowościami macierz D rozmiaru x, o elemetach d(i, j) ozaczających odległość miejscowości i od miejscowości j daa jest macierz przepływu towarów między fabrykami macierz F rozmiaru x, o elemetach f(k, l) ozaczających wartość przepływu towarów z fabryki k do fabryki l ależy zaleźć takie rozmieszczeie fabryk p, żeby łączy koszt przepływu towarów c(p) był miimaly: c( p) = k = l= f ( k, l) d( p k, p l ) Piotr Lipiński, Wykład z algorytmów ewolucyjych 6
7 Przykład programowaie geetycze Przestrzeią poszukiwań może być zbiór drzew (a przykład drzew klasyfikujących). Fukcja celu jest wówczas określoa a tych drzewach (a przykład jako sprawość klasyfikatora liczoa a pewych daych uczących). Zagadieie optymalizacji polega a zalezieiu maksimum fukcji celu, czyli zalezieiu drzewa spełiającego pewe kryteria (a przykład ajlepiej klasyfikującego dae uczące). Programowaie geetycze to algorytmy zajmujące się problemami optymalizacji określoymi a zbiorach drzew. Piotr Lipiński, Wykład z algorytmów ewolucyjych 3 Klasyczy problem optymalizacji Populare metody rozwiązywaia: aaliza matematycza (fukcji jedej i wielu zmieych) programowaie liiowe i kwadratowe algorytm simplex (dla wypukłych problemów optymalizacji) algorytmy aproksymacyje algorytmy przeszukiwaia algorytm pełego przeglądu algorytmy heurystycze Simulated Aealig Tabu Search Hill Climbig algorytmy przeszukiwaia populacyjego, w tym algorytmy ewolucyje Dla wielu praktyczych problemów algorytmy optymalizacji gwaratujące poprawość rozwiązaia ie mogą zostać zastosowae. Algorytmy aproksymacyje, awet jeśli mogą być zastosowae do takich problemów, to mimo że gwaratują określoą dokładość rozwiązaia, często dostarczają rozwiązań zbyt słabych. Prowadzi to do koieczości stosowaia heurystyczych algorytmów przeszukiwaia. Piotr Lipiński, Wykład z algorytmów ewolucyjych 4 7
8 Uogólioe problemy optymalizacji Wielomodaly problem optymalizacji Celem ie jest zalezieie maksimum globalego fukcji celu, ale określoej liczby ajwiększych maksimów lokalych fukcji celu. Przykład: projektowaie kształtów spełiających pewe kryteria (fukcja celu mierzy stopień spełiaia tych kryteriów), użytkowik jedak chciałby mieć możliwość wybraia rozwiązaie gorszego (o iższej wartości fukcji celu), ale "ładiejszego" (a tego kryterium użytkowik ie potrafi sprecyzować). Wielokryterialy problem optymalizacji Zamiast jedej fukcji celu jest ich kilka, często ze sobą sprzeczych. Celem jest zalezieie rozwiązaia kompromisowego, optymalizującego kilka sprzeczych ze sobą kryteriów. Przykład: maksymalizacja oczekiwaego zysku z iwestycji przy jedoczesej miimalizacji ryzyka. Dyamiczy problem optymalizacji Fukcja celu zmieia się w czasie. Zmiay są a tyle częste, że ie moża rozpatrywać tego problemu jako ciągu statyczych problemów optymalizacji, ale ależy w algorytmie optymalizacji uwzględić fakt, że fukcji celu zmieia się w trakcie jego wykoywaia. Przykład: system wspomagaia decyzji dla środowisk dyamiczych, m.i. Opartych a szeregach czasowych wysokiej częstotliwości. Piotr Lipiński, Wykład z algorytmów ewolucyjych 5 8
Wektory 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 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 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 szczegółowoMatematyka I. Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr zimowy 2018/2019 Wykład 11
Matematyka I Bezpieczeństwo jądrowe i ochroa radiologicza Semestr zimowy 2018/2019 Wykład 11 Całka ozaczoa podstawowe pojęcia Defiicja podziału odcika Podziałem P odcika < a, b > a części azywamy zbiór
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 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 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 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 szczegółowoInformatyka Stosowana-egzamin z Analizy Matematycznej Każde zadanie należy rozwiązać na oddzielnej, podpisanej kartce!
Iformatyka Stosowaa-egzami z Aalizy Matematyczej Każde zadaie ależy rozwiązać a oddzielej, podpisaej kartce! y, Daa jest fukcja f (, + y, a) zbadać ciągłość tej fukcji f b) obliczyć (,) (, (, (,) c) zbadać,
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 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 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 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 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 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 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 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 szczegółowoZdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe
Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
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 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 szczegółowoModuł 4. Granica funkcji, asymptoty
Materiały pomocicze do e-learigu Matematyka Jausz Górczyński Moduł. Graica fukcji, asymptoty Wyższa Szkoła Zarządzaia i Marketigu Sochaczew Od Autora Treści zawarte w tym materiale były pierwotie opublikowae
Bardziej szczegółowoEkonomia matematyczna 2-2
Ekoomia matematycza - Fukcja produkcji Defiicja Efektywym przekształceiem techologiczym azywamy odwzorowaie (iekiedy wielowartościowe), które kazdemu wektorowi akładów R przyporządkowuje zbiór wektorów
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 szczegółowoP = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +
Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch
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 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 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 szczegółowoCiągi liczbowe wykład 3
Ciągi liczbowe wykład 3 dr Mariusz Grządziel semestr zimowy, r akad 204/205 Defiicja ciągu liczbowego) Ciagiem liczbowym azywamy fukcję odwzorowuja- ca zbiór liczb aturalych w zbiór liczb rzeczywistych
Bardziej szczegółowoInformacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów
Eksploracja danych Piotr Lipiński Informacje ogólne Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów UWAGA: prezentacja to nie
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIV, 06.06.06 STATYSTYKA BAYESOWSKA CD. Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 1A, zima 2012/13. Ciągi.
Jarosław Wróblewski Aaliza Matematycza 1A, zima 2012/13 Ciągi. Ćwiczeia 5.11.2012: zad. 140-173 Kolokwium r 5, 6.11.2012: materiał z zad. 1-173 Ćwiczeia 12.11.2012: zad. 174-190 13.11.2012: zajęcia czwartkowe
Bardziej szczegółowoStwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic).
Materiały dydaktycze Aaliza Matematycza Wykład Ciągi liczbowe i ich graice. Graice ieskończoe. Waruek Cauchyego. Działaia arytmetycze a ciągach. Podstawowe techiki obliczaia graic ciągów. Istieie graic
Bardziej szczegółowoz przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X
Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIII, 30.05.06 STATYSTYKA BAYESOWSKA Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
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 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 szczegółowoAnaliza numeryczna Kurs INP002009W. Wykład 1 Narzędzia matematyczne. Karol Tarnowski A-1 p.223
Aaliza umerycza Kurs INP002009W Wykład Narzędzia matematycze Karol Tarowski karol.tarowski@pwr.wroc.pl A- p.223 Pla wykładu Czym jest aaliza umerycza? Podstawowe pojęcia Wzór Taylora Twierdzeie o wartości
Bardziej szczegółowoRekursja 2. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Rekursja Materiały pomocicze do wykładu wykładowca: dr Magdalea Kacprzak Rozwiązywaie rówań rekurecyjych Jedorode liiowe rówaia rekurecyje Twierdzeie Niech k będzie ustaloą liczbą aturalą dodatią i iech
Bardziej szczegółowoMetody numeryczne. Marek Lefik. Wykład 1 Studia doktoranckie
Metody umerycze Marek Lefik Wykład 1 Studia doktorackie 01-013 Metody umerycze: wstęp ogóly Czemu służą MN Rozwiązaia symbolicze zagadień brzegowych dla skomplikowaej geometrii ie jest możliwe Rozwiązaia
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 szczegółowox R, (1) Ogólnie równanie o jednej niewiadomej x można przedstawić w postaci
Metody rozwiązywaia rówań ieliiowyc i ic układów Rozwiązywaie rówań ieliiowyc Ogólie rówaie o jedej iewiadomej moża przedstawić w postaci 0 R gdzie jest wystarczająco regularą ukcją. Naszym celem ie jest
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna A1, zima 2011/12. Kresy zbiorów. x Z M R
Kresy zbiorów. Ćwiczeia 21.11.2011: zad. 197-229 Kolokwium r 7, 22.11.2011: materiał z zad. 1-249 Defiicja: Zbiór Z R azywamy ograiczoym z góry, jeżeli M R x Z x M. Każdą liczbę rzeczywistą M R spełiającą
Bardziej szczegółowoEkonomia matematyczna - 1.1
Ekoomia matematycza - 1.1 Elemety teorii kosumeta 1. Pole preferecji Ozaczmy R x x 1,...,x : x j 0 x x, x j1 j. R rozpatrujemy z ormą x j 2. Dla x x 1,...,x,p p 1,...,p Ip x, p x j p j x 1 p 1 x 2 p 2...x
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 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 szczegółowoĆwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny
TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości
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 szczegółowoPODSTAWOWE ZAGADNIENIA METODOLOGICZNE
PODSTAWOWE ZAGADNIENIA METODOLOGICZNE. Wprowadzeie W ekoomii i aukach o zarządzaiu obserwuje się tedecję do ilościowego opisu zależości miedzy zjawiskami ekoomiczymi. Umożliwia to - zobiektywizowaie i
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 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 szczegółowoHarmonogramowanie linii montażowej jako element projektowania cyfrowej fabryki
52 Sławomir Herma Sławomir HERMA atedra Iżyierii Produkcji, ATH w Bielsku-Białej E mail: slawomir.herma@gmail.com Harmoogramowaie liii motażowej jako elemet projektowaia cyfrowej fabryki Streszczeie: W
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 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 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 szczegółowoBADANIA DOCHODU I RYZYKA INWESTYCJI
StatSoft Polska, tel. () 484300, (60) 445, ifo@statsoft.pl, www.statsoft.pl BADANIA DOCHODU I RYZYKA INWESTYCJI ZA POMOCĄ ANALIZY ROZKŁADÓW Agieszka Pasztyła Akademia Ekoomicza w Krakowie, Katedra Statystyki;
Bardziej szczegółowoLaboratorium Sensorów i Pomiarów Wielkości Nieelektrycznych. Ćwiczenie nr 1
1. Cel ćwiczeia: Laboratorium Sesorów i Pomiarów Wielkości Nieelektryczych Ćwiczeie r 1 Pomiary ciśieia Celem ćwiczeia jest zapozaie się z kostrukcją i działaiem czujików ciśieia. W trakcie zajęć laboratoryjych
Bardziej szczegółowoFunkcje tworz ce skrypt do zada«
Fukcje tworz ce skrypt do zada«mateusz Rapicki, Piotr Suwara 20 maja 2012 1 Kombiatoryka Deicja 1 (dwumia Newtoa) dla liczb caªkowitych ieujemych, k to liczba k sposobów wybraia k elemetów z -elemetowego
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 szczegółowoI kolokwium z Analizy Matematycznej
I kolokwium z Aalizy Matematyczej 4 XI 0 Grupa A. Korzystając z zasady idukcji matematyczej udowodić ierówość dla wszystkich N. Rozwiązaie:... 4 < + Nierówość zachodzi dla, bo 4
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 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 szczegółowoEGZAMIN MATURALNY Z INFORMATYKI MAJ 2011 POZIOM ROZSZERZONY WYBRANE: CZĘŚĆ I. Czas pracy: 90 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 WISUJE ZDAJĄCY ESEL Miejsce a aklejkę z kodem EGZAMIN MATURALNY Z INORMATYKI
Bardziej szczegółowoPoziom rozszerzony. 5. Ciągi. Uczeń:
PIOTR LUDWIKOWSKI Materiał z wykładu z aalizy dla uczestików koerecji Podstawa programowa z kometarzami Tom 6 Edukacja matematycza i techicza w szkole podstawowej, gimazjum i liceum matematyka, zajęcia
Bardziej szczegółowoAPROKSYMACJA I INTERPOLACJA. funkcja f jest zbyt skomplikowana; użycie f w dalszej analizie problemu jest trudne
APROKSYMACJA I INTERPOLACJA Przybliżeie fucji f(x) przez ią fucję g(x) fucja f jest zbyt sompliowaa; użycie f w dalszej aalizie problemu jest trude fucja f jest zaa tylo tabelaryczie; wymagaa jest zajomość
Bardziej szczegółowoROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO
Agieszka Jakubowska ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO. Wstęp Skąplikowaie współczesego życia gospodarczego powoduje, iż do sterowaia procesem zarządzaia
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 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 szczegółowoWzór Taylora. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski
Wzór Taylora Szeregi potęgowe Matematyka Studium doktorackie KAE SGH Semestr leti 8/9 R. Łochowski Graica fukcji w pukcie Niech f: R D R, R oraz istieje ciąg puktów D, Fukcja f ma w pukcie graicę dowolego
Bardziej szczegółowoSystemy operacyjne
Systemy operacyje 26.11.2010 Zasady poprawości harmoogramu w każdej chwili procesor może wykoywać tylko jedo zadaie w każdej chwili zadaie może być obsługiwae przez co ajwyżej jede procesor Zadaie Z j
Bardziej szczegółowo1 Układy równań liniowych
Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b
Bardziej szczegółowoZadania z analizy matematycznej - sem. I Szeregi liczbowe
Zadaia z aalizy matematyczej - sem. I Szeregi liczbowe Defiicja szereg ciąg sum częściowyc. Szeregiem azywamy parę uporządkowaą a ) S ) ) ciągów gdzie: ciąg a ) ciąg S ) jest day jest ciągiem sum częściowych
Bardziej szczegółowoSzeregi liczbowe. Szeregi potęgowe i trygonometryczne.
Szeregi iczbowe. Szeregi potęgowe i trygoometrycze. wykład z MATEMATYKI Automatyka i Robotyka sem. I, rok ak. 2008/2009 Katedra Matematyki Wydział Iformatyki Poitechika Białostocka Szeregi iczbowe Defiicja..
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 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 szczegółowo5. Zasada indukcji matematycznej. Dowody indukcyjne.
Notatki do lekcji, klasa matematycza Mariusz Kawecki, II LO w Chełmie 5. Zasada idukcji matematyczej. Dowody idukcyje. W rozdziale sformułowaliśmy dla liczb aturalych zasadę miimum. Bezpośredią kosekwecją
Bardziej szczegółowoAnaliza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych
Temat: Poprawo całkowita i czciowa algorytmu. Złooo obliczeiowa algorytmu. Złooo czasowa redia i pesymistycza. Rzd fukcji. I. Literatura 1. L. Baachowski, K. Diks, W. Rytter Algorytmy i struktury daych.
Bardziej szczegółowoI. Ciągi liczbowe. , gdzie a n oznacza n-ty wyraz ciągu (a n ) n N. spełniający warunek. a n+1 a n = r, spełniający warunek a n+1 a n
I. Ciągi liczbowe Defiicja 1. Fukcję określoą a zbiorze liczb aturalych o wartościach rzeczywistych azywamy ciągiem liczbowym. Ciągi będziemy ozaczać symbolem a ), gdzie a ozacza -ty wyraz ciągu a ). Defiicja.
Bardziej szczegółowoModele i narzędzia optymalizacji w systemach informatycznych zarządzania
Modele i arzędzia optymalizacji w systemach iformatyczych zarządzaia Prof. dr hab. iż. Joaa Józefowska Istytut Iformatyki Orgaizacja zajęć 8 godzi wykładów prof. dr hab. iż. J. Józefowska www.cs.put.poza.pl/jjozefowska
Bardziej szczegółowoAnaliza matematyczna i algebra liniowa
Aaliza matematycza i algebra liiowa Materiały pomocicze dla studetów do wyładów Rachue różiczowy ucji wielu zmieych. Pochode cząstowe i ich iterpretacja eoomicza. Estrema loale. Metoda ajmiejszych wadratów.
Bardziej szczegółowoArtykuł techniczny CVM-NET4+ Zgodny z normami dotyczącymi efektywności energetycznej
1 Artykuł techiczy Joatha Azañó Dział ds. Zarządzaia Eergią i Jakości Sieci CVM-ET4+ Zgody z ormami dotyczącymi efektywości eergetyczej owy wielokaałowy aalizator sieci i poboru eergii Obeca sytuacja Obece
Bardziej szczegółowoTwoja firma. Podręcznik użytkownika. Aplikacja Grupa. V edycja, kwiecień 2013
Twoja firma Podręczik użytkowika Aplikacja Grupa V edycja, kwiecień 2013 Spis treści I. INFORMACJE WSTĘPNE I LOGOWANIE...3 I.1. Wstęp i defiicje...3 I.2. Iformacja o możliwości korzystaia z systemu Aplikacja
Bardziej szczegółowoP π n π. Równanie ogólne płaszczyzny w E 3. Dane: n=[a,b,c] Wówczas: P 0 P=[x-x 0,y-y 0,z-z 0 ] Równanie (1) nazywamy równaniem ogólnym płaszczyzny
Rówaie ogóle płaszczyzy w E 3. ae: P π i π o =[A,B,C] P (,y,z ) Wówczas: P P=[-,y-y,z-z ] P π PP PP= o o Rówaie () azywamy rówaiem ogólym płaszczyzy A(- )+B(y-y )+C(z-z )= ( ) A+By+Cz+= Przykład
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 szczegółowoPodstawy informatyki 2. Podstawy informatyki 2. Wykład nr 9 (09.05.2007) Plan wykładu nr 9. Politechnika Białostocka. - Wydział Elektryczny
odstawy iforatyki Wykład r 9 /44 odstawy iforatyki olitechika Białostocka - Wydział Elektryczy Elektrotechika, seestr II, studia stacjoare Rok akadeicki 006/007 la wykładu r 9 Obliczaie liczby π etodą
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 szczegółowoJarosław Wróblewski Analiza Matematyczna 2 (LUX), lato 2017/18. a n n = 10.
Czy istieje ciąg (a ) taki, że (podać przykład lub dowieść, że ie istieje) : 576. a > 1 dla ieskończeie wielu, a > 0, szereg a jest zbieży. N 577. a = 1 2 dla ieskończeie wielu, a = 10. 578. a 2 = 1 N,
Bardziej szczegółowoIMPUTACJE I JĄDRO GRY
IMPUTACJE I JĄDRO GRY Staisław Kowalik Katedra Zarządzaia i Iżyierii bezpieczeństwa, Politechika Śląska Akademicka 2, 44-100 Gliwice, Polska e-mail: Staislaw.Kowalik@polsl.pl Abstrakt: Praca dotyczy gier
Bardziej szczegółowolim a n Cigi liczbowe i ich granice
Cigi liczbowe i ich graice Cigiem ieskoczoym azywamy dowol fukcj rzeczywist okrelo a zbiorze liczb aturalych. Dla wygody zapisu, zamiast a() bdziemy pisa a. Elemet a azywamy -tym wyrazem cigu. Cig (a )
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 szczegółowo1 Wersja testu A 21 czerwca 2017 r. 1. Wskazać taką liczbę wymierną w, aby podana liczba była wymierna. w = w 2, w = 2.
1 Wersja testu A 1 czerwca 017 r. 1. Wskazać taką liczbę wymierą w, aby podaa liczba była wymiera. 10 1 ) 10 +w, w = 1 5 1 ) 10 +w, w = ) 10 10 3 +w 3, w = 1 ) 5 10 3 +w 3, w = 4. Zapisać wartość podaej
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 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 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 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 szczegółowoRachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.
Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują
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 szczegółowoZestaw zadań do skryptu z Teorii miary i całki. Katarzyna Lubnauer Hanna Podsędkowska
Zestaw zadań do skryptu z Teorii miary i całki Katarzya Lubauer Haa Podsędkowska Ciała σ - ciała. Zbadaj czy rodzia A jest ciałem w przestrzei X=[0] a) A = X 0 b) A = X 0 3 3 c) A = { X { }{}{ 0}{ 0 }
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 szczegółowo