Zbiory przybliżone nowa matematyczna metoda analizy danych
|
|
- Bronisław Cieślik
- 9 lat temu
- Przeglądów:
Transkrypt
1 Zbiory przybliżone nowa matematyczna metoda analizy danych Zdzisław Pawlak Instytut Informatyki Teoretycznej i Stosowanej PAN Gliwice, ul. Bałtycka 5 Wyższa Szkoła Informatyki Stosowanej i Zarządzania Warszawa, ul. Newelska 6 zpw@ii.pw.edu.pl 1. WSTĘP Teoria zbiorów przybliżonych [4] jest, z logicznego punktu widzenia, nowym matematycznym podejściem do pojęć nieostrych Z praktycznego punktu widzenia teoria ta jest nową metodą analizy danych. W teorii mnogości zbiór jest definiowany poprzez swoje elementy, przy czym nie jest tu potrzebna żadna dodatkowa wiedza o elementach uniwersum, z których tworzymy zbiory. W teorii zbiorów przybliżonych przeciwnie, zakładamy, iż mamy pewne dane o elementach uniwersum i dane te są wykorzystywane w tworzeniu zbiorów. Elementy, o których mamy identyczną informację są podobne i tworzą tzw. zbiory elementarne. Stanowią one podstawę rozumowań w teorii zbiorów przybliżonych. Suma dowolnych zbiorów elementarnych jest nazywana zbiorem definiowalnym. Zbiory, które nie są zbiorami definiowalnymi nazywane są zbiorami przybliżonymi. Oczywiście, zbiory definiowalne można jednoznacznie scharakteryzować poprzez własności ich elementów, natomiast zbiorów przybliżonych nie można scharakteryzować w ten sposób. Dlatego w teorii zbiorów przybliżonych wprowadza się pojęcia dolnego i górnego przybliżenia zbioru, które pozwalają każdy zbiór niedefiniowalny (przybliżony) scharakteryzować za pomocą dwu zbiorów definiowalnych jego dolnego i górnego przybliżenia
2 Dolnym przybliżeniem zbioru są wszystkie te elementy, które w świetle posiadanej wiedzy mogą być zaklasyfikowane jednoznacznie do rozważanego zbioru, zaś górnym przybliżeniem zbioru są wszystkie te elementy, których nie można wykluczyć, w świetle posiadanej wiedzy, jako elementy danego zbioru. Różnica między górnym a dolnym przybliżeniem jest nazywana obszarem brzegowym (brzegiem) zbioru. Np. zbiór liczb parzystych jest ostry, gdyż każdą liczbę naturalną możemy jednoznacznie zaklasyfikować jako parzystą lub nieparzystą. Natomiast zbiór zdolnych studentów jest pojęciem nieostrym, gdyż nie o każdym studencie możemy jednoznacznie stwierdzić, iż jest on zdolny czy też nie. Oczywiście zbiór jest przybliżony wtedy i tylko wtedy, gdy jego obszar brzegowy jest niepusty. Z praktycznego punktu widzenia teoria zbiorów przybliżonych jest nową metodą analizy danych. Umożliwia ona: szukanie zależności między danymi redukcję danych określenie wagi danych generowanie reguł decyzyjnych z danych i wiele innych. Do zalet teorii zbiorów przybliżonych należą: nie wymaga ona założeń odnośnie danych (np. prawdopodobieństwa czy rozmytości) szybkie algorytmy analizy danych łatwość interpretacji wyników prostota matematyczna Metoda zbiorów przybliżonych znalazła liczne zastosowania, między innymi w: medycynie farmakologii bankowości lingwistyce rozpoznawaniu mowy ochrona środowiska bazach danych i innych
3 Teoria zbiorów przybliżonych ma wiele związków z innym dziedzinami, a w szczególności: teorią ewidencji Dempstera-Shafera teorią zbiorów rozmytych metodami wnioskowania Boolowskiego Mimo to może ona być rozpatrywana jako niezależna samodzielna dyscyplina naukowa. Teoria zbiorów przybliżonych nie jest alternatywą w stosunku do innych istniejących metod a raczej je uzupełnia i może być stosowana łącznie z nimi. Na temat teorii zbiorów przybliżonych i jej zastosowań opublikowano na świecie do tej pory blisko trzy tysiące prac, oraz kilkanaście książek. Wzbudziła ona spore zainteresowanie, głównie w USA, Kanadzie i Japonii w Chinach i Indiach. Prace na jej temat prowadzone są również w wielu innych krajach. Również w Polsce kilka ośrodków badawczych zajmuje się tą teorią oraz jej zastosowaniami. Do tej pory odbyło się wiele międzynarodowych konferencji na temat teorii zbiorów przybliżonych oraz jej zastosowań. Ponadto na wielu renomowanych, międzynarodowych konferencjach organizowano specjalne sesje poświęcone teorii zbiorów przybliżonych. Teoria zbiorów przybliżonych wykazała swą użyteczność w wielu dziedzinach oraz wzbudziła spore zainteresowanie na świecie nie tylko wśród informatyków, ale również wśród logików i filozofów. Mimo to wymaga ona dalszych badań, w szczególności w zakresie jej podstaw matematycznych oraz możliwości zastosowań w różnych dziedzinach. W pracy podane zostaną podstawowe pojęcia teorii zbiorów przybliżonych, przedyskutowane krótko jej zastosowania oraz dalsze perspektywy. Więcej danych na temat zbiorów przybliżonych i ich zastosowań można znaleźć w Internecie: 2. ZBIORY Zanim podamy główne koncepcje teorii zbiorów przybliżonych, przypomnijmy najpierw kilka faktów dotyczących pojęcia zbioru. Podstawowym pojęciem matematyki jest pojęcie zbioru. Wszystkie konstrukcje matematyczne odwołują się do tego pojęcia
4 Sformułowanie tego pojęcia oraz stworzenie teorii zbiorów zawdzięczamy matematykowi niemieckiemu Georgowi Cantorowi ( ), który przed około 100 laty stworzył podwaliny współczesnej teorii mnogości. Oryginalna, intuicyjna definicja pojęcia zbioru Cantora [1] podana jest poniżej: Unter einer Manningfaltigkeit oder Menge verstehe ich nämlich allgemein jedes Viele,welches sich als Eines denken lässt, d.h. jeden Inbegriff bestimmter Elemente, welcher durch ein Gesetz zu einem Ganzen verbunden werden kann. Jej tłumaczenie według [3] jest następujące: Pod pojęciem rozmaitości czy zbioru rozumiem mianowicie ogólnie każdą wielość, która może być pomyślana jako jedność, tj. każdy ogół określonych elementów, które na mocy pewnego prawa mogą być złączone w jedną całość, lub w nieco prostszym sformułowaniu Pod pojęciem zbioru rozumiemy każde zebranie w jedną całość M określonych dobrze odróżnionych przedmiotów m naszego oglądu czy naszych myśli (które nazywane są elementami M) [3]. Jak widać jest to pojęcie bardzo intuicyjne i proste. W 1902 roku wybitny filozof angielski Bertrand Russell ( ) zauważył, że teoria mnogości jest sprzeczna, tj., prowadzi do antynomii (sprzeczności) logicznych. Antynomia logiczna, dla krótkości zwana w dalszym ciągu po prostu antynomią, powstaje wtedy gdy, prowadząc poprawne rozumowanie logiczne dochodzimy do sprzeczności, tj. do zdań A i nie-a. Podważa to istotę rozumowania logicznego. Dla przykładu omówimy tzw. antynomię Russella. Rozważmy zbiór X złożony ze wszystkich zbiorów Y, które nie są własnymi elementami. Jeżeli przyjmiemy, że X jest swoim własnym elementem to X, z definicji, nie może być swoim elementem; jeżeli zaś przyjmiemy, że X nie jest swoim elementem to zgodnie z definicją zbioru X musi on być swoim elementem. A więc przy każdym założeniu otrzymujemy sprzeczność. Antynomia Russella świadczy o tym, że elementami zbioru nie mogą być dowolne obiekty, tak jak sobie to wyobrażał Cantor
5 Mogłoby się wydawać, że antynomie to niewinne igraszki logiczne, jednakże tak nie jest. Podważają one istotę rozumowania logicznego. Dlatego też przez ponad sto lat próbowano naprawić teorię Cantora, lub zastąpić ją inną teorią zbiorów, jednakże rezultaty te, jak dotąd nie doprowadziły do pomyślnych rezultatów. Jednocześnie, niezależnie od badań matematyków i filozofów, pojęcie zbioru zainteresowało inżynierów. Okazało się bowiem, że wiele problemów praktycznych nie da się sformułować i rozwiązać używając klasycznego, cantorowskiego pojęcia zbioru. W 1965 roku profesor Lotfi Zadeh [6], z Uniwersytetu w Berkely zaproponował inne pojęcie zbioru, w którym elementy mogą należeć do zbioru w pewnym stopniu, a nie definitywnie, jak to ma miejsce w klasycznej teorii zbiorów. Propozycja ta znalazła bardzo wiele zastosowań i zapoczątkowała lawinę badań na temat teorii zbiorów rozmytych (fuzzy set theory), jak nazwano teorię Zadeha. Teorię zbiorów rozmytych można uważać za pewną formalizację pojęć nieostrych. Inne jeszcze podejście do formalizacji pojęć nieostrych zostało zaproponowane przez autora w postaci teorii zbiorów przybliżonych (rough set theory) [4]. Niezależnie od wielu zastosowań, zainteresowała ona licznych logików na świecie. Dodajmy, że ani teoria zbiorów rozmytych, ani teoria zbiorów przybliżonych nie są alternatywą dla klasycznej teorii mnogości, gdyż obie te teorie do ich sformułowania wymagają pojęć tej teorii. 3. WNIOSKOWANIE Z DANYCH Podstawowe pojęcia teorii zbiorów przybliżonych mogą być sformułowane całkowicie ogólnie jednakże z punktu widzenia zastosowań tej teorii wygodnie sformułować je w terminach analizy danych, którą można uważać za szczególny przypadek wnioskowania indukcyjnego. Przypomnijmy, że mamy dwa główne rodzaje wnioskowań, dedukcyjne i indukcyjne. Wnioskowanie dedukcyjne daje narzędzia służące do wyprowadzania zdań prawdziwych z innych zdań prawdziwych. Wnioskowanie dedukcyjne prowadzi zawsze do konkluzji prawdziwych. Teoria dedukcji posiada dobrze ugruntowane powszechnie przyjęte podstawy teoretyczne. Wnioskowanie dedukcyjne jest głównym narzędziem - 5 -
6 stosowanym w rozumowaniach matematycznych i poza nią nie znalazło zastosowania. W naukach przyrodniczych (np. w fizyce) podstawową rolę odgrywa wnioskowanie indukcyjne. Cechą charakterystyczną tego typu wnioskowań jest to, że nie wychodzą one jak w logice dedukcyjnej, od aksjomatów wyrażających wiedze ogólną o interesującym nas świecie, lecz punktem wyjścia tego typu rozumowań są pewne fakty częściowe o badanej rzeczywistości (przykłady), które następnie są uogólniane, tworząc wiedzę o szerszym świecie, niż ten, który stanowił punkt wyjścia wnioskowań. W przeciwieństwie do wnioskowania dedukcyjnego, wnioskowanie indukcyjne nie prowadzi do wniosków prawdziwych a jedynie do wniosków prawdopodobnych (możliwych). Również w przeciwieństwie do logiki dedukcji, logika indukcji nie ma jednolitych, ogólnie przyjętych, podstaw teoretycznych. Rozstrzyganie prawdziwości hipotez w logice indukcji odbywają się nie, jak w logice dedukcji, drogą formalnego rozumowania, a na podstawie experymentu. Fizyka jest tu najlepszą ilustracją. Powstanie komputerów i nowatorskie ich zastosowania przyczyniły się istotnie do gwałtownego wzrostu zainteresowania wnioskowaniem indukcyjnym. Dziedzina ta rozwija się dzięki informatyce niezwykle dynamicznie. Uczenie maszynowe, odkrywanie wiedzy, wnioskowanie z danych, systemy eksperckie i inne stanowią przykłady nowych kierunków, we wnioskowaniu indukcyjnym. Również badania nad teorią indukcji zawdzięczają informatyce nowe impulsy. Jednakże do sytuacji jaką mamy w logice dedukcji jest jeszcze bardzo daleka droga. Nie widać bowiem na horyzoncie zarysu teorii indukcji mającej taki status jak teoria dedukcji. Reasumując, cechy charakterystyczne wyżej wymienionych wnioskowań podane są poniżej: dedukcyjne indukcyjne zastosowania: matematyka pełna teoria wnioskowanie zawsze prawdziwe weryfikacja hipotez - dowód zastosowania: nauki przyrodnicze i techniczne częściowe teorie wnioski prawdopodobne (możliwe) weryfikacja hipotez - eksperyment - 6 -
7 Tak więc, analizę danych należy traktować jako szczególny przypadek wnioskowań indukcyjnych. 4. ZBIORY PRZYBLIŻONE I ANALIZA DANYCH W celu lepszego i bardziej intuicyjnego zrozumienia podstaw tej teorii z punktu widzenia analizy danych zacznijmy od prostego przykładu. Rozpatrzmy zbiór danych podanych w tabeli 1. Wiersze tabeli opisują pacjentów, kolumny tabeli oznaczone ból głowy, ból mięśni, temperatura reprezentują symptomy choroby i nazywane są atrybutami warunkowymi. Kolumna oznaczona grypa definiuje podział pacjentów na dwie klasy: chorujących na grypę i niechorujących i nazwany jest atrybutem decyzyjnym. Pacjent Ból głowy Ból mięsni Temperatura Grypa 1 nie tak podwyższona tak 2 tak nie podwyższona tak 3 tak tak wysoka tak 4 nie tak normalna nie 5 tak nie podwyższona nie 6 nie nie wysoka tak Tabela 1 Tabele takiego rodzaju nazywamy tablicami decyzyjnymi. Rzeczywiste tablice decyzyjne mogą zawierać dużo więcej atrybutów i przypadków. Ponadto, oprócz atrybutów jakościowych mogą zawierać także wartości liczbowe. Niektóre wartości atrybutów dla pewnych przypadków mogą być także nieznane. Problem będący przedmiotem naszego zainteresowania może być określony następująco: znaleźć zależność pomiędzy występowaniem grypy (lub jej niewystępowaniem) a symptomami opisującymi pacjentów. Inaczej mówiąc, celem jest opisanie zbioru przypadków {1,2,3,6} (lub zbioru {4,5}) w kategoriach wartości atrybutów warunkowych. Zauważmy, że analizowane dane są niespójne, gdyż przypadki 2 i 5 dostarczają sprzecznych informacji, tzn. obaj pacjenci opisani są tymi samymi wartościami atrybutów warunkowych, lecz są przydzieleni do różnych klas decyzyjnych. Oznacza to, że zbiór pacjentów cierpiących z - 7 -
8 powodu grypy nie może być jednoznacznie opisany w kategoriach symptomów ból głowy, ból mięśni, temperatura. Jednakże możemy opisać ten zbiór w sposób przybliżony. W oparciu o posiadane dane można stwierdzić, że: - {1, 3, 6} jest maksymalnym zbiorem przypadków, które są z pewnością zaklasyfikowane do klasy pacjentów z grypą, na podstawie opisu atrybutami warunkowymi, - {1, 2, 3, 5, 6} jest zbiorem przypadków, co do których możliwe jest ich przydzielenie do klasy pacjentów z grypą, na podstawie opisu atrybutami warunkowymi, - {2, 5} jest zbiorem przypadków, które nie mogą być jednoznacznie przydzielone do klasy Grypa lub do klasy brak Grypy, ze względu na sprzeczny opis atrybutami warunkowymi. Dwa pierwsze zbiory są przybliżeniami klasy decyzyjnej Grypa, nazywanymi odpowiednio jej dolnym i górnym przybliżeniem. Przedstawmy obecnie powyższe rozważania bardziej formalnie. Tablice danych takie jak podano w powyższym przykładzie nazywane są często systemami informacyjnymi. System informacyjny, jest parą ( U, A, V, f ), gdzie U jest niepustym i skończonym zbiorem obiektów zwanym uniwersum, A jest niepustym i skończonym zbiorem atrybutów. V V, V jest dziedziną atrybutu = U a A a a a A, oraz f : U A V jest funkcją informacyjną, taką, że a A, x U f(a,x) V a. Z każdym podzbiorem atrybutów B A związana jest binarna relacja I(B), nazywana relacją nierozróżnialności, zdefiniowana jako: I(B) = {(x,y) U U : a B f(a,x)=f(a,y)} Jeśli (x,y) I(B) to obiekty x i y są nierozróżnialne ze względu na podzbiór atrybutów B. Relacja nierozróżnialności jest relacją równoważności. Rodzinę wszystkich klas abstrakcji relacji I(B), tj. podział U za pomocą B, oznaczamy U / I(B). B(x) oznacza klasę abstrakcji relacji I(B) zawierającą obiekt x i nazywane są zbiorami B-elementarnymi Jeżeli w systemie informacyjnym wyróżniamy rozłączne zbiory atrybutów warunkowych C i atrybutów decyzyjnych D (gdzie A=C D), to system taki nazywany jest tablicą decyzyjną. Niech S = ( U, A, V, f ) będzie systemem informacyjnym, X niepustym podzbiorem U oraz B A. Celem jest opisanie zbioru X w kategoriach - 8 -
9 wartości atrybutów z B. Prowadzi to zdefiniowania dwóch zbiorów B (X ) i B (X ), nazywanych odpowiednio B-dolnym przybliżeniem i B-górnym przybliżeniem X, zdefiniowanych jako: B (X ) = {x U : B(x) X}, B ( X ) = { x U : B( x) X }. Zbiór BN B (X) = B (X ) - B (X ) jest nazywany B-brzegiem zbioru X. Dolne przybliżenie B (X ) zbioru X jest zbiorem obiektów, które można z pewnością zaliczyć do X na podstawie zbioru atrybutów B, podczas gdy obiekty z B (X ) mogą być tylko uznane za możliwie należące do X, w świetle atrybutów B. B-brzeg BN B (X) zawiera obiekty, których nie można jednoznacznie przydzielić do X z uwagi na sprzeczny opis w terminach atrybutów B. Natomiast obiekty z U \ B (X ) z pewnością nie należą do X. O zbiorze X mówimy, że jest B-przybliżony, jeśli BN B (X) w przeciwnym razie jest on B-definiowalny (dokładny). Formalne właściwości przybliżeń pokazano poniżej. 1) B ( X ) X B ( X ), 2) B ( ) = B ( ) = ; B ( U ) = B ( U = U, ) 3) B ( X Y = B ( X ) B ( Y ), 4) B ( X Y ) = B ( X ) B ( Y ), 5) X Y implikuje B ( X ) B ( Y ) oraz B ( X ) B ( Y ), 6) B ( X Y ) B ( X ) B ( Y ), 7) B ( X Y ) B ( X ) B ( Y ), 8) B ( X ) = B ( X ), 9) B ( X ) = B ( X ), 10) B ( B ( X )) = B ( B ( X )) B ( X ), = 11) B ( B ( X )) = B ( B ( X )) = B ( X ). Z własności tych widać, że przybliżenia stanowią wnętrze i domknięcie w topologii generowanej przez dane. Graficzna ilustracja przybliżenia pokazana jest na Rys
10 Zbiory elementarne Uniwersum Dolne przybliżenie Zbiór Górne przybliżenie Rys. 1 Zbiór przybliżony X może być scharakteryzowany ilościowo za pomocą współczynnika dokładności przybliżenia: B ( X ) α B (X)= B ( X ) gdzie X oznacza liczność zbioru X. Przybliżenia zbiorów stanowią podstawowe matematyczne pojęcia teorii zbiorów przybliżonych i służą do opisu nieprecyzyjnej wiedzy o interesujących nas zjawiskach. Następnie są one używane do znajdywania zależności w danych, ale tą problematyką nie będziemy się zajmować
11 5. CO DALEJ? W wielu ośrodkach badawczych w Polsce, USA, Kanadzie, Japonii, Chinach, Indiach i w Europie prowadzone są intensywne prace dotyczące różnych aspektów teorii zbiorów przybliżonych. Obejmują one między innymi: aspekty filozoficzne podstawy matematyczne różne uogólnienia i rozszerzenia związki z innymi podobnymi teoriami różnorodne zastosowania oprogramowanie prace konstrukcyjne Teorię zbiorów przybliżonych można uważać za szczególny przypadek realizacji idei Fregegeo dotyczącej pojęć nieostrych (vagueness). Istniej pogląd, że teoria zbiorów przybliżonych daje tu nowe narzędzie do badania logiki pojęć nieostrych, w szczególności wyjaśnia ona niektóre paradoksy nieostrości (the soritex paradox) i wielu filozofów i logików prowadzi badania w tym kierunku (patrz [5]). Pojęcie nierozróżnialności (indiscernibility relation), stanowiące podstawę teorii zbiorów przybliżonych, jest ściśle związane z podaną przez Leibniza zasadą nierozróżnialności identycznych obiektów (indiscernibility of identicals). Ten aspekt zbiorów przybliżonych zainteresował również wielu filozofów, którzy prowadza badania w tym zakresie. Prace dotyczące podstaw teoretycznych zbiorów przybliżonych obejmują: algebraiczne i topologiczne własności różne logiki związane ze zbiorami przybliżonymi aspekty probabilistyczne zbiorów przybliżonych, między innymi związki z twierdzeniem Bayesa aspekty teorio mnogościowe zbiorów przybliżonych w tym związki z mereologią Leśniewskiego
12 analizę przybliżoną, funkcje przybliżone, przybliżoną ciągłość, przybliżone różniczkowanie i całkowanie (nie w sensie metod numerycznych a w sensie analizy niestandardowej) W wyżej podanych kierunkach prowadzone są liczne badania mające na celu pełniejsze wyjaśnienie podstaw teorii zbiorów przybliżonych, z punktu widzenia szeroko rozumianych ich własności matematycznych. Teoria zbiorów przybliżonych jest uogólniana i modyfikowana na wiele sposobów. Między zamiast relacji równoważności, stanowiącej punkt wyjścia do definicji zbioru przybliżonego, przyjmowane są inne relacje (np. relacja tolerancji). Bardzo dużym zainteresowaniem cieszą się również badania dotyczące sformułowania podstaw teorii zbiorów przybliżonych w oparciu o pewne koncepcje prawdopodobieństwa. Ważne są również badania dotyczące związków teorii zbiorów przybliżonych z innymi teoriami dotyczącymi formalnych modeli nieprecyzyjności pojęć takich jak: teoria zbiorów rozmytych teoria ewidencji Dempstera- Shafera metody statystyczne analizy danych Teoria zbiorów przybliżonych została również użyta do rozszerzenia niektórych znanych teorii, takich jak np. sieci neuronowe (rough neural networks), czy sieci Petriego (rough Petri networks). Są to obiecujące kierunki uprawiane przez wielu badaczy. Bardzo intensywnie prowadzone są prace nad różnymi nowatorskimi zastosowaniami tej teorii. Obejmują one, między innymi teorię decyzji, medycynę, ekonomię, teorię sterowania i teorię konfliktów. Szersze zastosowania omawianej teorii wymagają odpowiedniego oprogramowania. Zostało opracowanych wiele systemów służących do tego celu i w dalszym ciągu prowadzone są w tym zakresie intensywne prace. Wreszcie aby w pełni wykorzystać możliwości jakie daje teoria zbiorów przybliżonych w analizie danych konieczne jest opracowanie komputerów lepiej przystosowanych do spożytkowania zalet tej teorii. Prace w tym kierunku prowadzone są na uniwersytecie w Osace. Miejmy nadziej, że doprowadzą one do powstania nowych koncepcji komputerów, lepiej przystosowanych do analizy danych. Bliższe informacje na poruszane tu tematy można znaleźć w Internecie
13 5. ZAKOŃCZENIE Podane tu sformułowanie podstawowych pojęć teorii zbiorów przybliżonych jest bardzo proste, jednakże do celów praktycznych jest ono niewystarczające. Aby podejście to mogło być stosowane do rozwiązywania rzeczywistych problemów wymagało ono wielu rozszerzeń i uzupełnień. Pozwoliło to stworzenie narzędzia matematycznego, które mogło być z powodzeniem zastosowane do rozwiązywania złożonych problemów. Zainteresowany czytelnik znajdzie odpowiednie dane w Internecie. Teoria zbiorów przybliżonych, jak to stwierdzono poprzednio, nie jest alternatywna dla klasycznej teorii zbiorów. Jest ona pewną formalizacją pojęć nieprecyzyjnych (nieostrych) w terminach, pojęć precyzyjnych. Pojęcie nieprecyzyjne jest przedstawione w tej teorii za pomocą dwu pojęć precyzyjnych (dolnego i górnego przybliżenia), co pozwala na operowaniem klasycznym aparatem teorii mnogości do wyrażania i analizy pojęć nieprecyzyjnych. Teoria zbiorów przybliżonych znalazła liczne zastosowania, jednakże dalszy jej rozwój wymaga nadal badania jej podstaw matematycznych. Konieczne jest także ogólnie dostępnego oprogramowanie oparte na tej metodzie, a także odpowiednie rozwiązania sprzętowe. Prace w tym zakresie prowadzono w wielu krajach. LITERATURA [1] George Cantor, Grundlagen einer allgemeinen Mannigfaltigkeitslehre, Leipzig, 1883 [2] Gottlob Frege, Grundlagen der Arithmetik, 2 Verlag von Herman Pohle, Jena, 1893 [3] Roman Murawski, Filozofia matematyki, antologia tekstów klasycznych, Uniwersytet im. Adama Mickiewicza w Poznaniu, Seria Filozoficzna I, Logika nr 46, Poznań, 1986 [4] Zdzisław Pawlak, Rough sets, Int. J. of Information and Computer Sciences, 11, 5, , 1982 [5] Read Stephen, Thinking about logic, Introduction to the philosophy of logic, Opus, Oxford, new York, Oxford University Press, 1995 [6] Lotfi Zadeh, Fuzzy sets, Information and Control, 8, ,
Odkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych. Wykład 3
Odkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych Wykład 3 W internecie Teoria zbiorów przybliżonych zaproponowany w 1982 r. przez prof. Zdzisława Pawlaka formalizm matematyczny, stanowiący
Komputery i nauka. Zdzisław Pawlak Instytut Informatyki Teoretycznej i Stosowanej PAN 44-100 Gliwice, ul. Bałtycka 5 E-mail: zpw@ii.pw.edu.
Komputery i nauka Zdzisław Pawlak Instytut Informatyki Teoretycznej i Stosowanej PAN 44-100 Gliwice, ul. Bałtycka 5 E-mail: zpw@ii.pw.edu.pl Motto: Komputery są bezużyteczne. One nie stawiają pytań. Pablo
LOGIKA I TEORIA ZBIORÓW
LOGIKA I TEORIA ZBIORÓW Logika Logika jest nauką zajmującą się zdaniami Z punktu widzenia logiki istotne jest, czy dane zdanie jest prawdziwe, czy nie Nie jest natomiast istotne o czym to zdanie mówi Definicja
System informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy
System informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy decyzyjnej System informacyjny System informacyjny SI zdefiniowany
Dlaczego nie wystarczają liczby wymierne
Dlaczego nie wystarczają liczby wymierne Analiza zajmuje się problemami, w których pojawia się przejście graniczne. Przykładami takich problemów w matematyce bądź fizyce mogą być: 1. Pojęcie prędkości
Systemy ekspertowe. Eksploracja danych z wykorzystaniem tablic decyzyjnych i zbiorów przybliżonych. Część trzecia
Część trzecia Autor Roman Simiński Eksploracja danych z wykorzystaniem tablic decyzyjnych i zbiorów przybliżonych Kontakt siminski@us.edu.pl www.us.edu.pl/~siminski Niniejsze opracowanie zawiera skrót
Opis efektów kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA. rozumie cywilizacyjne znaczenie matematyki i jej zastosowań
TABELA ODNIESIEŃ EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA PROGRAMU KSZTAŁCENIA DO EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA OBSZARU KSZTAŁCENIA I PROFILU STUDIÓW PROGRAM KSZTAŁCENIA: POZIOM KSZTAŁCENIA: PROFIL KSZTAŁCENIA:
WSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LAB IV ZBIORY PRZYBLIŻONE I ODKRYWANIE REGUŁ DECYZYJNYCH
WSOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LAB IV ZBIORY RZYBLIŻONE I ODKRYWANIE REGUŁ DECYZYJNYCH 1. Definicje Zbiory, które nie są zbiorami definiowalnymi, są nazywane zbiorami przybliżonymi. Zbiory definiowalne
166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Zbiory przybliżone wnioskowanie przybliżone
Zbiory przybliżone wnioskowanie przybliżone Autor: Piotr Nowotarski, Diana Chodara. Przemysław Leończyk Państwowa Wyższa Szkoła Zawodowa im. prof. Stanisława Tarnowskiego w Tarnobrzegu Streszczenie / Abstrakt
domykanie relacji, relacja równoważności, rozkłady zbiorów
1 of 8 2012-03-28 17:45 Logika i teoria mnogości/wykład 5: Para uporządkowana iloczyn kartezjański relacje domykanie relacji relacja równoważności rozkłady zbiorów From Studia Informatyczne < Logika i
Inteligencja obliczeniowa
Ćwiczenie nr 1 Zbiory rozmyte logika rozmyta Tworzenie: termów zmiennej lingwistycznej o różnych kształtach, modyfikatorów, zmiennych o wielu termach; operacje przecięcia, połączenia i dopełnienia 1. Wprowadzenie
Logika Stosowana. Wykład 1 - Logika zdaniowa. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017
Logika Stosowana Wykład 1 - Logika zdaniowa Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana 2017 1 / 30 Plan wykładu 1 Język
Indukcja matematyczna. Zasada minimum. Zastosowania.
Indukcja matematyczna. Zasada minimum. Zastosowania. Arkadiusz Męcel Uwagi początkowe W trakcie zajęć przyjęte zostaną następujące oznaczenia: 1. Zbiory liczb: R - zbiór liczb rzeczywistych; Q - zbiór
Struktury formalne, czyli elementy Teorii Modeli
Struktury formalne, czyli elementy Teorii Modeli Szymon Wróbel, notatki z wykładu dra Szymona Żeberskiego semestr zimowy 2016/17 1 Język 1.1 Sygnatura językowa Sygnatura językowa: L = ({f i } i I, {P j
Logika I. Wykład 1. Wprowadzenie do rachunku zbiorów
Andrzej Wiśniewski Logika I Materiały do wykładu dla studentów kognitywistyki Wykład 1. Wprowadzenie do rachunku zbiorów 1 Podstawowe pojęcia rachunku zbiorów Uwaga 1.1. W teorii mnogości mówimy o zbiorach
Logika i teoria mnogości Wykład 14 1. Sformalizowane teorie matematyczne
Logika i teoria mnogości Wykład 14 1 Sformalizowane teorie matematyczne W początkowym okresie rozwoju teoria mnogości budowana była w oparciu na intuicyjnym pojęciu zbioru. Operowano swobodnie pojęciem
Elementy logiki i teorii mnogości
Elementy logiki i teorii mnogości Zdanie logiczne Zdanie logiczne jest to zdanie oznajmujące, któremu można przypisać określoną wartość logiczną. W logice klasycznej zdania dzielimy na: prawdziwe (przypisujemy
Algebrę L = (L, Neg, Alt, Kon, Imp) nazywamy algebrą języka logiki zdań. Jest to algebra o typie
3. Wykłady 5 i 6: Semantyka klasycznego rachunku zdań. Dotychczas rozwinęliśmy klasyczny rachunek na gruncie czysto syntaktycznym, a więc badaliśmy metodę sprawdzania, czy dana formuła B jest dowodliwa
W planie dydaktycznym założono 172 godziny w ciągu roku. Treści podstawy programowej. Propozycje środków dydaktycznych. Temat (rozumiany jako lekcja)
Ramowy plan nauczania (roczny plan dydaktyczny) dla przedmiotu matematyka w zakresie rozszerzonym dla klasy I liceum ogólnokształcącego uwzględniający kształcone i treści podstawy programowej W planie
Logika dla socjologów Część 2: Przedmiot logiki
Logika dla socjologów Część 2: Przedmiot logiki Rafał Gruszczyński Katedra Logiki Uniwersytet Mikołaja Kopernika 2011/2012 Spis treści 1 Działy logiki 2 Własności semantyczne i syntaktyczne 3 Błędy logiczne
KIERUNKOWE EFEKTY KSZTAŁCENIA
KIERUNKOWE EFEKTY KSZTAŁCENIA Wydział: Matematyki Kierunek studiów: Matematyka i Statystyka (MiS) Studia w j. polskim Stopień studiów: Pierwszy (1) Profil: Ogólnoakademicki (A) Umiejscowienie kierunku
Np. Olsztyn leży nad Łyną - zdanie prawdziwe, wartość logiczna 1 4 jest większe od 5 - zdanie fałszywe, wartość logiczna 0
ĆWICZENIE 1 Klasyczny Rachunek Zdań (KRZ): zdania w sensie logicznym, wartości logiczne, spójniki logiczne, zmienne zdaniowe, tabele prawdziwościowe dla spójników logicznych, formuły, wartościowanie zbioru
KIERUNKOWE EFEKTY KSZTAŁCENIA
Załącznik nr 4 do uchwały Senatu PK nr 104/d/11/2017 z dnia 22 listopada 2017 r. Politechnika Krakowska im. Tadeusza Kościuszki w Krakowie Nazwa wydziału lub wydziałów: Wydział Fizyki, Matematyki i Informatyki
6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Teoretyczne podstawy zbiorów przybliżonych
Teoretyczne podstawy zbiorów przybliżonych Agnieszka Nowak 17 kwietnia 2009 1 Podstawy teorii zbiorów przybliżonych 1.1 Wstęp Teoria zbiorów przybliżonych została sformułowana przez Zdzisława Pawlaka w
Paradygmaty dowodzenia
Paradygmaty dowodzenia Sprawdzenie, czy dana formuła rachunku zdań jest tautologią polega zwykle na obliczeniu jej wartości dla 2 n różnych wartościowań, gdzie n jest liczbą zmiennych zdaniowych tej formuły.
Maria Romanowska UDOWODNIJ, ŻE... PRZYKŁADOWE ZADANIA MATURALNE Z MATEMATYKI
Maria Romanowska UDOWODNIJ, ŻE... PRZYKŁADOWE ZADANIA MATURALNE Z MATEMATYKI Matematyka dla liceum ogólnokształcącego i technikum w zakresie podstawowym i rozszerzonym Z E S Z Y T M E T O D Y C Z N Y Miejski
Relacje. opracował Maciej Grzesiak. 17 października 2011
Relacje opracował Maciej Grzesiak 17 października 2011 1 Podstawowe definicje Niech dany będzie zbiór X. X n oznacza n-tą potęgę kartezjańską zbioru X, tzn zbiór X X X = {(x 1, x 2,..., x n ) : x k X dla
REPETYTORIUM Z ANALIZY MATEMATYCZNEJ FUNKCJE JEDNEJ ZMIENNEJ
MONIKA FABIJAŃCZYK ANNA WARĘŻAK REPETYTORIUM Z ANALIZY MATEMATYCZNEJ FUNKCJE JEDNEJ ZMIENNEJ DEFINICJE TWIERDZENIA PRZYKŁADY I KOMENTARZE Skrypt dla studentów przygotowujących się do egzaminu licencjackiego
Technologie i systemy oparte na logice rozmytej
Zagadnienia I Technologie i systemy oparte na logice rozmytej Mają zastosowania w sytuacjach kiedy nie posiadamy wystarczającej wiedzy o modelu matematycznym rządzącym danym zjawiskiem oraz tam gdzie zbudowanie
Sztuczna inteligencja i logika. Podsumowanie przedsięwzięcia naukowego Kisielewicz Andrzej WNT 20011
Sztuczna inteligencja i logika. Podsumowanie przedsięwzięcia naukowego Kisielewicz Andrzej WNT 20011 Przedmowa. CZĘŚĆ I: WPROWADZENIE 1. Komputer 1.1. Kółko i krzyżyk 1.2. Kodowanie 1.3. Odrobina fantazji
0 + 0 = 0, = 1, = 1, = 0.
5 Kody liniowe Jak już wiemy, w celu przesłania zakodowanego tekstu dzielimy go na bloki i do każdego z bloków dodajemy tak zwane bity sprawdzające. Bity te są w ścisłej zależności z bitami informacyjnymi,
Zdarzenia losowe i prawdopodobieństwo
Rozdział 1 Zdarzenia losowe i prawdopodobieństwo 1.1 Klasyfikacja zdarzeń Zdarzenie elementarne pojęcie aprioryczne, które nie może być zdefiniowane. Odpowiednik pojęcia punkt w geometrii. Zdarzenie elementarne
Logika Matematyczna (1)
Logika Matematyczna (1) Jerzy Pogonowski Zakład Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl 4 X 2007 Jerzy Pogonowski (MEG) Logika Matematyczna (1) 4 X 2007 1 / 18 Plan konwersatorium Dzisiaj:
Inżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Logika Rozmyta (Fuzzy Logic) Mimo
B jest globalnym pokryciem zbioru {d} wtedy i tylko wtedy, gdy {d} zależy od B i nie istnieje B T takie, że {d} zależy od B ;
Algorytm LEM1 Oznaczenia i definicje: U - uniwersum, tj. zbiór obiektów; A - zbiór atrybutów warunkowych; d - atrybut decyzyjny; IND(B) = {(x, y) U U : a B a(x) = a(y)} - relacja nierozróżnialności, tj.
KARTA PRZEDMIOTU. 12. PRZEDMIOTOWE EFEKTY KSZTAŁCENIA Odniesienie do kierunkowych efektów kształcenia (symbol)
KARTA PRZEDMIOTU 1. NAZWA PRZEDMIOTU: Równania różniczkowe (RRO020) 2. KIERUNEK: MATEMATYKA 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: II/4 5. LICZBA PUNKTÓW ECTS: 4 6. LICZBA GODZIN: 30 / 30
Programowanie celowe #1
Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem
Summary in Polish. Fatimah Mohammed Furaiji. Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling
Summary in Polish Fatimah Mohammed Furaiji Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling Zastosowanie symulacji wieloagentowej w modelowaniu zachowania konsumentów Streszczenie
1. Synteza automatów Moore a i Mealy realizujących zadane przekształcenie 2. Transformacja automatu Moore a w automat Mealy i odwrotnie
Opracował: dr hab. inż. Jan Magott KATEDRA INFORMATYKI TECHNICZNEJ Ćwiczenia laboratoryjne z Logiki Układów Cyfrowych ćwiczenie 207 Temat: Automaty Moore'a i Mealy 1. Cel ćwiczenia Celem ćwiczenia jest
Rachunek prawdopodobieństwa- wykład 2
Rachunek prawdopodobieństwa- wykład 2 Pojęcie dyskretnej przestrzeni probabilistycznej i określenie prawdopodobieństwa w tej przestrzeni dr Marcin Ziółkowski Instytut Matematyki i Informatyki Uniwersytet
01, 02, 03 i kolejne numer efektu kształcenia. Załącznik 1 i 2
Efekty kształcenia dla kierunku studiów Studia Przyrodnicze i Technologiczne (z językiem wykładowym angielskim) - studia I stopnia, stacjonarne, profil ogólnoakademicki - i ich odniesienia do efektów kształcenia
Dystrybucje, wiadomości wstępne (I)
Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów
EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW MATEMATYKA
EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW MATEMATYKA poziom kształcenia profil kształcenia tytuł zawodowy uzyskiwany przez absolwenta studia pierwszego stopnia ogólnoakademicki licencjat 1. Umiejscowienie
Wykład 1. Na początku zajmować się będziemy zbiorem liczb całkowitych
Arytmetyka liczb całkowitych Wykład 1 Na początku zajmować się będziemy zbiorem liczb całkowitych Z = {0, ±1, ±2,...}. Zakładamy, że czytelnik zna relację
WIEDZA zna na poziomie podstawowym co najmniej jeden pakiet oprogramowania, służący do obliczeń symbolicznych
Przedmiot: Narzędzia i metody technologii informacyjnej Rok/Semestr: 1/1 Liczba godzin zajęć: 30 LA ECTS: 3 Forma zaliczenia: ZO Liczba stron dokumentu: 1 K_W09 zna na poziomie podstawowym co najmniej
Matematyka dyskretna. Andrzej Łachwa, UJ, /10
Matematyka dyskretna Andrzej Łachwa, UJ, 2018 andrzej.lachwa@uj.edu.pl 10/10 Podziały i liczby Stirlinga Liczba Stirlinga dla cykli (często nazywana liczbą Stirlinga pierwszego rodzaju) to liczba permutacji
5. Algebra działania, grupy, grupy permutacji, pierścienie, ciała, pierścień wielomianów.
5. Algebra działania, grupy, grupy permutacji, pierścienie, ciała, pierścień wielomianów. Algebra jest jednym z najstarszych działów matematyki dotyczącym początkowo tworzenia metod rozwiązywania równań
Interwałowe zbiory rozmyte
Interwałowe zbiory rozmyte 1. Wprowadzenie. Od momentu przedstawienia koncepcji klasycznych zbiorów rozmytych (typu 1), były one krytykowane za postać jaką przybiera funkcja przynależności. W przypadku
OPIS ZAKŁADANYCH EFEKTÓW KSZTAŁCENIA DLA KIERUNKU STUDIÓW. Efekty kształcenia dla kierunku studiów Matematyka
OPIS ZAKŁADANYCH EFEKTÓW KSZTAŁCENIA DLA KIERUNKU STUDIÓW Nazwa wydziału: Wydział Matematyki i Informatyki Nazwa kierunku studiów: Matematyka Obszar w zakresie: nauki ścisłe Dziedzina : matematyka Dyscyplina
Kierunek i poziom studiów: matematyka, studia I stopnia, rok I. Sylabus modułu: Wstęp do matematyki (03-MO1S-12-WMat)
Uniwersytet Śląski w Katowicach str. 1 Kierunek i poziom studiów: matematyka, studia I stopnia, rok I Sylabus modułu: Wstęp do matematyki (03-MO1S-12-WMat) 1. Informacje ogólne koordynator modułu Tomasz
PRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Topologia Topology Kierunek: Rodzaj przedmiotu: obowiązkowy dla wszystkich specjalności Matematyka Poziom kwalifikacji: I stopnia Semestr: IV Rodzaj zajęć: wykład, ćwiczenia Liczba godzin/tydzień:
Proces badawczy schemat i zasady realizacji
Proces badawczy schemat i zasady realizacji Agata Górny Zaoczne Studia Doktoranckie z Ekonomii Warszawa, 14 grudnia 2014 Metodologia i metoda badawcza Metodologia Zadania metodologii Metodologia nauka
Filozofia, Historia, Wykład V - Filozofia Arystotelesa
Filozofia, Historia, Wykład V - Filozofia Arystotelesa 2010-10-01 Tematyka wykładu 1 Arystoteles - filozof systematyczny 2 3 4 Podział nauk Arystoteles podzielił wszystkie dyscypliny wiedzy na trzy grupy:
Spis treści. Definicje prawdopodobieństwa. Częstościowa definicja prawdopodobieństwa. Wnioskowanie_Statystyczne_-_wykład
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Definicje prawdopodobieństwa 1.1 Częstościowa definicja prawdopodobieństwa 1.1.1 Przykład 1.1.2 Rozwiązanie: 1.1.3 Inne rozwiązanie: 1.1.4 Jeszcze inne
KARTA PRZEDMIOTU. 1. NAZWA PRZEDMIOTU: Ubezpieczenia majątkowe 2. KIERUNEK: MATEMATYKA. 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: III/6
KARTA PRZEDMIOTU 1. NAZWA PRZEDMIOTU: Ubezpieczenia majątkowe 2. KIERUNEK: MATEMATYKA 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: III/6 5. LICZBA PUNKTÓW ECTS: 5 6. LICZBA GODZIN: 30 / 30 7.
WYKAZ KIERUNKOWYCH EFEKTÓW KSZTAŁCENIA KIERUNEK: MATEMATYKA, SPS WIEDZA
WYKAZ KIERUNKOWYCH EFEKTÓW KSZTAŁCENIA KIERUNEK: MATEMATYKA, SPS Symbol kierunkowego efektu kształcenia Efekty kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA K1_W01 K1_W02
Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Aproksymacja diofantyczna
Aproksymacja diofantyczna Szymon Draga Ustroń, 4 listopada 0 r Wprowadzenie Jak wiadomo, każdą liczbę niewymierną można (z dowolną dokładnością) aproksymować liczbami wymiernymi Powstaje pytanie, w jaki
Matematyka dyskretna Literatura Podstawowa: 1. K.A. Ross, C.R.B. Wright: Matematyka Dyskretna, PWN, 1996 (2006) 2. J. Jaworski, Z. Palka, J.
Matematyka dyskretna Literatura Podstawowa: 1. K.A. Ross, C.R.B. Wright: Matematyka Dyskretna, PWN, 1996 (2006) 2. J. Jaworski, Z. Palka, J. Szmański: Matematyka dyskretna dla informatyków, UAM, 2008 Uzupełniająca:
Filozofia przyrody, Wykład V - Filozofia Arystotelesa
Filozofia przyrody, Wykład V - Filozofia Arystotelesa 2011-10-01 Tematyka wykładu 1 Arystoteles - filozof systematyczny 2 3 4 Różnice w metodzie uprawiania nauki Krytyka platońskiej teorii idei Podział
Zbiory przybliżone, cz. 1 (wersja do druku) dr. Piotr Szczuko
Zbiory przybliżone, cz. 1 (wersja do druku) dr. Piotr Szczuko Katedra Systemów Multimedialnych 2009 Plan wykładu Historia zbiorów przybliżonych System informacyjny i decyzyjny Reguły decyzyjne Tożsamość
G. Plebanek, MIARA I CAŁKA Zadania do rozdziału 1 28
G. Plebanek, MIARA I CAŁKA Zadania do rozdziału 1 28 1.9 Zadania 1.9.1 Niech R będzie pierścieniem zbiorów. Zauważyć, że jeśli A, B R to A B R i A B R. Sprawdzić, że (R,, ) jest także pierścieniem w sensie
Proces badawczy schemat i zasady realizacji
Proces badawczy schemat i zasady realizacji Agata Górny Zaoczne Studia Doktoranckie z Ekonomii Warszawa, 23 października 2016 Metodologia i metoda naukowa 1 Metodologia Metodologia nauka o metodach nauki
SZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Liczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 15 zaliczenie z oceną
Wydział: Prawo i Administracja Nazwa kierunku kształcenia: Prawo Rodzaj przedmiotu: podstawowy Opiekun: prof. dr hab. Kazimierz Pawłowski Poziom studiów (I lub II stopnia): Jednolite magisterskie Tryb
Matematyka dyskretna dla informatyków
Matematyka dyskretna dla informatyków Część I: Elementy kombinatoryki Jerzy Jaworski Zbigniew Palka Jerzy Szymański Uniwersytet im. Adama Mickiewicza Poznań 2007 4 Zależności rekurencyjne Wiele zależności
WIEDZA. X1A_W04 X1A_W05 zna podstawowe modele zjawisk przyrodniczych opisywanych przez równania różniczkowe
Załącznik nr 1 do uchwały Nr 32/2016 Senatu UWr z dnia 24 lutego 2016 r. Nazwa wydziału: Wydział Matematyki i Informatyki Nazwa kierunku studiów: matematyka Obszar w zakresie: nauk ścisłych Dziedzina nauki:
Jacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa
Jacek Skorupski pok. 251 tel. 234-7339 jsk@wt.pw.edu.pl http://skorupski.waw.pl/mmt prezentacje ogłoszenia konsultacje: poniedziałek 16 15-18, sobota zjazdowa 9 40-10 25 Udział w zajęciach Kontrola wyników
Statystyka i eksploracja danych
Wykład I: Formalizm statystyki matematycznej 17 lutego 2014 Forma zaliczenia przedmiotu Forma zaliczenia Literatura Zagadnienia omawiane na wykładach Forma zaliczenia przedmiotu Forma zaliczenia Literatura
A i. i=1. i=1. i=1. i=1. W dalszej części skryptu będziemy mieli najczęściej do czynienia z miarami określonymi na rodzinach, które są σ - algebrami.
M. Beśka, Wstęp do teorii miary, rozdz. 3 25 3 Miara 3.1 Definicja miary i jej podstawowe własności Niech X będzie niepustym zbiorem, a A 2 X niepustą rodziną podzbiorów. Wtedy dowolne odwzorowanie : A
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
KRZYSZTOF WÓJTOWICZ Instytut Filozofii Uniwersytetu Warszawskiego
KRZYSZTOF WÓJTOWICZ Instytut Filozofii Uniwersytetu Warszawskiego wojtow@uw.edu.pl 1 2 1. SFORMUŁOWANIE PROBLEMU Czy są empiryczne aspekty dowodów matematycznych? Jeśli tak to jakie stanowisko filozoficzne
Logika Stosowana. Wykład 2 - Logika modalna Część 2. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017
Logika Stosowana Wykład 2 - Logika modalna Część 2 Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana 2017 1 / 27 Plan wykładu
Proces badawczy schemat i zasady realizacji
Proces badawczy schemat i zasady realizacji Agata Górny Wydział Nauk Ekonomicznych UW Warszawa, 28 października 2014 Najważniejsze rodzaje badań Typy badań Podział wg celu badawczego Kryteria przyczynowości
Badania eksploracyjne Badania opisowe Badania wyjaśniające (przyczynowe)
Proces badawczy schemat i zasady realizacji Agata Górny Demografia Wydział Nauk Ekonomicznych UW Warszawa, 4 listopada 2008 Najważniejsze rodzaje badań Typy badań Podział wg celu badawczego Badania eksploracyjne
Weronika Łabaj. Geometria Bolyaia-Łobaczewskiego
Weronika Łabaj Geometria Bolyaia-Łobaczewskiego Tematem mojej pracy jest geometria hiperboliczna, od nazwisk jej twórców nazywana też geometrią Bolyaia-Łobaczewskiego. Mimo, że odkryto ją dopiero w XIX
Modelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Indukcja. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Indukcja Materiały pomocnicze do wykładu wykładowca: dr Magdalena Kacprzak Charakteryzacja zbioru liczb naturalnych Arytmetyka liczb naturalnych Jedną z najważniejszych teorii matematycznych jest arytmetyka
Recenzja pracy doktorskiej mgr Tomasza Świsłockiego pt. Wpływ oddziaływań dipolowych na własności spinorowego kondensatu rubidowego
Prof. dr hab. Jan Mostowski Instytut Fizyki PAN Warszawa Warszawa, 15 listopada 2010 r. Recenzja pracy doktorskiej mgr Tomasza Świsłockiego pt. Wpływ oddziaływań dipolowych na własności spinorowego kondensatu
STUDIA PODYPLOMOWE BEZPIECZEŃSTWO I HIGIENA PRACY
STUDIA PODYPLOMOWE BEZPIECZEŃSTWO I HIGIENA PRACY Ocena ryzyka zawodowego to proste! 17-10-15 Wprowadzenie 1. Ryzyko zawodowe narzędzie do poprawy warunków pracy Kodeks pracy: 1991 r. - art. 215 1996 r.
Filtry i nety w przestrzeniach topologicznych
Filtry i nety w przestrzeniach topologicznych Magdalena Ziębowicz Streszczenie W referacie zostaną przedstawione i scharakteryzowane pojęcia związane z filtrami i ultrafiltrami, ciągami uogólnionymi oraz
Wykład 4. Określimy teraz pewną ważną klasę pierścieni.
Wykład 4 Określimy teraz pewną ważną klasę pierścieni. Twierdzenie 1 Niech m, n Z. Jeśli n > 0 to istnieje dokładnie jedna para licz q, r, że: m = qn + r, 0 r < n. Liczbę r nazywamy resztą z dzielenia
Prawdopodobieństwo i statystyka
Wykład I: Formalizm teorii prawdopodonieństwa 6 października 2014 Forma zaliczenia przedmiotu Forma zaliczenia Literatura Dostępność treści wykładów 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin dwuczęściowy:
Równoliczność zbiorów
Logika i Teoria Mnogości Wykład 11 12 Teoria mocy 1 Równoliczność zbiorów Def. 1. Zbiory X i Y nazywamy równolicznymi, jeśli istnieje bijekcja f : X Y. O funkcji f mówimy wtedy,że ustala równoliczność
Głównym celem opracowania jest próba określenia znaczenia i wpływu struktury kapitału na działalność przedsiębiorstwa.
KAPITAŁ W PRZEDSIĘBIORSTWIE I JEGO STRUKTURA Autor: Jacek Grzywacz, Wstęp W opracowaniu przedstawiono kluczowe zagadnienia dotyczące możliwości pozyskiwania przez przedsiębiorstwo kapitału oraz zasad kształtowania
Elementy logiki matematycznej
Elementy logiki matematycznej Przedmiotem logiki matematycznej jest badanie tzw. wyrażeń logicznych oraz metod rozumowania i sposobów dowodzenia używanych w matematyce, a także w innych dziedzinach, w
Krzywa uniwersalna Sierpińskiego
Krzywa uniwersalna Sierpińskiego Małgorzata Blaszke Karol Grzyb Streszczenie W niniejszej pracy omówimy krzywą uniwersalną Sierpińskiego, zwaną również dywanem Sierpińskiego. Pokażemy klasyczną metodę
Monoidy wolne. alfabetem. słowem długością słowa monoidem wolnym z alfabetem Twierdzenie 1.
3. Wykłady 3 i 4: Języki i systemy dedukcyjne. Klasyczny rachunek zdań. 3.1. Monoidy wolne. Niech X będzie zbiorem niepustym. Zbiór ten będziemy nazywać alfabetem. Skończony ciąg elementów alfabetu X będziemy
Metody numeryczne I Równania nieliniowe
Metody numeryczne I Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/66 Równania nieliniowe 1. Równania nieliniowe z pojedynczym pierwiastkiem
http://www-users.mat.umk.pl/~pjedrzej/wstep.html 1 Opis przedmiotu Celem przedmiotu jest wykształcenie u studentów podstaw języka matematycznego, wypracowanie podstawowych umiejętności przeprowadzania
Matematyka dyskretna. Andrzej Łachwa, UJ, /15
Matematyka dyskretna Andrzej Łachwa, UJ, 2015 andrzej.lachwa@uj.edu.pl 3/15 Indukcja matematyczna Poprawność indukcji matematycznej wynika z dobrego uporządkowania liczb naturalnych, czyli z następującej
Statystyka Astronomiczna
Statystyka Astronomiczna czyli zastosowania statystyki w astronomii historycznie astronomowie mieli wkład w rozwój dyscypliny Rachunek prawdopodobieństwa - gałąź matematyki Statystyka - metoda oceny właściwości
Indukcja matematyczna. Matematyka dyskretna
Indukcja matematyczna Matematyka dyskretna Indukcja matematyczna Indukcja matematyczna będzie przez nas używana jako metoda dowodzenia twierdzeń. Zazwyczaj są to twierdzenia dotyczące liczb naturalnych,
Matematyczne Podstawy Kognitywistyki
Matematyczne Podstawy Kognitywistyki Dorota Leszczyńska-Jasion Kombinatoryka, ci agi liczbowe, skończone przestrzenie probabilistyczne Przykłady zagadnień kombinatorycznych Rozważmy układ n miast o bardzo
INTUICJE. Zespół norm, wzorców, reguł postępowania, które zna każdy naukowiec zajmujący się daną nauką (Bobrowski 1998)
PARADYGMAT INTUICJE Zespół norm, wzorców, reguł postępowania, które zna każdy naukowiec zajmujący się daną nauką (Bobrowski 1998) PIERWSZE UŻYCIA językoznawstwo: Zespół form deklinacyjnych lub koniugacyjnych
W. Guzicki Zadanie 41 z Informatora Maturalnego poziom podstawowy 1
W. Guzicki Zadanie 41 z Informatora Maturalnego poziom podstawowy 1 W tym tekście zobaczymy rozwiązanie zadania 41 z Informatora o egzaminie maturalnym z matematyki od roku szkolnego 014/015 oraz rozwiązania