Wstęp Funkcja pliki nagłówkowe i typ tablicowy. Wstęp Pliki nagłówkowe i typ tablicowy. Wstęp Funkcja fill_array() Wstęp. Notatki. Notatki.

Wielkość: px
Rozpocząć pokaz od strony:

Download "Wstęp Funkcja pliki nagłówkowe i typ tablicowy. Wstęp Pliki nagłówkowe i typ tablicowy. Wstęp Funkcja fill_array() Wstęp. Notatki. Notatki."

Transkrypt

1 Podstawy Programowana 2 Algorytmy Arkadusz Chrobot Zakład Informatyk 28 maa / 60 Plan Podsumowane 2 / 60 Dzseszy wykład będze dotyczył dwóch algorytmów sortowana, które powązane są z wcześne poruszanym tematam: metodą dzel zwycęża, rekurencą oraz drzewam Perwszym z nch est algorytm, drugm algorytm sortowana z użycem kopca (ang ) 3 / 60 Zanm przedzemy do opsu wspomnanych algorytmów przedstawmy funkce nne elementy kodu źródłowego, które będą wspólne dla wszystkch zaprezentowanych na tym wykładze programów 4 / 60

2 Funkca plk nagłówkowe typ tablcowy 1 #nclude<stdoh> 2 #nclude<stdlbh> 3 #nclude<tmeh> 4 5 typedef nt nt_array_type[10]; 5 / 60 Plk nagłówkowe typ tablcowy Wynk dzałana prezentowanych programów będą przedstawane na ekrane komputera, a do tworzena danych weścowych zostane zastosowany generator lczb pseudolosowych, dlatego włączane są zaprezentowane na poprzednm sladze plk nagłówkowe Na potrzeby programów został równeż zdefnowany typ tablcowy określaący tablcę 10 elementów typu nt (wersz nr 5) 6 / 60 Funkca fll_array() 1 vod fll_array(nt_array_type array) 3 nt ; 4 srand(tme(0)); 5 for(=0;<szeof(nt_array_type)/szeof(array[0]);++) 6 array[] = -10+rand()%21; 7 } 7 / 60 Funkca fll_array() Zadanem zaprezentowane na poprzednm sladze funkc est wypełnene tablcy lczbam całkowtym wylosowanym z zakresu do 10 do 10 Tablca do wypełnena est przekazywana przez parametr est typu nt_array_type, który został zdefnowany na początku programu Dzęk temu możemy określć lczbę e elementów, użytą do określena zakończena pętl for stosuąc wyrażene dzelące rozmar typu tablcowego przez rozmar perwszego elementu tablcy tego typu (wersz nr 5) 8 / 60

3 Funkca prnt_array() 1 vod prnt_array(nt_array_type array) 3 nt ; 4 for(=0;<szeof(nt_array_type)/szeof(*array);++) 5 prntf("%d ",array[]); 6 prntf("\n"); 7 } 9 / 60 Funkca prnt_array() Funkca prnt_array() wypsue zawartość przekazane e przez parametr array tablcy na ekran przenos kursor do następnego wersza na ekrane Od nnych funkc wykonuących podobną czynność w programach zaprezentowanych na wcześneszych wykładach różn ą klka szczegółów Perwszym est to, że typ parametru est wcześne zdefnowany w programe za pomocą typedef, drugm est to, że po zakończenu pętl for do przenesena kursora do następnego wersza ekranu est używana funkca prntf(), a argumentem e wywołana est cąg znaków składaący sę ze znaku nowego wersza (wersz nr 6) Ostatnm szczegółem est wyrażene użyte do określena zakończena pętl for Jest ono podobne do tego, które est użyte w funkc fll_array(), ednak dostęp do perwszego elementu tablcy odbywa sę za pomocą wskaźnka, a ne notac z nawasam kwadratowym (wersz nr 4) 10 / 60 Funkca swap() 1 vod swap(nt *frst, nt *second) 3 nt temporary = *frst; 4 *frst = *second; 5 *second = temporary; 6 } 11 / 60 Funkca swap() Kod źródłowy funkc swap() był opsywany na wykładach welokrotne, węc teraz tylko przypomnamy, że służy ona do zamany wartośc mędzy dwema zmennym W przypadku programów z dzseszego wykładu będą to elementy tablcy 12 / 60

4 Algorytm został opracowany przez brytyskego nformatyka CAR Hoare a est ednym z naszybszych algorytmów sortowana w przypadku typowych zastosowań Wprawdze w przypadku pesymstycznym ego złożoność oblczenowa wynos Θ(n 2 ), gdze n est lczbą elementów tablcy, ale w przypadku średnm optymstycznym est ona równa Θ(n log 2 (n)), przy czym stałe ukryte w te notac są małe sortue tablcę w mescu, ale ego złożoność przestrzenna wynos O(n) Wynka to z faktu, że algorytm ten est rekurencyny est mplementowany z użycem rekurs, stąd zużywa pamęć na stose Można go zamplementować w sposób teracyny, ale est to dosyć złożona czynność, a efektywność wers teracyne ne est wększa od efektywnośc wers rekurencyne Sortowane wykonywane przez est sortowanem nestablnym 13 / 60 Metoda dzel zwycęża w Ida algorytmu może być zaprezentowana z użycem metody dzel zywcęża : Dzel: Tablca A[p r] est dzelona (wartośc e elementów są zamenane mescam) na dwa nepuste obszary A[p q] A[q + 1 r] take, że wartość każdego elementu z A[p q] ne est wększa od wartośc dowolnego elementu z A[q+1 r] Indeks q est wyznaczany przez podprogram dzelący Zwycęża: Dwa obszary A[p q] A[q + 1 r] są sortowane za pomocą rekurencynych wywołań algorytmu Połącz: Poneważ obszary są sortowane w mescu, to ne trzeba podemować żadnych dodatkowych dzałań, aby e połączyć: cała tablca A[p r] est uż posortowana 14 / 60 Funkca qucksort() 1 vod qucksort(nt_array_type array, nt low, nt hgh) 3 f(low<hgh) { 4 nt partton_ndex = partton(array,low,hgh); 5 qucksort(array, low, partton_ndex); 6 qucksort(array, partton_ndex+1, hgh); 7 } 8 } 15 / 60 Funkca qucksort() Funkca qucksort() dopowada krokow Zwycęża w zaprezentowane wcześne analze algorytmu z użycem metody dzel zwycęża Ne zwraca ona żadne wartośc, ale posada trzy parametry Przez perwszy przekazywana est tablca do posortowana, a przez drug trzec parametr ndeksy wyznaczaące obszar te tablcy, który ma być uporządkowany Początkowo, np przy wywołanu qucksort() z pozomu funkc man(), obszar ten obemue całą tablcę Wewnątrz qucksort() naperw sprawdzane est, czy wartość ndeksu początkowego obszaru (low) est mnesza od wartośc ndeksu końcowego obszaru (hgh) eśl tak, to oznacza to, że est eszcze obszar tablcy, który trzeba będze uporządkować, w przecwnym przypadku funkca zakończy swoe dzałane Jeśl warunek z wersza nr 3 est spełnony, to uruchamana est funkca partton(), która porządkue zadany obszar tablcy wyznacza punkt podzału tego obszaru na dwa mnesze Następne funkca qucksort() est wywoływana dwukrotne, dla każdego z obszarów z osobna 16 / 60

5 Funkca qucksort() Perwszy obszar porządkowany przez rekurencyne wywołane qucksort() obemue elementy tablcy, których ndeksy zawarte są mędzy ndeksem początkowym (low) ndeksem podzału (partton_ndex) Oba ndeksy są włączone do tego zakresu Drug obszar obemue elementy tablcy o ndeksach w zakrese od ndeksu podzału (ale bez nego) do ndeksu końcowego (hgh), włączne Funkca partton() est w programe zdefnowana przed qucksort(), ale ze względu na czytelność prezentac zostane opsana po ne 17 / 60 Funkca partton() 1 nt partton(nt_array_type array, nt low, nt hgh) 3 nt pvot = array[low]; 4 nt = low-1, = hgh+1; 5 6 whle(<) { 7 whle(array[--]>pvot) 8 ; 9 whle(array[++]<pvot) 10 ; 11 f(<) 12 swap(&array[],&array[]); 13 } 14 return ; 15 } 18 / 60 Funkca partton() Funkca partton() odpowada krokow Podzel z analzy algorytmu metodą dzel zwycęża Posada ona trzy parametry o takm samym znaczenu, ak parametry funkc qucksort(), a zwraca lczbę, która est ndeksem wyznaczaącym punkt podzału beżąco porządkowanego obszaru tablcy na dwa mnesze W trzecm werszu funkc est deklarowana ncowana zmenna o nazwe pvot, która zawera tzw wartość osuącą, czyl tą, według które będze porządkowany dany obszar tablcy Jako ta wartość przymowana est wartość perwszego elementu tablcy należącego do beżąco porządkowanego obszaru (wersz nr 3) W werszu nr 4 deklarowane ncowane są zmenne, które będą używane do ndeksowana porządkowanego obszaru od ego początku (zmenna ) od końca (zmenna ) Proszę zwrócć uwagę, że początkowo oba te ndeksy określaą elementy znaduące sę poza porządkowanym obszarem 19 / 60 Funkca partton() Zewnętrzna pętla whle (wersz nr 6) est wykonywana tak długo, ak długo wartość ndeksu est mnesza od wartośc ndeksu, nnym słowy tak długo aż te ndeksy sę ne pokryą lub ne mną Wewnątrz te pętl wykonywane są dwe kolene pętle whle Perwsza (wersze nr 7 8) przeszukue zadany obszar od końca ku początkow szukaąc elementu, którego wartość będze mnesza lub równa wartośc osuące Druga (wersze nr 9 10) przeszukue ten sam obszar w odwrotnym kerunku szukaąc elementu, którego wartość będze wększa lub równa wartośc osuące Proszę zwrócć uwagę na konstrukcę tych pętl Cała czynność przeszukwana odbywa sę w warunku pętl Zastosowano w nch predekrementacę prenkrementacę ndeksów, aby unknąć sęgana do elementów tablcy znaduących sę poza porządkowanym obszarem, a w nektórych przypadkach poza tablcą 20 / 60

6 Funkca partton() Po zakończenu obu pętl wewnętrznych w nstrukc warunkowe (wersz nr 11) funkca sprawdza, czy wartość ndeksu est mnesza od wartośc ndeksu Jeśl tak, to należy zamenć koleność wartośc elementów, które one określaą, bo ne est ona prawdłowa Jeśl ne, to zewnętrzna pętla whle sę zakończy, a ndeks będze określał punkt podzału dla porządkowanego obszaru tablcy, dlatego ego wartość est zwracana w werszu nr 14 Następny slad zawera drzewo lustruące dzałane funkc qucksort() dla neposortowane tablcy lczb naturalnych, o sedmu elementach W górne częśc drzewa zaznaczono, który fragment est wykonywany w funkc patton(), a który w qucksort() W dolne ne zastosowano tego rozwązana, aby ne zmneszać czytelnośc drzewa 21 / partton qucksort partton partton qucksort qucksort / 60 Funkca man() 1 nt man(vod) 3 nt_array_type array; 4 fll_array(array); 5 prnt_array(array); 6 qucksort(array,0, 7 szeof(nt_array_type)/szeof(*array)-1); 8 prnt_array(array); 9 return 0; 10 } 23 / 60 Funkca man() W funkc man() została zdefnowana tablca typu nt_array_type (wersz nr 3), która następne est wypełnana przy pomocy funkc fll_array() lczbam całkowtym, wypsywana na ekrane przy pomocy prnt_array() sortowana z użycem funkc qucksort() Poneważ ako argumenty te funkc muszą być podane, oprócz tablcy, e ndeksy, to ako drug argument do te funkc przekazywana est wartość 0 (ndeks perwszego elementu) Jako trzec argument est przekazywana welkość tablcy wylczona dzęk takemu samemu wyrażenu, ak w funkc prnt_array(), pomneszona o eden Posortowana tablca est wypsywana na ekrane funkca man() kończy swoe dzałane zwracaąc wartość 0 24 / 60

7 Inne werse Istnee klka wers algorytmu, które w różny sposób są mplementowane Kolene slady zaweraą kody źródłowe nne popularne mplementac funkc qucksort() partton() Ne est ona tak efektywna, ak ta przedstawona wcześne, ale nektórzy nformatycy uważaą ą za bardze czytelną łatweszą do stworzena, a zatem daącą mne okaz do popełnena błędów 25 / 60 Funkca qucksort() wersa druga 1 vod qucksort(nt_array_type array, nt low, nt hgh) 3 f(low<hgh) { 4 nt partton_ndex = partton(array,low,hgh); 5 qucksort(array, low, partton_ndex-1); 6 qucksort(array, partton_ndex+1, hgh); 7 } 8 } 26 / 60 Funkca qucksort() wersa druga W przypadku funkc qucksort() zaprezentowane na poprzednm sladze est tylko eden szczegół, który różn ą od e poprzednczk zaprezentowane wcześne Obszar, który est porządkowany przez e perwsze wywołane rekurencyne ne zawera elementu tablcy określanego ndeksem partton_ndex (wersz nr 5) 27 / 60 Funkca partton() wersa druga 1 nt partton(nt_array_type array, nt low, nt hgh) 3 nt pvot = array[low], mddle = low, ; 4 5 for(=low+1; <=hgh; ++) 6 f(array[]<pvot) { 7 mddle++; 8 swap(&array[mddle],&array[]); 9 } 10 swap(&array[low],&array[mddle]); 11 return mddle; 12 } 28 / 60

8 Funkca partton() wersa druga W te mplementac funkc partton() użyta est tylko edna pętla est to pętla for Podobne ak poprzedno naperw deklarowanych est klka zmennych lokalnych Zmenna pvot ma take samo znaczene, ak w poprzedne wers Zmenna mddle to ndeks elementu, który pownen meć ostateczne element w porządkowanym obszarze, który będze zawerał wartość osuącą Zmenna est ndeksem pętl Idea te mplementac funkc partton() est następuąca: należy tak przestawć wartośc w elementach porządkowanego obszaru, aby wartośc mnesze od osuące znalazły sę po e lewe strone, a wększe po e prawe Skoro przymuemy za wartość osuącą wartość perwszego elementu tego obszaru, to należy naperw założyć, że wszystke pozostałe ego elementy maą wartość wększą lub równą osuące Jeśl tak ne est, to należy ch wartośc zamenć mescam Wykonywane est to w pozostałe częśc funkc 29 / 60 Funkca partton() wersa druga Proszę zwrócć uwagę na pętlę for Iterue ona po wszystkch elementach porządkowanego obszaru, poza perwszym Zatem ndeks est ncowany wartoścą o eden wększą od wartośc parametru low, a pętla kończona est dopero wtedy, gdy ego wartość przekroczy wartość parametru hgh W pętl, w nstrukc warunkowe (wersz nr 6) sprawdzane est, czy beżący element obszaru tablcy ma wartość mneszą od wartośc osuące Jeśl tak est, to zwększana est wartość ndeksu mddle wartość elementu przez nego określanego est zamenana mescam z wartoścą elementu określanego przez ndeks Po zakończenu pętl należy tylko wartość osuącą przemeścć we właścwe mesce obszaru, tzn z perwszego ego elementu do elementu określanego przez ndeks mddle Dokonywane est to w 10 werszu funkc Po ego wykonanu zwracana est wartość ndeksu mddle, która stanow punkt podzału obszaru 30 / 60 Funkca qsort() Algorytm est na tyle efektywny, że twórcy ęzyka C postanowl umeścć w standardowe bblotece funkcę qsort(), która go mplementue Je prototyp znadue sę w plku nagłówkowym stdlbh Funkca ta ne zwraca żadne wartośc, ale posada cztery parametry Przez perwszy, który est wskaźnkem typu vod * przekazywana est tablca do posortowana, przez drug przekazywana est lczba elementów te tablcy, a przez trzec rozmar poedynczego elementu Czwarty parametr to wskaźnk na funkcę porównuącą wartośc elementów tablcy, która pownna meć następuący prototyp: nt compare(const vod *, const vod *); Przez parametry do te funkc przekazywane są wskaźnk na porównywane elementy tablcy Jeśl wartość perwszego est mnesza od drugego, to funkca pownna zwrócć lczbę uemną, eśl wększa to dodatną, a eśl są równe, to 0 Tak sposób konstrukc qsort() pozwala e sortować tablce elementów dowolnego typu 31 / 60 Funkca qsort() Kolene slady zaweraą defncę funkc porównuące dla elementów tablcy typu nt oraz lustruą sposób wywołana qsort() dla te tablcy 32 / 60

9 Funkca compare_nt() 1 nt compare_nt(const vod *frst, const vod *second) 3 return *(nt *)frst - *(nt *)second; 4 } 33 / 60 Funkca compare_nt() Defnca te funkc est krótka Opsywana funkca ma dwa parametry wskaźnkowe o nazwach frst second Je treść stanow w zasadze eden wersz, w którym oba wskaźnk są naperw rzutowane na typ wskaźnkowy nt *, a następne wykonywana est ch dereferenca odemowane są od sebe wskazywane przez ne wartośc Jeśl wynk będze uemny, to perwsza est mnesza od druge, dodatn - zachodz mędzy nm odwrotna relaca, a zero oznacza, że są one sobe równe Ten wynk est zwracany funkca kończy swe dzałane 34 / 60 Funkca man() 1 nt man(vod) 3 nt_array_type array; 4 fll_array(array); 5 prnt_array(array); 6 qsort((vod*)array, 7 szeof(nt_array_type)/szeof(array[0]), 8 szeof(array[0]),compare_nt); 9 prnt_array(array); 10 return 0; 11 } 35 / 60 Funkca man() Wersze nr 6, 7 8 zaweraą nstrukcę wywołana qsort() Jako perwszy argument est przekazywany do ne wskaźnk na tablcę do uporządkowana Jest on rzutowany na typu vod * Następne przekazywana est lczba elementów te tablcy oblczona za pomocą wyrażena, które est użyte także w funkc fll_array() Jako trzec argument przekazywany est rozmar perwszego elementu te tablcy Może to być rozmar dowolnego elementu - wszystke są take same, ęzyk C gwarantue, że perwszy element tablcy zawsze będze stnał Jako ostatn argument wywołana przekazywany est wskaźnk (nazwa) funkc do porównywana wartośc elementów tablcy 36 / 60

10 Kopec Kopec, nazywany w polske lteraturze równeż stogem, est drzewem bnarnym, które ma kształt drzewa bnarnego pełnego lub zupełnego w którym zachodz własność kopca 1 Jeśl kopec est drzewem bnarnym zupełnym, to brak w węzłach ostatnego pozomu mogą występować tylko po ego prawe strone Kopec ne est naczęśce realzowany w postac dynamczne struktury danych, a odwzorowywany w tablcy, w ten sposób, że ako klucz węzła przymowany est ndeks elementu w tablcy, a ako wartość tego węzła wartość elementu Korzeń est zawsze odwzorowywany na perwszy element te tablcy Jeśl przymemy, że ta tablca est ndeksowana od 1 że ndex oznacza ndeks w tablcy węzła wewnętrznego kopca, to ndeks ego lewego potomka uzyskamy za pomocą wyrażena 2 ndex, prawego za pomocą 2 ndex + 1, a przodka za pomocą ndex/2, gdze / oznacza dzelene całkowte 1 W lteraturze angelske kopec est określany słowem heap, które z kole w polske termnolog nformatyczne oznacza stertę Aby ne powodować błędów nterpretac w nasze lteraturze wprowadzono odrębny termn 37 / 60 Kopec W ęzyku C tablce są ndeksowane od 0 Jeśl podstawmy za ndex choćby tę wartość, to przekonamy sę, że podane na poprzednm sladze wzory przestaną funkconować dla take tablcy Istneą dwa wyśca z te sytuac: można pomnąć perwszy element tablcy lub przekształcć odpowedno wzory My wyberzemy ten drug warant Zatem wyrażene do oblczana ndeksu przodka będze mało postać (ndex + 1)/2 Indeks lewego potomka wylczymy zaś korzystaąc ze wzoru: 2 ndex+1, a prawego z wyrażena: 2 ndex+2 Następny slad zawera lustracę kopca ego odwzorowana w tablcy ndeksowane od zera 38 / 60 Kopec / 60 Kopec Przedstawony na poprzednm sladze kopec est kopcem maksmum (ang max-heap), tzn dla nego własność kopca est określona następuąco: A[parent()] A[], czyl wartość przodka dowolnego węzła est zawsze wększa lub równa wartośc tego węzła A oznacza tablcę Istneą także kopce mnmum (ang mnheap) Są to kopce, których własność est następuąca: A[parent()] A[] W dalsze częśc wykładu będzemy posługwać sę kopcem maksmum, który będzemy nazywać po prostu kopcem Relaca mędzy kopcem, a tablcą w które est on odwzorowany est określona nerównoścą rozmar kopca rozmar tablcy, gdze przez rozmar rozumemy lczbę elementów tablcy lub lczbę węzłów kopca Z te nerównośc wynka, że ne wszystke elementy tablcy muszą należeć do kopca 40 / 60

11 Kopce mogą być zastosowane do tworzena tzw koleek prorytetowych (ang prorty queue), ale nas będze nteresować na tym wykładze zastosowane ch w algorytme sortowana tablcy, który est spokrewnony z algorytmem sortowana przez wybór, a nazywa sę Ten algorytm, podobne ak realzue sortowane nestablne W porównanu do tego ostatnego est wolneszy, choć nadal należy do naszybszych algorytmów tego typu, za to ego złożoność oblczenowa wynos O(n log 2 (n)), dla wszystkch przypadków Może on być zrealzowany zarówno w postac rekurencyne (ta zostane przedstawona na wykładze), ak teracyne Na kolenych sladach przedstawone są kody źródłowe funkc oblczaących ndeksy prawego lewego potomka węzła (wylczane ndeksu przodka w tym algorytme ne est stosowane), a następne funkce, które przywracaą własność kopca, buduą kopec w końcu sortuą tablcę 41 / 60 Funkca get_left_chld_ndex() 1 statc nlne nt get_left_chld_ndex(nt ndex) 3 return (ndex << 1) + 1; 4 } 42 / 60 Funkca get_left_chld_ndex() Przedstawona na poprzednm sladze funkca wyznacza ndeks lewego potomka węzła kopca Aby przyspeszyć e dzane zamast operatora mnożena został zastosowany operator przesunęca btowego w lewo Możemy tak postąpć, bo drugm argumentem mnożena est 2 Dodatkowo est to funkca typu nlne, czyl est rozwana podobne ak makro, ale przez komplator (o le on na to pozwala), a ne preprocesor 43 / 60 Funkca get_rght_chld_ndex() 1 statc nlne nt get_rght_chld_ndex(nt ndex) 3 return (ndex << 1) + 2; 4 } 44 / 60

12 Funkca get_rght_chld_ndex() Funkca z poprzednego sladu wyznacza ndeks prawego potomka węzła Została ona napsana przy zastosowanu podobnych technk, ak e odpowednczka dla lewego węzła 45 / 60 Funkca heapfy() 1 vod heapfy(nt_array_type array, nt ndex, unsgned nt sze) 3 nt left = get_left_chld_ndex(ndex), 4 rght = get_rght_chld_ndex(ndex), 5 largest = ndex; 6 f(left<=sze) 7 f(array[left]>array[ndex]) 8 largest = left; 9 f(rght<=sze) 10 f(array[rght]>array[largest]) 11 largest = rght; 12 f(largest!=ndex) { 13 swap(&array[ndex],&array[largest]); 14 heapfy(array,largest,sze); 15 } 16 } 46 / 60 Funkca heapfy() Funkca heapfy() est podstawowym podprogramem w mplementac algorytmu Je zadanem est przywrócene własnośc kopca Ne zwraca ona żadnych wartośc, ale posada trzy parametry Przez perwszy est przekazywana do ne tablca z odwzorowanym kopcem, w którym est zaburzona wspomnana własność Przez drug parametr przekazywany est ndeks elementu, którego wartość potencalne zaburza tę własność Przez trzec parametr przekazywany est rozmar kopca Wewnątrz funkc naperw są wyznaczane zapamętywane w zmennych lokalnych left rght ndeksy lewego prawego potomka węzła, co do którego zachodz poderzene, że zaburza własność kopca (wersze nr 3 4), oraz w zmenne lokalne largest zapamętywana est wartość ndeksu tego węzła (wersz nr 5) Ta zmenna będze przechowywała ndeks tego węzła spośród wspomnane trók, który ma nawększą wartość Zatem w funkc wstępne przymuemy, że własność kopca ne est zaburzona 47 / 60 Funkca heapfy() Następne funkca sprawdza, czy lewy potomek węzła stnee, tzn czy ndeks zapamętany w left zwązany est z elementem, który meśc sę w kopcu (wersz nr 6) eśl tak est, to sprawdza, czy wartość tego potomka est wększa od wartośc przodka (wersz nr 7) Jeśl ten warunek okaże sę prawdzwy, to w zmenne largest est zapamętywany ego ndeks W werszu nr 8 w podobny sposób funkca sprawdza, czy stnee prawy potomek węzła Jeśl tak est, to funkca sprawdza, czy ego wartość est wększa od tego węzła, którego beżąco zmenna largest określa ako nawększy (o nawększe wartośc) Jest to na tym etape albo węzeł o ndekse ndex, albo ego lewy potomek Jeśl wartość prawego potomka est wększa od tego węzła, to ndeks tego potomka est zapamętywany w zmenne largest (wersz nr 11) Zatem po wykonanu wersza nr 11 we wspomnane zmenne znadue sę ndeks węzła o nawększe wartośc spośród trók: węzeł potencalne zaburzaący własność kopca, ego lewy prawy potomek 48 / 60

13 Funkca heapfy() W werszu nr 12 funkca sprawdza, czy wartość zmenne largest est różna od wartośc parametru ndex Jeśl tak by ne było, to oznaczałoby, że własność kopca ne była zakłócona funkca może zakończyć dzałane, ne wykonuąc żadnych dodatkowych czynnośc Jeśl ten warunek est ednak prawdzwy, to należy zamenć mescam wartośc w węzłach, których ndeksy określaą zmenne ndex largest (wersz nr 13) To może ednak spowodować przenesene zaburzena własnośc w dół kopca Teraz może ona ne zachodzć w poddrzewe, w którym węzeł o ndekse largest est korzenem Dlatego funkca heapfy() wywołue sę rekurencyne dla tego węzła (wersz nr 14) 49 / 60 Funkca buld_heap() 1 vod buld_heap(nt_array_type array) 3 nt ; 4 const nt number_of_elements = 5 szeof(nt_array_type)/szeof(*array); 6 for(=number_of_elements/2;>=0;--) 7 heapfy(array,,number_of_elements-1); 8 } 50 / 60 Funkca buld_heap() Funkca buld_heap() budue kopec w tablcy, która ma być posortowana Używa w tym celu opsane wcześne funkc heapfy() Ne zwraca ona żadne wartośc, a przez parametr przymue tablcę, w które utworzy kopec W werszach nr 4 5 zdefnowana est w te funkc stała, która określa lczbę elementów tablcy Kopec est budowany w pętl for Proszę zwrócć uwagę, że ta funkca terue po elementach tablcy rozpoczynaąc od środka tablcy przemeszczaąc sę ku elementow perwszemu Powstae pytane, dlaczego ne est porządkowana druga połowa tablcy Otóż funkca przymue, że rozmar kopca est równy rozmarow tablcy Zatem elementy należące do te połowy są lśćm kopca (lub, ak kto wol, tworzą ednoelementowe kopce) Stąd wywołuąc heapfy() dla elementów z perwsze połowy buld_heap() zapewna, że elementy w druge połowe też będą włączone do kopca - zadba o to heapfy() 51 / 60 Funkca heapsort() 1 vod heapsort(nt_array_type array) 3 nt last_ndex = szeof(nt_array_type)/szeof(*array)-1; 4 nt ; 5 6 buld_heap(array); 7 for(=last_ndex;>0;--){ 8 swap(&array[0],&array[]); 9 heapfy(array,0,--last_ndex); 10 } 11 } 52 / 60

14 Funkca heapsort() Funkca heapsort() dokonue właścwego sortowana tablcy Ne zwraca ona żadne wartośc, ale przez parametr przymue tablcę do posortowana Wewnątrz te funkc est zadeklarowana zancowana zmenna last_ndex, która zawera ndeks ostatnego elementu tablcy należącego do kopca wyznacza pośredno rozmar te struktury Funkca naperw budue kopec w tablcy poprzez wywołane buld_heap(), a następne w pętl for terue po całe tablcy, poczynaąc od elementu ostatnego (początkowo est to też ostatn element kopca) do elementu perwszego W czase tych terac zamena ona mescam wartość perwszego elementu z tym, który est określany przez lcznk pętl (zmenna ), a następne przywraca własność kopca poczynaąc od perwszego elementu tablcy Jake est uzasadnene dla tych czynnośc? Otóż, w kopcu nawększa wartość znadue sę w perwszym elemence tablcy, a w posortowane nemaleąco tablcy pownna sę ona znaleźć w ostatnm Należy zatem wartośc tych elementów zamenć mescam (wersz nr 8) Ta zamana może ednak zaburzyć własność kopca 53 / 60 Funkca heapsort() Aby ą przywrócć funkca heapsort() wywołue heapfy() dla perwszego elementu tablcy Tym razem ednak z kopca wyłączany est ostatn element tablcy, bo on est uż uporządkowany W każde kolene terac pętl for welkość kopca est zmneszana o eden zamenane są mescam wartośc w perwszym elemence tablcy (korzenu) elemence kopca o ndekse Po zakończenu te pętl cała tablca est uporządkowana 54 / 60 Funkca man() 1 nt man(vod) 3 nt_array_type array; 4 fll_array(array); 5 prnt_array(array); 6 heapsort(array); 7 prnt_array(array); 8 return 0; 9 } 55 / 60 Funkca man() Jedyna różnca w funkc man() mędzy przykładowym programam dla est taka, że zamast wywołana funkc qucksort() wywoływana est heapsort() (wersz nr 6) Jako argument e wywołana przekazywana est tablca do uporządkowana 56 / 60

15 Podsumowane Oba przedstawone algorytmy sortowana tablc należą do naszybszych w te kategor, ale w przypadku optymstycznym średnm przewagę wykazue Przypadkem pesymstycznym dla tego algorytmu, dla którego ego złożoność oblczenowa wynos Θ(n 2 ) est sortowane tablcy uż posortowane Wówczas algorytm dzel obszary tablcy na dwa, z których eden est ednoelementowy, a w drugm znaduą sę pozostałe elementy perwotnego obszaru Nalepsze dla tego algorytmu są podzały, w których nowe obszary otrzymuą po połowe elementów obszaru wyścowego Aby unknąć przypadku pesymstycznego stosowane są różne technk Można przez rozpoczęcem wykonana tego algorytmu zamenć mescam wartośc mędzy klkoma losowo wybranym elementam tablcy Ne ma wprawdze gwaranc, że to dzałane ne uporządkue tablcy, ale est duże prawdopodobeństwo, że zaburzy porządek wartośc, eśl tablca była uż uporządkowana Inny sposób polega na zamane tego algorytmu w algorytm probablstyczny, który wybera wartość osuącą (pseudo)losowo Żadna z tych technk ne dae ednak całkowte pewnośc, że przypadek pesymstyczny ne wystąp 57 / 60 Podsumowane Algorytm ma równeż tę przewagę nad algorytmem, że da sę wyelmnować z ego mplementac rekurencę, zatem ne będze ona tworzyła narzutu zwązanego z użycem pamęc na stose Złożoność przestrzenna tego algorytmu może zatem być stała 2 W praktyce algorytm wydae sę być częśce używany nż Jednak w nektórych zastosowanach bezpeczne est użyć tego drugego Przykładem mogą być usług zdalne, które używaą sortowana Jeśl użyty byłby w nch algorytm to mogłyby być one narażone na atak typu Denal of Servce (DoS) za pomocą żądań ch wykonana z odpowedno spreparowanym danym weścowym 2 Take mplementace algorytmu zostały opsane mn w ksążkach Perełk oprogramowana Jona Bentley a oraz Algorytmy struktury danych A V Aho, J E Hopcrofta J D Ullmana 58 / 60 Pytana? 59 / 60 konec Dzękuę Państwu za uwagę! 60 / 60

Sortowanie szybkie Quick Sort

Sortowanie szybkie Quick Sort Sortowane szybke Quck Sort Algorytm sortowana szybkego opera sę na strateg "dzel zwycęża" (ang. dvde and conquer), którą możemy krótko scharakteryzować w trzech punktach: 1. DZIEL - problem główny zostae

Bardziej szczegółowo

Problem plecakowy (KNAPSACK PROBLEM).

Problem plecakowy (KNAPSACK PROBLEM). Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne

Bardziej szczegółowo

. Podstawy Programowania 2. Algorytmy Quicksort i Heapsort. Arkadiusz Chrobot. 28 maja 2019

. Podstawy Programowania 2. Algorytmy Quicksort i Heapsort. Arkadiusz Chrobot. 28 maja 2019 Podstawy Programowania 2 Algorytmy i Arkadiusz Chrobot Zakład Informatyki 28 maja 2019 1 / 60 Plan 1 Wstęp 2 3 4 Podsumowanie 2 / 60 Wstęp Wstęp Dzisiejszy wykład będzie dotyczył dwóch algorytmów sortowania,

Bardziej szczegółowo

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np. Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas

Bardziej 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

Algorytmy. i podstawy programowania. eci. Proste algorytmy sortowania tablic. 4. Wskaźniki i dynamiczna alokacja pami

Algorytmy. i podstawy programowania. eci. Proste algorytmy sortowania tablic. 4. Wskaźniki i dynamiczna alokacja pami MAREK GAGOLEWSKI INSTYTUT BADAŃ SYSTEMOWYCH PAN Algorytmy podstawy programowana 4. Wskaźnk dynamczna alokaca pam ec. Proste algorytmy sortowana tablc Matera ly dydaktyczne dla studentów matematyk na Wydzale

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj

Bardziej 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

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:

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

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

5. OPTYMALIZACJA GRAFOWO-SIECIOWA . OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,

Bardziej szczegółowo

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany

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

Krzysztof Borowski Zastosowanie metody wideł cenowych w analizie technicznej

Krzysztof Borowski Zastosowanie metody wideł cenowych w analizie technicznej Krzysztof Borowsk Zastosowane metody wdeł cenowych w analze technczne Wprowadzene Metoda wdeł cenowych została perwszy raz ogłoszona przez Alana Andrewsa 1 w roku 1960. Trzy lne wchodzące w skład metody

Bardziej 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

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie. Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane

Bardziej szczegółowo

Podstawy teorii falek (Wavelets)

Podstawy teorii falek (Wavelets) Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc

Bardziej szczegółowo

Badania operacyjne w logistyce i zarządzaniu produkcją

Badania operacyjne w logistyce i zarządzaniu produkcją Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu Badana operacyne w logstyce zarządzanu produkcą cz. I Andrze Woźnak Nowy Sącz Komtet Redakcyny doc. dr Zdzsława Zacłona przewodncząca, prof. dr hab. nż. Jarosław

Bardziej szczegółowo

Sztuczne sieci neuronowe

Sztuczne sieci neuronowe Sztuczne sec neuronowe Jerzy Stefanowsk Plan wykładu 1. Wprowadzene 2. Model sztucznego neuronu. 3. Topologe sec neuronowych 4. Reguły uczena sec neuronowych. 5. Klasyfkaca sec neuronowych. 6. Sec warstwowe

Bardziej szczegółowo

WikiWS For Business Sharks

WikiWS For Business Sharks WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace

Bardziej 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

RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH

RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Stansław KOWALIK e-mal: skowalk@wsb.edu.pl Wyższa Szkoła Bznesu Dąbrowa Górncza RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Streszczene Praca dotyczy nekooperacynych sekwencynych ger dwuosobowych o sume

Bardziej szczegółowo

I. Elementy analizy matematycznej

I. Elementy analizy matematycznej WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem

Bardziej szczegółowo

Wykład 2: Uczenie nadzorowane sieci neuronowych - I

Wykład 2: Uczenie nadzorowane sieci neuronowych - I Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za

Bardziej szczegółowo

ZESTAW ZADAŃ Z INFORMATYKI

ZESTAW ZADAŃ Z INFORMATYKI (Wpsue zdaąc przed rozpoczęcem prac) KOD ZDAJĄCEGO ZESTAW ZADAŃ Z INFORMATYKI CZĘŚĆ II (dla pozomu rozszerzonego) GRUDZIEŃ ROK 004 Czas prac 50 mnut Instrukca dla zdaącego. Proszę sprawdzć, cz zestaw zadań

Bardziej szczegółowo

Programowanie Równoległe i Rozproszone

Programowanie Równoległe i Rozproszone Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać

Bardziej szczegółowo

Przykład 5.1. Kratownica dwukrotnie statycznie niewyznaczalna

Przykład 5.1. Kratownica dwukrotnie statycznie niewyznaczalna rzykład.. Kratownca dwukrotne statyczne newyznaczana oecene: korzystaąc z metody sł wyznaczyć sły w prętach ponższe kratowncy. const Rozwązane zadana rozpoczynamy od obczena stopna statyczne newyznaczanośc

Bardziej szczegółowo

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.

Bardziej szczegółowo

D Archiwum Prac Dyplomowych - Instrukcja dla studentów

D Archiwum Prac Dyplomowych - Instrukcja dla studentów Kraków 01.10.2015 D Archwum Prac Dyplomowych - Instrukcja dla studentów Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu Rolnczego m. H. Kołłątaja

Bardziej szczegółowo

Wykład 1 Zagadnienie brzegowe liniowej teorii sprężystości. Metody rozwiązywania, metody wytrzymałości materiałów. Zestawienie wzorów i określeń.

Wykład 1 Zagadnienie brzegowe liniowej teorii sprężystości. Metody rozwiązywania, metody wytrzymałości materiałów. Zestawienie wzorów i określeń. Wykład Zagadnene brzegowe lnowe teor sprężystośc. Metody rozwązywana, metody wytrzymałośc materałów. Zestawene wzorów określeń. Układ współrzędnych Kartezańsk, prostokątny. Ose x y z oznaczono odpowedno

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4 Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja

Bardziej szczegółowo

Ćwiczenie 10. Metody eksploracji danych

Ćwiczenie 10. Metody eksploracji danych Ćwczene 10. Metody eksploracj danych Grupowane (Clusterng) 1. Zadane grupowana Grupowane (ang. clusterng) oznacza grupowane rekordów, obserwacj lub przypadków w klasy podobnych obektów. Grupa (ang. cluster)

Bardziej szczegółowo

Regulamin promocji 14 wiosna

Regulamin promocji 14 wiosna promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30

Bardziej szczegółowo

. Podstawy Programowania 2. Drzewa bst - część druga. Arkadiusz Chrobot. 12 maja 2019

. Podstawy Programowania 2. Drzewa bst - część druga. Arkadiusz Chrobot. 12 maja 2019 .. Podstawy Programowania 2 Drzewa bst - część druga Arkadiusz Chrobot Zakład Informatyki 12 maja 2019 1 / 39 Plan.1 Wstęp.2 Wyszukiwanie w BST Minimalny i maksymalny klucz Wskazany klucz.3.4 Zmiany w

Bardziej szczegółowo

Wyszukiwanie w BST Minimalny i maksymalny klucz. Wyszukiwanie w BST Minimalny klucz. Wyszukiwanie w BST - minimalny klucz Wersja rekurencyjna

Wyszukiwanie w BST Minimalny i maksymalny klucz. Wyszukiwanie w BST Minimalny klucz. Wyszukiwanie w BST - minimalny klucz Wersja rekurencyjna Podstawy Programowania 2 Drzewa bst - część druga Arkadiusz Chrobot Zakład Informatyki 12 maja 2016 1 / 8 Plan Wstęp Wyszukiwanie w BST Minimalny i maksymalny klucz Wskazany klucz Zmiany w funkcji main()

Bardziej szczegółowo

Wykład 2: Uczenie nadzorowane sieci neuronowych - I

Wykład 2: Uczenie nadzorowane sieci neuronowych - I Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za

Bardziej szczegółowo

Zarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych

Zarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych dr nż Andrze Chylńsk Katedra Bankowośc Fnansów Wyższa Szkoła Menedżerska w Warszawe Zarządzane ryzykem w rzedsęborstwe ego wływ na analzę ołacalnośc rzedsęwzęć nwestycynych w w w e - f n a n s e c o m

Bardziej szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. Definicje ogólne 0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni. Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :

Bardziej szczegółowo

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne

Bardziej szczegółowo

EKONOMETRIA I Spotkanie 1, dn. 05.10.2010

EKONOMETRIA I Spotkanie 1, dn. 05.10.2010 EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra

Bardziej szczegółowo

architektura komputerów w. 3 Arytmetyka komputerów

architektura komputerów w. 3 Arytmetyka komputerów archtektura komputerów w. 3 Arytmetyka komputerów Systemy pozycyjne - dodawane w systeme dwójkowym 100101011001110010101 100111101000001000 0110110011101 1 archtektura komputerów w 3 1 Arytmetyka bnarna.

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy

Bardziej szczegółowo

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne Instrukca do ćwczeń laboratorynych z przedmotu: Badana operacyne Temat ćwczena: Problemy rozkrou materałowego, zagadnena dualne Zachodnopomorsk Unwersytet Technologczny Wydzał Inżyner Mechanczne Mechatronk

Bardziej szczegółowo

Kodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana

Kodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana Kodowane nformacj Instytut Informatyk UWr Studa weczorowe Wykład nr 2: rozszerzone dynamczne Huffmana Kod Huffmana - nemłe przypadk... Nech alfabet składa sę z 2 lter: P(a)=1/16 P(b)=15/16 Mamy H(1/16,

Bardziej szczegółowo

Zmodyfikowana technika programowania dynamicznego

Zmodyfikowana technika programowania dynamicznego Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.

Bardziej szczegółowo

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4. Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można

Bardziej szczegółowo

Minister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r.

Minister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r. Mnster Edukacj arodowej Pan Katarzyna HALL Mnsterstwo Edukacj arodowej al. J. Ch. Szucha 25 00-918 arszawa Dna 03 czerwca 2009 r. TEMAT: Propozycja zmany art. 30a ustawy Karta auczycela w forme lstu otwartego

Bardziej szczegółowo

Weryfikacja hipotez dla wielu populacji

Weryfikacja hipotez dla wielu populacji Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane

Bardziej szczegółowo

Regulamin promocji zimowa piętnastka

Regulamin promocji zimowa piętnastka zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna

Bardziej szczegółowo

p Z(G). (G : Z({x i })),

p Z(G). (G : Z({x i })), 3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W

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

Natalia Nehrebecka. Zajęcia 4

Natalia Nehrebecka. Zajęcia 4 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających

Bardziej szczegółowo

STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU

STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Ewa Szymank Katedra Teor Ekonom Akadema Ekonomczna w Krakowe ul. Rakowcka 27, 31-510 Kraków STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Abstrakt Artykuł przedstawa wynk badań konkurencyjnośc

Bardziej szczegółowo

Procedura normalizacji

Procedura normalizacji Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny

Bardziej szczegółowo

7. Wykład VII: Warunki Kuhna-Tuckera

7. Wykład VII: Warunki Kuhna-Tuckera Wocech Grega, Metody Optymalzac 7 Wykład VII: Warunk Kuhna-Tuckera 7 Warunk koneczne stnena ekstremum Rozważane est zadane z ogranczenam nerównoścowym w postac: mn F( x ) x X X o F( x ), o { R x : h n

Bardziej szczegółowo

Typ może być dowolny. //realizacja funkcji zamiana //przestawiajacej dwa elementy //dowolnego typu void zamiana(int &A, int &B) { int t=a; A=B; B=t; }

Typ może być dowolny. //realizacja funkcji zamiana //przestawiajacej dwa elementy //dowolnego typu void zamiana(int &A, int &B) { int t=a; A=B; B=t; } Idea: Wyzaczamy ameszy elemet w cągu tablcy zameamy go mescam z elemetem perwszym, astępe z pozostałego cągu wyberamy elemet ameszy ustawamy go a druge mesce tablcy zmeamy, td. Realzaca w C++ vod seleca

Bardziej szczegółowo

Statystyka. Zmienne losowe

Statystyka. Zmienne losowe Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu

Bardziej szczegółowo

ELEKTROCHEMIA. ( i = i ) Wykład II b. Nadnapięcie Równanie Buttlera-Volmera Równania Tafela. Wykład II. Równowaga dynamiczna i prąd wymiany

ELEKTROCHEMIA. ( i = i ) Wykład II b. Nadnapięcie Równanie Buttlera-Volmera Równania Tafela. Wykład II. Równowaga dynamiczna i prąd wymiany Wykład II ELEKTROCHEMIA Wykład II b Nadnapęce Równane Buttlera-Volmera Równana Tafela Równowaga dynamczna prąd wymany Jeśl układ jest rozwarty przez elektrolzer ne płyne prąd, to ne oznacza wcale, że na

Bardziej szczegółowo

Regulamin promocji upalne lato 2014 2.0

Regulamin promocji upalne lato 2014 2.0 upalne lato 2014 2.0 strona 1/5 Regulamn promocj upalne lato 2014 2.0 1. Organzatorem promocj upalne lato 2014 2.0, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa

Bardziej szczegółowo

Algorytmy szukania równowag w grach dwumacierzowych

Algorytmy szukania równowag w grach dwumacierzowych Rozdzał 2 Algorytmy szukana równowag w grach dwumacerzowych 2. Algorytm Lemke-Howsona Dzseszy wykład pośwęcony będze temu, ak szukać równowag w grach dwumacerzowych. Poneważ temu były uż w wększośc pośwęcone

Bardziej szczegółowo

Zastosowanie symulatora ChemCad do modelowania złożonych układów reakcyjnych procesów petrochemicznych

Zastosowanie symulatora ChemCad do modelowania złożonych układów reakcyjnych procesów petrochemicznych NAFTA-GAZ styczeń 2011 ROK LXVII Anna Rembesa-Śmszek Instytut Nafty Gazu, Kraków Andrzej Wyczesany Poltechnka Krakowska, Kraków Zastosowane symulatora ChemCad do modelowana złożonych układów reakcyjnych

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje

Bardziej szczegółowo

Ile wynosi suma miar kątów wewnętrznych w pięciokącie?

Ile wynosi suma miar kątów wewnętrznych w pięciokącie? 1 Ile wynos suma mar kątów wewnętrznych w pęcokące? 1 Narysuj pęcokąt foremny 2 Połącz środek okręgu opsanego na tym pęcokące ze wszystkm werzchołkam pęcokąta 3 Oblcz kąty każdego z otrzymanych trójkątów

Bardziej szczegółowo

XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadanie teoretyczne

XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadanie teoretyczne XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadane teoretyczne Rozwąż dowolne rzez sebe wybrane dwa sośród odanych nże zadań: ZADANIE T Nazwa zadana: Protony antyrotony A. Cząstk o mase równe mase rotonu, ale

Bardziej szczegółowo

ANALIZA WARIANCJI (ANOVA) Spis treści

ANALIZA WARIANCJI (ANOVA) Spis treści ANALIZA WARIANCJI (ANOVA) Sps treśc. JEDNOCZYNNIKOWA ANALIZA WARIANCJI.... DWUCZYNNIKOWA ANALIZA WARIANCJI... 8 3. TESTY ZAŁOŻEŃ W ANALIZIE WARIANCJI... 3 3.. Test normalnośc... 4 3. Test Bartleta ednorodnośc

Bardziej szczegółowo

dodatkowe operacje dla kopca binarnego: typu min oraz typu max:

dodatkowe operacje dla kopca binarnego: typu min oraz typu max: ASD - ćwiczenia IX Kopce binarne własność porządku kopca gdzie dla każdej trójki wierzchołków kopca (X, Y, Z) porządek etykiet elem jest następujący X.elem Y.elem oraz Z.elem Y.elem w przypadku kopca typu

Bardziej szczegółowo

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5 MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając

Bardziej szczegółowo

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXVIII Egzamin dla Aktuariuszy z 29 września 2014 r.

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXVIII Egzamin dla Aktuariuszy z 29 września 2014 r. Komsa Egzamnacyna dla Aktuaruszy LXVIII Egzamn dla Aktuaruszy z 29 wrześna 14 r. Część I Matematyka fnansowa WERSJA TESTU A Imę nazwsko osoby egzamnowane:... Czas egzamnu: 0 mnut 1 1. W chwl T 0 frma ABC

Bardziej szczegółowo

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe

Bardziej szczegółowo

Oligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją

Oligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją Olgopol dynamczny Rozpatrzmy model sekwencyjnej konkurencj loścowej jako gra jednokrotna z pełną doskonalej nformacją (1934) Dwa okresy: t=0, 1 tzn. frma 2 podejmując decyzję zna decyzję frmy 1 Q=q 1 +q

Bardziej szczegółowo

Wykład Turbina parowa kondensacyjna

Wykład Turbina parowa kondensacyjna Wykład 9 Maszyny ceplne turbna parowa Entropa Równane Claususa-Clapeyrona granca równowag az Dośwadczena W. Domnk Wydzał Fzyk UW ermodynamka 08/09 /5 urbna parowa kondensacyjna W. Domnk Wydzał Fzyk UW

Bardziej szczegółowo

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam

Bardziej szczegółowo

Sortowanie - wybrane algorytmy

Sortowanie - wybrane algorytmy Sortowanie - wybrane algorytmy Aleksandra Wilkowska Wydział Matematyki - Katedra Matematyki Stosowanej Politechika Wrocławska 2 maja 2018 1 / 39 Plan prezentacji Złożoność obliczeniowa Sortowanie bąbelkowe

Bardziej szczegółowo

ZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO

ZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO Studa Materały. Mscellanea Oeconomcae Rok 6, Nr 2/22 Wydzał Zarządzana Admnstrac Unwersytetu Jana Kochanowskego w Kelcach Z a r z ą d z a n e f n a n s e Rafał Prońko ZASTOSOWANIE KLASYCZNEGO ALGORYTMU

Bardziej szczegółowo

Za: Stanisław Latoś, Niwelacja trygonometryczna, [w:] Ćwiczenia z geodezji II [red.] J. Beluch

Za: Stanisław Latoś, Niwelacja trygonometryczna, [w:] Ćwiczenia z geodezji II [red.] J. Beluch Za: Stansław Latoś, Nwelacja trygonometryczna, [w:] Ćwczena z geodezj II [red.] J. eluch 6.1. Ogólne zasady nwelacj trygonometrycznej. Wprowadzene Nwelacja trygonometryczna, zwana równeż trygonometrycznym

Bardziej szczegółowo

Dobór procesora sygnałowego w konstrukcji regulatora optymalnego

Dobór procesora sygnałowego w konstrukcji regulatora optymalnego Pomary Automatyka Robotyka 10/2008 Dobór procesora sygnałowego w konstrukc regulatora optymalnego Marusz Pauluk Potr Bana Darusz Marchewka Mace Rosół W pracy przedstawono przegląd dostępnych obecne procesorów

Bardziej szczegółowo

Natalia Nehrebecka. Wykład 2

Natalia Nehrebecka. Wykład 2 Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad

Bardziej szczegółowo

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających

Bardziej szczegółowo

Prawdopodobieństwo geometryczne

Prawdopodobieństwo geometryczne Prawdopodobeństwo geometryczne Przykład: Przestrzeń zdarzeń elementarnych określona jest przez zestaw punktów (x, y) na płaszczyźne wypełna wnętrze kwadratu [0 x ; 0 y ]. Znajdź p-stwo, że dowolny punkt

Bardziej szczegółowo

Odtworzenie wywodu metodą wstępującą (bottom up)

Odtworzenie wywodu metodą wstępującą (bottom up) Przeglądane wejśca od lewej strony do prawej L (k) Odtwarzane wywodu prawostronnego Wystarcza znajomosc "k" następnych symbol łańcucha wejścowego hstor dotychczasowych redukcj, aby wyznaczyc jednoznaczne

Bardziej szczegółowo

Metody analizy obwodów

Metody analizy obwodów Metody analzy obwodów Metoda praw Krchhoffa, która jest podstawą dla pozostałych metod Metoda transfguracj, oparte na przekształcenach analzowanego obwodu na obwód równoważny Metoda superpozycj Metoda

Bardziej szczegółowo

STANDARDOWE TECHNIKI KOMPRESJI SYGNAŁÓW

STANDARDOWE TECHNIKI KOMPRESJI SYGNAŁÓW STANDARDOWE TECHNIKI KOMPRESJI SYGNAŁÓW Źródło Kompresja Kanał transmsj sek wdeo 60 Mbt 2 mn muzyk (44 00 próbek/sek, 6 btów/próbkę) 84 Mbt Dekompresja Odborca. Metody bezstratne 2. Metody stratne 2 Kodowane

Bardziej szczegółowo

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych

Bardziej szczegółowo

Beata Szymańska Wojciech Topolski Marcin Tomasik KWANTYZACJA WEKTOROWA

Beata Szymańska Wojciech Topolski Marcin Tomasik KWANTYZACJA WEKTOROWA Beata Szymańska Wocech Topolsk Marcn Tomask KWANTYZACJA WEKTOROWA 1 SPIS TREŚCI 1. Idea kwantyzac wektorowe...3 1.1 Kwantyzaca...3 1.2 Kwantyzaca wektorowa...3 1.3 Cechy kwantyzac wektorowe...3 2. Fazy

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych

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

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej

Bardziej szczegółowo

liniowa - elementy następują jeden za drugim. Graficznie możemy przedstawić to tak:

liniowa - elementy następują jeden za drugim. Graficznie możemy przedstawić to tak: Sortowanie stogowe Drzewo binarne Binary Tree Dotychczas operowaliśmy na prostych strukturach danych, takich jak tablice. W tablicy elementy ułożone są zgodnie z ich numeracją, czyli indeksami. Jeśli za

Bardziej szczegółowo

ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH

ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH Potr Mchalsk Węzeł Centralny OŻK-SB 25.12.2013 rok ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH Celem ponższej analzy jest odpowedź na pytane: czy wykształcene radnych

Bardziej szczegółowo

1. Wstęp. 2. Macierz admitancyjna.

1. Wstęp. 2. Macierz admitancyjna. 1. Wstęp. Znaomość stanu pracy SEE est podstawowym zagadnenem w sterowanu pracą systemu na wszystkch etapach: proektowana, rozwou, planowana stanów pracy oraz w czase beżące eksploatac. Kontrola rozpływów

Bardziej szczegółowo

Poszukiwanie optymalnego wyrównania harmonogramu zatrudnienia metodą analityczną

Poszukiwanie optymalnego wyrównania harmonogramu zatrudnienia metodą analityczną Mieczysław POŁOŃSKI Wydział Budownictwa i Inżynierii Środowiska, Szkoła Główna Gospodarstwa Wieskiego, Warszawa, ul. Nowoursynowska 159 e-mail: mieczyslaw_polonski@sggw.pl Poszukiwanie optymalnego wyrównania

Bardziej szczegółowo

Prawdziwa ortofotomapa

Prawdziwa ortofotomapa Prawdzwa ortofotomapa klasyczna a prawdzwa ortofotomapa mnmalzacja przesunęć obektów wystających martwych pól na klasycznej ortofotomape wpływ rodzaju modelu na wynk ortorektyfkacj budynków stratege opracowana

Bardziej szczegółowo

PIERWIASTKI ROZMYTE RÓWNAŃ PRZEDZIŁOWYCH

PIERWIASTKI ROZMYTE RÓWNAŃ PRZEDZIŁOWYCH Marusz GONERA, Ludmła DYMOWA, Paweł SEWASTJANOW Instytut Informatyk Teoretyczne Stosowane ul. Dąbrowskego, 73, 42-200 Częstochowa PIERWIASTKI ROZMYTE RÓWNAŃ PRZEDZIŁOWYCH 285 słów Znaczna cześć problemów

Bardziej szczegółowo

Egzamin poprawkowy z Analizy II 11 września 2013

Egzamin poprawkowy z Analizy II 11 września 2013 Egzamn poprawkowy z nalzy II 11 wrześna 13 Uwag organzacyjne: każde zadane rozwązujemy na osobnej kartce Każde zadane należy podpsać menem nazwskem własnym oraz prowadzącego ćwczena Na wszelk wypadek prosmy

Bardziej szczegółowo

prowadzący dr ADRIAN HORZYK /~horzyk e-mail: horzyk@agh tel.: 012-617 Konsultacje paw. D-13/325

prowadzący dr ADRIAN HORZYK /~horzyk e-mail: horzyk@agh tel.: 012-617 Konsultacje paw. D-13/325 PODSTAWY INFORMATYKI WYKŁAD 8. prowadzący dr ADRIAN HORZYK http://home home.agh.edu.pl/~ /~horzyk e-mail: horzyk@agh agh.edu.pl tel.: 012-617 617-4319 Konsultacje paw. D-13/325 DRZEWA Drzewa to rodzaj

Bardziej szczegółowo

Wykład 2. Poprawność algorytmów

Wykład 2. Poprawność algorytmów Wykład 2 Poprawność algorytmów 1 Przegląd Ø Poprawność algorytmów Ø Podstawy matematyczne: Przyrost funkcji i notacje asymptotyczne Sumowanie szeregów Indukcja matematyczna 2 Poprawność algorytmów Ø Algorytm

Bardziej szczegółowo

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim 5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną

Bardziej szczegółowo