Algorytmy I Struktury Danych Prowadząca: dr Hab. inż. Małgorzata Sterna. Sprawozdanie do Ćwiczenia 1 Algorytmy sortowania (27.02.

Wielkość: px
Rozpocząć pokaz od strony:

Download "Algorytmy I Struktury Danych Prowadząca: dr Hab. inż. Małgorzata Sterna. Sprawozdanie do Ćwiczenia 1 Algorytmy sortowania (27.02."

Transkrypt

1 Poiedziałki Grupa I3 Iformatyka a wydziale Iformatyki Politechika Pozańska Algorytmy I Struktury Daych Prowadząca: dr Hab. iż. Małgorzata Stera Sprawozdaie do Ćwiczeia 1 Algorytmy sortowaia ( ) Autorzy: Oliwer Kostera r ideksu Adam Matuszewski r ideksu 1655

2 1. Implemetacja metod sortowaia. Do implemetacji metod sortowaia posłużyliśmy się językiem C. Każda z metod została apisaa w odrębej fukcji. Do mierzeia czasu poszczególych metod użyliśmy fukcji clock() z bibliotek time.h. 2. Badaa zależość czasu obliczeń od liczby sortowaych elemetów. Isertio Selestio Bubble Heap Quick * Merge Coutig 2,46,78 2,29,1,,1, 4 1,87 3,14 9,13,1,1,1, 6 4,2 7,4 2,52,2,2,1, 7 5,73 9,57 27,86,2,2,2, 8 7,57 12,51 36,46,3,2,2, 9 9,45 15,83 46,17,4,2,3,1 1 11,69 19,54 56,93,4,2,3, ,78 28,16 82,1,5,2,4, ,17 44,15 128,35,6,3,4,1 2 47,3 78,68 226,7,7,4,6,1 3 14,6 179,53 536,91,14,8,9, ,4 328,67 955,88,19,1,12,4 5 34,88 514, ,83,25,13,16, ,2 1163, ,55,38,21,26, ,62 262, ,55,53,28,33,9 *- metoda Quick z podziałem wg środkowego elemetu Zakres liczb [1, ].

3 Isertio Selectio Bubble Heap Quick Merge Coutig

4 Wioski: -metody Heap, Quick, Merge i Coutig są algorytmami szybszymi jak widać a powyższych wykresach co czyi je efektywiejszymi, -ajszybszym algorytmem z metod szybkich dla z zakresu [2, 1] jest Coutig, atomiast ajwoliejsza Heap, -ajszybszym algorytmem z metod wolych dla z zakresu [2, 1] jest Isertio, atomiast ajwoliejsza Bubble, Na efektywość algorytmów sortowaia ma wpływ między iymi liczba sortowaych elemetów, rozkład i zakres elemetów czy złożoość obliczeiowa. Powyższe algorytmy możemy podzielić ze względu a wrażliwość a dae wejściowe, złożoość obliczeiową, stabilość czy zajmowaie pamięci. Wszystkie metody szybkie maja złożoość O(*log), atomiast metody wole O( 2 ). Do algorytmów stabilych możemy zaliczyć MS, CS, IS i BS. Wrażliwe a dae wejściowe są IS, CS, QS i HS. Metodami działającymi w miejscu są wszystkie algorytmy wole oraz HS. 3. Metody szybkie QS, a metoda IS dla losowego i rosącego rozkładu daych. IS(losowe) QSs*(losowe) QSe*(losowe) IS(rosące) QSs(rosące) QSe(rosące) 4 1,87,1,1,1 1,72 6 4,2,2,2,1 3,86 7 5,73,2,2,1 5,24 8 7,57,2,2,1 6,85 9 9,45,2,2,1 8, ,69,2,3,1 1, ,78,2,3,1 15, ,17,3,3,1 23, ,5,4,4,2 26, ,83,5,4,2 29,62 QSs- Quick z pivotem a środku Qse- Quick z pivotem a skraju

5 IS(losowo) Qss(losowo) Qse(losowo) IS(rosąco) Qsm(rosąco) Qse(rosąco) Wioski dla metody szybkiej QS: -pukt podziału tablicy zaczie wpływa a efektywość tej metody, w przypadku rozkładu losowego daych, czasy wykoywaia algorytmów były podobe, atomiast dla rozkładu losowego złożoość obliczeiowa metody z piwotem w środku tablicy rosła aż do O( 2 ). -ajgorszym przypadkiem dla metody z podziałem wg skrajego elemetu jest ciąg posortoway rosąco lub malejąco, wpływ ma a to ilość wykoywaych iteracji (mediaa ciągu zajduje się w środku), -ajlepszym przypadkiem dla algorytmu z podziałęm wg środkowego elemetu jest ajgorszy przypadek dla metody z podziałem wg skrajego elemetu, -ajgorszym przypadkiem dla metody z piwotem w środku są ciągi A lub V- kształte, -ajlepsza wersją wyboru puktu podziału jest zalezieie mediay ciągu i w tym miejscu jego ustawieie, zaletą tego jest utrzymaie złożoości O(*log), atomiast wadą wymagay dodatkowy czas, -metoda szybka posiada iejawe wymagaie pamięciowe w postaci odkładaia wartości a stos przy rekurecji.

6 Metoda szybka a metoda IS. Z wyżej otrzymaych wyików, możemy wioskować, że efektywiejszym algorytmem jest QS od IS. Nawet w przypadku gdy złożoość QS rośie do O( 2 ) to adal jest szybsza metodą jak IS dla losowych elemetów. Algorytm IS jest tym lepszym tylko w przypadku gdy wiemy, że dae są już posortowae (złożoość O()), ie wymaga wtedy żadej pamięci w przeciwieństwie do QS. Podstawowe wady i zalety poszczególych algorytmów. Isertio : -zalety: stabila, działą w miejscu, zachowaie aturale, ajszybsza z metod wolych, -wady: jak każda metoda wola złożoość obliczeiowa O( 2 ) Selectio : -zalety: działa w miejscu, iewrażliwa a dae wejśćiowe, -wady: iestabila, bardzo dużo porówań, bardzo słabe zachowaie aturale, złożoość O( 2 ), Bubble : -zalety: działa w miejscu, jest stabila, -wady: ajwoliejsza z metod wolych, słabe zachowaie aturale, złożoość O( 2 ), Heap : -zalety: działa w miejscu, mało wrażliwa a układ daych wejściowych, złożoość w przypadku pesymistyczym O(*log), a optymistyczym O(), stabila, -wady: zachowaie ieaturale, ajwoliejsza z metod szybkich, Quick : -zalety: jeda z ajszybszych metod w typowych warukach, -wady: iejawe wymagaia pamięciowe, wrażliwa a dae wejściowe, jedya z metod szybkich dla których złożoość może urosąć do O( 2 ) Merge : -zalety: stabila, miej porówań od QS, -wady: ie działa w miejscu, Coutig : -zalety: iewrażliwa a rozkład daych wejściowych, zlożoość liiowa, -wady: działa tylko dla liczb aturalych, duże zapotrzebowaia pamięciowe, sila zależość od zakresu daych wejściowych

7 (może też być zaletą), 4. Metoda CS a QS. QS (zakres,1*) CS (zakres,1*) QS (zakres 1*) CS (zakres 1*) 5,2,1,7 1,3,2,11 2,7,4,39 3,11,1,8,37 4,15,1,1,75 5,18,1,13,71 6,22,2,15,91 7,26,2,15,91 9,33,1,24 1,33 1,37,2,27 1,72

8 Zakres [1,,1*] QS CS

9 Zakres [1, 1*] QS CS

Algorytmy I Struktury Danych Prowadząca: dr Hab. inż. Małgorzata Sterna. Sprawozdanie do Ćwiczenia 3 Algorytmy grafowe ( )

Algorytmy I Struktury Danych Prowadząca: dr Hab. inż. Małgorzata Sterna. Sprawozdanie do Ćwiczenia 3 Algorytmy grafowe ( ) Poiedziałki 11.45 Grupa I3 Iformatyka a wydziale Iformatyki Politechika Pozańska Algorytmy I Struktury Daych Prowadząca: dr Hab. iż. Małgorzata Stera Sprawozdaie do Ćwiczeia 3 Algorytmy grafowe (26.03.12)

Bardziej szczegółowo

Rozsądny i nierozsądny czas działania

Rozsądny i nierozsądny czas działania ZŁOŻONOŚĆ OBLICZENIOWA Wyzaczaie złożoości obliczeiowej dokładej i asymptotyczej Złożoość obliczeiowa algorytmów Chcemy podać miarodają oceę efektywości algorytmu, abstrahując od komputera, techiki (języka)

Bardziej szczegółowo

Porównanie Heap Sort, Counting Sort, Shell Sort, Bubble Sort. Porównanie sortowao: HS, CS, Shs, BS

Porównanie Heap Sort, Counting Sort, Shell Sort, Bubble Sort. Porównanie sortowao: HS, CS, Shs, BS Czas sortowania w milisekundach Czas sortowania w milisekundach Sortowanie Porównanie, Counting Sort, Shell Sort, Bubble Sort 4 Porównanie sortowao: HS, CS, Shs, BS 35 3 25 2 15 5 Counting Sort Shell Sort

Bardziej szczegółowo

OBLICZENIE SIŁ WEWNĘTRZNYCH DLA BELKI SWOBODNIE PODPARTEJ SWOBODNIE PODPARTEJ ALGORYTM DO PROGRAMU MATHCAD

OBLICZENIE 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 szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,

Bardziej szczegółowo

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych

Analiza 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 szczegółowo

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU Przedmiot: Iformatyka w logistyce Forma: Laboratorium Temat: Zadaie 2. Automatyzacja obsługi usług logistyczych z wykorzystaiem zaawasowaych fukcji oprogramowaia Excel. Miimalizacja pustych przebiegów

Bardziej szczegółowo

EGZAMIN MATURALNY Z INFORMATYKI MAJ 2011 POZIOM ROZSZERZONY WYBRANE: CZĘŚĆ I. Czas pracy: 90 minut. Liczba punktów do uzyskania: 20 WPISUJE ZDAJĄCY

EGZAMIN MATURALNY Z INFORMATYKI MAJ 2011 POZIOM ROZSZERZONY WYBRANE: CZĘŚĆ I. Czas pracy: 90 minut. Liczba punktów do uzyskania: 20 WPISUJE ZDAJĄCY Cetrala Komisja Egzamiacyja Arkusz zawiera iformacje prawie chroioe do mometu rozpoczęcia egzamiu. Układ graficzy CKE 2010 KOD WISUJE ZDAJĄCY ESEL Miejsce a aklejkę z kodem EGZAMIN MATURALNY Z INORMATYKI

Bardziej szczegółowo

1.3. Największa liczba naturalna (bez znaku) zapisana w dwóch bajtach to a) b) 210 c) d) 32767

1.3. Największa liczba naturalna (bez znaku) zapisana w dwóch bajtach to a) b) 210 c) d) 32767 Egzami maturaly z iformatyki Zadaie. (0 pkt) Każdy z puktów tego zadaia zawiera stwierdzeie lub pytaie. Zazacz (otaczając odpowiedią literę kółkiem) właściwą kotyuację zdaia lub poprawą odpowiedź. W każdym

Bardziej szczegółowo

Laboratoria nr 1. Sortowanie

Laboratoria nr 1. Sortowanie Laboratoria nr 1 Sortowanie 1. Sortowanie bąbelkowe (BbS) 2. Sortowanie przez wstawianie (IS) 3. Sortowanie przez wybieranie (SS) 4. Sortowanie przez zliczanie (CS) 5. Sortowanie kubełkowe (BS) 6. Sortowanie

Bardziej szczegółowo

Harmonogramowanie linii montażowej jako element projektowania cyfrowej fabryki

Harmonogramowanie linii montażowej jako element projektowania cyfrowej fabryki 52 Sławomir Herma Sławomir HERMA atedra Iżyierii Produkcji, ATH w Bielsku-Białej E mail: slawomir.herma@gmail.com Harmoogramowaie liii motażowej jako elemet projektowaia cyfrowej fabryki Streszczeie: W

Bardziej szczegółowo

Algorytmy i struktury danych

Algorytmy i struktury danych Algorytmy i struktury danych ĆWICZENIE 2 - WYBRANE ZŁOŻONE STRUKTURY DANYCH - (12.3.212) Prowadząca: dr hab. inż. Małgorzata Sterna Informatyka i3, poniedziałek godz. 11:45 Adam Matuszewski, nr 1655 Oliver

Bardziej szczegółowo

Egzamin maturalny z informatyki Poziom rozszerzony część I

Egzamin maturalny z informatyki Poziom rozszerzony część I Zadaie 1. Długość apisów biarych (7 pkt) Opisaa poiżej fukcja rekurecyja wyzacza, dla liczby aturalej 0, długość apisu uzyskaego przez sklejeie biarych reprezetacji liczb aturalych od 1 do 1. ukcja krok

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,

Bardziej szczegółowo

Jak obliczać podstawowe wskaźniki statystyczne?

Jak obliczać podstawowe wskaźniki statystyczne? Jak obliczać podstawowe wskaźiki statystycze? Przeprowadzoe egzamiy zewętrze dostarczają iformacji o tym, jak ucziowie w poszczególych latach opaowali umiejętości i wiadomości określoe w stadardach wymagań

Bardziej szczegółowo

EGZAMIN MATURALNY Z INFORMATYKI

EGZAMIN MATURALNY Z INFORMATYKI Miejsce a aklejkę z kodem szkoły dysleksja MIN-R_P-072 EGZAMIN MATURALNY Z INFORMATYKI MAJ ROK 2007 POZIOM ROZSZERZONY CZĘŚĆ I Czas pracy 90 miut Istrukcja dla zdającego. Sprawdź, czy arkusz egzamiacyjy

Bardziej szczegółowo

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień.

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień. Metoda aalizy hierarchii Saaty ego Ważym problemem podejmowaia decyzji optymalizowaej jest często występująca hierarchiczość zagadień. Istieje wiele heurystyczych podejść do rozwiązaia tego problemu, jedak

Bardziej szczegółowo

STATYSTYKA OPISOWA WYKŁAD 1 i 2

STATYSTYKA OPISOWA WYKŁAD 1 i 2 STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest

Bardziej szczegółowo

OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) Algorytmy i Struktury Danych PIŁA

OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) Algorytmy i Struktury Danych PIŁA OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) 20.11.2002 Algorytmy i Struktury Danych PIŁA ZŁOŻONE STRUKTURY DANYCH C za s tw or ze nia s tr uk tur y (m s ) TWORZENIE ZŁOŻONYCH STRUKTUR DANYCH: 00 0

Bardziej szczegółowo

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

Informatyka 1. Złożoność obliczeniowa

Informatyka 1. Złożoność obliczeniowa Informatyka 1 Wykład XI Złożoność obliczeniowa Robert Muszyński ZPCiR ICT PWr Zagadnienia: efektywność programów/algorytmów, sposoby zwiększania efektywności algorytmów, zasada 80 20, ocena efektywności

Bardziej szczegółowo

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

D. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assignment Problem)

D. 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 szczegółowo

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych.

Analiza 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 szczegółowo

TESTY LOSOWOŚCI. Badanie losowości próby - test serii.

TESTY LOSOWOŚCI. Badanie losowości próby - test serii. TESTY LOSOWOŚCI Badaie losowości próby - test serii. W wielu zagadieiach wioskowaia statystyczego istotym założeiem jest losowość próby. Prostym testem do weryfikacji tej własości jest test serii. 1 Dla

Bardziej szczegółowo

O liczbach naturalnych, których suma równa się iloczynowi

O liczbach naturalnych, których suma równa się iloczynowi O liczbach aturalych, których suma rówa się iloczyowi Lew Kurladczyk i Adrzej Nowicki Toruń UMK, 10 listopada 1998 r. Liczby aturale 1, 2, 3 posiadają szczególą własość. Ich suma rówa się iloczyowi: Podobą

Bardziej szczegółowo

BADANIA DOCHODU I RYZYKA INWESTYCJI

BADANIA DOCHODU I RYZYKA INWESTYCJI StatSoft Polska, tel. () 484300, (60) 445, ifo@statsoft.pl, www.statsoft.pl BADANIA DOCHODU I RYZYKA INWESTYCJI ZA POMOCĄ ANALIZY ROZKŁADÓW Agieszka Pasztyła Akademia Ekoomicza w Krakowie, Katedra Statystyki;

Bardziej szczegółowo

INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW

INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW INSTYTUT MASZYN I URZĄDZEŃ ENERGETYCZNYCH Politechika Śląska w Gliwicach INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW BADANIE ODKSZTAŁCEŃ SPRĘŻYNY ŚRUBOWEJ Opracował: Dr iż. Grzegorz

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: x = 1 STATYSTYKA OPISOWA PODSTAWOWE WZORY x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału Domiata (moda Liczba ajczęściej

Bardziej szczegółowo

Zasady analizy algorytmów

Zasady analizy algorytmów Zasady analizy algorytmów A więc dziś w programie: - Kilka ważnych definicji i opisów formalnych - Złożoność: czasowa i pamięciowa - Kategorie problemów - Jakieś przykłady Problem: Zadanie możliwe do rozwiązania

Bardziej szczegółowo

Wprowadzenie. metody elementów skończonych

Wprowadzenie. metody elementów skończonych Metody komputerowe Wprowadzeie Podstawy fizycze i matematycze metody elemetów skończoych Literatura O.C.Ziekiewicz: Metoda elemetów skończoych. Arkady, Warszawa 972. Rakowski G., acprzyk Z.: Metoda elemetów

Bardziej szczegółowo

Algorytmy i struktury danych Sortowanie IS/IO, WIMiIP

Algorytmy i struktury danych Sortowanie IS/IO, WIMiIP Algorytmy i struktury danych Sortowanie IS/IO, WIMiIP Danuta Szeliga AGH Kraków Spis treści I 1 Wstęp 2 Metody proste 3 Szybkie metody sortowania 4 Algorytmy hybrydowe Sortowanie hybrydowe Sortowanie introspektywne

Bardziej szczegółowo

Wpływ warunków eksploatacji pojazdu na charakterystyki zewnętrzne silnika

Wpływ warunków eksploatacji pojazdu na charakterystyki zewnętrzne silnika POLITECHNIKA BIAŁOSTOCKA WYDZIAŁ MECHANICZNY Katedra Budowy i Eksploatacji Maszy Istrukcja do zajęć laboratoryjych z przedmiotu: EKSPLOATACJA MASZYN Wpływ waruków eksploatacji pojazdu a charakterystyki

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: STATYSTYKA OPISOWA PODSTAWOWE WZORY Q i = x lmi + i mi 1 4 j h m i mi x = 1 x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału

Bardziej szczegółowo

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12 Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu

Bardziej szczegółowo

Arkusz ćwiczeniowy z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE. W zadaniach od 1. do 21. wybierz i zaznacz poprawną odpowiedź. 1 C. 3 D.

Arkusz ćwiczeniowy z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE. W zadaniach od 1. do 21. wybierz i zaznacz poprawną odpowiedź. 1 C. 3 D. Arkusz ćwiczeiowy z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE W zadaiach od. do. wybierz i zazacz poprawą odpowiedź. Zadaie. ( pkt) Liczbę moża przedstawić w postaci A. 8. C. 4 8 D. 4 Zadaie. ( pkt)

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów

KADD 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 szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą

Bardziej szczegółowo

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7 Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Statystyka opisowa - dodatek

Statystyka opisowa - dodatek Statystyka opisowa - dodatek. *Jak obliczyć statystyki opisowe w dużych daych? Liczeie statystyk opisowych w dużych daych może sprawiać problemy. Dla przykładu zauważmy, że aiwa implemetacja średiej arytmetyczej

Bardziej szczegółowo

STATYSTYKA I ANALIZA DANYCH

STATYSTYKA I ANALIZA DANYCH TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica

Bardziej szczegółowo

AiSD zadanie trzecie

AiSD zadanie trzecie AiSD zadanie trzecie Gliwiński Jarosław Marek Kruczyński Konrad Marek Grupa dziekańska I5 5 czerwca 2008 1 Wstęp Celem postawionym przez zadanie trzecie było tzw. sortowanie topologiczne. Jest to typ sortowania

Bardziej szczegółowo

WYBRANE METODY DOSTĘPU DO DANYCH

WYBRANE METODY DOSTĘPU DO DANYCH WYBRANE METODY DOSTĘPU DO DANYCH. WSTĘP Coraz doskoalsze, szybsze i pojemiejsze pamięci komputerowe pozwalają gromadzić i przetwarzać coraz większe ilości iformacji. Systemy baz daych staowią więc jedo

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Kluczowy aspekt wyszukiwania informacji:

Kluczowy aspekt wyszukiwania informacji: Wyszukiwaieiformacjitoproceswyszukiwaiawpewymzbiorze tychwszystkichdokumetów,którepoświęcoesąwskazaemuw kweredzietematowi(przedmiotowi)lubzawierająiezbędedla Wg M. A. Kłopotka: użytkowikafaktyiiformacje.

Bardziej szczegółowo

Zadanie 1 Przygotuj algorytm programu - sortowanie przez wstawianie.

Zadanie 1 Przygotuj algorytm programu - sortowanie przez wstawianie. Sortowanie Dane wejściowe: ciąg n-liczb (kluczy) (a 1, a 2, a 3,..., a n 1, a n ) Dane wyjściowe: permutacja ciągu wejściowego (a 1, a 2, a 3,..., a n 1, a n) taka, że a 1 a 2 a 3... a n 1 a n. Będziemy

Bardziej szczegółowo

Podstawy Programowania. Złożoność obliczeniowa

Podstawy Programowania. Złożoność obliczeniowa Podstawy Programowania Wykład X Złożoność obliczeniowa Robert Muszyński Katedra Cybernetyki i Robotyki, PWr Zagadnienia: efektywność programów/algorytmów, sposoby zwiększania efektywności algorytmów, zasada

Bardziej szczegółowo

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy. MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,

Bardziej szczegółowo

( 0) ( 1) U. Wyznaczenie błędów przesunięcia, wzmocnienia i nieliniowości przetwornika C/A ( ) ( )

( 0) ( 1) U. Wyznaczenie błędów przesunięcia, wzmocnienia i nieliniowości przetwornika C/A ( ) ( ) Wyzaczeie błędów przesuięcia, wzmocieia i ieliiowości przetworika C/A Celem ćwiczeia jest wyzaczeie błędów przesuięcia, wzmocieia i ieliiowości przetworika C/A. Zając wartości teoretycze (omiale) i rzeczywiste

Bardziej szczegółowo

Jeśli czas działania algorytmu zależy nie tylko od rozmiaru danych wejściowych i przyjmuje różne wartości dla różnych danych o tym samym rozmiarze,

Jeśli czas działania algorytmu zależy nie tylko od rozmiaru danych wejściowych i przyjmuje różne wartości dla różnych danych o tym samym rozmiarze, Oznaczenia: Jeśli czas działania algorytmu zależy nie tylko od rozmiaru danych wejściowych i przyjmuje różne wartości dla różnych danych o tym samym rozmiarze, to interesuje nas złożoność obliczeniowa

Bardziej szczegółowo

TRANSFORMACJA DO UKŁADU 2000 A PROBLEM ZGODNOŚCI Z PRG

TRANSFORMACJA DO UKŁADU 2000 A PROBLEM ZGODNOŚCI Z PRG Tomasz ŚWIĘTOŃ 1 TRANSFORMACJA DO UKŁADU 2000 A ROBLEM ZGODNOŚCI Z RG Na mocy rozporządzeia Rady Miistrów w sprawie aństwowego Systemu Odiesień rzestrzeych już 31 grudia 2009 roku upływa termi wykoaia

Bardziej szczegółowo

Wstęp do informatyki. Operandy instrukcji. Tryby adresowania. Adresowanie natychmiastowe (Immediate) Operand jest podaną liczbą

Wstęp do informatyki. Operandy instrukcji. Tryby adresowania. Adresowanie natychmiastowe (Immediate) Operand jest podaną liczbą Operady istrukcji Operadem istrukcji azywamy liczbę, której dotyczy wykoywaa operacja. Wstęp do iformatyki Programowaie komputera asembler c.d. INC AL ; zwiększ wartość rejestru AL operad istrukcji (wartość

Bardziej szczegółowo

PRZYKŁADY ROZWIAZAŃ STACJONARNEGO RÓWNANIA SCHRӦDINGERA. Ruch cząstki nieograniczony z klasycznego punktu widzenia. mamy do rozwiązania równanie 0,,

PRZYKŁADY ROZWIAZAŃ STACJONARNEGO RÓWNANIA SCHRӦDINGERA. Ruch cząstki nieograniczony z klasycznego punktu widzenia. mamy do rozwiązania równanie 0,, PRZYKŁADY ROZWIAZAŃ STACJONARNEGO RÓWNANIA SCHRӦDINGERA Ruch cząstki ieograiczoy z klasyczego puktu widzeia W tym przypadku V = cost, przejmiemy V ( x ) = 0, cząstka porusza się wzdłuż osi x. Rozwiązujemy

Bardziej szczegółowo

Wstęp do informatyki. Operandy instrukcji. Tryby adresowania. Programowanie komputera asembler c.d. Cezary Bolek

Wstęp do informatyki. Operandy instrukcji. Tryby adresowania. Programowanie komputera asembler c.d. Cezary Bolek Wstęp do iformatyki Programowaie komputera asembler c.d. Cezary Bolek cbolek@ki.ui.lodz.pl Uiwersytet Łódzki Wydział Zarządzaia Katedra Iformatyki Operady istrukcji Operadem istrukcji azywamy liczbę, której

Bardziej szczegółowo

Scenariusz lekcji: Kombinatoryka utrwalenie wiadomości

Scenariusz lekcji: Kombinatoryka utrwalenie wiadomości Sceariusz lekcji: Kombiatoryka utrwaleie wiadomości 1 1. Cele lekcji a) Wiadomości Uczeń: za pojęcia: permutacja, wariacja i kombiacja, zdarzeie losowe, prawdopodobieństwo, za iezbęde wzory. b) Umiejętości

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA

Ćwiczenia 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

COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871

COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871 COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH Kieruek: Fiase i rachukowość Robert Bąkowski Nr albumu: 9871 Projekt: Badaie statystycze cey baryłki ropy aftowej i wartości dolara

Bardziej szczegółowo

Materiał ćwiczeniowy z matematyki Marzec 2012

Materiał ćwiczeniowy z matematyki Marzec 2012 Materiał ćwiczeiowy z matematyki Marzec 0 Klucz puktowaia do zadań zamkiętych oraz schemat oceiaia do zadań otwartych POZIOM PODSTAWOWY Marzec 0 Klucz puktowaia do zadań zamkiętych Nr zad 3 5 6 7 8 9 0

Bardziej szczegółowo

Liczby pierwsze o szczególnym. rozmieszczeniu cyfr:

Liczby pierwsze o szczególnym. rozmieszczeniu cyfr: Liczby pierwsze o szczególym rozmieszczeiu cyfr Adrzej Nowicki Wydział Matematyki i Iformatyki, Uiwersytetu M. Koperika w Toruiu. (aow @ mat.ui.toru.pl) 30 paździerika 1999 M. Szurek w książce [4] podaje

Bardziej szczegółowo

Zadanie projektowe 1: Struktury danych i złożoność obliczeniowa

Zadanie projektowe 1: Struktury danych i złożoność obliczeniowa Łukasz Przywarty 171018 Data utworzenia: 24.03.2010r. Mariusz Kacała 171058 Prowadzący: prof. dr hab. inż. Adam Janiak oraz dr inż. Tomiasz Krysiak Zadanie projektowe 1: Struktury danych i złożoność obliczeniowa

Bardziej szczegółowo

Algorytmy i struktury danych

Algorytmy i struktury danych Algorytmy i struktury daych Wykład 5 Algorytmy i ich aaliza (ciąg dalszy) Jausz Szwabiński Pla wykładu: Studium przypadku aaliza aagramów Model matematyczy Klasyfikacja algorytmów Studium przypadku aaliza

Bardziej szczegółowo

Metody Obliczeniowe w Nauce i Technice laboratorium

Metody 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 szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo 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 szczegółowo

ALGORYTM OPTYMALIZACJI PARAMETRÓW EKSPLOATACYJNYCH ŚRODKÓW TRANSPORTU

ALGORYTM OPTYMALIZACJI PARAMETRÓW EKSPLOATACYJNYCH ŚRODKÓW TRANSPORTU Łukasz WOJCIECHOWSKI, Tadeusz CISOWSKI, Piotr GRZEGORCZYK ALGORYTM OPTYMALIZACJI PARAMETRÓW EKSPLOATACYJNYCH ŚRODKÓW TRANSPORTU Streszczeie W artykule zaprezetowao algorytm wyzaczaia optymalych parametrów

Bardziej szczegółowo

Sortowanie przez scalanie

Sortowanie przez scalanie Sortowanie przez scalanie Wykład 2 12 marca 2019 (Wykład 2) Sortowanie przez scalanie 12 marca 2019 1 / 17 Outline 1 Metoda dziel i zwyciężaj 2 Scalanie Niezmiennik pętli - poprawność algorytmu 3 Sortowanie

Bardziej szczegółowo

Konica Minolta Optimized Print Services (OPS) Oszczędzaj czas. Poprawiaj efektywność. Stabilizuj koszty. OPS firmy Konica Minolta

Konica Minolta Optimized Print Services (OPS) Oszczędzaj czas. Poprawiaj efektywność. Stabilizuj koszty. OPS firmy Konica Minolta Koica Miolta Optimized Prit Services (OPS) Oszczędzaj czas. Poprawiaj efektywość. Stabilizuj koszty. OPS firmy Koica Miolta Optimized Prit Services OPS Najlepszą metodą przewidywaia przyszłości jest jej

Bardziej szczegółowo

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia Pla wykładu Aaliza daych Wykład : Statystyka opisowa. Małgorzata Krętowska Wydział Iformatyki Politechika Białostocka. Statystyka opisowa.. Estymacja puktowa. Własości estymatorów.. Rozkłady statystyk

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA. Wykład wstępy. Teoria prawdopodobieństwa i elemety kombiatoryki 3. Zmiee losowe 4. Populacje i próby daych 5. Testowaie hipotez i estymacja parametrów 6. Test t 7. Test 8. Test

Bardziej szczegółowo

Analiza algorytmów zadania podstawowe

Analiza algorytmów zadania podstawowe Analiza algorytmów zadania podstawowe Zadanie 1 Zliczanie Zliczaj(n) 1 r 0 2 for i 1 to n 1 3 do for j i + 1 to n 4 do for k 1 to j 5 do r r + 1 6 return r 0 Jaka wartość zostanie zwrócona przez powyższą

Bardziej szczegółowo

Prace domowe z matematyki Semestr zimowy 2010/2011. Zoa Zieli«ska-Kolasi«ska

Prace domowe z matematyki Semestr zimowy 2010/2011. Zoa Zieli«ska-Kolasi«ska Prace domowe z matematyki Semestr zimowy 2010/2011 Zoa Zieli«ska-Kolasi«ska 5 pa¹dzierika 2010 Rozdziaª 0 Uwagi Prace domowe ie s obowi zkowe aczkolwiek zach cam gor co do ich robieia i oddawaia mi a kartkach.

Bardziej szczegółowo

Wstęp do programowania

Wstęp do programowania Wstęp do programowaia Wykład 13 Algorytmy i ich aaliza Jausz Szwabiński Pla wykładu: Co to jest algorytm? Aaliza algorytmów Notacja dużego O Przykład: aagramy Struktury daych w Pythoie i ich wydajość Literatura

Bardziej szczegółowo

Analiza dokładności pomiaru, względnego rozkładu egzytancji widmowej źródeł światła, dokonanego przy użyciu spektroradiometru kompaktowego

Analiza dokładności pomiaru, względnego rozkładu egzytancji widmowej źródeł światła, dokonanego przy użyciu spektroradiometru kompaktowego doi:1.15199/48.215.4.38 Eugeiusz CZECH 1, Zbigiew JAROZEWCZ 2,3, Przemysław TABAKA 4, rea FRYC 5 Politechika Białostocka, Wydział Elektryczy, Katedra Elektrotechiki Teoretyczej i Metrologii (1), stytut

Bardziej szczegółowo

Przykładowe sprawozdanie. Jan Pustelnik

Przykładowe sprawozdanie. Jan Pustelnik Przykładowe sprawozdanie Jan Pustelnik 30 marca 2007 Rozdział 1 Sformułowanie problemu Tematem pracy jest porównanie wydajności trzech tradycyjnych metod sortowania: InsertionSort, SelectionSort i BubbleSort.

Bardziej szczegółowo

L a b o r a t o r i u m (hala 20 ZOS)

L a b o r a t o r i u m (hala 20 ZOS) Politechika Pozańska Istytut Techologii Mechaiczej Zakład Obróbki Skrawaiem : Studium: iestacjoare I st. : Kieruek: MiBM Specjalość: IME Rok akad.: 05/6 Liczba godzi - Zaawasowae Procesy Wytwarzaia L a

Bardziej szczegółowo

Laboratoria nr 1. Sortowanie

Laboratoria nr 1. Sortowanie Laboratoria nr 1 Sortowanie 1. Sortowanie bąbelkowe (BbS) 2. Sortowanie przez wstawianie (IS) 3. Sortowanie przez wybieranie (SS) 4. Sortowanie przez zliczanie (CS) 5. Sortowanie kubełkowe (BS) 6. Sortowanie

Bardziej szczegółowo

Moda (Mo, D) wartość cechy występującej najczęściej (najliczniej).

Moda (Mo, D) wartość cechy występującej najczęściej (najliczniej). Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy

Bardziej szczegółowo

INFORMATYKA SORTOWANIE DANYCH.

INFORMATYKA SORTOWANIE DANYCH. INFORMATYKA SORTOWANIE DANYCH http://www.infoceram.agh.edu.pl SORTOWANIE Jest to proces ustawiania zbioru obiektów w określonym porządku. Sortowanie stosowane jest w celu ułatwienia późniejszego wyszukania

Bardziej szczegółowo

WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ

WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ LABORATORIUM RACHUNEK EKONOMICZNY W ELEKTROENERGETYCE INSTRUKCJA DO ĆWICZENIA

Bardziej szczegółowo

Podstawy Programowania

Podstawy Programowania Podstawy Programowania Wykład X Złożoność obliczeniowa Robert Muszyński Katedra Cybernetyki i Robotyki, PWr Zagadnienia: efektywność programów/algorytmów, sposoby zwiększania efektywności algorytmów, zasada

Bardziej szczegółowo

Relacje rekurencyjne. będzie następująco zdefiniowanym ciągiem:

Relacje rekurencyjne. będzie następująco zdefiniowanym ciągiem: Relacje rekurecyje Defiicja: Niech =,,,... będzie astępująco zdefiiowaym ciągiem: () = r, = r,..., k = rk, gdzie r, r,..., r k są skalarami, () dla k, = a + a +... + ak k, gdzie a, a,..., ak są skalarami.

Bardziej szczegółowo

1 Wersja testu A 21 czerwca 2017 r. 1. Wskazać taką liczbę wymierną w, aby podana liczba była wymierna. w = w 2, w = 2.

1 Wersja testu A 21 czerwca 2017 r. 1. Wskazać taką liczbę wymierną w, aby podana liczba była wymierna. w = w 2, w = 2. 1 Wersja testu A 1 czerwca 017 r. 1. Wskazać taką liczbę wymierą w, aby podaa liczba była wymiera. 10 1 ) 10 +w, w = 1 5 1 ) 10 +w, w = ) 10 10 3 +w 3, w = 1 ) 5 10 3 +w 3, w = 4. Zapisać wartość podaej

Bardziej szczegółowo

TECHNOLOGIE INFORMACYJNE I Laboratorium. Instrukcje do c wiczen

TECHNOLOGIE INFORMACYJNE I Laboratorium. Instrukcje do c wiczen TECHNOLOGIE INFORMACYJNE I Laboratorium Istrukcje do c wicze Pla zajęć. Zajęcia orgaizacyje. Word edytor rówań 3. Word tabela, schematy blokowe, WordArt. Word3 edycja tekstu, formatowaie 5. Kolokwium 6.

Bardziej szczegółowo

IMPUTACJE I JĄDRO GRY

IMPUTACJE I JĄDRO GRY IMPUTACJE I JĄDRO GRY Staisław Kowalik Katedra Zarządzaia i Iżyierii bezpieczeństwa, Politechika Śląska Akademicka 2, 44-100 Gliwice, Polska e-mail: Staislaw.Kowalik@polsl.pl Abstrakt: Praca dotyczy gier

Bardziej szczegółowo

Podstawowe struktury danych

Podstawowe struktury danych Podstawowe struktury danych 1) Listy Lista to skończony ciąg elementów: q=[x 1, x 2,..., x n ]. Skrajne elementy x 1 i x n nazywamy końcami listy, a wielkość q = n długością (rozmiarem) listy. Szczególnym

Bardziej szczegółowo

Algorytmy i. Wykład 5: Drzewa. Dr inż. Paweł Kasprowski

Algorytmy i. Wykład 5: Drzewa. Dr inż. Paweł Kasprowski Algorytmy i struktury danych Wykład 5: Drzewa Dr inż. Paweł Kasprowski pawel@kasprowski.pl Drzewa Struktury przechowywania danych podobne do list ale z innymi zasadami wskazywania następników Szczególny

Bardziej szczegółowo

Wykład 5. Sortowanie w czasie liniowologarytmicznym

Wykład 5. Sortowanie w czasie liniowologarytmicznym Wykład 5 Sortowanie w czasie liniowologarytmicznym 1 Sortowanie - zadanie Definicja (dla liczb): wejście: ciąg n liczb A = (a 1, a 2,, a n ) wyjście: permutacja (a 1,, a n ) taka, że a 1 a n 2 Zestawienie

Bardziej szczegółowo

I. Podzielność liczb całkowitych

I. Podzielność liczb całkowitych I Podzielość liczb całkowitych Liczba a = 57 przy dzieleiu przez pewą liczbę dodatią całkowitą b daje iloraz k = 3 i resztę r Zaleźć dzieik b oraz resztę r a = 57 = 3 b + r, 0 r b Stąd 5 r b 8, 3 więc

Bardziej szczegółowo

Wstęp do programowania

Wstęp do programowania Wstęp do programowania Algorytmy na tablicach Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk (Wydział Fizyki) WP w. III Jesień 2013 1 / 23 Dwadzieścia pytań Zasady 1 Osoba 1 wymyśla hasło z ustalonej

Bardziej szczegółowo

Elementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)

Elementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I) Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod

Bardziej szczegółowo

Elementy rach. macierzowego Materiały pomocnicze do MES Strona 1 z 7. Elementy rachunku macierzowego

Elementy 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 szczegółowo

Podstawy Programowania

Podstawy Programowania Podstawy Programowania Wykład X Złożoność obliczeniowa Robert Muszyński ZPCiR ICT PWr Zagadnienia: efektywność programów/algorytmów, sposoby zwiększania efektywności algorytmów, zasada 80 20, ocena efektywności

Bardziej szczegółowo

Podstawy Programowania. Złożoność obliczeniowa

Podstawy Programowania. Złożoność obliczeniowa Podstawy Programowania Wykład X Złożoność obliczeniowa Robert Muszyński Katedra Cybernetyki i Robotyki, PWr Zagadnienia: efektywność programów/algorytmów, sposoby zwiększania efektywności algorytmów, zasada

Bardziej szczegółowo

Analiza numeryczna Kurs INP002009W. Wykład 1 Narzędzia matematyczne. Karol Tarnowski A-1 p.223

Analiza numeryczna Kurs INP002009W. Wykład 1 Narzędzia matematyczne. Karol Tarnowski A-1 p.223 Aaliza umerycza Kurs INP002009W Wykład Narzędzia matematycze Karol Tarowski karol.tarowski@pwr.wroc.pl A- p.223 Pla wykładu Czym jest aaliza umerycza? Podstawowe pojęcia Wzór Taylora Twierdzeie o wartości

Bardziej szczegółowo

ANALIZA DANYCH DYSKRETNYCH

ANALIZA DANYCH DYSKRETNYCH ZJAZD ESTYMACJA Jest to metoda wioskowaia statystyczego. Umożliwia oa oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej estymatorem,

Bardziej szczegółowo

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy transportowe cd, Problem komiwojażera

Instrukcja 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 szczegółowo