Plan wykładu. Sztuczne sieci neuronowe. Algorytmy gradientowe optymalizacji. Uczenie z nauczycielem. Wykład 4: Algorytmy optymalizacji
|
|
- Henryka Świątek
- 6 lat temu
- Przeglądów:
Transkrypt
1 Pla wyładu yład 4: Algorytmy optymalizacji Małgorzata Krtowsa Katedra Oprogramowaia Algorytmy gradietowe optymalizacji Algorytm ajwiszego spadu Algorytm zmieej metryi Algorytm gradietów sprzoych Algorytmy doboru współczyia uczeia adaptacyjy dobór współczyia uczeia dobór współczyia przez miimalizacj ieruow reguła delta-bar-delta metoda gradietów sprzoych z regularyzacj Algorytmy heurystycze algorytm Quicprop algorytm RPROP Uczeie z auczycielem Algorytmy gradietowe optymalizacji Miimalizacja fucji celu E Załadajc cigł fucj atywacji, miimalizacja odbywa si metodami gradietowymi adym rou uczeia wyzacza si tzw ierue miimalizacji p (( Korecja wag odbywa si według wzoru: gdzie η jest współczyiiem uczeia z przedziału [0, ] ( + ( + ηp( ( 3 Algorytmy gradietowe bazuj a rozwiiciu w szereg aylora fucji celu w ajbliszym ssiedztwie zaego rozwizaia [w,w,, w ] (a starcie algorytmu jest to put pocztowy 0 : gdzie: + p + [ g( ] p + p H( p + g( E,,, H ( 4
2 Algorytmy gradietowe optymalizacji Put jest putem optymalym fucji, jeli g( 0 hesja H( jest dodatio oreloy pratyce ( ze wzgldu a a soczo dołado oblicze załada si, e put jest putem optymalym, jeeli: g( gdzie τ przyjta dołado oblicze 3 τ τ ( + τ ( + ( + Załadamy 0 Ogóly algorytm optymalizacji est: jeeli spełia warui testowe jest putem optymalym to oczymy obliczeia, w przeciwym przypadu pt yzaczaie wetora ieruu poszuiwa p w pucie Miimalizacja ieruowa fucji a ieruu p w celu wyzaczeia taiej wartoci η, aby +η p < yzaczeie owego rozwizaia + +η p oraz odpowiadajcej mu wartoci, g( ( i ew H( i powrót do pt Róice: wyzaczaie ieruu poszuiwa p oraz rou η 5 6 Algorytm ajwiszego spadu Algorytm ajwiszego spadu Ograiczeie do liiowego przyblieia fucji w ajbliszym ssiedztwie zaego rozwizaia : + p + [ g( ] p + O( h Podejcie lasycze + η p + aby + < wystarczy aby [g( ] p < 0 Metoda mometu ηp + α( K etor ieruowy w metodzie ajwiszego spadu przyjmuje posta: p -g( Uwagi: η a płasich odciach p α (dla 09 ozacza to 0 rote przyspieszeie procesu uczeia pozwala a wyjcie z miimów loalych aley otrolowa warto E 7 8
3 Algorytm ajwiszego spadu yres wpływu działaia mometu a proces uczeia Algorytm zmieej metryi (quasi-newtoa Kwadratowe przyblieie fucji w ssiedztwie zaego rozwizaia : 3 + p + [ g( ] p + p H( p + O( h ierue p jest wyzaczoy ze wzoru: p [ H ( ] g( Metoda weight decay ηp β zabezpiecza przez zbytim wzrostem wag ηp β Problemy: wymóg dodatiej orelooci hesjau w adym rou Rozwizaie zastosowaie przyblieia hesjau przy uyciu metody zmieej metryi 9 0 Algorytm zmieej metryi (quasi-newtoa Algorytm zmieej metryi (quasi-newtoa Przyblieie hesjau polega a modyfiacji hesjau z rou poprzediego o pew popraw, tóra powoduje, e atuala warto hesjau G( przyblia rzywiz fucji celu E zgodie z zaleoci: G( ( - - g( -g( - Na podstawie powyszego załoeia moa otrzyma wzory orelajce hesja w rou -tym: r V r s s s r V V r s V V + + s r s r s r gdzie s - - ; r g( -g( - ; V l [G( ] - warto startowa V 0 pierwsza iteracja zgodie z algorytmem ajwiszego spadu odtwarzaa macierz hesjau jest w adym rou dodatio oreloa (std g( 0 odpowiada rozwizaiu problemu optymalizacji metoda uwaaa za jed z ajlepszych metod optymalizacji fucji wielu zmieych ady: stosuowo dua złooo obliczeiowa ( elemetów hesjau due wymagaia co do pamici przy przechowywaiu macierzy hesjau
4 Metoda gradietów sprzoych rezygacja z bezporediej iformacji o hesjaie owy ierue poszuiwa ma by ortogoaly i sprzoy z poprzedim ieruami p 0, p,, p -, std: co moa uproci do postaci: p g( współczyi sprzeia (g g( : g ( g β g p + j 0 β p g( + β p g g j j Metoda gradietów sprzoych metoda miej sutecza od metody zmieej metryi, ale bardziej sutecza i metoda ajwiszego spadu stosuje si j do optymalizacji przy bardzo duej liczbie zmieych ze wzgldu a błdy zaorgle w tracie zatraca si właso ortogoaloci midzy wetorami ieruów miimalizacji Po wyoaiu iteracji przeprowadza si jej poowy start ( w I rou zgodie z algorytmem ajwiszego spadu Zbiór wetorów p i jest wzajemie sprzoy wzgldem macierzy H, jeeli p i Hp j 0, i j 3 4 Metody doboru współczyia uczeia Po oreleiu właciwego ieruu p miimalizacji, aley dobra odpowiedi warto współczyia uczeia, aby owy put + leał moliwie ajbliej miimum fucji a ieruu p + + η p Stały współczyi uczeia Stały współczyi uczeia stosuje si główie w połczeiu z metod ajwiszego spadu sposób ajmiej efetywy, gdy ie uzaleia wartoci współczyia od od wetora gradietu oraz ieruu poszuiwa p w daej iteracji algorytm ma słoo utyaia w miimach loalych czsto dobór współczyia odbywa si oddzielie dla adej warstwy, przyjmujc η mi i gdzie i liczba wej i-tego eurou w warstwie 5 6
5 Adaptacyjy dobór współczyia uczeia zmiay współczyia uczeia dopasowuj si do atualych zmia wartoci fucji celu w czasie arto błdu ε w i-tej iteracji: ε M ( y j d j j orela strategi zmia wartoci współczyia uczeia Przyspieszeie procesu uczeia uzysuje si poprzez cigłe zwiszaie współczyia η sprawdzajc jedoczeie czy ie zaczie wzrasta w porówaiu z błdem obliczoym przy poprzediej wartoci η Adaptacyjy dobór współczyia uczeia Adaptacja współczyia uczeia: ηi ρd gdy εi > wε i ηi + ηiρ i gdy εi wε i gdzie: ε i-, ε i - błd odpowiedio w (i--szej iteracji oraz w i-tej iteracji η i- ; η i - współczyi uczeia w olejych iteracjach w - dopuszczaly współczyi wzrostu błdu ρ d - współczyi zmiejszaia wartoci ρ i - współczyi zwiszajcy warto Przyładowe wartoci współczyiów: w,04; ρ d 07; ρ i Adaptacyjy dobór współczyia uczeia pływ adaptacyjego doboru współczyia uczeia a proces uczeia Dobór współczyia uczeia przez miimalizacj ieruow Polega a miimalizacji ieruowej fucji celu a wyzaczoym wczeiej ieruu p Cel: taie dobraie wartoci η aby owy put + +η p odpowiadał miimum fucji celu a daym ieruu Jeeli η odpowiada doładie miimum fucji a daym ieruu p to pochoda ieruowa w pucie + +η p musi by rówa 0 pratyce wyzaczoy put + odpowiada tylo w przyblieiu rzeczywistemu putowi miimalemu a daym ieruu 9 0
6 Dobór współczyia uczeia przez miimalizacj ieruow celu regulacji doładoci wyzaczeia współczyia uczeia wprowadza si współczyi 0<γ <, tóry staowi ułame pochodej fucji celu a ieruu p w pucie wyjciowym Miimalizacja ieruowa Metody bezgradietowe iformacje o wartociach fucji celu wyzaczaie miimum poprzez oleje podziały załooego a wstpie zaresu wartoci wetora Algorytm pozwalajcy a wyzaczeie optymalej wartoci η przeprowadza si dopóty, dopói spełioe s astpujce warui: g +η p p γ g( p oraz [ ( ] [ ] przyjcie 0 γ γ < gwaratuje jedoczese spełieie obu tych waruów [ g( ] p E ( + η p γ η Metody gradietowe wyorzystuj zarówo warto fucji ja te jej pochod wzdłu wetora ieruu p zacze przyspieszeie wyzaczeia miimum a daym ieruu iformacja o ieruu spadu Przyład metody bezgradietowej Metoda bazuje a aprosymacji fucji celu a ieruu p, a astpie wyzacza miimum otrzymaej w te sposób fucji jedej zmieej η ielomia aprosymujcy: P(ηa η +a η +a 0 gdzie a,a,a 0 - współczyii wielomiau orelae w adym cylu optymalizacyjym yzaczaie współczyiów wielomiau wybór trzech dowolych putów,, 3 lecych a ieruu p, tz + η p ; + η p ; 3 + η 3 p ;( - poprzedie rozwizaie; E ; E ; E 3 3 ; wówczas P(η E ; P(η E ; P(η 3 E 3 ; Rozwizujc uład rówa otrzymujemy współczyii wielomiau Porówujc pochod wielomiau do zera otrzymujemy η mi (-a /a Po oreleiu s sprawdzae warui Jeli algorytm ma by otyuoway to wybiera si oleje puty lece a ieruu p w pobliu putu + η mi p 3 Ie metody doboru współczyia uczeia Reguła delta-bar-delta jest metod adaptacyj opracowa dla wadratowej defiicji fucji celu i metody ajwiszego spadu adej wadze jest przyporzdoway idywidualie dobray współczyi uczeia ada: dua złooo obliczeiowa Zaleta: przyspieszeie procesu uczeia i zwiszeie prawdopodobiestwa osigicia miimum globalego Metoda gradietów sprzoych z regularyzacj odmiaa zwyłej metody gradietów sprzoych łczc jedoczeie wyzaczaie ieruu p oraz optymalego rou 4
7 Algorytm Quicprop odmiaa algorytmu gradietowego zawiera elemety metody ewtoowsiej i wiedzy heurystyczej zawiera elemety zabezpieczajce przez uticiem w płytim miimum loalym (ze wzgldu a asyceie eurou Zmiaa wagi w -tym rou ( ( ( η + γ ( + α ( Zalety: szyba zbieo dla wiszoci trudych problemów ilusetrote przyspieszeie procesu uczeia (w porówaiu z algorytmem ajwiszego spadu małe prawdopodobiestwo uticia w miimum loalym Algorytm RPROP (ag Resilet bacpropagatio ( ( η mi a ( η max b gdzie ( ( S ( a; b05 ( ( sg ( ( η, ηmax ( ( η, η η ( S ( S ( < 0 w pozostalyc h przypadach η mi ; η max - miimala i masymala warto współczyia uczeia (0-6 ; 50 mi Zalety przyspieszeie procesu uczeia w obszarach gdzie achyleie fucji celu jest iewielie dla dla S ( S ( > 0 5 6
Metoda najszybszego spadku
Metody Gradietowe W tym rozdziale bdziemy rozwaa metody poszuiwaia dla fucji z przestrzei R o wartociach rzeczywistych Metody te wyorzystuj radiet fucji ja rówie wartoci fucji Przypomijmy, czym jest zbiór
Bardziej szczegółowoRachunek różniczkowy funkcji wielu zmiennych
Automatya i Robotya Aaliza Wyład dr Adam Ćmiel cmiel@agh.edu.pl Rachue różiczowy fucji wielu zmieych W olejych wyładach uogólimy pojęcia rachuu różiczowego i całowego fucji jedej zmieej a przypade fucji
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 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 szczegółowoWyższe momenty zmiennej losowej
Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h( dla dysretej zm. losowej oraz ucji h( dla ciągłej zm. losowej: m E P m E ( d Deiicja: Mometem cetralym µ rzędu dla
Bardziej szczegółowon k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka
Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h() dla dysretej zm. losowej oraz ucji h() dla ciągłej zm. losowej: m E P m E ( ) d Deiicja: Mometem cetralym µ rzędu
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 szczegółowoTeoria Sygnałów. II Inżynieria Obliczeniowa. Wykład 13
Toria Sygałów II Iżyiria Oblicziowa Wyład 3 Filtr adaptacyjy dostraja się do zmiych waruów pracy. Filtr tai posiadają dwa sygały wjściow. Pirwszym jst sygał poddaway filtracji x(). Drugim ta zway sygał
Bardziej szczegółowoN ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.
3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy
Bardziej szczegółowoINDUKCJA MATEMATYCZNA
MATEMATYKA DYSKRETNA (4/5) dr hab. iż. Małgorzata Stera malgorzata.stera@cs.put.poza.pl www.cs.put.poza.pl/mstera/ INDUKCJA MATEMATYCZNA Matematya Dysreta Małgorzata Stera FUNKCJA SILNIA dla, fucja silia
Bardziej szczegółowoWykład 7. Przestrzenie metryczne zwarte. x jest ciągiem Cauchy ego i posiada podciąg zbieżny. Na mocy
Wyład 7 Przestrzeie metrycze zwarte Defiicja 8 (przestrzei zwartej i zbioru zwartego Przestrzeń metryczą ( ρ X azywamy zwartą jeśli ażdy ciąg elemetów tej przestrzei posiada podciąg zbieży (do putu tej
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 szczegółowoProsta w 3. t ( t jest parametrem).
Prosta w 3 by wyacy rówaie prostej w 3 wystarcy a jede put tej prostej i wetor adajcy jej ierue (way wetore ieruowy) Jei P = ( P yp P ) = [ p] to rówaia paraetryce prostej aj posta = P t : y = yp t t (
Bardziej szczegółowoTeoria i metody optymalizacji
eoria i metody optymalizaci Programowaie liiowe całowitoliczbowe PCL Metodologia podziału i ograiczeń Brach ad Boud (B&B) ma c A Z echique Metodologia podziału i ograiczeń B&B { A b i Z } Podstawą metodologii
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 szczegółowoWYKORZYSTANIE FILTRU CZĄSTECZKOWEGO W PROBLEMIE IDENTYFIKACJI UKŁADÓW AUTOMATYKI
Piotr KOZIERSKI WYKORZYSTAIE FILTRU CZĄSTECZKOWEGO W PROBLEMIE IDETYFIKACJI UKŁADÓW AUTOMATYKI STRESZCZEIE W artyule przedstawioo sposób idetyfiacji parametryczej obietów ieliiowych zapisaych w przestrzei
Bardziej szczegółowof '. Funkcja h jest ciągła. Załóżmy, że ciąg (z n ) n 0, z n+1 = h(z n ) jest dobrze określony, tzn. n 0 f ' ( z n
Metoda Newtoa i rówaie z = 1 Załóżmy, że fucja f :C C ma ciągłą pochodą. Dla (prawie) ażdej liczby zespoloej z 0 tworzymy ciąg (1) (z ) 0, z 1 = z f ( z ), ciąg te f ' (z ) będziemy azywać orbitą liczby
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 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 szczegółowoWykład 8: Zmienne losowe dyskretne. Rozkłady Bernoulliego (dwumianowy), Pascala, Poissona. Przybliżenie Poissona rozkładu dwumianowego.
Rachue rawdoodobieństwa MAP064 Wydział Eletroii, ro aad. 008/09, sem. leti Wyładowca: dr hab. A. Jurlewicz Wyład 8: Zmiee losowe dysrete. Rozłady Beroulliego (dwumiaowy), Pascala, Poissoa. Przybliżeie
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. A. V. Aho, J.E. Hopcroft, J. D. Ullma - Projektowaie i aaliza
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 szczegółowoAnaliza I.1, zima globalna lista zadań
Aaliza I., zima 207 - globala lista zadań Marci Kotowsi 8 styczia 208 Podstawy Zadaie. Udowodij, że dla ażdego aturalego liczby 7 2 + oraz 7 2 dzielą się przez 6. Zadaie 2. Rozstrzygij, czy poiższe liczby
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 szczegółowoZajęcia nr. 2 notatki
Zajęcia r otati wietia 5 Wzory srócoego możeia W rozdziale tym podamy ila wzorów tóre ułatwiają obliczaie wielu zadań rachuowych Fat (wzory srócoego możeia) Dla dowolych liczb rzeczywistych a, b zachodzi:
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 szczegółowoTwierdzenia o funkcjach ciągłych
Automatya i Robotya Aaliza Wyład 5 dr Adam Ćmiel cmiel@aghedupl Twierdzeia o ucjach ciągłych Tw (Weierstrassa Jeżeli ucja : R [ R jest ciągła a [, to ograiczoa i : ( sup ( i ( i ( [, Dowód Ograiczoość
Bardziej szczegółowoKOMBINATORYKA. Oznaczenia. } oznacza zbiór o elementach a, a2,..., an. Kolejność wypisania elementów zbioru nie odgrywa roli.
KOMBINATORYKA Kombiatoryą azywamy dział matematyi zajmujący się zbiorami sończoymi oraz relacjami między imi. Kombiatorya w szczególości zajmuje się wyzaczaiem liczby elemetów zbiorów sończoych utworzoych
Bardziej szczegółowoDwumian Newtona. Agnieszka Dąbrowska i Maciej Nieszporski 8 stycznia 2011
Dwumia Newtoa Agiesza Dąbrowsa i Maciej Nieszporsi 8 styczia Wstęp Wzory srócoego możeia, tóre pozaliśmy w gimazjum (x + y x + y (x + y x + xy + y (x + y 3 x 3 + 3x y + 3xy + y 3 x 3 + y 3 + 3xy(x + y
Bardziej szczegółowotek zauważmy, że podobnie jak w dziedzinie rzeczywistej wprowadzamy dla funkcji zespolonych zmiennej rzeczywistej pochodne wyższych rze
R o z d z i a l III RÓWNANIA RÓŻNICZKOWE LINIOWE WYŻSZYCH RZE DÓW 12. Rówaie różiczowe liiowe -tego rze du Na pocza te zauważmy, że podobie ja w dziedziie rzeczywistej wprowadzamy dla fucji zespoloych
Bardziej szczegółowoLICZBY, RÓWNANIA, NIERÓWNOŚCI; DOWÓD INDUKCYJNY
LICZBY, RÓWNANIA, NIERÓWNOŚCI; DOWÓD INDUKCYJNY Zgodie z dążeiami filozofii pitagorejsiej matematyzacja abstracyjego myśleia powia być dooywaa przy pomocy liczb. Soro ta, to liczby ależy tworzyć w miarę
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 szczegółowoKLUCZ ODPOWIEDZI I ZASADY PUNKTOWANIA PRÓBNEGO EGZAMINU MATURALNEGO Z MATEMATYKI POZIOM PODSTAWOWY
KLUCZ ODPOWIEDZI I ZASADY PUNKTOWANIA PRÓBNEGO EGZAMINU MATURALNEGO Z MATEMATYKI POZIOM PODSTAWOWY Nr zadaia Odpowiedzi Pukty Badae umiejtoci Obszar stadardu 1. B 0 1 plauje i wykouje obliczeia a liczbach
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są
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 szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie
Bardziej szczegółowoRównoliczno zbiorów. Definicja 3.1 Powiemy, e niepuste zbiory A i B s równoliczne jeeli istnieje. Piszemy wówczas A~B. Przyjmujemy dodatkowo, e ~.
16 Rówoliczo zbiorów Defiicja 3.1 Powiemy, e iepuste zbiory A i B s rówolicze jeeli istieje f : A B. Piszemy wówczas A~B. Przyjmujemy dodatkowo, e ~. Twierdzeie 3.1 (podstawowa właso rówoliczoci zbiorów)
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 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 szczegółowoStatystyka Inżynierska
Statystya Iżyiersa dr hab. iż. Jace Tarasiu GH, WFiIS 03 Wyład 4 RCHUNEK NIEPEWNOŚCI + KILK UŻYTECZNYCH NRZĘDZI STTYSTYCZNYCH Wyład w więszości oparty a opracowaiu prof.. Zięby http://www.fis.agh.edu.pl/~pracowia_fizycza/pomoce/opracowaiedaychpomiarowych.pdf
Bardziej szczegółowoMarek Be±ka, Statystyka matematyczna, wykªad Wykªadnicze rodziny rozkªadów prawdopodobie«stwa
Mare Be±a, Statystya matematycza, wyªad 3 38 3 Statystyi zupeªe 3. Wyªadicze rodziy rozªadów prawdopodobie«stwa Zacziemy od deicji Deicja 3. Rodzi rozªadów {µ θ } θ Θ azywamy wyªadicz rodzi rozªadów -
Bardziej szczegółowoKombinacje, permutacje czyli kombinatoryka dla testera
Magazie Kombiacje, permutacje czyli ombiatorya dla testera Autor: Jace Oroje O autorze: Absolwet Wydziału Fizyi Techiczej, Iformatyi i Matematyi Stosowaej Politechii Łódziej, specjalizacja Sieci i Systemy
Bardziej szczegółowoOBWODY LINIOWE PRĄDU STAŁEGO
Politechia Gdańsa Wydział Eletrotechii i utomatyi 1. Wstęp st. stacjoare I st. iżyiersie, Eergetya Laboratorium Podstaw Eletrotechii i Eletroii Ćwiczeie r 1 OBWODY LINIOWE PRĄDU STŁEGO Obwód eletryczy
Bardziej szczegółowoMetody Podejmowania Decyzji
Metody Podejmowaia Decyzji Wzrost liczby absolwetów w Politechice Wrocławsiej a ieruach o luczowym zaczeiu dla gospodari opartej a wiedzy r UDA-POKL.04.0.0-00-065/09-0 Recezet: Prof. dr hab. iż. Ja Iżyowsi
Bardziej szczegółowoPRZETWORNIKI C/A 1. STRUKTURA PRZETWORNIKA C/A
PZETWON C/A. STTA PZETWONA C/A. PZETWON C/A NAPĘCOWE.. PZETWON NAPĘCOWE Z DZELNEM NAPĘCOWYM WYJŚCEM NAPĘCOWYM... Przetwori C/A z drabią rówoległą Deoder z N N N wy stawieia przełącziów dla sytuacji, gdy
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 szczegółowoPoprawa efektywnoci metody wstecznej propagacji bdu. Jacek Bartman
Poprawa efektywnoci metody wstecznej propagac bdu Algorytm wstecznej propagac bdu. Wygeneruj losowo wektory wag. 2. Podaj wybrany wzorzec na wejcie sieci. 3. Wyznacz odpowiedzi wszystkich neuronów wyjciowych
Bardziej szczegółowoPattern Classification
atter Classificatio All materials i these slides were tae from atter Classificatio d ed by R. O. Duda,. E. Hart ad D. G. Stor, Joh Wiley & Sos, 000 with the permissio of the authors ad the publisher Chapter
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 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 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 szczegółowoKontakt,informacja i konsultacje. I Zasada Termodynamiki. Energia wewnętrzna
Kotat,iformacja i osultacje Chemia A ; poój 37 elefo: 347-2769 E-mail: wojte@chem.pg.gda.pl tablica ogłoszeń Katedry Chemii Fizyczej http://www.pg.gda.pl/chem/dydatya/ lub http://www.pg.gda.pl/chem/katedry/fizycza
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n
Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam
Bardziej szczegółowoTwierdzenie Cayleya-Hamiltona
Twierdzeie Cayleya-Hamiltoa Twierdzeie (Cayleya-Hamiltoa): Każda macierz kwadratowa spełia swoje włase rówaie charakterystycze. D: Chcemy pokazać, że jeśli wielomiaem charakterystyczym macierzy A jest
Bardziej szczegółowoElementy nieliniowe w modelach obwodowych oznaczamy przy pomocy symboli graficznych i opisu parametru nieliniowego. C N
OBWODY SYGNAŁY 1 5. OBWODY NELNOWE 5.1. WOWADZENE Defiicja 1. Obwodem elektryczym ieliiowym azywamy taki obwód, w którym występuje co ajmiej jede elemet ieliiowy bądź więcej elemetów ieliiowych wzajemie
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA ALGORYTM MRÓWKOWY (ANT SYSTEM) ALGORYTM MRÓWKOWY. Algorytm mrówkowy
PLAN WYKŁADU Algorytm mrówowy OPTYMALIZACJA GLOBALNA Wyład 8 dr inż. Agniesza Bołtuć (ANT SYSTEM) Inspiracja: Zachowanie mrówe podczas poszuiwania żywności, Zachowanie to polega na tym, że jeśli do żywności
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i
Bardziej szczegółowoOBWODY LINIOWE PRĄDU STAŁEGO
Politechia Gdańsa Wydział Eletrotechii i utomatyi 1. Wstęp st. stacjoare I st. iżyiersie, Mechatroia (WM) Laboratorium Eletrotechii Ćwiczeie r 1 OBWODY LINIOWE PRĄDU STŁEGO Obwód eletryczy liiowy jest
Bardziej szczegółowoWYKŁAD nr 8 METODY CYFROWE POSZUKIWANIA MINIMUM FUNKCJI. Zadania minimalizacji funkcji bez ograniczeń można wyrazić następująco
WYKŁAD r 8 METODY CYFROWE POSZUKIWANIA MINIMUM FUNKCJI Zaaia miimalizacji fucji bez ograiczeń moża yrazić astępująco f ˆ mi f R gzie f : R R, przy czym załaa się, że fucja f jest ograiczoa z ołu. Istieje
Bardziej szczegółowoTeoria i metody optymalizacji
Teora metoy optymalzacj Nelowe zaae optymalzacj bez ograczeń umerycze metoy teracyje optymalzacj m x R f = f x Algorytmy poszuwaa mmum loalego zaaa programowaa elowego: Bez ograczeń Z ograczeam Algorytmy
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 szczegółowoPojcie estymacji. Metody probabilistyczne i statystyka Wykład 9: Estymacja punktowa. Własnoci estymatorów. Rozkłady statystyk z próby.
Pojcie estymacji Metody probabilistycze i statystyka Wykład 9: Estymacja puktowa. Własoci estymatorów. Rozkłady statystyk z próby. Szacowaie wartoci parametrów lub rozkładu zmieej losowej w populacji geeralej
Bardziej szczegółowoMACIERZE STOCHASTYCZNE
MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:
Bardziej szczegółowoAnaliza I.1, zima wzorcowe rozwiązania
Aaliza I., zima 07 - wzorcowe rozwiązaia Marci Kotowsi 5 listopada 07 Zadaie. Udowodij, że dla ażdego aturalego liczba 7 + dzieli się przez 6. Dowód. Tezę udowodimy za pomocą iducji matematyczej. Najpierw
Bardziej szczegółowoJózef Borkowski. Metody interpolacji widma i metoda LIDFT w estymacji parametrów sygnału wieloczęstotliwościowego
Józef Borowsi Metody iterpolacji widma i metoda LIDFT w estymacji parametrów sygału wieloczęstotliwościowego Oficya Wydawicza Politechii Wrocławsiej Wrocław 0 ecezeci yszard MAKOWSKI Tomasz ZIELIŃSKI Opracowaie
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 szczegółowoWYKŁAD 4 PLAN WYKŁADU. Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania. Metody uczenia sieci: Zastosowania
WYKŁAD 4 Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania PLAN WYKŁADU Metody uczenia sieci: Uczenie perceptronu Propagacja wsteczna Zastosowania Sterowanie (powtórzenie) Kompresja obrazu Rozpoznawanie
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 szczegółowoWykład 3 : Podstawowe prawa, twierdzenia i reguły Teorii Obwodów
OBWODY SYNAŁY Wyład 3 : Podstawowe prawa, twierdzeia i reguły Teorii Obwodów 3. PODSTAWOWE PAWA TWEDZENA TEO OBWODÓW 3.. SCHEMAT DEOWY OBWOD Schematem ideowym obwodu (siecią) azywamy graficze przedstawieie
Bardziej szczegółowoZmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,
Matematyka ubezpieczeń majątkowych.0.008 r. Zadaie. r, Zmiea losowa N ma rozkład ujemy dwumiaowy z parametrami (, q), tz.: Pr( N k) (.5 + k) (.5) k! Γ Γ * Niech k ozacza taką liczbę aturalą, że: * k if{
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)
Bardziej szczegółowoFunkcja generująca rozkład (p-two)
Fucja geerująca rozład (p-wo Defiicja: Fucją geerującą rozład (prawdopodobieńswo (FGP dla zmieej losowej przyjmującej warości całowie ieujeme, azywamy: [ ] g E P Twierdzeie: (o jedozaczości Jeśli i są
Bardziej szczegółowo15. CAŁKA NIEOZNACZONA cz. I
5. CAŁKA NIEOZNACZONA cz. I Fukcj pirwot fukcji f w pwym przdzial (właciwym lub iwłaciwym) azywamy tak fukcj F, którj pochoda rówa si fukcji f w tym przdzial. Zbiór wszystkich fukcji pirwotych fukcji f
Bardziej szczegółowoSygnały stochastyczne
Sygnały stochastyczne Zmienne losowe E zbiór zdarzeń elementarnych (zbiór możliwych wyniów esperymentu) e E zdarzenie elementarne (wyni esperymentu) B zbiór wybranych podzbiorów zbioru E β B zdarzenie
Bardziej szczegółowoWYKŁAD 1 INTERPOLACJA WIELOMIANOWA
WYKŁAD INTERPOLACJA WIELOMIANOWA /6 Sformułowaie problemu iterpolaci. Metoda Lagrage a Rozważmy zaday uład putów {(, y ),,,..., }, zwaych dale węzłami iterpolacyymi. Poszuuemy wielomiau iterpolacyego zadaego
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 szczegółowoLogistyka a bezpieczeństwo asymetryczne
KRZYSZKOWSKI Adrzej 1 Logistya a bezpieczeństwo asymetrycze WSTĘP Asymetria to pojęcie zae z geometrii, ozacza oo aruszeie lub bra symetrii -sytuację pewej odmieości. Badacze zajmujący się defiiowaiem
Bardziej szczegółowo( ) O k k k. A k. P k. r k. M O r 1. -P n W. P 1 P k. Rys. 3.21. Redukcja dowolnego przestrzennego układu sił
3.7.. Reducja dowolego uładu sił do sił i par sił Dowolm uładem sił będiem awać uład sił o liiach diałaia dowolie romiescoch w prestrei. tm pucie ajmiem się sprowadeiem (reducją) taiego uładu sił do ajprostsej
Bardziej szczegółowoMetody optymalizacji nieliniowej (metody programowania nieliniowego) Ewa Niewiadomska-Szynkiewicz Instytut Automatyki i Informatyki Stosowanej
Metody optymalizacji nieliniowej metody programowania nieliniowego Ewa Niewiadomsa-Szyniewicz Instytut Automatyi i Inormatyi Stosowanej Ewa Niewiadomsa-Szyniewicz ens@ia.pw.edu.pl Instytut Automatyi i
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 szczegółowoMetody Obliczeniowe w Nauce i Technice laboratorium
Marci Rociek Iformatyka, II rok Metody Obliczeiowe w Nauce i Techice laboratorium zestaw 1: iterpolacja Zadaie 1: Zaleźć wzór iterpolacyjy Lagrage a mając tablicę wartości: 3 5 6 y 1 3 5 6 Do rozwiązaia
Bardziej szczegółowoTwierdzenia graniczne:
Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości
Bardziej szczegółowoZadania - powtórzenie do egzaminu dojrzałoci
Zadaia - powtórzeie do egzamiu dojrzałoci. Dla jakich wartoci parametru m rozwizaie układu rówa y = m y = m jest par liczb o przeciwych zakach. Sformułuj waruek zbieoci ieskoczoego cigu geometryczego i
Bardziej szczegółowoPERMUTACJE Permutacją zbioru n-elementowego X nazywamy dowolną wzajemnie jednoznaczną funkcję f : X X X
PERMUTACJE Permutacą zboru -elemetowego X azywamy dowolą wzaeme edozaczą fucę f : X X f : X X Przyład permutac X = { a, b, c, d } f (a) = d, f (b) = a, f (c) = c, f (d) = b a b c d Zaps permutac w postac
Bardziej szczegółowoOBLICZENIE SIŁ WEWNĘTRZNYCH DLA BELKI SWOBODNIE PODPARTEJ SWOBODNIE PODPARTEJ ALGORYTM DO PROGRAMU MATHCAD
OBLICZENIE SIŁ WEWNĘTRZNYCH DLA BELKI ALGORYTM DO PROGRAMU MATHCAD 1 PRAWA AUTORSKIE BUDOWNICTWOPOLSKIE.PL GRUDZIEŃ 2010 Rozpatrujemy belkę swobodie podpartą obciążoą siłą skupioą, obciążeiem rówomierie
Bardziej szczegółowoWykªad 2. Szeregi liczbowe.
Wykªad jest prowadzoy w oparciu o podr czik Aaliza matematycza 2. Deicje, twierdzeia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 2. Szeregi liczbowe. Deicje i podstawowe twierdzeia Deicja Szeregiem liczbowym
Bardziej szczegółowo7. OBLICZENIA WIELKOŚCI ZWARCIOWYCH ZA POMOCĄ KOMPUTERÓW
A. Kaici: warcia w sieciach eletroeergetyczych 7. OBCNA WKOŚC WARCOWCH A POOCĄ KOPUTRÓW 7.. astosowaie metody potecjałów węzłowych do obliczaia zwarć przy założeiu jedaowych sił eletromotoryczych geeratorów
Bardziej szczegółowoTemat 15. Rozwinięcie Sommerfelda. Elektronowe ciepło właściwe.
emat 5 Rozwiięcie Sommerfelda letroowe ciepło właściwe letroy podleają rozładowi ermieo-diraca wedł tóreo prawdopodobieństwo że sta o eerii jest zajęty przez eletro wyosi f 5 ep dzie wielość jest zaa pod
Bardziej szczegółowoSpacery losowe i sieci elektryczne
Uiwersytet Wrocªawsi Wydziaª Matematyi i Iformatyi Istytut Matematyczy specjalo± : zastosowaia rachuu prawdopodobie«stwa i statystyi Oliwier Bieraci Spacery losowe i sieci eletrycze Praca licecjaca apisaa
Bardziej szczegółowo> 1), wi c na mocy kryterium porównawczego szereg sin(n n)
.65. si() W szeregu tym wyst puj wyrazy dodatie i ujeme, ale ie a przemia. Zbadajmy wi c szereg: si() zªo»oy z warto±ci bezwzgl dych wyrazów szeregu daego w zadaiu. Poiewa» si(), wi c si() = Po prawej
Bardziej szczegółowoEKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą
EKONOMETRIA Tema wykładu: Liiowy model ekoomeryczy (regresji z jedą zmieą objaśiającą Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapaa Tarapaa@isi.wa..wa.edu.pl hp:// zbigiew.arapaa.akcja.pl/p_ekoomeria/
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 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 szczegółowoRozkłady statystyk z próby. Metody probabilistyczne i statystyka Wykład 2: Rozkłady statystyk z próby. Przedziały ufnoci
Rozkłady tatytyk z próby Metody probabilitycze i tatytyka Wykład : Rozkłady tatytyk z próby. rzedziały ufoci Małgorzata Krtowka Wydział Iformatyki olitechika Białotocka e-mail: mmac@ii.pb.bialytok.pl troa
Bardziej szczegółowoWYKŁAD 5 METODY OPTYMALIZACJI NIELINIOWEJ BEZ OGRANICZEŃ
WYKŁAD 5 METODY OPTYMALIZACJI NIELINIOWEJ BEZ OGRANICZEŃ Wstęp. Za wyjątie nielicznych funcji, najczęściej w postaci wieloianów, dla tórych ożna znaleźć iniu na drodze analitycznej, pozostała więszość
Bardziej szczegółowoInstalacje i Urządzenia Elektryczne Automatyki Przemysłowej. Modernizacja systemu chłodzenia Ciągu Technologicznego-II część elektroenergetyczna
stalacje i Urządzeia Eletrycze Automatyi Przemysłowej Moderizacja systemu chłodzeia Ciągu echologiczego- część eletroeergetycza Wyoali: Sebastia Marczyci Maciej Wasiuta Wydział Eletryczy Politechii Szczecińsiej
Bardziej szczegółowoKombinatorycznie o tożsamościach kombinatorycznych
Kombiatoryczie o tożsamościach ombiatoryczych Beata Bogdańsa, Szczeci Odczyt zawiera propozycję dydatyczą usystematyzowaej i samowystarczalej prezetacji tematu: Tożsamości dotyczace symbolu dwumieego.
Bardziej szczegółowoDefinicja interpolacji
INTERPOLACJA Defiicja iterpolacji Defiicja iterpolacji 3 Daa jest fukcja y = f (x), x[x 0, x ]. Zamy tablice wartości tej fukcji, czyli: f ( x ) y 0 0 f ( x ) y 1 1 Defiicja iterpolacji Wyzaczamy fukcję
Bardziej szczegółowoMatematyka wybrane zagadnienia. Lista nr 4
Mtemty wyre zgdiei List r 4 Zdie Jeżeli ułd wetorów v, v przestrzei liiowej V ie jest liiowo iezleży, to mówimy, że wetory v, v są liiowo zleże Udowodić stępujące twierdzeie: Ułd wetorów v, v ( ) jest
Bardziej szczegółowoĆwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA
Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz
Bardziej szczegółowo