ZAGADNIENIE W POSTACI OGÓLNEJ

Wielkość: px
Rozpocząć pokaz od strony:

Download "ZAGADNIENIE W POSTACI OGÓLNEJ"

Transkrypt

1 ZAGADNINI W POSAI OGÓLNJ s e ˆ - sygał - sygał -sygał obserwoway -sygał skoreloway z e eskoreloway z s -moel sygału s e ˆ -błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

2 RDUKJA ZAKŁÓŃ s e ˆ -sygał akustyczy -zakłócee aytywe -sygał zakłócoy -zakłócee skorelowae z e eskorelowae z s -ofltrowae zakłócee s e ˆ -błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

3 RDUKJA ZAKŁÓŃ - PRZYKŁAD Przykłaowa ooweź mulsowa fltru tłumącego zakłócee

4 ŁUMINI HA s e ˆ -sygał rzycozący -eco mowy wycozącej -sygał zakłócoy ecem -mowa wycoząca- skorel. z e eskorelowaa z s -ofltrowaa mowa wycoząca s e ˆ - błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

5 ŁUMINI HA - PRZYKŁAD Przykłaowa ooweź mulsowa fltru tłumącego eco

6 IDNYFIKAJA OBIKU DYNAMIZNGO s e ˆ -szum -sygał wyjścowy obektu -sygał zakłócoy obserwoway -sygał obuzający- skorel. z e eskoreloway z s -sygał wyjścowy moelu s e ˆ - błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

7 KORKJA KANAŁU s e s -szum e mulsy symbole aawae koa mulsów aawayc - sygał wyjścowy kaału ˆ -sygał wyjścowy korektora s e ˆ - błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

8 PRDYKJA s - beżąca róbka sygału - szum może być = 0 ˆ -sygał obserwoway -reykcja róbk s ˆ -błą reykcj Szukae: a a,..., a M ] - wsółczyk reykcj, - trasozycja Kryterum: m ]

9 PRDYKJA - PRZYKŁAD Sygał mowy czary jego reykcja czerwoy -0 wsółczyków reykcj

10 ZAGADNINI W POSAI OGÓLNJ s e ˆ - sygał - sygał -sygał obserwoway -sygał skoreloway z e eskoreloway z s -moel sygału s e ˆ - błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

11 Rozwązae fltr Weera 0 ˆ M gze M ˆ ] ] ] ] ]

12 Rozwązae fltr Weera Postawamy ] ] ] ] M ] ] ] ] 0 0, 0,, }, { R R R R c M M M j j gze j j R j c ] - wsółczyk autokorelacj sygału

13 Rozwązae fltr Weera Rozwązae: m ] m{ ] } ] ] ] 0 0 Dobre wyk la sygału s o carakterze stacjoarym

14 Aatacja fltru. Blokowa. la mowy co 0-30 ms oblcza sę ową ooweź mulsową a oblczee ws. autokorelacj sygału ws. korelacj syg. b oblczee wsółczyków fltru rozwązae ukłau rówań lowyc c fltracja, 0,,, M R

15 Aatacja fltru. Sekwecyja - o róbkę oblcza sę owe wsółczyk fltru, oając orawkę o estymaty uzyskaej la orzeej róbk. - orawka w cwl Porawk wy owoować zmejszee mocy błęu - kryterum la meto LMS least mea square ] Metoa graetowa SG stocastyczego graetu - ależy o meto LMS M gra ]

16 Aatacja sekwecyja ] ] Moc cwlowa błęu: jest fukcją wektora wsółczyków fltru Graet keruek wzrostu mocy błeu: ] ] gra Porawka w keruku rzecwym o graetu: ] gra Metoa stocastyczego graetu: szybkość aatacj

17 Metoy LS ajmejszej sumy kwaratów 0 ˆ M W każej cwl oblczamy owe wsółczyk fltru 0,, M- ˆ Kryterum: m oko oczątkowe, rozszerzające sę 0

18 Metoy LS ajmejszej sumy kwaratów ] gze rozwązae

19 Warat sekwecyjy RLS recursve least squares szukamy, Zamy rozwązae Oko zakające la = rzecoz w oczątkowe ] gze oobe

20 Warat sekwecyjy RLS recursve least squares Aby ukąć owracaa macerzy korzystamy ze wzoru: Jeśl A, B macerze kwaratowe, wektor, oraz to Postawamy: Stą Z rugej stroy Ostatecze B A B B B B A,, B A, g g g g g g ] ] g g g

21 Warat sekwecyjy RLS recursve least squares g ] Błą a ror Błą a osteror r o Wsółczyk zaomaa : wływa a stablość umeryczą algorytmu RLS Start algorytmu:, 0 I, 0 0 Krok : oblczamy g,,

22 Rzake moele Projektując fltr Hz moża wykorzystać aszą wezę o robleme. N. w zagaeu tłumea eca moża sę sozewać oowez mulsowej: gze m oóźee eca ] 0,0,,0, m, m,..., M Długość oowez mulsowej M mus być wększa ż oóźee eca Poobe w zagaeu etyfkacj oowez mulsowej kaału welorożego moża założyć lczbę róg K szukać oowez mulsowej: ] 0,,0, j,0,,0, j,0,,0, j K worzymy w te sosób tzw. rzake moele sygałów lub ukłaów

23 Rzake moele c.. Przeszmy rówae błęu la kolejyc cwl czasowyc: X macerz M W metoac LS mmalzujemy eergę błęu: m m X

24 Rzake moele c.. m m X X X t X t t X t X t X t t t gze X, X Przyrówując ocoe o zera X otrzymuje sę ukła rówań lowyc X 0 Rozwązując te ukła rówań lowyc, otrzymamy ajczęścej ooweź mulsową, która e jest rzaka e zawera cągów zer rzakego rozwązaa trzeba szukać bezośreo, ążąc z X o _

25 Rzake moele matcg ursut MP m m X X X, X,, X M ] Rzak moel wektora ocelowego : jest kombacją lową K < M kolum macerzy * X K j X j Matcg ursut: Kolumy wyberamy kolejo, stoowo zmejszając błą *

26 Rzake moele matcg ursut MP m m X X X, X,, X M ] Rzak moel wektora ocelowego jest kombacją lową K < M kolum macerzy Matcg ursut: Kolumy wyberamy kolejo, stoowo zmejszając błą * X 3 : * X K f _ j X j j X j wektor ocelowy X erwsza wybraa koluma X

27 Rzake moele matcg ursut MP Wybór rugej kolumy: wektor ocelowy Matcg ursut: Kolumy wyberamy kolejo, stoowo zmejszając błą * X 3 j X j f j X j X X

28 Rzake moele OMP Waa MP: wola zbeżość o wektora ocelowego ooweo mały błą uzyskujemy rzy użym K, a węc moel e jest barzo rzak Ortogoal MP OMP: rzutowae wektora ocelowego a orzestrzeń rozętą a kolejo wyberayc kolumac X 3 _ wektor ocelowy X OMP też e aje gwaracj otymalego rozwązaa, cyba że rzeszukamy wszystke możlwe orzestrzee w lczbe M! K! M K! f j X j + jx j X

29 Rzake moele m L W metoac LS mmalzujemy eergę błęu wyrażoą ormą euklesową orma L: m m X m Doajmy czło ograczający ormę L szukaej oowez mulsowej: M j j0 Na rzykła w te sosób: m{ } m{ X } ake zaae ma aaltycze rozwązae zaewa rzaszą ooweź mulsową ż metoy LMS

Laboratorium z Podstaw Automatyki. Laboratorium nr 4. Działanie układu automatycznej regulacji. Rodzaje regulatorów.

Laboratorium z Podstaw Automatyki. Laboratorium nr 4. Działanie układu automatycznej regulacji. Rodzaje regulatorów. . Cele ćwczena Laboratorum nr 4 Dzałane ukłau automatycznej regulacj. ozaje regulatorów. zaoznane sę z buową załanem ukłau regulacj, zaoznane sę z różnym strukturam regulatorów, obór arametrów regulatorów

Bardziej szczegółowo

ZAGADNIENIE TRANSPORTOWE

ZAGADNIENIE 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 szczegółowo

Przetwarzanie sygnałów biomedycznych

Przetwarzanie sygnałów biomedycznych Przetwarzaie sygałów biomeyczyc Człowiek- ajlesza iwestycja Projekt wsółfiasoway rzez Uię uroejską w ramac uroejskiego Fuuszu Sołeczego Wykła XII Rutkowski L. Filtry aatacyje i aatacyje rzetwarzaie sygałów,

Bardziej szczegółowo

... MATHCAD - PRACA 1/A

... MATHCAD - PRACA 1/A Nazwsko Imę (drukowaym) KOD: Dzeń+godz. (p. Śr) MATHCAD - PRACA /A. Stablcuj fukcję: f() = s() + /6. w przedzale od a do b z podzałem a rówych odcków. Sporządź wykres f() sprawdź, le ma mejsc zerowych.

Bardziej szczegółowo

Teoria i metody optymalizacji

Teoria i metody optymalizacji Sforułowae owae zaaa otyalzacj elowej bez ograczeń: Fukcja celu f( : Zaae otyalzacj olega a zalezeu wektora zeych ecyzyjych aleŝącego o zboru rozwązań ouszczalych R takego Ŝe la R Co jest rówozacze zasow:

Bardziej szczegółowo

n R ZałóŜmy, Ŝe istnieje d, dla którego: Metody optymalizacji Dr inŝ. Ewa Szlachcic otwarte otoczenie R n punktu x, Ŝe

n R ZałóŜmy, Ŝe istnieje d, dla którego: Metody optymalizacji Dr inŝ. Ewa Szlachcic otwarte otoczenie R n punktu x, Ŝe Sforułowae owae zaaa otyalzacj elowej bez ograczeń: Fukcja celu f() : Zaae otyalzacj olega a zalezeu wektora zeych ecyzyjych aleŝącego o zboru rozwązań ouszczalych R takego Ŝe la R Co jest rówozacze zasow:

Bardziej szczegółowo

Zastosowanie metody najmniejszych kwadratów do pomiaru częstotliwości średniej sygnałów o małej stromości zboczy w obecności zakłóceń

Zastosowanie metody najmniejszych kwadratów do pomiaru częstotliwości średniej sygnałów o małej stromości zboczy w obecności zakłóceń Zasosowae meody ajmejszych kwadraów do pomaru częsolwośc średej sygałów o małej sromośc zboczy w obecośc zakłóceń Elgusz PAWŁOWSKI, Darusz ŚWISULSKI Podsawowe meody pomaru częsolwośc Zlczae okresów w zadaym

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Poltechnka Gańska Wyzał Elektrotechnk Automatyk Katera Inżyner Systemów Sterowana eora sterowana Postawowe nformacje otyczące regulatorów PID Materały omocncze o ćwczeń laboratoryjnych 3 - Część 1 Oracowane:

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzee macerzowe werdzee: Dla dwóch macerzy A B o tych samych wymarach zachodz: ( ) ( ) wersz a) R A R B A ~ B Dowód: wersz a) A ~ B stee P taka że PA B 3 0 A 4 3 0 0 E A B 0 0 0 E B 3 6 4 0 0 0

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA STATYSTYKA MATEMATYCZNA WYKŁAD ESTYMACJA PUNKTOWA Nech - ezay parametr rozkładu cechy X. Wartość parametru będzemy estymować (przyblżać) a podstawe elemetowej próby. - wyberamy statystykę U o rozkładze

Bardziej szczegółowo

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki) Podstawy aalzy epewośc pomarowych (I Pracowa Fzyk) Potr Cygak Zakład Fzyk Naostruktur Naotecholog Istytut Fzyk UJ Pok. 47 Tel. 0-663-5838 e-mal: potr.cygak@uj.edu.pl Potr Cygak 008 Co to jest błąd pomarowy?

Bardziej szczegółowo

Niezawodność. systemów nienaprawialnych. 1. Analiza systemów w nienaprawialnych. 2. System nienaprawialny przykładowe

Niezawodność. systemów nienaprawialnych. 1. Analiza systemów w nienaprawialnych. 2. System nienaprawialny przykładowe Nezawoość sysemów eaprawalych. Aalza sysemów w eaprawalych. Sysemy eaprawale - przykłaowe srukury ezawooścowe 3. Sysemy eaprawale - przykłay aalzy. Aalza sysemów w eaprawalych Sysem eaprawaly jes o sysem

Bardziej szczegółowo

Systemy Just-in-time. Sterowanie produkcją

Systemy Just-in-time. Sterowanie produkcją Systemy Just-n-tme Sterowane proukcją MRP MRP II Just n tme OPT 1 Sterowane proukcją MRP MRP II Just n tme OPT Koszty opóźneń Kary umowne Utrata zamówena Utrata klenta Utrata t reputacj 2 Problemy z zapasam

Bardziej szczegółowo

Schrödingera. Dr inż. Zbigniew Szklarski. Katedra Elektroniki, paw. C-1, pok

Schrödingera. Dr inż. Zbigniew Szklarski. Katedra Elektroniki, paw. C-1, pok Wykła 0: Rówae Schrögera Dr ż. Zbgew Szklarsk Kaera lekrok paw. C- pok.3 szkla@agh.eu.pl hp://layer.uc.agh.eu.pl/z.szklarsk/ 0.06.07 Wyzał Iforayk lekrok Telekoukacj - Teleforayka Rówae Schrögera jeo z

Bardziej szczegółowo

Zaawansowane metody numeryczne

Zaawansowane 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 szczegółowo

Propagacja wielodrogowa. Paweł Kułakowski

Propagacja wielodrogowa. Paweł Kułakowski Propagacja welodrogowa Paweł Kułakowsk Pla wykładu. Propagacja welodrogowa ops zjawska w dzedze czasu częstotlwośc przypadek propagacj przyzemej. Zak sygału radowego 3. Iterferecje mędzysymbolowe . Propagacja

Bardziej szczegółowo

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min Fukca warogodośc Nech będze daa próba losowa prosta o lczebośc z rozkładu f (x;. Fukcą warogodośc dla próby x azywamy welkość: ( x; f ( x ; L Twerdzee (Cramera-Rao: Mmala wartość warac m dowolego eobcążoego

Bardziej szczegółowo

Przybliżone zapytania do baz danych z akceleracją obliczeń rozkładów prawdopodobieństwa

Przybliżone zapytania do baz danych z akceleracją obliczeń rozkładów prawdopodobieństwa Przyblżoe zapytaa o baz aych z akceleracą oblczeń rozkłaów prawopoobeństwa Wtol Arzeewsk Poltechka Pozańska e mal: Wtol.Arzeewsk@cs.put.poza.pl Artur Gramack, Jarosław Gramack Uwersytet Zeloogórsk e mal:

Bardziej szczegółowo

[d(i) y(i)] 2. Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) i=1. λ n i [d(i) y(i)] 2 λ (0, 1]

[d(i) y(i)] 2. Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) i=1. λ n i [d(i) y(i)] 2 λ (0, 1] Algorytm RLS Recursive Least Squares Ogólna postać kryterium LS: J = i e 2 (i) = i [d(i) y(i)] 2 Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) Zmodyfikowane kryterium

Bardziej szczegółowo

METODY KOMPUTEROWE 1

METODY KOMPUTEROWE 1 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN MTODA ULRA Mcał PŁOTKOWIAK Adam ŁODYGOWSKI Kosultacje aukowe dr z. Wtold Kąkol Pozań 00/00 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN Metod umercze MN pozwalają a ormułowae matematczc

Bardziej szczegółowo

Ćwiczenie 6. Realizacja i pomiary filtrów adaptacyjnych

Ćwiczenie 6. Realizacja i pomiary filtrów adaptacyjnych Ćwiczeie 6 Realizacja i pomiary filtrów adaptacyjyc Cele ćwiczeia Zapozaie z działaiem prostyc filtrów adaptacyjyc. Obserwacja efektów działaia filtru predykcyjego. Porówaie algorytmów LMS i LMS. Pomiary

Bardziej szczegółowo

Teoria i metody optymalizacji

Teoria 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 szczegółowo

Statystyczne metody przetwarzania danych

Statystyczne metody przetwarzania danych Artfcal Intellgence Krzysztof Ślot, 2008 Statystyczne metody rzetwarzana danych Klasyfkacja mnmalnoodległoścowa Krzysztof Ślot Instytut Informatyk Stosowanej Poltechnka Łódzka Artfcal Intellgence Krzysztof

Bardziej szczegółowo

MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ

MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ Wykład Układy rówań metody aaltycze Metody umerycze rozwązywaa rówań lczbowych Prof. Ato Kozoł, Wydzał Chemczy Poltechk Wrocławskej ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ

Bardziej szczegółowo

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Analiza 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 szczegółowo

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

N ( 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 szczegółowo

Sztuczna inteligencja w identyfikacji i sterowaniu. Uczenie konkurencyjne w sieciach samoorganizujących się

Sztuczna inteligencja w identyfikacji i sterowaniu. Uczenie konkurencyjne w sieciach samoorganizujących się Sztuczna ntelgencja w entyfkacj sterowanu Uczene konkurencyjne w secach samoorganzujących sę Cel ćwczena Celem ćwczena jest poznane samoorganzującej sę sec neuronowej Kohonena oraz algorytmu jej uczena.

Bardziej szczegółowo

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn ROZKŁAD PRAWDOPODBIEŃSTWA WIELU ZMIENNYCH LOSOWYCH W przpadku gd mam do czea z zmem losowm możem prawdopodobeństwo, ż przjmą oe wartośc,,, opsać welowmarową fukcją rozkładu gęstośc prawdopodobeństwa f(,,,.

Bardziej szczegółowo

; -1 x 1 spełnia powyższe warunki. Ale

; -1 x 1 spełnia powyższe warunki. Ale Funkcje uwkłane Przkła.ozważm równane np. nech. Ptane Cz la owolneo [ ] stneje tak że? Nech. Wówczas unkcja - spełna powższe warunk. Ale spełna je także unkcja [ ] Q. Dokłaając warunek cąłośc unkcj [ ]

Bardziej szczegółowo

Matematyka dyskretna. 10. Funkcja Möbiusa

Matematyka dyskretna. 10. Funkcja Möbiusa Matematyka dyskreta 10. Fukcja Möbusa Defcja 10.1 Nech (P, ) będze zborem uporządkowaym. Mówmy, że zbór uporządkoway P jest lokale skończoy, jeśl każdy podzał [a, b] P jest skończoy, a, b P Uwaga 10.1

Bardziej szczegółowo

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

TESTY 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 szczegółowo

; -1 x 1 spełnia powyższe warunki. Ale

; -1 x 1 spełnia powyższe warunki. Ale AIB-Inormatka-Wkła - r Aam Ćmel cmel@.ah.eu.pl Funkcje uwkłane Przkła.ozważm równane np. nech. Ptane Cz la owolneo [] stneje tak że? Nech. Wówczas unkcja - spełna powższe warunk. Ale [ ] Q spełna je także

Bardziej szczegółowo

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci Zadane. Macerz radoodobeńst rzejśca ojedynczym kroku dla łańcucha Markoa...... o trzech stanach { } jest ostac 0 n 0 0 (oczyśce element stojący -tym erszu j -tej kolumne tej macerzy oznacza P( = j. Wtedy

Bardziej szczegółowo

Wnioskowanie statystyczne dla korelacji i regresji.

Wnioskowanie statystyczne dla korelacji i regresji. STATYSTYKA MATEMATYCZNA WYKŁAD 6 Woskowae statstcze dla korelacj regresj. Aalza korelacj Założee: zmea losowa dwuwmarowa X, Y) ma rozkład ormal o współczku korelacj ρ. X, Y cech adae rówocześe. X X X...

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8 Stasław Cchock Natala Nehreecka Zajęca 7-8 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartość oczekwaa eocążoość estymatora Waracja

Bardziej szczegółowo

Zmiana bazy i macierz przejścia

Zmiana bazy i macierz przejścia Auomaya Roboya Algebra -Wyład - dr Adam Ćmel cmel@agh.edu.pl Zmaa bazy macerz prześca Nech V będze wymarową przesrzeą lową ad całem K. Nech Be e będze bazą przesrze V. Rozważmy ową bazę B e... e. Oczywśce

Bardziej szczegółowo

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski Różczkowae fukcj rzeczywstych welu zmeych rzeczywstych Matematyka Studum doktoracke KAE SGH Semestr let 8/9 R. Łochowsk Pochoda fukcj jedej zmeej e spojrzee Nech f : ( α, β ) R, α, β R, α < β Fukcja f

Bardziej szczegółowo

MACIERZE STOCHASTYCZNE

MACIERZE 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 szczegółowo

Ż ż Ł ż ż ż Ż Ś ż ż ż Ł Ż Ż ć ż Ż Ż Ż Ń Ż Ź ż Ź Ź ż Ż ż ż Ż Ł Ż Ł Ż ż Ż ż Ż Ż Ń Ą Ż Ń Ż Ń ć ż Ż ź Ś ć Ł Ł Ź Ż Ż ż Ł ż Ż Ł Ż Ł ź ć ż Ż Ż ż ż Ó ż Ł Ż ć Ż Ż Ę Ż Ż Ż ż Ż ż ż Ś ż Ż ż ż ź Ż Ń ć Ż ż Ż Ż ż ż ż

Bardziej szczegółowo

Ś Ł Ą Ś Ś ź Ś ń ż ż Ó ż ż Ś Ł ż ń ń ń ż ń Ś ń ć ŚĘ Ó Ł Ę Ł Ś Ę Ę ń ń ń ń ń Ź ń ń ń ń ń ż ń ń ń ń ń Ę ż ż ć Ść ń ń ż Ń ż ż ń ń Ś Ą ń Ś ń ń ż Ó ż Ź ń ż ń Ś Ń Ó ż Ł ż Ą ź ź Ś Ł ć Ś ć ż ź ż ć ć Ę Ó Ś Ó ż ż

Bardziej szczegółowo

Ł Ł Ś Ę ź ń ź ź Ś Ę Ę Ś Ą Ś Ę Ż Ł ń Ę Ś ć ć ń ć ń ń ń ź ń Ę ź ń ń ń ź ź Ś ź ź ć ń ń ń ń Ś ć Ś ń ń Ś ź ń Ę ń Ś ź ź ź ź ź Ę Ę Ę Ś ń Ś ć ń ń ń ń ń ń Ę ń ń ń ń ć ń ń ń ń ć ń Ś ć Ł ń ń ń ć ń ć ź ń ź ć ń ń ć

Bardziej szczegółowo

Ł Ł Ś ź ń ź ź ź Ś Ł Ę Ę Ś ż Ś ń Ą Ś Ą Ł ż ż ń ż ć ż ż ż ź ż ć ź Ę Ę ń ć ż Ł ń ż ż ż Ś ż Ś ż ż ż ż ż ż ż ń ń ż ż ż ć ż ń ż ń ź ż ć ż ż ć ń ż Ę Ę ć ń Ę ż ż ń ń ź Ę ź ż ń ż ń ź ż ż ż ń ż ż ż ż ż ż ż ż ń ń

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5 Stasław Cchock Natala Nehreecka Zajęca 5 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartośd oczekwaa eocążoośd estymatora Waracja

Bardziej szczegółowo

Podstawy opracowania wyników pomiarowych, analiza błędów

Podstawy opracowania wyników pomiarowych, analiza błędów Podstawy opracowaa wyków pomarowych, aalza błędów I Pracowa Fzycza IF UJ Grzegorz Zuzel Lteratura I Pracowa fzycza Pod redakcją Adrzeja Magery Istytut Fzyk UJ Kraków 2006 Wstęp do aalzy błędu pomarowego

Bardziej szczegółowo

Funkcja wiarogodności

Funkcja wiarogodności Fukca warogodośc Defca: Nech będze daa próba losowa prosta o lczebośc z rozkładu f (x; θ. Fukcą warogodośc dla próby x azywamy welkość: ( x; θ f ( x ; θ L Uwaga: Fukca warogodośc to e to samo co łącza

Bardziej szczegółowo

f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu

f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu METODA RÓŻIC SKOŃCZOYCH (omówee a przykładze rówań lowych) ech ( rówaa różczkowe zwyczaje lowe I-rz.) lub jedo II-rzędu f / / p( x) f / + q( x) f + r( x) a x b, f ( a) α, f ( b) β dea: a satce argumetu

Bardziej szczegółowo

Lista 6. Kamil Matuszewski 26 listopada 2015

Lista 6. Kamil Matuszewski 26 listopada 2015 Lsta 6 Kaml Matuszews 6 lstopada 5 4 5 6 7 8 9 4 5 X X X X X X X X X X X D X X N Gdze X-spsae, D-Delarowae, N-edelarowae. Zadae Zadae jest westą odpowedego pomalowaa. Weźmy sobe szachowcę x, poumerujmy

Bardziej szczegółowo

Planowanie eksperymentu pomiarowego I

Planowanie eksperymentu pomiarowego I POLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA ENERGETYKI INSTYTUT MASZYN URZĄDZEŃ ENERGETYCZNYCH Plaowae eksperymetu pomarowego I Laboratorum merctwa (M 0) Opracował: dr ż. Grzegorz Wcak

Bardziej szczegółowo

System finansowy gospodarki

System finansowy gospodarki System fasowy gospodark Zajęca r 6 Matematyka fasowa c.d. Rachuek retowy (autetowy) Maem rachuku retowego określa sę regulare płatośc w stałych odstępach czasu przy założeu stałej stopy procetowej. Przykłady

Bardziej szczegółowo

RACHUNEK NIEPEWNOŚCI POMIARU

RACHUNEK NIEPEWNOŚCI POMIARU Męzaroowa Norma Oce Nepewośc Pomaru (Gue to Epresso of Ucertat Measuremets Męzaroowa Orgazacja Normalzacja ISO RACHUNEK NIEPEWNOŚCI http://phscs.st.gov/ucertat POMIARU Wrażae Nepewośc Pomaru. Przewok.

Bardziej szczegółowo

Zastosowanie Robotyki w Przemyśle

Zastosowanie Robotyki w Przemyśle Zastosowane Robotyk w Przemyśle Dr nż. Tomasz Buratowsk Wyzał nżyner Mechancznej Robotyk Katera Robotyk Mechatronk WPROWADZENIE Robotyka jest zezną nauk, która łączy różne traycyjne gałęze nauk techncznych.

Bardziej szczegółowo

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer Statystyka Opsowa 014 część 3 Katarzya Lubauer Lteratura: 1. Statystyka w Zarządzau Admr D. Aczel. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucja Kowalsk. 4. Statystyka opsowa, Meczysław

Bardziej szczegółowo

LABOLATORIUM SZTUCZNYCH SIECI NEURONOWYCH

LABOLATORIUM SZTUCZNYCH SIECI NEURONOWYCH LABOLATORIUM SZTUCZNYCH SIECI NEURONOWYCH ĆWICZENIE 3 NEURONOWE STEROWANIE ROBOTEM Neuonowe steowanie ynamiką obota. Cel ćwiczenia należy zestawić ukła steowania amionami obota z wykozystaniem metoy owotnego

Bardziej szczegółowo

KORELACJA KORELACJA I REGRESJA. X, Y - cechy badane równocześnie. Dane statystyczne zapisujemy w szeregu statystycznym dwóch cech

KORELACJA KORELACJA I REGRESJA. X, Y - cechy badane równocześnie. Dane statystyczne zapisujemy w szeregu statystycznym dwóch cech KORELACJA I REGRESJA. KORELACJA X, Y - cech badae rówocześe. Dae statstcze zapsujem w szeregu statstczm dwóch cech...... lub w tablc korelacjej. X Y... l.... l.... l................... k k k... kl k..j......l

Bardziej szczegółowo

Porównanie właściwości wybranych wektorowych regulatorów prądu w stanach dynamicznych w przekształtniku AC/DC

Porównanie właściwości wybranych wektorowych regulatorów prądu w stanach dynamicznych w przekształtniku AC/DC Piotr FALKOWSKI, Marian Roch DUBOWSKI Politechnika Białostocka, Wyział Elektryczny, Katera Energoelektroniki i Napęów Elektrycznych Porównanie właściwości wybranych wektorowych regulatorów prąu w stanach

Bardziej szczegółowo

Kodowanie rónicowe. Plan 1. Zasada 2. Podstawowy algorytm 3. Kodowanie adaptacyjne 4. Zastosowania

Kodowanie rónicowe. Plan 1. Zasada 2. Podstawowy algorytm 3. Kodowanie adaptacyjne 4. Zastosowania Kodowae rócowe Pla 1. Zasada. Podstawowy algorytm 3. Kodowae adaptacyje 4. Zastosowaa Kodowae rócowe zasada Jako kwatyzacj szeroko przedzału waracja, rozpto daych Obrazy, dwk korelacja w daych Wykorzystae

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Luy 03 PODRĘCZNIKI Wsęp do aalzy błędu pomarowego Joh R. Taylor Wydawcwo Naukowe PWN Warszawa 999 I Pracowa

Bardziej szczegółowo

INSTYTUT ENERGOELEKTRYKI POLITECHNIKI WROCŁAWSKIEJ Raport serii SPRAWOZDANIA Nr

INSTYTUT ENERGOELEKTRYKI POLITECHNIKI WROCŁAWSKIEJ Raport serii SPRAWOZDANIA Nr Na prawach rękopisu o użytku służbowego INSTYTUT ENEROEEKTRYKI POITECHNIKI WROCŁAWSKIEJ Raport serii SPRAWOZDANIA Nr ABORATORIUM UKŁADÓW IMPUSOWYCH la kierunku AiR Wyziału Mechanicznego INSTRUKCJA ABORATORYJNA

Bardziej szczegółowo

R j v tj, j=1. jest czynnikiem dyskontującym odpowiadającym efektywnej stopie oprocentowania i.

R j v tj, j=1. jest czynnikiem dyskontującym odpowiadającym efektywnej stopie oprocentowania i. c 27 Rafał Kucharsk Rety Wartość beżącą cągu kaptałów: {R t R 2 t 2 R t } gdze R jest kwotą omalą płacoą w chwl t = oblczamy jako sumę zdyskotowaych płatośc: przy czym = + R j tj j= jest czykem dyskotującym

Bardziej szczegółowo

Badania operacyjne. Algorytm simpleks. Organizacja zajęć. Zaliczenie. Literatura. Program zajęć

Badania operacyjne. Algorytm simpleks. Organizacja zajęć. Zaliczenie. Literatura. Program zajęć Algorytm smpleks adaa operacyje Wykład adaa operacyje dr hab. ż. Joaa Józefowska, prof.pp Istytut Iformatyk Orgazacja zajęć 5 godz wykładów dr hab. ż. J. Józefowska, prof. PP Obecość a laboratorach jest

Bardziej szczegółowo

Kier. MTR Programowanie w MATLABie Laboratorium Ćw. 12

Kier. MTR Programowanie w MATLABie Laboratorium Ćw. 12 Ker. MTR Programowane w MATLABe Laboratorum Ćw. Analza statystyczna grafczna danych pomarowych. Wprowadzene MATLAB dysponuje weloma funcjam umożlwającym przeprowadzene analzy statystycznej pomarów, czy

Bardziej szczegółowo

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej Podstawy Mary położea wskazują mejsce wartośc ajlepej reprezetującej wszystke welkośc daej zmeej. Mówą o przecętym pozome aalzowaej cechy. Średa arytmetycza suma wartośc zmeej wszystkch jedostek badaej

Bardziej szczegółowo

Wyrażanie niepewności pomiaru

Wyrażanie niepewności pomiaru Wyrażae epewośc pomaru Adrzej Kubaczyk Wydzał Fzyk, Poltechka Warszawska Warszawa, 05 Iformacje wstępe Każdy pomar welkośc fzyczej dokoyway jest ze skończoą dokładoścą, co ozacza, że wyk tego pomaru dokoyway

Bardziej szczegółowo

1. Relacja preferencji

1. Relacja preferencji dr Mchał Koopczyńsk EKONOMIA MATEMATYCZNA Wykłady, 2, 3 (a podstawe skryptu r 65) Relaca preferec koszyk towarów: przestrzeń towarów: R + = { x R x 0} x = ( x,, x ) X X R+ x 0 x 0 =, 2,, x~y xf y x y x

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane 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 szczegółowo

STATYKA. Cel statyki. Prof. Edmund Wittbrodt

STATYKA. Cel statyki. Prof. Edmund Wittbrodt STATYKA Cel statyk Celem statyk jest zastąpee dowolego układu sł ym, rówoważym układem sł, w tym układem złożoym z jedej tylko sły jedej pary sł (redukcja do sły mometu główego) lub zbadae waruków, jake

Bardziej szczegółowo

PRZEPŁYWY MIĘDZYGAŁĘZIOWE. tablica przepływów międzygałęziowych

PRZEPŁYWY MIĘDZYGAŁĘZIOWE. tablica przepływów międzygałęziowych PRZEPŁYWY IĘDZYGŁĘZIOWE. [] Jeą z meto lzy zleŝośc wystęuących w rocesch tworze ozłu roukc mterle są metoy rzeływów męzygłezowych (lzy kłów wyków, lzy utoutut). zł Elemetrym osem ukłu est tut tzw. tlc

Bardziej szczegółowo

PRZETWARZANIE SYGNAŁÓW ANALOGOWYCH NA SYGNAŁY CYFROWE

PRZETWARZANIE SYGNAŁÓW ANALOGOWYCH NA SYGNAŁY CYFROWE PRZETWARZANIE SYGNAŁÓW ANALOGOWYCH NA SYGNAŁY CYFROWE Si reści 1. Deiicja róbkowaia ygału. Twierdzeie Shaoa 3. Aliaig czyli uożamiaie 4. Przewarzaie obrazów aalogowych a dykree 1 Próbkowaie ygałów ag.

Bardziej szczegółowo

Lista 6. Kamil Matuszewski X X X X X X X X X X X X

Lista 6. Kamil Matuszewski X X X X X X X X X X X X Lsta 6 Kaml Matuszewsk 9..205 2 3 4 5 6 7 9 0 2 3 4 5 6 7 X X X X X X X X X X X X Zadae Lewa stroa: W delegacj możemy meć od do osób. Wyberamy ( k) osób a k sposobów wyberamy przewodczącego. k =.. węc

Bardziej szczegółowo

Paliwa stałe, ciekłe i gazowe

Paliwa stałe, ciekłe i gazowe Palwa stałe, cekłe gazowe Podstawowe właścwośc alw gazowych Wydzał Eergetyk Palw Katedra Techolog Palw Gaz Gaz doskoały jest to hotetyczy gaz, którego droby e rzycągają sę wzajeme, są eskończee małe sztywe

Bardziej szczegółowo

Szeregi czasowe, modele DL i ADL, przyczynowość, integracja

Szeregi czasowe, modele DL i ADL, przyczynowość, integracja Szereg czasowe, modele DL ADL, rzyczyowość, egracja Szereg czasowy, o cąg realzacj zmeej losowej, owedzmy y, w kolejych okresach czasu: { y } T, co rówoważe możemy zasać: = 1 y = { y1, y,..., y T }. Najogólej

Bardziej szczegółowo

Teoria Sygnałów. III rok Informatyki Stosowanej. Wykład 7 [ ] ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Analiza częstotliwościowa dyskretnych sygnałów cyfrowych

Teoria Sygnałów. III rok Informatyki Stosowanej. Wykład 7 [ ] ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Analiza częstotliwościowa dyskretnych sygnałów cyfrowych ora Sygałów III ro Ioray Sosowaj Wyła Rozważy sończoy sygał () spróboway z częsolwoścą : Aalza częsolwoścowa ysrych sygałów cyrowych p óra js wa razy węsza o częsolwośc asyalj a. Oblczy jgo rasorację Fourra.

Bardziej szczegółowo

BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ

BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ Matematka statstka matematcza dla rolków w SGGW Aa Rajfura, KDB WYKŁAD 2 BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ Matematka statstka matematcza dla rolków w SGGW Aa Rajfura, KDB Przkład.

Bardziej szczegółowo

Temat: Operacje elementarne na wierszach macierzy

Temat: Operacje elementarne na wierszach macierzy Temat: Operacje elementarne na erszach macerzy Anna Rajfura Anna Rajfura Operacje elementarne na erszach macerzy n j m n A Typy operacj elementarnych. Zamana mejscam erszy oraz j, ozn.: j. Mnożene ersza

Bardziej szczegółowo

Natalia Nehrebecka. Dariusz Szymański

Natalia Nehrebecka. Dariusz Szymański atala ehreecka Darusz Szmańsk Wkład . MK przpadek welu zmech. Własośc hperpłaszczz regresj 3. Doroć ć dopasowaa rówaa regresj. Współczk determacj R Dekompozcjawaracj zmeejzależejzależej Współczk determacj

Bardziej szczegółowo

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2 Permutacje { 2,,..., } Defcja: Permutacją zboru lczb azywamy dowolą różowartoścową fukcję określoą a tym zborze o wartoścach w tym zborze. Uwaga: Lczba wszystkch permutacj wyos! Permutacje zapsujemy w

Bardziej szczegółowo

Praca dyplomowa magisterska

Praca dyplomowa magisterska Praca dyplomowa magisterska Implementacja algorytmów filtracji adaptacyjnej o strukturze transwersalnej na platformie CUDA Dyplomant: Jakub Kołakowski Opiekun pracy: dr inż. Michał Meller Plan prezentacji

Bardziej szczegółowo

Rozwiązywanie równań różniczkowych

Rozwiązywanie równań różniczkowych Rozwiązwanie równań różniczkowch. Równanie różniczkowe zwczajne. rzęu A. Metoa rkfie - zaimplementowana w Mathcazie metoa Rungego-Kutt. rzęu ze stałm krokiem całkowania: rkfie(,,ma, N, P) gzie: ma N P

Bardziej szczegółowo

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe

Bardziej szczegółowo

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.

11/22/2014. 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 szczegółowo

STEROWANIE NEURONOWO ROZMYTE MOBILNYM ROBOTEM KOŁOWYM

STEROWANIE NEURONOWO ROZMYTE MOBILNYM ROBOTEM KOŁOWYM acta mechanica et automatica, vol. no. () SEROWANIE NEURONOWO ROZMYE MOBILNYM ROBOEM KOŁOWYM Zenon HENDZEL *, Magalena MUSZYŃSKA * * Katera Mechaniki Stosowanej i Robotyki, Wyział Buowy Maszyn i Lotnictwa,

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA 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 szczegółowo

Diagonalizacja macierzy kwadratowej

Diagonalizacja macierzy kwadratowej Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an

Bardziej szczegółowo

ANALIZA INPUT - OUTPUT

ANALIZA INPUT - OUTPUT Aalza put - output Notatk S Dorosewcz J Staseńko Stroa z 28 SŁAWOMIR DOROSIEWICZ JUSTYNA STASIEŃKO ANALIZA INPUT - OUTPUT NOTATKI Istytut Ekoometr SGH Aalza put - output Notatk S Dorosewcz J Staseńko Stroa

Bardziej szczegółowo

Portfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem

Portfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Katedra Ietycj Faoych Zarządzaa yzykem Aalza Zarządzae Portfelem cz. Dr Katarzya Kuzak Co to jet portfel? Portfel grupa aktyó (trumetó faoych, aktyó rzeczoych), które zotały yelekcjooae, którym ależy zarządzać

Bardziej szczegółowo

BQR FMECA/FMEA. czujnik DI CPU DO zawór. Rys. 1. Schemat rozpatrywanego systemu zabezpieczeniowego PE

BQR FMECA/FMEA. czujnik DI CPU DO zawór. Rys. 1. Schemat rozpatrywanego systemu zabezpieczeniowego PE BQR FMECA/FMEA Przed rozpoczęcem aalzy ależy przeprowadzć dekompozycję systemu a podsystemy elemety. W efekce dekompozycj uzyskuje sę klka pozomów: pozom systemu, pozomy podsystemów oraz pozom elemetów.

Bardziej szczegółowo

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

BADANIA 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 szczegółowo

( ) WŁASNOŚCI MACIERZY

( ) WŁASNOŚCI MACIERZY .Kowalski własości macierzy WŁSNOŚC MCERZY Własości iloczyu i traspozycji a) możeie macierzy jest łącze, tz. (C) ()C, dlatego zapis C jest jedozaczy, b) możeie macierzy jest rozdziele względem dodawaia,

Bardziej szczegółowo

METODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.

METODA 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 szczegółowo

1 LWM. Defektoskopia ultradźwiękowa. Sprawozdanie powinno zawierać:

1 LWM. Defektoskopia ultradźwiękowa. Sprawozdanie powinno zawierać: L Defetosoia ultraźwięowa Srawozanie owinno zawierać:. Króti ois aaratury i metoy.. Rysune słua z zwymiarowanym ołożeniem wa. L Elastootya ynii baań elastootycznych Rzą izochromy m Siła na ońcu źwigni

Bardziej szczegółowo

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki: Zadae W loter berze udzał 0 osób. Regulam loter faworyzuje te osoby, które w elmacjach osągęły lepsze wyk: Zwycęzca elmacj, azyway graczem r. otrzymuje 0 losów, Osoba, która zajęła druge mejsce w elmacjach,

Bardziej szczegółowo

Zaawansowane algorytmy DSP

Zaawansowane algorytmy DSP Zastosowania Procesorów Sygnałowych dr inż. Grzegorz Szwoch greg@multimed.org p. 732 - Katedra Systemów Multimedialnych Zaawansowane algorytmy DSP Wstęp Cztery algorytmy wybrane spośród bardziej zaawansowanych

Bardziej szczegółowo

MODELE OBIEKTÓW W 3-D3 część

MODELE OBIEKTÓW W 3-D3 część WYKŁAD 5 MODELE OBIEKTÓW W -D część la wykładu: Kocepcja krzywej sklejaej Jedorode krzywe B-sklejae ejedorode krzywe B-sklejae owerzche Bezera, B-sklejae URBS 1. Kocepcja krzywej sklejaej Istotą z praktyczego

Bardziej szczegółowo

Parametryzacja rozwiązań układu równań

Parametryzacja 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 szczegółowo

LABORATORIUM PODSTAW AUTOMATYKI

LABORATORIUM PODSTAW AUTOMATYKI LABORATORIUM PODSTAW AUTOMATYKI Ćwiczenie LP Projektowanie regulacji metoą linii pierwiastkowych Zaanie: Zaprojektować sposób stabilizowania owróconego wahała (rys.1) la małych ochyleń o położenia pionowego.

Bardziej szczegółowo

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH L.Kowalsk PODSTAWOWE TESTY STATYSTYCZNE TESTY STATYSTYCZNE poteza statystycza to dowole przypuszczee dotyczące rozkładu cechy X. potezy statystycze: -parametrycze dotyczą ezaego parametru, -parametrycze

Bardziej szczegółowo

Laboratorium ochrony danych

Laboratorium ochrony danych Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz

Bardziej szczegółowo