Pattern Classification
|
|
- Błażej Dominik Sikora
- 4 lat temu
- Przeglądów:
Transkrypt
1 attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher
2 Chapter art : Bayesowska teora decyzj Sectons.-. Wstęp Bayesowska teora decyzj cechy cągłe
3 Wstęp rzykład zadana rozpoznawana okoń / łosoś Informacja aproryczna Wartość cechy obektu jest realzacją zmennej losowej rawdopodobeństwo złowena ryb obu klas, może być jednakowe + prawdopodobeństwo wszystkch zdarzeń attern Classfcaton, Chapter art
4 3 Reguła decyzyjna przy nformacj aprorycznej Wyberz klasę jeżel >, w przecwnym przypadku wyberz Informacja w postac rozkładów warunkowych opsują prawdopodobeństwa wynków pomaru jasnośc w populacjach sea and salmon attern Classfcaton, Chapter art
5 4 attern Classfcaton, Chapter art
6 5 rawdopodobeństwa: a posteror, warunkowe, całkowte j j j / W przypadku dwóch klas j j j j.a posteror.warunkowe *.a pror /.całkowte attern Classfcaton, Chapter art
7 6 attern Classfcaton, Chapter art
8 7 Reguła decyzyjna z nformacją aposteroryczną X reprezentuje pomar, dla którego: Jeżel > to klasa Jeżel < to klasa Zatem, dla konkretnego pomaru, prawdopodobeństwo błędnej decyzj jest następujące: błąd dla decyzj błąd dla decyzj attern Classfcaton, Chapter art
9 8 Mnmalzacja prawdopodobeństwa błędnej decyzj przy regule decyzyjnej: Wyberz klasę jeżel > ; w przecwnym przypadku wyberz prowadz do prawdopodobeństwa błędnej decyzj o postac: błąd mn [, ] optymalna decyzja Bayesa attern Classfcaton, Chapter art
10 Bayesowska teora decyzj Cechy cągłe 9 Uogólnene dotychczasowych rozważań omar welu cech Uwzględnene welu klas obektów Zdefnowane funkcj strat, która jest ogólnejsza od prawdopodobeństwa błędnej decyzj. attern Classfcaton, Chapter art
11 0 Możlwe jest dopuszczene decyzj odrzucena obektu Funkcja strat defnuje koszty zwązane z podjęcem błędnej decyzj attern Classfcaton, Chapter art
12 {,,, c } zbór klas {α, α,, α a } zbór decyzj λα j funkcja strat zwązanych z podjęcem decyzj α dla obektu z klasy j attern Classfcaton, Chapter art
13 Ryzyko całkowte R całka po wszystkch Rα Mnmalzacja R Ryzyko warunkowe Mnmalzacja Rα dla,, a c R α λ α j j j Dla,,a attern Classfcaton, Chapter art
14 3 odejmj taką decyzję α, dla której Rα przyjmuje wartość najmnejszą w takm przypadku R równeż przyjmuje wartość najmnejszą jest nazywane Ryzykem bayesowskm Bayesowska reguła decyzyjna prowadz do najmnejszej możlwej wartośc R attern Classfcaton, Chapter art
15 4 Rozpoznawane zero-jedynkowe α : wyberz α : wyberz λ j λα j to strata zwązana z decyzją α dla obektu z klasy j Ryzyko warunkowe: Rα λ + λ Rα λ + λ attern Classfcaton, Chapter art
16 5 Reguła decyzyjna jest następująca: Jeżel Rα < Rα odejmowana jest decyzja α : wyberz Równoważne: Wyberz jeżel: λ - λ > λ - λ w przecwnym przypadku wyberz attern Classfcaton, Chapter art
17 6 Wskaźnk warygodnośc: oprzedno przestawona reguła decyzyjna jest równoważna następującej: Jeżel > λ λ λ λ to podejmj decyzję α wyberz w przecwnym przypadku podejmj decyzję α wyberz attern Classfcaton, Chapter art
18 7 Własność decyzj optymalnych Jeżel wskaźnk warygodnośc przekracza wartość progową nezależne od wartośc cech obektu, możlwe jest podejmowane optymalnych decyzj attern Classfcaton, Chapter art
19 Ćwczene 8 odejmj optymalną decyzję w następującym zadanu: Ω {, } N.5, 0. N, 0.5 rozkład normalny /3 /3 λ 3 4 attern Classfcaton, Chapter art
20 Chapter art : Bayesowska teora decyzj Sectons.3-.5 Optymalny klasyfkator Bayesa Klasyfkatory, funkcje dyskrymnujące obszary decyzyjne Rozkład normalny
21 0 Optymalny klasyfkator Bayesa Decyzje dotyczące numeru klasy obektu Jeżel podjęto decyzję α dla obektu klasy j to: decyzja jest poprawna jeśl j, a błędna jeśl j oszukujemy reguły decyzyjnej mnmalzującej prawdopodobeństwo błędnej klasyfkacj attern Classfcaton, Chapter art
22 attern Classfcaton, Chapter art Zero-jedynkowa funkcja strat: Ryzyko warunkowe przyjmuje postać: Ryzyko zwązane z zerojedynkową funkcją strat jest średnm błędem klasyfkacj c j j j j,...,, 0, α λ c j j j c j j j R α λ α
23 Mnmalzacja ryzyka sprowadza sę do maksymalzacj poneważ Rα Wyberz jeżel > j j attern Classfcaton, Chapter art
24 attern Classfcaton, Chapter art 3 Obszary decyzyjne : Jeśl λ jest zero-jedynkową funkcją strat: b a θ θ λ θ θ λ λ λ mamy 0 0 dla to 0 0 λ θ λ θ λ λ λ λ > gdy to wyberz. Nech
25 4 attern Classfcaton, Chapter art
26 Klasyfkatory, funkcje dyskrymnujące obszary decyzyjne 5 rzypadek welu klas Zbór funkcj dyskrymnujących: g,,,c Klasyfkator przyporządkowuje wektorow cech klasę jeżel: g > g j j attern Classfcaton, Chapter art
27 6 attern Classfcaton, Chapter art
28 Nech g - Rα maksmum funkcj dyskrymnującej odpowada mnmum funkcj ryzyka 7 W celu mnmalzacj prawdopodobeństwa błędnej decyzj berzemy g maksmum funkcj dyskrymnującej odpowada maksmum rozkładu a posteror g g ln + ln ln: logarytm naturalny attern Classfcaton, Chapter art
29 8 rzestrzeń cech zostaje podzelona na c regonów decyzyjnych: Jeżel g > g j j to leży w R R oznacza obszar decyzyjny klasy o numerze rzypadek dychotonomczny dwe klasy Klasyfkator ma do dyspozycj dwe funkcje g g Nech g g g Wyberz jeżel g > 0 ; w przec. przypadku wyberz attern Classfcaton, Chapter art
30 attern Classfcaton, Chapter art 9 Wyznaczane funkcj g ln ln lub g g +
31 30 attern Classfcaton, Chapter art
32 Rozkład normalny Rozkład jednowymarowy Dogodny w oblczenach analtycznych Cągły Wele procesów jest asymptotyczne normalnym Znak psane odręczne, sygnały mowy można rozpatrywać jako dealne wzorce zakłócone przez proces losowy centralne twerdzene granczne ep π σ gdze: µ średnalub wartość oczekwana zmennej σ warancja kwadrat odchylena standardowego µ σ, 3 attern Classfcaton, Chapter art
33 3 attern Classfcaton, Chapter art
34 33 Rozkład welowymarowy d wymarowy rozkład normalny: π d / Σ / ep µ T Σ µ gdze:,,, d T T oznacza transpozycję µ µ, µ,, µ d T wektor średnch Σ d*d macerz kowarancj Σ Σ - oznaczają wyznacznk odwrotność macerzy attern Classfcaton, Chapter art
35 Chapter part 3 Bayesowska teora decyzj Sectons -6,-9 Funkcje dyskrymnujące dla rozkładu normalnego Bayesowska teora decyzj cechy dyskretne
36 Funkcje dyskrymnujące dla rozkładu normalnego 35 Optymalny klasyfkator Bayesa wąże sę z funkcjam dyskrymnującym o postac: g ln + ln W przypadku welowymarowym: g T d µ Σ + µ ln π ln Σ ln attern Classfcaton, Chapter art 3
37 attern Classfcaton, Chapter art 3 36 rzypadek Σ σ.i I oznacza macerz jednostkową klasy! tej - jest progem dla ln ; gdze lnowa funkcja dyskrymn T T w w w w g µ µ σ σ µ + +
38 37 Klasyfkator korzystający z lnowych funkcj dyskrymnujących nazywany jest klasyfkatorem lnowym owerzchne decyzyjne klasyfkatora lnowego są fragmentam hperpłaszczyzn zdefnowanych jako: g g j attern Classfcaton, Chapter art 3
39 38 attern Classfcaton, Chapter art 3
40 attern Classfcaton, Chapter art 3 39 Hperpłaszczyzna rozdzelająca R oraz R j jest ortogonalna do prostej łączącej średne ln 0, 0 0 j j j j j t w gdze w µ µ µ µ σ µ µ µ µ + j Jeżel to 0 j w µ µ +
41 40 attern Classfcaton, Chapter art 3
42 4 attern Classfcaton, Chapter art 3
43 attern Classfcaton, Chapter art 3 4 rzypadek Σ Σ kowarancje wszystkch klas są dentyczne, z góry ustalone Hperpłaszczyzna rozdzelająca R R j hperpłaszczyzna rozdzelająca R R j na ogół ne jest ortogonalna do prostej łączącej średne [ ] / ln 0, 0 0 j j T j j j j t w gdze w µ µ µ µ µ µ µ µ µ µ Σ + Σ
44 43 attern Classfcaton, Chapter art 3
45 44 attern Classfcaton, Chapter art 3
46 attern Classfcaton, Chapter art 3 45 rzypadek Σ z góry ustalona Macerze kowarancj dla każdej klasy są nne Hperkwadratyk: hperpowerzchne, pary hperpowerzchn, hpersfery, hperelpsody, hperparabolody, hperhperbolody ln ln w w W gdze : 0 0 T T T w w W g µ µ µ + Σ Σ Σ Σ + +
47 46 attern Classfcaton, Chapter art 3
48 47 attern Classfcaton, Chapter art 3
49 Bayesowska teora decyzj cechy dyskretne 48 Współrzędne wektora cech są bnarne lub całkowtolczbowe, może przyjąć jedyne m różnych wartośc v, v,, v m rzypadek nezależnych cech bnarnych w zadanu klasyfkacj z dwema klasam Nech [,,, d ] T, przy czym ma wartość 0 lub, z prawdopodobeństwam: p q attern Classfcaton, Chapter art 3
50 attern Classfcaton, Chapter art 3 49 Funkcje dyskrymnujące mają postać: 0 gdy g 0 albo gdy g wyberz ln ln oraz :,..., ln gdze : 0 0 > + + q p w d p q q p w w w g d d
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoPattern Classification
Pattern Classfcaton All materals n these sldes ere taken from Pattern Classfcaton nd ed by R. O. Duda, P. E. Hart and D. G. Stork, John Wley & Sons, 000 th the permsson of the authors and the publsher
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Bardziej szczegółowoStanisław 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 szczegółowoStatystyka. 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 szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej
Bardziej szczegółowoStanisław 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 szczegółowoFunkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
Bardziej szczegółowoStanisław 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 szczegółowoStanisław 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 szczegółowoNatalia 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 szczegółowoSTATYSTYKA 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 szczegółowoStatystyka 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 szczegółowoBADANIA 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 szczegółowoWeryfikacja 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 szczegółowoSZACOWANIE 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 szczegółowoW 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 szczegółowoSystem Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik
Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA
Bardziej szczegółowoZestaw 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 szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej szczegółowoPokazać, 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 szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 5 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoZAJĘCIA X. Zasada największej wiarygodności
ZAJĘCIA X Zasada najwększej warygodnośc Funkcja warygodnośc Estymacja wg zasady maksymalzacj warygodnośc Rodzna estymatorów ML Przypadk szczególne WPROWADZEIE Komputerowa dentyfkacja obektów Przyjęce na
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoRozwiązywanie 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 szczegółowoStanisław 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 szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 Metody estymacji. Estymator największej wiarygodności Zad. 1 Pojawianie się spamu opisane jest zmienną losową y o rozkładzie zero-jedynkowym
Bardziej szczegółowoBadanie 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 szczegółowoNa A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)
MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowoNatalia 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 szczegółowoWstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra
Wstęp do metod numerycznych Faktoryzacja SVD Metody teracyjne P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ 2013 Sngular Value Decomposton Twerdzene 1. Dla każdej macerzy A R M N, M N, stneje rozkład
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE METODY KLASYFIKACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE MEODY KLASYFIKACJI Częstochowa 4 Dr hab. nż. Grzegorz Dude Wydzał Eletryczny Poltechna Częstochowsa FUNKCJE FISHEROWSKA DYSKRYMINACYJNE DYSKRYMINACJA I MASZYNA LINIOWA
Bardziej szczegółowoMETODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.
Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)
Bardziej szczegółowoStatystyczne metody przetwarzania danych
Artfcal Intellgence Krzysztof Ślot, 2008 Statystyczne metody rzetwarzana danych Klasyfkacja mnmalnoodległoścowa Krzysztof Ślot Instytut Informatyk Stosowanej Poltechnka Łódzka Artfcal Intellgence Krzysztof
Bardziej szczegółowo2012-10-11. 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 szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
Bardziej szczegółowoZaawansowane 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 szczegółowoPortfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoRozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1
Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa
Bardziej szczegółowoGrupowanie. Wprowadzenie. Metody hierarchiczne. Modele mieszane (mixture models) Metody najmniejszych kwadratów. Zastosowania
Grupowane Wprowadzene Metody herarchczne Modele meszane (mxture models) Metoda Expectaton-maxmzaton (EM) Metody namneszych kwadratów Krytera akośc grupowana Algorytm k-średnch Zastosowana Statstcal Pattern
Bardziej szczegółowoHipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowoTEORIA PORTFELA MARKOWITZA
TEORIA PORTFELA MARKOWITZA Izabela Balwerz 28 maj 2008 1 Wstęp Teora portfela została stworzona w 1952 roku przez amerykańskego ekonomstę Harry go Markowtza Opera sę ona na mnmalzacj ryzyka nwestycyjnego
Bardziej szczegółowo-Macierz gęstości: stany czyste i mieszane (przykłady) -równanie ruchu dla macierzy gęstości -granica klasyczna rozkładów kwantowych
WYKŁAD 4 dla zanteresowanych -Macerz gęstośc: stany czyste meszane (przykłady) -równane ruchu dla macerzy gęstośc -granca klasyczna rozkładów kwantowych Macerz gęstośc (przypomnene z poprzednch wykładów)
Bardziej szczegółowoV. TERMODYNAMIKA KLASYCZNA
46. ERMODYNAMIKA KLASYCZNA. ERMODYNAMIKA KLASYCZNA ermodynamka jako nauka powstała w XIX w. Prawa termodynamk są wynkem obserwacj welu rzeczywstych procesów- są to prawa fenomenologczne modelu rzeczywstośc..
Bardziej szczegółowoAnaliza 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 szczegółowoliniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.
=DGDQLHSROHJDMFHQDSRV]XNLZDQLXPDNV\PDOQHMOXEPLQLPDOQHMZDUWRFLIXQNFMLZLHOX ]PLHQQ\FKSU]\MHGQRF]HVQ\PVSHáQLHQLXSHZQHMLORFLQDáR*RQ\FKZDUXQNyZ UyZQDOXE QLHUyZQRFLQRVLQD]Z]DGDQLDRSW\PDOL]DF\MQHJROXE]DGDQLDSURJUDPRZDQLD
Bardziej szczegółowoV. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH
Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów
Bardziej szczegółowoJEDNOWYMIAROWA ZMIENNA LOSOWA
JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E bedze zborem zdarzen elementarnych danego doswadczena. Funcje X(e) przyporzadowujaca azdemu zdarzenu elementarnemu e E jedna tylo jedna lczbe X(e)x nazywamy ZMIENNA
Bardziej szczegółowoModele 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 szczegółowoZaawansowane 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 szczegółowoMikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Jak analzować dane o charakterze uporządkowanym? Dane o charakterze uporządkowanym Wybór jednej z welkośc na uporządkowanej skal Skala ne ma nterpretacj
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 7 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoROZKŁADY ZMIENNYCH LOSOWYCH
ROZKŁADY ZMIENNYCH LOSOWYCH ZMIENNA LOSOWA Defcja. Zmeą losową jest fukcja: X: E -> R która każdemu zdarzeu elemetaremu E przypsuje lczbę rzeczywstą e X ( e) R DYSTRYBUANTA Dystrybuatą zmeej losowej X
Bardziej szczegółowo= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału
5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B
Bardziej szczegółowoI. 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 szczegółowoPodstawy 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 szczegółowoSZTUCZNA 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 szczegółowoProcedura 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 szczegółowoMatematyka ubezpieczeń majątkowych r.
Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3
Stansław Cchock Natala Nehrebecka Katarzyna Rosak-Lada Zajęca 3 1. Dobrod dopasowana równana regresj. Współczynnk determnacj R 2 Dekompozycja warancj zmennej zależnej Współczynnk determnacj R 2 2. Zmenne
Bardziej szczegółowoWykład 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 szczegółowoZAJĘCIA VI. Estymator LS - własności i implementacje
Komputerowa dentyfkacja obektów ZAJĘCIA VI Estymator LS - własnośc mplementacje Dokładność wynków dentyfkacj (jakość estymatora) Dokładność estymatora LS Iteracyjne oblczena estymat LS Oblczena dla obektów
Bardziej szczegółowoProjekt 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 szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji ML Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoMATERIAŁY I STUDIA. Zeszyt nr 286. Analiza dyskryminacyjna i regresja logistyczna w procesie oceny zdolności kredytowej przedsiębiorstw
MATERIAŁY I STUDIA Zeszyt nr 86 Analza dyskrymnacyjna regresja logstyczna w procese oceny zdolnośc kredytowej przedsęborstw Robert Jagełło Warszawa, 0 r. Wstęp Robert Jagełło Narodowy Bank Polsk. Składam
Bardziej szczegółowoEgzamin 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 szczegółowoPodstawowe modele probabilistyczne
Wrocław University of Technology Podstawowe modele probabilistyczne Maciej Zięba maciej.zieba@pwr.edu.pl Rozpoznawanie Obrazów, Lato 2018/2019 Pojęcie prawdopodobieństwa Prawdopodobieństwo reprezentuje
Bardziej szczegółowo( ) Elementy rachunku prawdopodobieństwa. f( x) 1 F (x) f(x) - gęstość rozkładu prawdopodobieństwa X f( x) - dystrybuanta rozkładu.
Elementy rchunku prwdopodoeństw f 0 f() - gęstość rozkłdu prwdopodoeństw X f d P< < = f( d ) F = f( tdt ) - dystryunt rozkłdu E( X) = tf( t) dt - wrtość średn D ( X) = E( X ) E( X) - wrncj = f () F ()
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VIII: Przestrzenie statystyczne. Estymatory 1 grudnia 2014 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji r(x, Z) = 0, 986 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji
Bardziej szczegółowoAnaliza 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 szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowoRACHUNEK NIEPEWNOŚCI POMIARU
Mędznarodowa Norma Ocen Nepewnośc Pomaru(Gude to Epresson of Uncertant n Measurements - Mędznarodowa Organzacja Normalzacjna ISO) RACHUNEK NIEPEWNOŚCI http://phscs.nst./gov/uncertant POMIARU Wrażane Nepewnośc
Bardziej szczegółowoNowoczesne technk nformatyczne - Ćwczene 2: PERCEPTRON str. 2 Potencjał membranowy u wyznaczany jest klasyczne: gdze: w waga -tego wejśca neuronu b ba
Nowoczesne technk nformatyczne - Ćwczene 2: PERCEPTRON str. 1 Ćwczene 2: Perceptron WYMAGANIA 1. Sztuczne sec neuronowe budowa oraz ops matematyczny perceptronu (funkcje przejśca perceptronu), uczene perceptronu
Bardziej szczegółowoModelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja
Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Bardziej szczegółowoKier. MTR Programowanie w MATLABie Laboratorium Ćw. 12
Ker. MTR Programowane w MATLABe Laboratorum Ćw. Analza statystyczna grafczna danych pomarowych. Wprowadzene MATLAB dysponuje weloma funcjam umożlwającym przeprowadzene analzy statystycznej pomarów, czy
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoSprawozdanie powinno zawierać:
Sprawozdane pownno zawerać: 1. wypełnoną stronę tytułową (gotowa do ćw. nr 0 na strone drugej, do pozostałych ćwczeń zameszczona na strone 3), 2. krótk ops celu dośwadczena, 3. krótk ops metody pomaru,
Bardziej szczegółowoKlasyfikatory liniowe Linear classifiers
Klasyfkatory lnowe Lnear classfers JERZY STEFANOWSKI Insttute of Computng Scences, Poznań Unversty of Technology UMSN slady wykładu Wersa 2010 Plan 1. Lnowe klasyfkatory 2. Klasyczne lnowa analza dyskrymnacyna
Bardziej szczegółowoRóżniczkowalność, pochodne, ekstremum funkcji. x 2 1 x x 2 k
Różnczkowalność, pochodne, ekstremum funkcj Ćwczene 1 Polczyć pochodn a kerunkow a funkcj: 1 1 1 x 1 x 2 x k ϕ(x 1,, x k ) x 2 1 x 2 2 x 2 k x k 1 1 x k 1 2 x k 1 w dowolnym punkce p [x 1, x 2,, x k T
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoKomputerowe generatory liczb losowych
. Perwszy generator Komputerowe generatory lczb losowych 2. Przykłady zastosowań 3. Jak generuje sę lczby losowe przy pomocy komputera. Perwszy generator lczb losowych L. H. C. Tppet - 927 Ksąż ążka -
Bardziej szczegółowoStatystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28
Statystyka #5 Testowanie hipotez statystycznych Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2016/2017 1 / 28 Testowanie hipotez statystycznych 2 / 28 Testowanie hipotez statystycznych
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowo5. Maszyna Turinga. q 1 Q. Konfiguracja: (q,α β) q stan αβ niepusta część taśmy wskazanie położenia głowicy
5. Maszyna Turnga = T Q skończony zór stanów q 0 stan początkowy F zór stanów końcowych Γ skończony zór symol taśmy T Γ alfaet wejścowy T Γ symol pusty (lank) δ: Q Γ! 2 Q Γ {L,R} funkcja
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoMetody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,
Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą
Bardziej szczegółowo