Analiza wra»liwo±ci dla modelu receptorów bªonowych. Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski. Anna Naª cz 7 IV 2011
|
|
- Dominik Rudnicki
- 6 lat temu
- Przeglądów:
Transkrypt
1 Analiza wra»liwo±ci dla modelu receptorów bªonowych Anna Naª cz Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski 7 IV 2011 Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
2 Plan prezentacji 1 Analiza wra»liwo±ci wprowadzenie 2 Model receptorów bªonowych 3 Metody lokalne teoria i wyniki 4 Metody eliminuj ce (metoda Morrisa) teoria i wyniki 5 Metody globalne (algorytm FAST) teoria i wyniki 6 Wnioski Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
3 Analiza wra»liwo±ci wprowadzenie Analiza wra»liwo±ci Zajmuje si ustalaniem zale»no±ci pomi dzy danymi wej±ciowymi modelu (parametrami) a jego wynikiem. Tªumaczy zachowanie modelu: od czego zale»y wynik? czy zachodz interakcje mi dzy parametrami? Pomocna w procesie budowania modelu: wybór wªa±ciwej struktury modelu, uproszczenie modelu poprzez redukcj liczby parametrów, wskazanie bª dów koncepcyjnych b d¹ implementacyjnych. U»yteczna w planowaniu eksperymentów: wst pny pogl d nt. badanego zjawiska (symulacje znacznie ta«sze od do±wiadcze«laboratoryjnych), co domierzy, aby zredukowa wariancj wyniku? Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
4 Analiza wra»liwo±ci wprowadzenie Metody METODY LOKALNE najcz ±ciej stosowane otoczenie punktu x warto±ci nominalnych ELIMINUJ CE caªa przestrze«zmienno±ci parametrów niski koszt obliczeniowy wskazanie nieistotnych parametrów np. metoda Morrisa GLOBALNE caªa przestrze«zmienno±ci parametrów wpªyw parametrów na wariancj wyniku np. metoda Sobola, metoda FAST Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
5 Analiza wra»liwo±ci wprowadzenie Stochastyczna analiza wra»liwo±ci dane wej±ciowe model deterministyczny liczba model stochastyczny zmienna losowa Badanie wra»liwo±ci modelu stochastycznego oznacza konieczno± porównywania rozkªadów: odlegªo± histogramów, odlegªo± Koªmogorowa. Odlegªo± prób wygenerowanych z tego samego rozkªadu (self distance) b dzie na ogóª ró»na od zera. Stochastyczna analiza wra»liwo±ci ma znaczenie, gdy zaburzenie parametrów wpªywa na rozkªad wyników (wi ksze rozproszenie, rozkªad wielomodalny). Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
6 Model receptorów bªonowych praca ¹ródªowa Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
7 Model receptorów bªonowych motywacja biologiczna Transport substancji przez bªon komórkow odbywa si gªównie poprzez endocytoz receptorow. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
8 Model receptorów bªonowych motywacja biologiczna Do sprawnego funkcjonowania organizmu wielokomórkowego niezb dna jest wymiana informacji mi dzykomórkowej. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
9 Model receptorów bªonowych d dt #L = fn AV k on N A V #L #R + k o #C d dt #R = qn AV k on N A V #L #R + k o #C k t #R d dt #C = k on N A V #L #R k o #C k e #C Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
10 Model receptorów bªonowych Model zastosujemy do zbadania czterech systemów receptorów, dla których posiadamy wystarczaj ce dane pochodz ce z eksperymentów: czynnika wzrostu naskórka, EGFR stymuluje wzrost i podziaª komórek, odgrywaj c istotn rol w procesie powstawania nowotworu, lipoprotein o maªej g sto±ci, LDLR transportuje cholesterol do wn trza komórek, transferyny, TfR odpowiada za transport»elaza do komórek, witellogeniny, VtgR formy prekursorowej biaªek»óªtka. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
11 Model receptorów bªonowych Tabela: Warto±ci wspóªczynników dla receptorów EGFR, LDLR, TfR i VtgR. Receptor k on k o k e k t R T M 1 min 1 min 1 min 1 min 1 liczba cz stek EGFR 9, ,2400 0,150 0,020 2, LDLR 2, ,0354 0,195 0,195 2, TfR 3, ,0900 0,600 0,600 2, VtgR 5, ,0700 0,108 0,108 2, Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
12 Model receptorów bªonowych posta bezwymiarowa Oznaczaj c bezwymiarowy czas jako t = tk o L = #L N A VK D, i stosuj c podstawienie: R = #R R T, C = #C R T, otrzymujemy równowa»n posta ukªadu równa«: d dt L = γ ( R L + C ) + f d dt R = R L + C α (R 1) d dt C = R L C βc. w którym wyst puj cztery bezwymiarowe parametry: α = k t k o, β = k e k o, γ = R Tk on k o N A V, f = fk on. k 2 o Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
13 Model receptorów bezwymiarowy czas relaksacji Dobr miar sprawno±ci funkcjonowania systemu receptorów bªonowych jest szybko± odpowiedzi ukªadu na zmiany dawkowania ligandów. Deniujemy: Bezwymiarowy czas relaksacji τ Bezwymiarowy czas powrotu ukªadu do stanu równowagi po wprowadzeniu ustalonej dawki ligandów. Przyjmuj c warunki pocz tkowe: L t =0 = 0.01, R t =0 = 1, C t =0 = 0 i kªad c f = 0, szukamy momentu t, w którym warto± C spadnie poni»ej 1/e warto±ci maksymalnej. Dane wej±ciowe: V, k on, k o, k e, k t, R T. Wynik modelu: τ. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
14 Model receptorów bezwymiarowy czas relaksacji Bezwymiarowa odpowiedź E (C ) EGFR D = k e/k t Czas (min) Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
15 Metody lokalne teoria Lokalna analiza wra»liwo±ci polega na badaniu zachowania modelu w otoczeniu punktu x warto±ci nominalnych parametrów. Wpªyw zaburzenia warto±ci wybranego parametru x i na wynik modelu f (x) mierzy si, obliczaj c wspóªczynniki wra»liwo±ci: S i = x i f ( x). Je±li parametry ró»ni si o kilka rz dów wielko±ci, nale»y stosowa nast puj ce wspóªczynniki wra»liwo±ci: S i = x i f ( x) f ( x) x i albo S i = f (x 1,..., x i 1, x i + p% x i, x i+1,..., x N ) f (x). Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
16 Metody lokalne teoria Zalety: prosta koncepcja, niski koszt obliczeniowy. Zastosowania: najcz ±ciej u»ywana metoda, du»e modele (wiele zmiennych i parametrów), wst pne badanie wra»liwo±ci, problemy odwrotne. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
17 Metody lokalne wyniki EGFR LDLR Wrazliwosc bezwzgledna k off V k on R T k e k t k off V k on R T k e k t TfR VtgR Wrazliwosc bezwzgledna k off V k on R T k e k t k off k e k on R T V k t Nominalne warto±ci parametrów przyj to jak w tabeli 1 i rozwa»ono zaburzenie ich warto±ci +10%. Warto± τ obliczono przy pomocy procedury ode15s programu MATLAB. Na osi pionowej zaznaczono S i = x ĩ τ x i τ. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
18 Metody lokalne wyniki EGFR EGFR Wrazliwosc bezwzgledna Odleglosc Kolmogorowa k off V k on R T k e k t k off R T k on V k e selfdist k t Porównanie stochastycznej i deterministycznej analizy dla EGFR. Symulacje stochastyczne wykonano w ±rodowisku R przy u»yciu pakietu adaptivetau. Dla ka»dego zestawu parametrów przeprowadzono 5000 symulacji trajektorii. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
19 Metoda Morrisa teoria Metoda Morrisa le»y na pograniczu metod lokalnych i globalnych. Pozwala okre±li, które parametry modelu maj na jego wynik wpªyw: liniowy i addytywny, nieliniowy b d¹ wynikaj cy z interakcji z innymi parametrami, zaniedbywalnie maªy. Rozwa»my model f (x), gdzie x = x 1,..., x N oraz x i [0, 1]. Dyskretyzujemy przestrze«zmienno±ci parametrów: Ω = [0, 1] N ω = { 0, 1 p 1, 2 p 1,..., 1 W punktach ω obliczamy nast puj ce ilorazy ró»nicowe (elementary eects): } N d i (x) = f (x 1,..., x i 1, x i +, x i+1,..., x N ) f (x), gdzie oznacza ustalon wielokrotno± 1 p 1. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
20 Metoda Morrisa teoria Procedur mo»na zapisa najkrócej w nast puj cy sposób: for i = 1 to N do for r = 1 to R do wylosuj x F ir d i (x) end for end for Na podstawie cech próby F i wnioskuje si o wpªywie danego parametru na wynik: miara poªo»enia, np. moduª ±redniej warto±ci istotno± (im wi ksza warto± bezwzgl dna ±redniej, tym wi kszy wpªyw parametru na wynik), miara rozproszenia, np. odchylenie standardowe charakter wpªywu (du»e rozproszenie oznacza,»e wpªyw parametru na wynik jest nieliniowy b d¹ poprzez interakcje z innymi parametrami). Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
21 Metoda Morrisa wyniki Dane wej±ciowe: V, k on, k o, k e, R T Wynik modelu: τ Przestrze«zmienno±ci parametrów: Ω = [90% x i, 100% x i ] N ω = {90% x i, 92% x i,..., 100% x i } N Dla ka»dego parametru losowano R = 1000 punktów. Nominalne warto±ci parametrów przyj to jak w tabeli 1. Warto± τ obliczono przy pomocy procedury ode15s programu MATLAB. Modykacje w stosunku do oryginalnej metody Morrisa: symetryczne potraktowanie punktu x, obliczanie wzgl dnej zmiany τ zamiast ilorazów ró»nicowych, rozwa»anie warto±ci bezwzgl dnej wzgl dnej zmiany wyniku. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
22 Metoda Morrisa wyniki EGFR LDLR Róznica czasu relaksacji k off R T k on V k e k off k on R T V k e TfR VtgR Róznica czasu relaksacji k off R T k on V k e k off k e R T V k on Wyniki metody Morrisa: kolejno± parametrów inna ni» dla metody lokalnej, ale podziaª parametrów na istotne, umiarkowanie istotne oraz nieistotne zgodny z poprzednimi wynikami. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
23 Metody globalne teoria Y = f (X 1, X 2 ) Rozwa»my model: Y = f (X 1,..., X N ), gdzie X i parametry modelu, Y wynik modelu. X 2 Ω X 1 Globalne metody analizy wra»liwo±ci uwzgl dniaj caª przestrze«zmienno±ci parametrów Ω. Celem analizy jest okre±lenie, w jakich proporcjach wej±ciowe parametry modelu wpªywaj na jego wynik. Do najcz ±ciej stosowanych metod nale» : analiza regresji, metody oparte o analiz wariancji. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
24 Metody globalne teoria analiza wariancji ( ) D 2 (Y ) = D 2 (E (Y X i )) +E D 2 (Y X i ) }{{} V i Wpªyw parametru X i na wariancj Y : V i = D 2 (E (Y X i )). Wpªyw interakcji parametrów X i i X j na wariancj Y : V ij = D 2 (E (Y X i, X j )) D 2 (E (Y X i )) D 2 (E (Y X j )). Analogicznie deniuje si wpªyw interakcji wi kszych grup parametrów na wariancj wyniku modelu V i 1...i k. Wariancj Y mo»na przedstawi w postaci sumy: D 2 (Y ) = i V i + i<j V ij + + V 1...N. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
25 Metody globalne teoria analiza wariancji Dziel c cz ±ciow wariancj przez caªkowit wariancj wyniku V = D 2 (Y ), otrzymujemy wspóªczynniki wra»liwo±ci: S i 1...i k = V i1...i k V. Ze wzgl du na koszt oblicze«na ogóª estymuje si tylko warto± S i. Je±li N i=1 V i V, to znaczy,»e na wariancj du»y wpªyw maj interakcje parametrów. Warto obliczy wówczas wspóªczynniki wra»liwo±ci caªkowitej: S T i = E ( D 2 (Y X i ) ), D 2 (Y ) mierz ce wpªyw na wynik parametru X i w interakcjach ze wszystkimi mo»liwymi kombinacjami parametrów. Np. dla modelu Y = f (X 1, X 2, X 3 ) mamy: S T 1 = S 1 + S 12 + S 13 + S 123. Najwa»niejsze metody: Sobol (1990), FAST (lata 70.). Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
26 Metody globalne teoria FAST FAST Fourier Amplitude Sensitivity Test Metoda opracowana w latach 70. XX wieku (Cukier et al. 1973, 1975, 1978, Schaibly et al. 1973, Koda et al. 1979). Pozwala estymowa globalne wspóªczynniki wra»liwo±ci pierwszego rz du S i. Wersja rozszerzona (Saltelli et al. 1999) umo»liwia uzyskanie estymatorów wspóªczynników wra»liwo±ci caªkowitej S T i. Pomysª polega na przeszukiwaniu przestrzeni Ω wzdªu» krzywej, okre±lonej za pomoc równa«parametrycznych, b d cych funkcjami okresowymi o ró»nych cz stotliwo±ciach. W punktach tej krzywej oblicza si wynik modelu Y, który równie» wykazuje zachowania oscyluj ce. Wykorzystanie wªasno±ci szeregów Fouriera umo»liwia obliczenie estymatorów wspóªczynników wra»liwo±ci. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
27 Metody globalne teoria FAST Rozwa»my model Y = f (X 1,..., X N ) i przyjmijmy X i U [0, 1]. Przestrze«zmienno±ci parametrów Ω = [0, 1] N przeszukuje si wzdªu» krzywej K : X i (s) = π arc sin sin (ω i s), gdzie ω i to odpowiednio dobrane cz stotliwo±ci, za± s R. 1.0 X Przykªad krzywej K dla Y = f (X 1, X 2 ) oraz ω 1 = 49, ω 2 = X1 Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
28 Metody globalne teoria FAST Je±li cz stotliwo±ci ω i speªniaj warunek: N a i ω i 0, a i Z, i=1 krzywa K wypeªnia g sto przestrze«ω. Zachodzi wówczas równo± (Weyl 1938): f m (X) dx = Ω lim T + 1 2T T T f m (s) ds, gdzie f (s) = f (X 1 (s),..., X N (s)). Otrzymujemy zatem nast puj cy wzór na wariancj wyniku modelu: V = D 2 (Y ) = lim T + 1 2T T T f 2 (s) ds [ lim T + 1 2T T T f (s) ds] 2. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
29 Metody globalne teoria FAST Z powodu sko«czonej precyzji oblicze«numerycznych nie jest mo»liwe uzyskanie zbioru cz stotliwo±ci {ω i } N i=1 speªniaj cego powy»szy warunek. W metodzie FAST przyjmuje si,»e ω i N +. Funkcja Y = f (s) jest wówczas okresowa o okresie 2π, co pozwala przybli»y wariancj wyniku Y wzorem: Ṽ = 1 π [ 1 π 2 f 2 (s) ds f (s) ds]. (1) 2π π 2π π Poprzez dobór odpowiednich cz stotliwo±ci ω i oraz cz stotliwo±ci próbkowania wzdªu» krzywej K mo»na zminimalizowa bª d tego przybli»enia. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
30 Metody globalne teoria FAST Funkcj Y = f (s) jako okresow mo»na przedstawi w postaci sumy szeregu Fouriera: gdzie: f (s) = + j= (A j cos (js) + B j sin (js)), A j = 1 π 2π π f (s) cos (js)ds, B j = 1 π 2π π f (s) sin (js)ds. Pami taj c,»e chcemy mierzy amplitud, rozwa»my kwadrat widma amplitudowego Λ j = A 2 j + B 2 j. Na mocy twierdzenia Parsevala ma miejsce równo± : Λ j = 1 π f 2 (s) ds. (2) 2π π j Z Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
31 Metody globalne teoria FAST Porównuj c wzory (1) i (2) otrzymujemy estymator wariancji Y : V = 2 oraz estymator wariancji warunkowej warto±ci oczekiwanej Y pod warunkiem X i V i = 2 + j=1 + p=1 Λ j. Λ pωi. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
32 Metoda FAST wyniki Dane wej±ciowe: V, k on, k o, k e, R T Wynik modelu: τ Przestrze«zmienno±ci parametrów: Ω = [90% x i, 100% x i ] N Tabela: Cz stotliwo±ci wykorzystane w rozszerzonej wersji algorytu FAST do estymacji wspóªczynników S i oraz S T i. ω i cz stotliwo±ci pozostaªych parametrów 49 1, 3, 5, 7 Warto± τ obliczono przy pomocy procedury ode15s programu MATLAB. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
33 Metoda FAST wyniki EGFR LDLR TfR VtgR S i S T i S i S T i S i S T i S i S T i V 0,143 0,146 0,215 0,219 0,218 0,222 0,003 0,008 k on 0,144 0,148 0,238 0,241 0,241 0,245 0,003 0,008 k o 0,483 0,487 0,309 0,314 0,300 0,305 0,528 0,533 k e 0,093 0,096 0,007 0,008 0,005 0,006 0,449 0,456 R T 0,138 0,141 0,215 0,219 0,218 0,222 0,002 0,008 Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
34 Metoda FAST wyniki EGFR EGFR S i = Si S i T Si k off k on V R T k e k off k on V R T k e LDLR LDLR Si S i = 0.98 S i T Si k off k on R T V k e k off k on R T V k e Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
35 Metoda FAST wyniki TfR TfR Si S i = 0.98 S i T Si k off k on R T V k e k off k on R T V k e VtgR VtgR Si S i = 0.99 S i T Si k off k e V k on R T k off k e V k on R T Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
36 Wnioski W przypadku systemu receptorów bªonowych model deterministyczny dobrze opisuje badane zjawiska, nie ma konieczno±ci odwoªywania si do modelu stochastycznego. Model receptorów bªonowych zachowuje si jak liniowy. Zaobserwowano silny zwi zek mi dzy wra»liwo±ci receptora na pewne parametry a peªnion przez niego w organizmie funkcj. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
37 Dzi kuj za uwag. Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7 IV / 37
wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia
wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. wiczenia 1 2 do wiczenia 3 4 Badanie do±wiadczalne 5 pomiarów 6 7 Cel Celem wiczenia jest zapoznanie studentów z etapami przygotowania i
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
Bardziej szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoStacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoPodstawy statystycznego modelowania danych - Wykªad 7
Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz
Bardziej szczegółowoMODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH
MODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH Urszula Fory± Zakªad Biomatematyki i Teorii Gier, Instytut Matematyki Stosowanej i Mechaniki, Wydziaª
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoRozdziaª 2. Analiza spektralna
Rozdziaª 2. Analiza spektralna MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 2) Analiza spektralna 1 / 18 Widmo szeregu czasowego W analizie spektralnej szereg {y t : t = 1, 2,..., T } postrzegany
Bardziej szczegółowoStatystyka opisowa. Wykªad II. Elementy statystyki opisowej. Edward Kozªowski.
Statystyka opisowa. Wykªad II. e-mail:e.kozlovski@pollub.pl Spis tre±ci Mediana i moda 1 Mediana i moda 2 3 4 Mediana i moda Median m e (warto±ci ±rodkow ) próbki x 1,..., x n nazywamy ±rodkow liczb w
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowo1 Bª dy i arytmetyka zmiennopozycyjna
1 Bª dy i arytmetyka zmiennopozycyjna Liczby w pami ci komputera przedstawiamy w ukªadzie dwójkowym w postaci zmiennopozycyjnej Oznacza to,»e s one postaci ±m c, 01 m < 1, c min c c max, (1) gdzie m nazywamy
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
Bardziej szczegółowoMetody statystyczne w biologii - Wykªad 8. Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t
Metody statystyczne w biologii - Wykªad 8 Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Regresja logistyczna 1. Podstawy teoretyczne i przykªady zastosowania
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoWykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja
Bardziej szczegółowo2 Liczby rzeczywiste - cz. 2
2 Liczby rzeczywiste - cz. 2 W tej lekcji omówimy pozostaªe tematy zwi zane z liczbami rzeczywistymi. 2. Przedziaªy liczbowe Wyró»niamy nast puj ce rodzaje przedziaªów liczbowych: (a) przedziaªy ograniczone:
Bardziej szczegółowoWektory w przestrzeni
Wektory w przestrzeni Informacje pomocnicze Denicja 1. Wektorem nazywamy uporz dkowan par punktów. Pierwszy z tych punktów nazywamy pocz tkiem wektora albo punktem zaczepienia wektora, a drugi - ko«cem
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej szczegółowoTwierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski
Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoPochodna funkcji jednej zmiennej
Pochodna funkcji jednej zmiennej Denicja. (pochodnej funkcji w punkcie) Je±li funkcja f : D R, D R okre±lona jest w pewnym otoczeniu punktu D i istnieje sko«czona granica ilorazu ró»niczkowego: f f( +
Bardziej szczegółowoMatematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie
Bardziej szczegółowoPodstawy statystycznego modelowania danych Analiza prze»ycia
Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1. Wprowadzenie 2. Hazard rate
Bardziej szczegółowoLiniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach
Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach Teoria obowi zuje z wykªadu, dlatego te» zostan tutaj przedstawione tylko podstawowe denicje, twierdzenia i wzory. Denicja 1. Równanie
Bardziej szczegółowoPakiety statystyczne - Wykªad 8
Pakiety statystyczne - Wykªad 8 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdziaª 9 RÓWNANIA ELIPTYCZNE 9.1 Zastosowanie eliptycznych równa«ró»niczkowych cz stkowych 9.1.1 Problemy z warunkami brzegowymi W przestrzeni dwuwymiarowej
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Aleksandra Ki±lak-Malinowska akis@uwm.edu.pl http://wmii.uwm.edu.pl/ akis/ Czym zajmuje si statystyka? Statystyka zajmuje si opisywaniem i analiz zjawisk masowych otaczaj cej czªowieka
Bardziej szczegółowoRozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a).
Rozwi zania zada«z egzaminu podstawowego z Analizy matematycznej 2.3A (24/5). Rozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a). Zadanie P/4. Metod operatorow rozwi
Bardziej szczegółowo1. Odcienie szaro±ci. Materiaªy na wiczenia z Wprowadzenia do graki maszynowej dla kierunku Informatyka, rok III, sem. 5, rok akadem.
Materiaªy na wiczenia z Wprowadzenia do graki maszynowej dla kierunku Informatyka, rok III, sem. 5, rok akadem. 2018/2019 1. Odcienie szaro±ci Model RGB jest modelem barw opartym na wªa±ciwo±ciach odbiorczych
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x, y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0, y 0 ) Pochodn cz stkow pierwszego rz du funkcji dwóch zmiennych wzgl
Bardziej szczegółowoInterpolacja funkcjami sklejanymi
Interpolacja funkcjami sklejanymi Funkcje sklejane: Zaªó»my,»e mamy n + 1 w zªów t 0, t 1,, t n takich,»e t 0 < t 1 < < t n Dla danej liczby caªkowitej, nieujemnej k funkcj sklejan stopnia k nazywamy tak
Bardziej szczegółowoElementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo
Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4
Bardziej szczegółowoStatystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik
Bardziej szczegółowoElementy geometrii analitycznej w przestrzeni
Wykªad 3 Elementy geometrii analitycznej w przestrzeni W wykªadzie tym wi kszy nacisk zostaª poªo»ony raczej na intuicyjne rozumienie deniowanych poj, ni» ±cisªe ich zdeniowanie. Dlatego niniejszy wykªad
Bardziej szczegółowoModele wielorównaniowe. Problem identykacji
Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje
Bardziej szczegółowoNumeryczne zadanie wªasne
Rozdziaª 11 Numeryczne zadanie wªasne W tym rozdziale zajmiemy si symetrycznym zadaniem wªasnym, tzn. zadaniem znajdowania warto±ci i/lub wektorów wªasnych dla macierzy symetrycznej A = A T. W zadaniach
Bardziej szczegółowoProste modele o zªo»onej dynamice
Proste modele o zªo»onej dynamice czyli krótki wst p do teorii chaosu Tomasz Rodak Festiwal Nauki, Techniki i Sztuki 2018 April 17, 2018 Dyskretny model pojedynczej populacji Rozwa»my pojedyncz populacj
Bardziej szczegółowoEkstremalnie fajne równania
Ekstremalnie fajne równania ELEMENTY RACHUNKU WARIACYJNEGO Zaczniemy od ogólnych uwag nt. rachunku wariacyjnego, który jest bardzo przydatnym narz dziem mog cym posªu»y do rozwi zywania wielu problemów
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoLiniowe zadania najmniejszych kwadratów
Rozdziaª 9 Liniowe zadania najmniejszych kwadratów Liniowe zadania najmniejszych kwadratów polega na znalezieniu x R n, który minimalizuje Ax b 2 dla danej macierzy A R m,n i wektora b R m. Zauwa»my,»e
Bardziej szczegółowoMateriaªy do Repetytorium z matematyki
Materiaªy do Repetytorium z matematyki 0/0 Dziaªania na liczbach wymiernych i niewymiernych wiczenie Obliczy + 4 + 4 5. ( + ) ( 4 + 4 5). ( : ) ( : 4) 4 5 6. 7. { [ 7 4 ( 0 7) ] ( } : 5) : 0 75 ( 8) (
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Analiza matematyczna 2; MatematykaS-I 0 lic 21 maja 2018 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(, y b dzie okre±lona przynajmniej na otoczeniu punktu
Bardziej szczegółowo1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci
Zebraª do celów edukacyjnych od wykªadowców PK, z ró»nych podr czników Maciej Zakarczemny 1 Przypomnienie wiadomo±ci ze szkoªy ±redniej Rozwi zywanie prostych równa«i nierówno±ci dotycz cych funkcji elementarnych,
Bardziej szczegółowoBash i algorytmy. Elwira Wachowicz. 20 lutego
Bash i algorytmy Elwira Wachowicz elwira@ifd.uni.wroc.pl 20 lutego 2012 Elwira Wachowicz (elwira@ifd.uni.wroc.pl) Bash i algorytmy 20 lutego 2012 1 / 16 Inne przydatne polecenia Polecenie Dziaªanie Przykªad
Bardziej szczegółowoMODELE LINIOWE i MIESZANE
MODELE LINIOWE i MIESZANE WYKŠAD 5 13 kwiecie«2018 1 / 48 Plan wykªadu 1. Metody Monte Carlo we wnioskowaniu statystycznym 2. Pakiet R 2 / 48 Metody Monte Carlo we wnioskowaniu statystycznym 3 / 48 Zaªó»my,»e
Bardziej szczegółowoZbiory i odwzorowania
Zbiory i odwzorowania 1 Sposoby okre±lania zbiorów 1) Zbiór wszystkich elementów postaci f(t), gdzie t przebiega zbiór T : {f(t); t T }. 2) Zbiór wszystkich elementów x zbioru X speªniaj cych warunek ϕ(x):
Bardziej szczegółowoZagadnienia na wej±ciówki z matematyki Technologia Chemiczna
Zagadnienia na wej±ciówki z matematyki Technologia Chemiczna 1. Podaj denicj liczby zespolonej. 2. Jak obliczy sum /iloczyn dwóch liczb zespolonych w postaci algebraicznej? 3. Co to jest liczba urojona?
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Interpolacja PWSZ Gªogów, 2009 Interpolacja Okre±lenie zale»no±ci pomi dzy interesuj cymi nas wielko±ciami, Umo»liwia uproszczenie skomplikowanych funkcji (np. wykorzystywana
Bardziej szczegółowoMetody numeryczne. Wst p do metod numerycznych. Dawid Rasaªa. January 9, 2012. Dawid Rasaªa Metody numeryczne 1 / 9
Metody numeryczne Wst p do metod numerycznych Dawid Rasaªa January 9, 2012 Dawid Rasaªa Metody numeryczne 1 / 9 Metody numeryczne Czym s metody numeryczne? Istota metod numerycznych Metody numeryczne s
Bardziej szczegółowoWst p do sieci neuronowych, wykªad 14 Zespolone sieci neuronowe
Wst p do sieci neuronowych, wykªad 14 Zespolone sieci neuronowe M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toru«, Poland 2011-18-02 Motywacja Liczby
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci
Bardziej szczegółowoEstymacja parametru gªadko±ci przy u»yciu falek splajnowych
Estymacja parametru gªadko±ci przy u»yciu falek splajnowych Politechnika Gda«ska Wydziaª Fizyki Technicznej i Matematyki Stosowanej Wisªa, 3-7.12.2012 Przestrze«Biesowa Przestrze«Biesowa B s p,q, 1 p,
Bardziej szczegółowoWst p do sieci neuronowych 2010/2011 wykªad 7 Algorytm propagacji wstecznej cd.
Wst p do sieci neuronowych 2010/2011 wykªad 7 Algorytm propagacji wstecznej cd. M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toru«, Poland 2010-11-23
Bardziej szczegółowoMetody dowodzenia twierdze«
Metody dowodzenia twierdze«1 Metoda indukcji matematycznej Je±li T (n) jest form zdaniow okre±lon w zbiorze liczb naturalnych, to prawdziwe jest zdanie (T (0) n N (T (n) T (n + 1))) n N T (n). 2 W przypadku
Bardziej szczegółowo2. L(a u) = al( u) dla dowolnych u U i a R. Uwaga 1. Warunki 1., 2. mo»na zast pi jednym warunkiem: L(a u + b v) = al( u) + bl( v)
Przeksztaªcenia liniowe Def 1 Przeksztaªceniem liniowym (homomorzmem liniowym) rzeczywistych przestrzeni liniowych U i V nazywamy dowoln funkcj L : U V speªniaj c warunki: 1 L( u + v) = L( u) + L( v) dla
Bardziej szczegółowoFunkcje, wielomiany. Informacje pomocnicze
Funkcje, wielomiany Informacje pomocnicze Przydatne wzory: (a + b) 2 = a 2 + 2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) 3 = a 3 + 3a 2 b + 3ab 2 + b 3 (a b) 3 = a 3 3a 2 b + 3ab 2 b 3 a 2 b 2 = (a + b)(a
Bardziej szczegółowoMetody bioinformatyki (MBI)
Metody bioinformatyki (MBI) Wykªad 9 - mikromacierze DNA, analiza danych wielowymiarowych Robert Nowak 2016Z Metody bioinformatyki (MBI) 1/42 mikromacierze DNA Metoda badawcza, pozwalaj ca bada obecno±
Bardziej szczegółowor = x x2 2 + x2 3.
Przestrze«aniczna Def. 1. Przestrzeni aniczn zwi zan z przestrzeni liniow V nazywamy dowolny niepusty zbiór P z dziaªaniem ω : P P V (które dowolnej parze elementów zbioru P przyporz dkowuje wektor z przestrzeni
Bardziej szczegółowoKrzywe i powierzchnie stopnia drugiego
Krzywe i powierzchnie stopnia drugiego Iwona Malinowska, Zbigniew Šagodowski 25 maja 2015 I. Malinowska, Z. Lagodowski Geometria 25 maja 2015 1 / 30 Rozwa»my dwie proste przecinaj ce si pod k tem α, 0
Bardziej szczegółowo1 Metody iteracyjne rozwi zywania równania f(x)=0
1 Metody iteracyjne rozwi zywania równania f()=0 1.1 Metoda bisekcji Zaªó»my,»e funkcja f jest ci gªa w [a 0, b 0 ]. Pierwiastek jest w przedziale [a 0, b 0 ] gdy f(a 0 )f(b 0 ) < 0. (1) Ustalmy f(a 0
Bardziej szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 4 03 listopad 2014 1 / 47 Plan wykªadu 1. Testowanie zaªo»e«o proporcjonalnym hazardzie w modelu Cox'a 2. Wybór zmiennych do modelu Cox'a 3. Meta analiza
Bardziej szczegółowoAM II /2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium
AM II.1 2018/2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium Normy w R n, iloczyn skalarny sprawd¹ czy dana funkcja jest norm sprawd¹, czy dany zbiór jest kul w jakiej± normie i oblicz norm wybranego
Bardziej szczegółowoModele wielorównaniowe. Estymacja parametrów
Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW
Bardziej szczegółowo2. (8 punktów) 3. (8 punktów) 4. (8 punktów) 5. (8 punktów) EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Znajd¹ rozwi zanie poni»szego zagadnienia programowania liniowego: Zmaksymalizowa x 1 2x 2 + x 3 x 5 przy ograniczeniach x 1 3x 2 + x 3 + 2x 5 = 8
Bardziej szczegółowo1 Poj cia pomocnicze. Przykªad 1. A A d
Poj cia pomocnicze Otoczeniem punktu x nazywamy dowolny zbiór otwarty zawieraj cy punkt x. Najcz ±ciej rozwa»amy otoczenia kuliste, tj. kule o danym promieniu ε i ±rodku x. S siedztwem punktu x nazywamy
Bardziej szczegółowoSpis tre±ci. Plan. 1 Pochodna cz stkowa. 1.1 Denicja Przykªady Wªasno±ci Pochodne wy»szych rz dów... 3
Plan Spis tre±ci 1 Pochodna cz stkowa 1 1.1 Denicja................................ 2 1.2 Przykªady............................... 2 1.3 Wªasno±ci............................... 2 1.4 Pochodne wy»szych
Bardziej szczegółowoElementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions)
Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions) Alexander Bendikov Uniwersytet Wrocªawski 25 maja 2016 Elementarna statystyka Dwie próby: porównanie
Bardziej szczegółowof(x) f(x 0 ) i f +(x 0 ) := lim = f(x 0 + x) f(x 0 ) wynika ci gªo± funkcji w punkcie x 0. W ka»dym przypadku zachodzi:
Pochodna funkcji Def 1 Pochodn wªa±ciw funkcji f w punkcie x 0 nazywamy granic f (x 0 ) := lim o ile granica ta istnieje i jest wªa±ciwa Funkcj f nazywamy wtedy ró»niczkowaln Przy zaªo»eniu,»e f jest ci
Bardziej szczegółowoOptyka geometryczna. Soczewki. Marcin S. Ma kowicz. rok szk. 2009/2010. Zespóª Szkóª Ponadgimnazjalnych Nr 2 w Brzesku
skupiaj ce rozpraszaj ce Optyka geometryczna Zespóª Szkóª Ponadgimnazjalnych Nr 2 w Brzesku rok szk. 2009/2010 skupiaj ce rozpraszaj ce Spis tre±ci 1 Wprowadzenie 2 Ciekawostki 3 skupiaj ce Konstrukcja
Bardziej szczegółowoIndeksowane rodziny zbiorów
Logika i teoria mnogo±ci, konspekt wykªad 7 Indeksowane rodziny zbiorów Niech X b dzie przestrzeni zbiorem, którego podzbiorami b d wszystkie rozpatrywane zbiory, R rodzin wszystkich podzbiorów X za± T
Bardziej szczegółowoELEMENTARNA TEORIA LICZB. 1. Podzielno±
ELEMENTARNA TEORIA LICZB IZABELA AGATA MALINOWSKA N = {1, 2,...} 1. Podzielno± Denicja 1.1. Niepusty podzbiór A zbioru liczb naturalnych jest ograniczony, je»eli istnieje taka liczba naturalna n 0,»e m
Bardziej szczegółowoUczenie Wielowarstwowych Sieci Neuronów o
Plan uczenie neuronu o ci gªej funkcji aktywacji uczenie jednowarstwowej sieci neuronów o ci gªej funkcji aktywacji uczenie sieci wielowarstwowej - metoda propagacji wstecznej neuronu o ci gªej funkcji
Bardziej szczegółowoAproksymacja funkcji metod najmniejszych kwadratów
Aproksymacja funkcji metod najmniejszych kwadratów Teoria Interpolacja polega na znajdowaniu krzywej przechodz cej przez wszystkie w zªy. Zdarzaj si jednak sytuacje, w których dane te mog by obarczone
Bardziej szczegółowoPodstawy modelowania w j zyku UML
Podstawy modelowania w j zyku UML dr hab. Bo»ena Wo¹na-Szcze±niak Akademia im. Jan Dªugosza bwozna@gmail.com Wykªad 8 Diagram pakietów I Diagram pakietów (ang. package diagram) jest diagramem strukturalnym,
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoZadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej
Zadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej Denicja 1. Niech X = R n b dzie przestrzeni unormowan oraz d(x, y) = x y.
Bardziej szczegółowoPOLITECHNIKA WROCŠAWSKA WYDZIAŠ ELEKTRONIKI PRACA DYPLOMOWA MAGISTERSKA
POLITECHNIKA WROCŠAWSKA WYDZIAŠ ELEKTRONIKI Kierunek: Specjalno± : Automatyka i Robotyka (AIR) Robotyka (ARR) PRACA DYPLOMOWA MAGISTERSKA Podatny manipulator planarny - budowa i sterowanie Vulnerable planar
Bardziej szczegółowoInformacje pomocnicze
Funkcje wymierne. Równania i nierówno±ci wymierne Denicja. (uªamki proste) Wyra»enia postaci Informacje pomocnicze A gdzie A d e R n N (dx e) n nazywamy uªamkami prostymi pierwszego rodzaju. Wyra»enia
Bardziej szczegółowoa) f : R R R: f(x, y) = x 2 y 2 ; f(x, y) = 3xy; f(x, y) = max(xy, xy); b) g : R 2 R 2 R: g((x 1, y 1 ), (x 2, y 2 )) = 2x 1 y 1 x 2 y 2 ;
Zadania oznaczone * s troch trudniejsze, co nie oznacza,»e trudne.. Zbadaj czy funkcjonaª jest dwuliniowy, symetryczny, antysymetryczny, dodatniookre±lony: a) f : R R R: f(x, y) = x y ; f(x, y) = 3xy;
Bardziej szczegółowoCAŠKA NIEOZNACZONA. Politechnika Lubelska. Z.Šagodowski. 18 lutego 2016
WYKŠAD CAŠKA NIEOZNACZONA Z.Šagodowski Politechnika Lubelska 8 lutego 06 Denicja CAŠKA NIEOZNACZONA Funkcja F jest funkcja pierwotn funkcji f na przedziale A, je»eli Zauwa»my,ze F (x) = f (x), dla ka»dego
Bardziej szczegółowoRozwini cia asymptotyczne dla mocy testów przybli»onych
Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22
Bardziej szczegółowoAnalizy populacyjne, ªadunki atomowe
Dodatek do w. # 3 i # 4 Šadunki atomowe, analizy populacyjne Q A = Z A N A Q A efektywny ªadunek atomu A, Z A N A liczba porz dkowa dla atomu A (czyli ªadunek j dra) efektywna liczba elektronów przypisana
Bardziej szczegółowoListy Inne przykªady Rozwi zywanie problemów. Listy w Mathematice. Marcin Karcz. Wydziaª Matematyki, Fizyki i Informatyki.
Wydziaª Matematyki, Fizyki i Informatyki 10 marca 2008 Spis tre±ci Listy 1 Listy 2 3 Co to jest lista? Listy List w Mathematice jest wyra»enie oddzielone przecinkami i zamkni te w { klamrach }. Elementy
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoA = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy.
Logika i teoria mnogo±ci, konspekt wykªad 12 Teoria mocy, cz ± II Def. 12.1 Ka»demu zbiorowi X przyporz dkowujemy oznaczany symbolem X obiekt zwany liczb kardynaln (lub moc zbioru X) w taki sposób,»e ta
Bardziej szczegółowoArkusz maturalny. Šukasz Dawidowski. 25 kwietnia 2016r. Powtórki maturalne
Arkusz maturalny Šukasz Dawidowski Powtórki maturalne 25 kwietnia 2016r. Odwrotno±ci liczby rzeczywistej 1. 9 8 2. 0, (1) 3. 8 9 4. 0, (8) 3 4 4 4 1 jest liczba Odwrotno±ci liczby rzeczywistej 3 4 4 4
Bardziej szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowoEfekty przestrzenne w konwergencji polskich podregionów
Efekty przestrzenne w konwergencji polskich podregionów Mikoªaj Herbst EUROREG UW Piotr Wójcik WNE UW Konferencja Ministerstwa Rozwoju Regionalnego Budowanie spójno±ci terytorialnej i przeciwdziaªanie
Bardziej szczegółowoEkonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª
Bardziej szczegółowoListy i operacje pytania
Listy i operacje pytania Iwona Polak iwona.polak@us.edu.pl Uniwersytet l ski Instytut Informatyki pa¹dziernika 07 Który atrybut NIE wyst puje jako atrybut elementów listy? klucz elementu (key) wska¹nik
Bardziej szczegółowo