Metody syntezy informacji obrazowej z wielu źródeł
|
|
- Maksymilian Markiewicz
- 6 lat temu
- Przeglądów:
Transkrypt
1 Tadeusz edzela Wydzał Transportu Poltechnk Warszawske Metody syntezy nformac obrazowe z welu źródeł WPROWADZEIE Wele ośrodków badawczych próbue rozwązać problem automatycznego rozpoznana obektów poprzez łączene ch cech charakterystycznych uzyskwanych z róŝnych źródeł. Istnee podstawowy problem, ak zestaw czunków naleŝy wybrać dla budowanego systemu weloczunkowego ak zestaw cech obektu dany czunk ma ekstrahować. Koleny problem, to z akch czunków, ake cechy w ake kolenośc naleŝy łączyć, aby uzyskać określony pozom rozpoznana. Zakończono dotychczas szereg programów badawczych nad zdefnowanem zestawu cech charakterystycznych obektów dla róŝnych rodzaów czunków, które wykorzystano tam, gdze lczba klasyfkowanych obektów była newelka gdze dopuszczalne było znaczne prawdopodobeństwo błędów przy ch dentyfkac. Technka łączena nformac z welu czunków obrazu (źródeł nformac) est obecne kluczowym problemem w nowoczesnych urządzenach automatyczne podemuących waŝne decyze [-7]. Istotną cechą tego typu urządzeń est automatyczne potwerdzene obektu przez procesor syntezuący bez potrzeby precyzynego określana, które czunk które ch pozomy ufnośc pownny być zaangaŝowane. W ostatnch latach coraz bardze docena sę syntezę nformac, szczególne syntezę nformac obrazowe. Synteza nformac w dzedzne obrazowe rozumana est ako łączene nformac z róŝnych źródeł w celu uzyskana globalne wedzy o rozpoznawanym obekce. DąŜy sę do pozyskana ne tylko maksymalne wedzy o połoŝenu geometr obektu ale o nadanu mu stosownego znaczena. Syntezę nformac w dzedzne obrazowe moŝna rozpatrywać ako: syntezę na pozome pksel oraz syntezę na pozome obektów, syntezę w zaleŝnośc od realzac przetwarzana danych na pozome: czunka, centralnym lub meszanym, syntezę w zaleŝnośc od sposobu agregac danych: globalną (od czunka do czunka) oraz lokalną (od sceny do sceny). Podstawowym zagadnenem w synteze nformac est problem wnoskowana.. SYTEZA IFORMACJI OBRAZOWEJ Z WYKORZYSTAIEM WIOSKOWAIA BAYESA a rys. przedstawono deę systemu syntezy nformac obrazowe wykorzystuącą regułę wnoskowana bayesowskego [3]. System wyposaŝony est w zaawansowane źródła nformac obrazowe (sensory), które oprócz akwzyc danych, realzuą zadana wstępnego przetwarzana wyekstrahowanych cech charakterystycznych, dokonuą klasyfkac generuą deklaracę D dotyczącą klasy obserwowanego obektu O. Deklarac est przypsywana wartość prawdopodobeństwa a pror P( D O ) (tzn. prawdopodobeństwa deklarac przez - ty sensor pod warunkem, Ŝe est to - ty obekt), a następne w procese syntezy danych wyznaczane est zborcze prawdopodobeństwo a posteror P( O D D 2 D ) (tzn. prawdopodobeństwo warunkowe, Ŝe est to -ty obekt (O )) pod warunkem deklarac, która est równa loczynow deklarac D D ) z wszystkch źródeł nformac. ( tadeusznedzela@poczta.onet.pl Logstyka 4/
2 Sensor : Obserwaca Klasyfkaca Deklaraca D P( D O ) SYTEZA P(O D D 2... D ) dla =.. M Logka decyzyna Sensor : Obserwaca Klasyfkaca Deklaraca D P( D O ) Rys.. Idea syntezy nformac obrazowe z wykorzystanem reguły wnoskowana Bayesa Wartość prawdopodobeństwa a posteror wyznaczana est z wyraŝena: P( O D D ) = M = P( D D O ) P( O ) P( D D O ) P( O ) () Wychodząc z załoŝena, Ŝe deklarace D, D 2,, D są nezaleŝne, moŝna przyać: P( D D O ) = P( D O ) (2) n n= Podstawaąc powyŝsze wyraŝene do wzoru (), otrzymuemy: P( O ) P( D O ) n n= = M P( O D D ) P( O ) P( D O ) n = n= (3) Komentarza wymaga przyęte przy konstruowanu wyraŝena (3) załoŝene o nezaleŝnośc deklarac D, D 2,, D. OtóŜ wynka ono z faktu nezaleŝnośc zawsk fzycznych leŝących u podstaw doboru źródeł danych dla klasyfkac. Sensory, pracuąc w nezaleŝnych torach przetwarzana danych, dokonuą akwzyc danych o róŝnym charakterze. a podstawe posadane bazy wedzy kaŝdy z sensorów generue deklaracę D n. W zwązku z tym dopuszczalne est załoŝene nezaleŝnośc deklarac pochodzących z poszczególnych sensorów. Ostatn element systemu stanow moduł logk decyzyne odpowedzalny za wygenerowane ostateczne odpowedz określaące klasę obserwowanego obektu. aczęśce stosowanym kryterum decyzynym est kryterum MAP (maxmum a posteror). Polega ono na wyborze te deklarac, dla które 566 Logstyka 4/202
3 prawdopodobeństwo P( O D D 2 D ) osąga wartość maksymalną w danym cyklu klasyfkac, czyl: D = arg max P( O D D D ) (4) MAP 2 =... M Łatwo zauwaŝyć, Ŝe do wyznaczena deklarac o nawększym prawdopodobeństwe a posteror ne est koneczne wyznaczane manownka równana (3). Pozwala to ogranczyć koszt zwązany z oblczenam. W trakce proektowana systemów syntezy danych dzałaących w oparcu o regułę wnoskowana Bayesa poawa sę problem doboru odpowednch wartośc prawdopodobeństwa a pror P( O ) oraz prawdopodobeństw warunkowych P( Dn O ), które występuą we wzorze (3). Dobór następue naczęśce na drodze eksperymentalne lub poprzez modelowane zawsk zachodzących w środowsku, w którym ma pracować system. W zaleŝnośc od rodzau tworzonego systemu, część danych moŝe pochodzć z utworzone w procese proektowana bazy wedzy lub być wyznaczana dynamczne na podstawe danych dostarczanych przez sensory. 2. SYTEZA IFORMACJI OBRAZOWEJ Z WYKORZYSTAIEM WIOSKOWAIA DEMPSTERA- SHAFERA Koleną ze statystycznych metod pozwalaących na przeprowadzene syntezy nformac est metoda oparta o algorytm Dempstera-Shafera. U podstaw te metody leŝy matematyczna teora ewdenc rozwnęta przez Dempstera Shafera (Mathematcal Theory of Evdence) zwana teŝ teorą Dempstera-Shafera [4-7]. Dempster Shafer zaęl sę wyczerpuącym zborem S wzaemne wykluczaących sę wynków pewnego eksperymentu, określaąc go ako przestrzeń obserwac (frame of dscernment) oraz zdefnowal s przestrzeń deklarac wynków eksperymentu ako zbór zborów Ω = 2. Przydzell pewność (belef), B(A), kaŝdemu zborow A Ω. Suma dowodów (est nekedy nazywana podstawowym przydzelenem prawdopodobeństwa) spełna następuące aksomaty:. m ( φ) = 0 2. m(a) > 0 dla wszystkch A Ω (5) 3. Ω m( A) = A ZauwaŜmy, Ŝe aksomaty te są w pewnym stopnu podobne do aksomatów dla prawdopodobeństwa, ednak to ne są take same. Pewność prawdopodobeństwo ne są dentyczne. Istotną róŝncą est fakt, Ŝ aksomat #3 przyrównue do ednośc masy prawdopodobeństw łączne z nagromadzonym dowodam przydzelonym do wszystkch elementów zboru Ω, natomast aksomaty prawdopodobeństwa przyrównuą do edność prawdopodobeństwa ze zboru S Ω. Teoretycy teor pewnośc nterpretuą zbór S ako stan maksymalne neznaomośc, a dowód dla zboru S est przenoszony na nne elementy zboru Ω, ponewaŝ wedza stae sę oczywsta wówczas, gdy neznaomość znka. Stąd, przy braku akchkolwek dowodów, w stane totalne neznaomośc, przydzelamy m(s) =, a kaŝdemu nnemu elementow Ω przydzelamy masę równą 0. Z czasem, kedy wedza powększy sę, wększe lośc elementom zostane przydzelona nezerowa masa dowodów. Wtedy, eśl m(a) > 0 dla akegoś A Ω, m(s) < w zgodze z redukcą newedzy (neznaomośc). Ta moŝlwość teor pewnośc dla prostego asnego podeśca do neznaomośc est często cytowana ako przydatna właścwość. Jednak, właścwość ta, ne est unkalną dla teor pewnośc. Teora pewnośc defnue funkcę pewnośc (belef functon) w poęcu masy dowodów. Masa dowodów est przydzelana konkretnemu zborow, a ne elementom danego zboru. Zatem, aby otrzymać Logstyka 4/
4 marę całkowte pewnośc powerzone danemu zborow, dodae sę masy dowodów powązane ze wszystkm zboram, które są podzboram danego zboru. Dla wszystkch zborów A B zawartych w Ω, defnumy funkcę pewnośc Bel(A) ako: Bel ( A) = m( B) (6) B A B: Maąc funkcę pewnośc Bel(A), moŝna utworzyć m(b), czyl masę dowodów przydzelonych do zboru B A m ( B) = ( ) Bel( A) (7) A B B Ω est ognskowym elementem systemu pewnośc eśl m(b) > 0. Połączene wszystkch takch elementów systemu pewnośc nazywa sę rdzenem systemu pewnośc, oznaczanym ako C. Oczywstym est, Ŝe Bel(A) = eśl C A; oraz eśl wszystke elementy są zdarzenam atomowym, wtedy Bel(A) est klasyczną marą prawdopodobeństwa zdefnowaną na S. Funkca pewnośc Bel(A) (belef functon) została nazwana funkcą warygodnośc a wsparce (support) dla A, oznaczono Su(A). Funkca warygodnośc (plausblty functon), oznaczona ako Pl(A), moŝe być zdefnowana w poęcu funkc wsparca (support functon): Pl( A) = Su( not A) = m(b) = B ( Ω-A) A B= φ m( B) = A B φ m( B) gdze: Pl(A) funkca warygodnośc dla decyz A, lub warygodność decyz A, Su(A) funkca wsparca dla decyz A. W ten sposób warygodność A est równa mnus suma masy dowodu przydzelona do wszystkch podzborów Ω, których loczyn z A est zborem pustym. RównowaŜne, to est sume mas dowodów aka została przydzelona dla wszystkch podzborów Ω, które maą nepuste loczyny ze zborem A. 2.. Wnoskowane Dempstera-Shafera Wnoskowane Dempstera-Shafera est statystycznym algorytmem klasyfkacynym danych. Stosowany est gdy źródła nformac (czunk) dostarczaące nformace ne mogą zapewnć 00% pewnośc swom decyzom wyścowym. Algorytm stwarza technkę, która zbera łączy nformace przy określone pewnośc (ufnośc) w zdolnośc czunków do rozróŝnana róŝnych obektów. Pochodząca z welu źródeł nformac wedza o zdarzenach (zwana deklaracam lub hpotezam) est łączona za pomocą reguły Dempstera, w celu znalezena loczynu, czyl konunkc deklarac zwązanego z nm prawdopodobeństwa. Istotę procesu syntezy danych według Dempstera-Shafera zlustrowano na rys. 2 [4]. KaŜdy sensor ekstrahue zestaw cech charakterystycznych obektów odpowadaących wykorzystywanym zawskom fzycznym, które stanową nformace o obektach ch otoczenu. KaŜdy czunk dzała na cechach charakterystycznych swom szczególnym zborem algorytmów klasyfkacynych (synteza na pozome czunka). Pozom wedzy gromadzone przez k-ty czunk, gdze k =,,, wąŝe sę z deklaracą klasy obektu (oznaczony na rysunku ako obekt O, gdze =,..., n) z przypsaną masą prawdopodobeństwa m k (O ) pomędzy 0 a. Masa prawdopodobeństwa wyraŝa pewność decyz. Masy prawdopodobeństwa blŝsze ednośc charakteryzuą decyze podęte przy bardze określone wedzy lub mnesze nepewnośc co do natury obektu. Masy prawdopodobeństwa dla decyz podętych przez kaŝdy czunk są następne łączone za pomocą reguł decyzynych Dempstera. (8) 568 Logstyka 4/202
5 Sensor Cechy charak. Klasyfkaca Oblczane masy prawd. m (O )dla dane deklarac O Sensor 2 Cechy charak. Klasyfkaca Sensor Cechy charak. Klasyfkaca Oblczane masy prawd. m 2 (O ) dla dane deklarac O deklarac.. Oblczane masy prawd. m (O ) dla dane deklarac O ddeklarac Synteza mas prawd. w oparcu o regułę Dempstera Wynkem est synteza dowodów ze wszystkch źródeł dla kaŝde Logka decyz. Wybór deklarac O wyróŝnone nawększą lczbą dowodów ToŜsamość Czunk transformuą nformace z przestrzen obserwac do przestrzen rozkładów mas prawdopodobeństwa m k (o ) Rys. 2. Idea procesu syntezy nformac obrazowe z wnoskowanem Dempstera-Shafera. Reguła Dempstera pozwala na sformalzowane zasad ntegrac danych z klku sensorów: m c) = K [ m ( a ) m ( b )] (9) ( A B a b = c gdze: c deklaraca będąca wynkem ntegrac deklarac bazowych; m A (a ), m B (b ) deklarace pochodzące od sensorów A B K = [ m A a b = φ ( a ) m B ( b )] (0) Hpoteza wyróŝnona nawększym zgromadzenem dowodów daąca nawększy wkład ze wszystkch czunków est wyberana ako nabardze prawdopodobny rezultat procesu syntezy nformac. Oprócz danych z czunków dzałaących w czase rzeczywstym, w baze nformacyne moŝna zgromadzć nne nformace lub reguły, aby usprawnć całkowtą zdolność do podemowana decyz lub rozróŝnana obektów. Proces syntezy nformac z wykorzystanem reguły wnoskowana Dempstera-Shafera zwązany est ze znalezena loczynu dwóch lub węce danych z czunków oraz zastosowanem reguły D-S. Logstyka 4/
6 Streszczene W pracy zaprezentowano wnoskowana bayesowske oraz algorytm Dempstera - Shafera do syntezy nformac. Przedstawono podstawy cele syntezy nformac. Omówono syntezę danych z klku źródeł wedzy oraz wskazano na reguły decyzyne nezbędne do realzac wnoskowana. Omówono algorytm Dempstera - Shafera, który pozwala na realzacę syntezy nformac metodam statystycznym. Słowa kluczowe: synteza nformac, reguła Bayesa, algorthm of Dempster - Shafer. Methods for synthess of mage nformaton from multple sources Abstract Applcaton of Bayes rule n data synthess systems s very promsng on account of the possblty of ncludng a pror nformaton gathered n the course of desgnng the system n data classfcaton outcome. Ths nformaton, whch s of statstcal character, allows for obtanng good classfcaton outcomes provded that ts selecton s proper. The Dempster-Shafer theory enables effcent realzaton of data synthess n the process of modern recognton conducted wthn mult-sensor system. The knowledge of probabltes wth whch each sensor s able to assgn the obect observed to one of probable classes s nevertheless ndspensable. Maxmum effcency of the system s bascally dependent on proper selecton of classfcaton n partcular converson chans generatng, f possble, declaratons whch do not exclude each other wth possbly hgh probablty. Key words: synthess of nformaton, Bayes rule, algorythm Dempstera - Shafera. LITERATURA [] Klen L. A.: Sensor and Data Fuson Concepts and Applcatons. SPIE Optcal Engneerng Press, Bellngham, Washngton 999. [2] Hall D. L., Llnas J.: Handbook of Multsensor Data Fuson CRC Press. ew York 200. [3] 3. Baron G., edzela T.: Zastosowane wnoskowana bayesowskego do syntezy nformac. Prace aukowe Instytutu Techncznego Wosk Lotnczych, 8, 2004, s [4] Baron G., edzela T.: Synteza nformac z wnoskowanem Dempstera-Shafera. Prace aukowe Instytutu Techncznego Wosk Lotnczych, 6, 2003, s [5] Dempster A. P.: Upper and lower probabltes nducted by a mult-valued mappng. Ann. Math. Stat. 38, 967, [6] Dempster A. P.: A generalzaton of Bayesan nference. J. R. Stat. Soc. Ser. B 30, 968, [7] Shafer G.: A mathematcal theory of evdence. Prnceton Unversty Press, Prnceton Logstyka 4/202
Wielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki
Welokategoralne systemy uząe sę h zastosowane w bonformatye Rafał Grodzk Welokategoralny system uząy sę (multlabel learnng system) Zbór danyh weśowyh: d X = R Zbór klas (kategor): { 2 } =...Q Zbór uząy:
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoWykład 2: Uczenie nadzorowane sieci neuronowych - I
Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za
Bardziej szczegółowoWykład 2: Uczenie nadzorowane sieci neuronowych - I
Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobeństwo geometryczne Przykład: Przestrzeń zdarzeń elementarnych określona jest przez zestaw punktów (x, y) na płaszczyźne wypełna wnętrze kwadratu [0 x ; 0 y ]. Znajdź p-stwo, że dowolny punkt
Bardziej szczegółowo9 konkurs ICT Objective: 9.11 FET Proactive Neuro-bio. 9 konkurs ICT
Dzeń Informacyjny ICT dla podmotów zanteresowanych uczestnctwem w mędzynarodowych projektach B+R w ramach 7 Programu Ramowego: 9 konkurs ICT Warszawa, 31.01.2012 9 konkurs ICT Objectve: 9.11 FET Proactve
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO
Artur Zaborsk Unwersytet Ekonomczny we Wrocławu ANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO Wprowadzene Od ukazana
Bardziej szczegółowoPodstawy teorii falek (Wavelets)
Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoPlan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup
Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoAnaliza ryzyka kosztowego robót remontowo-budowlanych w warunkach niepełnej informacji
Analza ryzyka kosztowego robót remontowo-budowlanych w warunkach nepełne nformac Mgr nż. Mchał Bętkowsk, dr nż. Andrze Pownuk Wydzał Budownctwa Poltechnka Śląska w Glwcach Mchal.Betkowsk@polsl.pl, Andrze.Pownuk@polsl.pl
Bardziej szczegółowoRÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH
Stansław KOWALIK e-mal: skowalk@wsb.edu.pl Wyższa Szkoła Bznesu Dąbrowa Górncza RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Streszczene Praca dotyczy nekooperacynych sekwencynych ger dwuosobowych o sume
Bardziej szczegółowoGrupowanie. Wprowadzenie. Metody hierarchiczne. Modele mieszane (mixture models) Metody najmniejszych kwadratów. Zastosowania
Grupowane Wprowadzene Metody herarchczne Modele meszane (mxture models) Metoda Expectaton-maxmzaton (EM) Metody namneszych kwadratów Krytera akośc grupowana Algorytm k-średnch Zastosowana Statstcal Pattern
Bardziej szczegółowo11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.
/22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:
Bardziej szczegółowoDiagnostyka układów kombinacyjnych
Dagnostyka układów kombnacyjnych 1. Wprowadzene Dagnostyka obejmuje: stwerdzene stanu układu, systemu lub ogólne sec logcznej. Jest to tzw. kontrola stanu wykrywająca czy dzałane sec ne jest zakłócane
Bardziej szczegółowoAnaliza ryzyka jako instrument zarządzania środowiskiem
WARSZTATY 2003 z cyklu Zagrożena naturalne w górnctwe Mat. Symp. str. 461 466 Elżbeta PILECKA, Małgorzata SZCZEPAŃSKA Instytut Gospodark Surowcam Mneralnym Energą PAN, Kraków Analza ryzyka jako nstrument
Bardziej szczegółowoBADANIE NIEZAWODNOŚCI DIAGNOZ
ZAKŁA EKSOATACJI SYSTEMÓW EEKTOICZYCH ISTYTUT SYSTEMÓW EEKTOICZYCH WYZIAŁ EEKTOIKI WOJSKOWA AKAEMIA TECHICZA -------------------------------------------------------------------------------------------------------------------------------
Bardziej szczegółowoMatematyczny opis ryzyka
Aalza ryzyka kosztowego robót remotowo-budowlaych w warukach epełe formac Mgr ż Mchał Bętkowsk dr ż Adrze Powuk Wydzał Budowctwa Poltechka Śląska w Glwcach MchalBetkowsk@polslpl AdrzePowuk@polslpl Streszczee
Bardziej szczegółowoPrzykład 5.1. Kratownica dwukrotnie statycznie niewyznaczalna
rzykład.. Kratownca dwukrotne statyczne newyznaczana oecene: korzystaąc z metody sł wyznaczyć sły w prętach ponższe kratowncy. const Rozwązane zadana rozpoczynamy od obczena stopna statyczne newyznaczanośc
Bardziej szczegółowoANALIZA HARMONOGRAMÓW POWYKONAWCZYCH W BUDOWNICTWIE
ANALIZA HARMONOGRAMÓW POWYKONAWCZYCH W BUDOWNICTWIE Wocech BOŻEJKO Zdzsław HEJDUCKI Marusz UCHROŃSKI Meczysław WODECKI Streszczene: W pracy przedstawono metodę wykorzystana harmonogramów powykonawczych
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma
Bardziej szczegółowoZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO
Studa Materały. Mscellanea Oeconomcae Rok 6, Nr 2/22 Wydzał Zarządzana Admnstrac Unwersytetu Jana Kochanowskego w Kelcach Z a r z ą d z a n e f n a n s e Rafał Prońko ZASTOSOWANIE KLASYCZNEGO ALGORYTMU
Bardziej szczegółowoProblem plecakowy (KNAPSACK PROBLEM).
Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne
Bardziej szczegółowoBadania operacyjne w logistyce i zarządzaniu produkcją
Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu Badana operacyne w logstyce zarządzanu produkcą cz. I Andrze Woźnak Nowy Sącz Komtet Redakcyny doc. dr Zdzsława Zacłona przewodncząca, prof. dr hab. nż. Jarosław
Bardziej szczegółowoKrzysztof Borowski Zastosowanie metody wideł cenowych w analizie technicznej
Krzysztof Borowsk Zastosowane metody wdeł cenowych w analze technczne Wprowadzene Metoda wdeł cenowych została perwszy raz ogłoszona przez Alana Andrewsa 1 w roku 1960. Trzy lne wchodzące w skład metody
Bardziej szczegółowoRUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego.
RUCH OBROTOWY Można opsać ruch obrotowy ze stałym przyspeszenem ε poprzez analogę do ruchu postępowego jednostajne zmennego. Ruch postępowy a const. v v at s s v t at Ruch obrotowy const. t t t Dla ruchu
Bardziej szczegółowoMatematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXVIII Egzamin dla Aktuariuszy z 29 września 2014 r.
Komsa Egzamnacyna dla Aktuaruszy LXVIII Egzamn dla Aktuaruszy z 29 wrześna 14 r. Część I Matematyka fnansowa WERSJA TESTU A Imę nazwsko osoby egzamnowane:... Czas egzamnu: 0 mnut 1 1. W chwl T 0 frma ABC
Bardziej szczegółowo5. CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE
5. CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE Oprócz transmtancj operatorowej, do opsu członów układów automatyk stosuje sę tzw. transmtancję wdmową. Transmtancję wdmową G(j wyznaczyć moŝna dzęk podstawenu do wzoru
Bardziej szczegółowoSztuczne sieci neuronowe
Sztuczne sec neuronowe Jerzy Stefanowsk Plan wykładu 1. Wprowadzene 2. Model sztucznego neuronu. 3. Topologe sec neuronowych 4. Reguły uczena sec neuronowych. 5. Klasyfkaca sec neuronowych. 6. Sec warstwowe
Bardziej szczegółowoZarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych
dr nż Andrze Chylńsk Katedra Bankowośc Fnansów Wyższa Szkoła Menedżerska w Warszawe Zarządzane ryzykem w rzedsęborstwe ego wływ na analzę ołacalnośc rzedsęwzęć nwestycynych w w w e - f n a n s e c o m
Bardziej szczegółowoZjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych)
Statystyka - nauka zajmująca sę metodam badana przedmotów zjawsk w ch masowych przejawach ch loścową lub jakoścową analzą z punktu wdzena nauk, do której zakresu należą.
Bardziej szczegółowoWPŁYW PARAMETRÓW DYSKRETYZACJI NA NIEPEWNOŚĆ WYNIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO
Walenty OWIECZKO WPŁYW PARAMETRÓW DYSKRETYZACJI A IEPEWOŚĆ WYIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO STRESZCZEIE W artykule przedstaono ynk analzy nepenośc pomaru ybranych cech obektu obrazu cyfroego. Wyznaczono
Bardziej szczegółowo± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości
Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość
Bardziej szczegółowoWikiWS For Business Sharks
WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace
Bardziej szczegółowoProgramowanie Równoległe i Rozproszone
Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać
Bardziej szczegółowoPROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE
PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE Janusz Wątroba, StatSoft Polska Sp. z o.o. W nemal wszystkch dzedznach badań emprycznych mamy do czynena ze złożonoścą zjawsk procesów.
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoPrawdziwa ortofotomapa
Prawdzwa ortofotomapa klasyczna a prawdzwa ortofotomapa mnmalzacja przesunęć obektów wystających martwych pól na klasycznej ortofotomape wpływ rodzaju modelu na wynk ortorektyfkacj budynków stratege opracowana
Bardziej szczegółowo9. Rozmyte systemy z bazami wiedzy
Podstawy teor systemów rozmytych z zadanam 9. Rozmyte systemy z bazam wedzy 9.. Wprowadzene System ekspertowy lub system z bazą wedzy (ang. knowledge-based system), est tzw. ntelgentnym programem komputerowym,
Bardziej szczegółowo1. Komfort cieplny pomieszczeń
1. Komfort ceplny pomeszczeń Przy określanu warunków panuących w pomeszczenu używa sę zwykle dwóch poęć: mkroklmat komfort ceplny. Przez poęce mkroklmatu wnętrz rozume sę zespół wszystkch parametrów fzycznych
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE
ZAGADNIENIE TRANSPORTOWE ZT.. Zagadee trasportowe w postac tablcy Z m puktów (odpowedo A,...,A m ) wysyłamy edorody produkt w loścach a,...,a m do puktów odboru (odpowedo B,...,B ), gdze est odberay w
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE METODY KLASYFIKACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE MEODY KLASYFIKACJI Częstochowa 4 Dr hab. nż. Grzegorz Dude Wydzał Eletryczny Poltechna Częstochowsa FUNKCJE FISHEROWSKA DYSKRYMINACYJNE DYSKRYMINACJA I MASZYNA LINIOWA
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoZASTOSOWANIE ZBIORÓW ROZMYTYCH W JEDNOETAPOWYM PROCESIE PODEJMOWANIA DECYZJI PRZEZ JEDNEGO DECYDENTA
Mrosław Klawk ZSTOSOWNIE ZIORÓW ROZMYTYCH W JEDNOETPOWYM PROCESIE PODEJMOWNI DECYZJI PRZEZ JEDNEGO DECYDENT Wstęp Podemowane odpowednch decyz est zależnone od stopna wedzy decydenta o stanach natry oraz
Bardziej szczegółowoPlan wykładu. Sztuczne sieci neuronowe. Neuronu dyskretny. Neuron dyskretny (perceptron prosty)
Plan wykładu Dzałane neuronu dyskretnego warstwy neuronów dyskretnych Wykład : Reguły uczena sec neuronowych. Sec neuronowe ednokerunkowe. Reguła perceptronowa Reguła Wdrowa-Hoffa Reguła delta ałgorzata
Bardziej szczegółowo5. OPTYMALIZACJA GRAFOWO-SIECIOWA
. OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,
Bardziej szczegółowoBadania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)
Bardziej szczegółowoMIĘDZYNARODOWE UNORMOWANIA WYRAśANIA ANIA NIEPEWNOŚCI POMIAROWYCH
MIĘDZYNARODOWE UNORMOWANIA WYRAśANIA ANIA NIEPEWNOŚCI POMIAROWYCH Adam Mchczyńsk W roku 995 grupa nstytucj mędzynarodowych: ISO Internatonal Organzaton for Standardzaton (Mędzynarodowa Organzacja Normalzacyjna),
Bardziej szczegółowoMarkowa. ZałoŜenia schematu Gaussa-
ZałoŜena scheatu Gaussa- Markowa I. Model jest nezennczy ze względu na obserwacje: f f f3... fl f, czyl y f (x, ε) II. Model jest lnowy względe paraetrów. y βo + β x +ε Funkcja a być lnowa względe paraetrów
Bardziej szczegółowoZapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.
Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane
Bardziej szczegółowoZmodyfikowana technika programowania dynamicznego
Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.
Bardziej szczegółowoREGUŁY NIEDETERMINISTYCZNE W SYSTEMACH DECYZYJNYCH
STUDIA INFORMATICA 2012 Volume 33 Number 2A (105) Barbara MARSZAŁ-PASZEK, Potr PASZEK Unwersytet Śląsk, Instytut Informatyk REGUŁY NIEDETERMINISTYCZNE W SYSTEMACH DECYZYJNYCH Streszczene W artykule przedstawono
Bardziej szczegółowoI. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowo-ignorowanie zmiennej wartości pieniądza w czasie, -niemoŝność porównywania projektów o róŝnych klasach ryzyka.
Podstawy oceny ekonomcznej przedsęwzęć termo-modernzacyjnych modernzacyjnych -Proste (statyczne)-spb (prosty czas zwrotu nakładów nwestycyjnych) -ZłoŜone (dynamczne)-dpb, NPV, IRR,PI Cechy metod statycznych:
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowoInstrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne
Instrukca do ćwczeń laboratorynych z przedmotu: Badana operacyne Temat ćwczena: Problemy rozkrou materałowego, zagadnena dualne Zachodnopomorsk Unwersytet Technologczny Wydzał Inżyner Mechanczne Mechatronk
Bardziej szczegółowoV. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH
Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów
Bardziej szczegółowo1. Wstęp. 2. Macierz admitancyjna.
1. Wstęp. Znaomość stanu pracy SEE est podstawowym zagadnenem w sterowanu pracą systemu na wszystkch etapach: proektowana, rozwou, planowana stanów pracy oraz w czase beżące eksploatac. Kontrola rozpływów
Bardziej szczegółowoSTATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],
STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:
Bardziej szczegółowoMETODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.
Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoSprawozdanie powinno zawierać:
Sprawozdane pownno zawerać: 1. wypełnoną stronę tytułową (gotowa do ćw. nr 0 na strone drugej, do pozostałych ćwczeń zameszczona na strone 3), 2. krótk ops celu dośwadczena, 3. krótk ops metody pomaru,
Bardziej szczegółowoO PEWNYM MODELU POZWALAJĄCYM IDENTYFIKOWAĆ K NAJBARDZIEJ PODEJRZANYCH REKORDÓW W ZBIORZE DANYCH KSIĘGOWYCH W PROCESIE WYKRYWANIA OSZUSTW FINANSOWYCH
Mateusz Baryła Unwersytet Ekonomczny w Krakowe O PEWNYM MODELU POZWALAJĄCYM IDENTYFIKOWAĆ K NAJBARDZIEJ PODEJRZANYCH REKORDÓW W ZBIORZE DANYCH KSIĘGOWYCH W PROCESIE WYKRYWANIA OSZUSTW FINANSOWYCH Wprowadzene
Bardziej szczegółowotermodynamika fenomenologiczna p, VT V, teoria kinetyczno-molekularna <v 2 > termodynamika statystyczna n(v) to jest długi czas, zachodzi
fzka statstczna stan makroskopow układ - skończon obszar przestrzenn (w szczególnośc zolowan) termodnamka fenomenologczna p, VT V, teora knetczno-molekularna termodnamka statstczna n(v) stan makroskopow
Bardziej szczegółowoBADANIE NIEZAWODNOŚCI DIAGNOZ
ZAKŁA EKSPLOATACJI SYSTEMÓW ELEKTROICZYCH ISTYTUT SYSTEMÓW ELEKTROICZYCH WYZIAŁ ELEKTROIKI WOJSKOWA AKAEMIA TECHICZA -----------------------------------------------------------------------------------------------------------------------------
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 18. ALGORYTMY EWOLUCYJNE - ZASTOSOWANIA Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska ZADANIE ZAŁADUNKU Zadane załadunku plecakowe
Bardziej szczegółowoAUTOMATYZACJA PROJEKTOWANIA KONTROLERÓW TYPU KOMBINACYJNEGO NA PLD Z WYKORZYSTANIEM SPRZĘŻEŃ ZWROTNYCH
XIV Kraowa Konferenca Automatyk Zelona Góra, 4-7 czerwca 00 AUTOMATYZACJA PROJEKTOWAIA KOTROLERÓW TYPU KOMBIACYJEGO A PLD Z WYKORZYSTAIEM SPRZĘŻEŃ ZWROTYCH Adam KLIMOWICZ*, Walery SOŁOWJEW** * Poltechnka
Bardziej szczegółowoMetody analizy obwodów
Metody analzy obwodów Metoda praw Krchhoffa, która jest podstawą dla pozostałych metod Metoda transfguracj, oparte na przekształcenach analzowanego obwodu na obwód równoważny Metoda superpozycj Metoda
Bardziej szczegółowoWykład 1 Zagadnienie brzegowe liniowej teorii sprężystości. Metody rozwiązywania, metody wytrzymałości materiałów. Zestawienie wzorów i określeń.
Wykład Zagadnene brzegowe lnowe teor sprężystośc. Metody rozwązywana, metody wytrzymałośc materałów. Zestawene wzorów określeń. Układ współrzędnych Kartezańsk, prostokątny. Ose x y z oznaczono odpowedno
Bardziej szczegółowoAPROKSYMACJA QUASIJEDNOSTAJNA
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 73 Electrcal Engneerng 213 Jan PURCZYŃSKI* APROKSYMACJA QUASIJEDNOSTAJNA W pracy wykorzystano metodę aproksymacj średnokwadratowej welomanowej, przy
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoTESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).
TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoPoszukiwanie optymalnego wyrównania harmonogramu zatrudnienia metodą analityczną
Mieczysław POŁOŃSKI Wydział Budownictwa i Inżynierii Środowiska, Szkoła Główna Gospodarstwa Wieskiego, Warszawa, ul. Nowoursynowska 159 e-mail: mieczyslaw_polonski@sggw.pl Poszukiwanie optymalnego wyrównania
Bardziej szczegółowoStrukturalne podobieństwo dokumentów hipertekstowych
Przemysław KZIENKO trukturalne podobeństwo dokumentów hpertekstowych Cechą charakterystyczną dokumentów hpertekstowych są odsyłacze które tworzą strukturę systemu hpertekstowego. Zakładaąc że odsyłacze
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoWYKORZYSTANIE METODY MNOŻNIKÓW LAGRANGE A DO OCENY EFEKTYWNOŚCI PRODUKCJI NA PRZYKŁADZIE WYBRANYCH GRUP GOSPODARSTW ROLNYCH
INSTYTUT EKONOMIKI ROLNICTWA I GOSPODARKI ŻYWNOŚCIOWEJ PAŃSTWOWY INSTYTUT BADAWCZY Agneszka Natala Barczak WYKORZYSTANIE METODY MNOŻNIKÓW LAGRANGE A DO OCENY EFEKTYWNOŚCI PRODUKCJI NA PRZYKŁADZIE WYBRANYCH
Bardziej szczegółowobrak podstaw do odrzucenia hipotezy zerowej.
Paca domowa 9. W pewnym bowaze zanstalowano dwa automaty do napełnana butelek. Ilość pwa nalewana pzez pewszy est zmenną losową o ozkładze N( m,, a lość pwa dozowana pzez dug automat est zmenną losową
Bardziej szczegółowoOkreślanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2
T A R C Z A Z E G A R O W A ASTYGMATYZM 1.Pojęca ogólne a) astygmatyzm prosty (najbardzej zgodny z pozomem) - najbardzej płask połudnk tzn. o najmnejszej mocy jest pozomy b) astygmatyzm odwrotny (najbardzej
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowo1. Wstęp Ideą podejścia wielomodelowego jest łączenie nazywane także agregacją wyników M modeli bazowych D 1, w jeden model zagregowany
Marcn Pełka Unwersytet Ekonoczny we Wrocławu Podeśce weloodelowe z wykorzystane etody boostng w analze danych sybolcznych Streszczene Cele artykułu est zaprezentowane ożlwośc wykorzystana etody boostng
Bardziej szczegółowo-Macierz gęstości: stany czyste i mieszane (przykłady) -równanie ruchu dla macierzy gęstości -granica klasyczna rozkładów kwantowych
WYKŁAD 4 dla zanteresowanych -Macerz gęstośc: stany czyste meszane (przykłady) -równane ruchu dla macerzy gęstośc -granca klasyczna rozkładów kwantowych Macerz gęstośc (przypomnene z poprzednch wykładów)
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoFizyka cząstek elementarnych
Wykład V zospn symetra zospnowa zachowane zospnu ukleony Proton est bardzo podobny do neutronu - obe cząstk maą spn lczbę baronową 98 B a ch masy wynoszące MeV m p nosą m n 996 MeV są nemal dentyczne.
Bardziej szczegółowoOptymalizacja belki wspornikowej
Leszek MIKULSKI Katedra Podstaw Mechank Ośrodków Cągłych, Instytut Mechank Budowl, Poltechnka Krakowska e mal: ps@pk.edu.pl Optymalzacja belk wspornkowej 1. Wprowadzene RozwaŜamy zadane optymalnego kształtowana
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoTRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE
POLITHNIKA RZSZOWSKA Katedra Podstaw lektronk Instrkcja Nr4 F 00/003 sem. letn TRANZYSTOR IPOLARNY HARAKTRYSTYKI STATYZN elem ćwczena jest pomar charakterystyk statycznych tranzystora bpolarnego npn lb
Bardziej szczegółowoZastosowanie hierarchicznej estymacji bayesowskiej w szacowaniu wartości dochodów ludności dla powiatów
Zastosowane herarchcznej estymacj bayesowskej w szacowanu wartośc dochodów ludnośc dla powatów Jan Kuback Ośrodek Statystyk Matematycznej, Urząd Statystyczny w Łodz Herarchczna estymacja bayesowska - wprowadzene
Bardziej szczegółowo3. ŁUK ELEKTRYCZNY PRĄDU STAŁEGO I PRZEMIENNEGO
3. ŁUK ELEKTRYCZNY PRĄDU STŁEGO I PRZEMIENNEGO 3.1. Cel zakres ćwczena Celem ćwczena jest zapoznane sę z podstawowym właścwoścam łuku elektrycznego palącego sę swobodne, w powetrzu o cśnentmosferycznym.
Bardziej szczegółowo