2. Wartości własne i wektory własne macierzy

Wielkość: px
Rozpocząć pokaz od strony:

Download "2. Wartości własne i wektory własne macierzy"

Transkrypt

1 Wartośc włase wektory włase macerzy Wprowadzee Dzałaa a modelach opsuących układy welowymarowe są zazwycza prowadzoe z zastosowaem poęć dotyczących algebry lowe, gdze podstawowym elemetam są: wektor oraz macerz Przez -wymarowy wektor rozume sę układ lczb (ogóle zespoloych) ustawoych w kolumę (wektor kolumowy) lub wersz (wektor werszowy): b b b - wektor kolumowy, c [ c c L c ] - wektor werszowy M b Macerzą m est tablca prostokąta zaweraąca m elemetów macerzy: a a a a a a M M M am am am Wektory p, q o współczykach rzeczywstych są ortogoale (prostopadłe) eśl zachodz rówość: p q, a poadto są uormowae, eśl: p p Kwadratowa macerz ortogoala charakteryzue sę astępuącym właścwoścam: Q Q QQ I, Q Q () skąd wyka, że macerz ortogoala est eosoblwa Macerz o elemetach zespoloych (macerz zespoloa) może być zapsaa w astępuące forme: Re( ) Im( ) U V () Dla macerzy {a } defowaa est macerz sprzężoa o postac: * { a * }, gdze symbol * ozacza operacę sprzężea zespoloego Macerz est hermtowska eśl zachodz rówość: * Odpowedkem zespoloym macerzy ortogoale est macerz utara: * * Q Q QQ I W ektórych publkacach macerz sprzężoą ozacza sę górym deksem H (od azwska Hermte) Charles Hermte (8-9), fracusk matematyk

2 6 Metody umerycze w techce Suma elemetów stoących a przekąte macerzy est azywaa e śladem: ( ) tr () a Macerzą dołączoą ad macerzy kwadratowe est macerz powstała przez zastąpee każdego elemetu a macerzy traspoowae odpowadaącym mu dopełeem algebraczym D []: D ) M ( () gdze M est morem macerzy, który est wyzaczkem macerzy powstałe przez wykreślee -tego wersza oraz -te kolumy z macerzy Przykład Określć macerz dołączoą macerzy : 7 6 Wykouemy kolee krok zgode z podaą defcą 7 7 7, D, D, D, D D, D, D, D, D Zatem: D D D ad D D D 6 6 D 7 D D Warto przypomeć, że z macerzą dołączoą zwązaa est macerz odwrota: det ad () dla det W powyższym przykładze det 9 oraz: ad Łatwo sprawdzć, że: - I Jeśl est macerzą kwadratową, to operaca: w (6) Od agelskego termu adot

3 Wartośc włase wektory włase macerzy 7 może być traktowaa ako przekształcee wektora w wektor w, przy czym, oba wektory maą te sam wymar Macerz w tym zwązku peł rolę operatora przekształcea W ogólym przypadku, wektory w w (6) różą sę kerukem, zwrotem oraz długoścą Ilustrue to astępuący przykład Przykład Określć rezultat przekształcea (6) dla astępuących parametrów: 7, Łatwo sprawdzć, że w wyku przekształcea (6) otrzymamy: w Położee obu wektorów względem początku układów est pokazae a rys a Ich wzaema relaca wyka z operatora przekształcea (macerzy ) L Rys Grafcza lustraca położea rozpatrywaych wektorów Ważym przypadkem est tak dobór wektora, aby w rezultace przekształcea (6) otrzymać wektor proporcoaly: w λ, (7) gdze współczyk proporcoalośc λ est azyway wartoścą własą, a wektor wektorem własym macerzy, zwązaym z wartoścą własą λ [] W takm wypadku oba wektory w (6): w oraz maą te sam keruek, atomast mogą sę różć zwrotem długoścą (w zależośc od zaku wartośc współczyka λ) Rozpatrywaa macerz ma dwa take rozwązaa: 7 / 9 dla λ oraz dla λ Odpowadaą m wektory w spełaące rówaa (6) (7): 7 / 9 w λ oraz w λ (rys b) Sposób wyzaczaa wartośc własych wektorów własych dae macerzy kwadratowe oraz aalza wypływaących stąd właścwośc operac (6) est główym przedmotem rozważań w dalsze częśc eszego rozdzału Wartośc włase weloma charakterystyczy macerzy Przekształcee (6), spełaące waruek (7) ma astępuącą formę:

4 8 Metody umerycze w techce λ (8) gdze est macerzą kwadratową, atomast λ est skalarem Problem określea wartośc współczyka λ oraz zwązaego z m wektora os azwę zagadea wektora wartośc włase macerzy lub króce: zagadea własego Przeosząc składk rówaa (8) a edą stroę otrzymamy astępuącą edorodą postać tego rówaa: ( I) ( λi ) λ (9) Rówae to ma oczywste (trywale) rozwązae: Ne est to edak rozwązae cekawe, gdyż a ego wyk e maą wpływu pozostałe elemety rówaa Okazue sę, że etrywale rozwązae (9) stee wówczas, gdy macerz : λi est osoblwa [], [8]: ( I) det λ () Waruek () prowadz do teresuącego wosku, że prawa stroa (9) pozostae rówa zeru pommo tego, że: Perwastk rówaa () są wartoścam własym macerzy, podczas gdy est wektorem własym te macerzy Wektor także speła rówae (8), edak est to właśe rozwązae trywale, a odpowadaący mu wektor e est wektorem własym macerzy Łatwo sprawdzć, że zależość () przedstawa weloma stopa względem zmee λ: ( λi) p( λ) d λ d λ d λ d det, () Jest to tzw weloma charakterystyczy macerzy Współczyk tego welomau są zwązae z charakterystykam macerzy : wyraz woly est rówy wyzaczkow macerzy (d det()), atomast współczyk stoący przy λ - est rówy śladow macerzy (d - tr()) Łatwo także sprawdzć, że współczyk stoący przy awyższe potędze λ est rówy dla parzystego rozmaru macerzy, oraz dla rozmaru eparzystego: d ( ) W ogólym przypadku perwastk welomau charakterystyczego mogą być welokrote, co wyka z loczyowe formy reprezetac (): m m m ( ) ( λ λ ) ( λ λ ) ( λ λ ) k p( λ) L, () k przy czym: m m L mk, m krotość -tego perwastka W dalsze aalze ograczamy rozważaa do przypadków, gdy macerz kwadratowa ma poedycze wartośc włase Wosk stąd płyące daą sę rozszerzyć także a przypadek welokrotych perwastków welomau charakterystyczego (), edak algorytmy oblczeowe są bardze złożoe [6], [8] Na podstawe () wdać, że perwastk welomau charakterystyczego macerzy są wartoścam własym te macerzy Poadto, wyzaczk macerzy est rówy loczyowy e wszystkch wartośc własych: W rówau edorodym po ede stroe zaku rówośc występue zero

5 Wartośc włase wektory włase macerzy 9 ( ) det λ, () atomast suma wartośc własych macerzy est rówa śladow te macerzy: ( ) tr λ () Właścwość () stae sę oczywsta, gdy rozpszemy zależość (): a λ a a λ a det( λi) () M M M a a a a a λ Przykład Określć wartośc włase macerzy : Stosuąc () otrzymamy: 7 6 λ 7 λ λ 6 λ λ λ 9 Perwastk otrzymaego welomau (a węc także wartośc włase macerzy ) są astępuące: λ 8,999, λ 6 67, λ 6 Moża sprawdzć, że: det() λ λλ -9, tr() λ λ λ, co est także rówe sume elemetów leżących a przekąte orygale macerzy Wracaąc do opsu właścwośc zagadea własego warto zazaczyć, że zbór wartośc własych dae macerzy est azyway spektrum te macerzy Każda macerz, ma wartośc własych, lczoych zgode z ch krotoścą - () Jeśl (8) est spełoe dla wartośc włase λ : λ, (6) to wektor est wektorem własym macerzy przyależym do wartośc włase λ, co tworzy parę: λ, zatem, wektor własy przyależy do wartośc włase λ speła rówae (9): ( I) ( λ I ) λ, (7) przy czym, odrzucamy rozwązae trywale: Przykład Zaleźć wartośc włase wektory włase macerzy: 6

6 Metody umerycze w techce Wartośc włase oblczamy z rówaa: λ det( λi) ( )( ) 8 6 λ λ λ Weloma charakterystyczy ma astępuącą postać: ( λ )( λ ), λ, λ Dla perwsze wartośc włase (λ ) rówae () est astępuące: ( λ I) 6 6 6, skąd: ; 6 6 ; t t Wdać, że powyższe rówaa są spełoe dla każdego wektora [ ] wektora własego e est węc edozaczy Podobe, dla λ otrzymamy: ( λ I) 6, skąd: 6 ; 6 ; t t, t co dae: [ ], t Wybór Wdać, że wektory włase moża określć z dokładoścą do stałego czyka Zazwycza edak podae sę uormowaą wartość wektora, zakładaąc, że: x lub x, (8) gdze: x max( x ) - orma maksmum, x x x x - orma kwadratowa (eukldesowa) Operaca ormalzac według ormy eukldesowe przebega zgode z zależoścą: : (9) / Wektory włase moża także określć a podstawe macerzy dołączoe ( λ I) ad macerzy λ I (): kolumy macerzy [ λi] ad λ λ są wektoram własym macerzy zwązaym z wartoścą własą λ [] Procedurę tę lustrue koley przykład Przykład Określć wartośc włase wektory włase macerzy: Rówae charakterystycze: det( λi) ( λ)(( λ) 9) ma astępuące perwastk: λ, λ, λ Wektory włase określmy przez oblczee macerzy dołączoych:

7 Wartośc włase wektory włase macerzy ( λi) ad [ ( λ ) ( λ ) ( λ )] λ λ ad Spośród tych trzech wektorów tylko (λ ) e est zerowy, węc () [ ] Dla druge wartośc włase otrzymamy: ( λi) ad 9 9 [ ( λ ) ( λ ) ( λ )] λ λ 9 9 ad W tym przypadku każdy z wektorów może być wybray ako wektor własy skoarzoy z wartoścą własą λ Dla trzece wartośc włase mamy: ( λi) ad 9 9 [ ( λ) ( λ) ( λ) ] λ λ 9 9 ad akże w tym przypadku w charakterze wektora własego moża wybrać dowoly wektor spośród (λ ), (λ ), (λ ) Moża zauważyć, że poszczególe wektory włase skoarzoe z tą samą wartoścą własą są take same z dokładoścą do stałe Na przykład: ( λ) a( λ), gdze a ; λ ) b ( ), gdze b ( λ Powyższe przykłady pokazuą sposób rozwązaa zagadea własego macerzy Moża go uąć w astępuący algorytm: - Określć weloma charakterystyczy p(λ) macerzy () - Wyzaczyć perwastk welomau charakterystyczego: p(λ) - Dla każde wartośc włase wyzaczyć odpowadaący e wektor własy, będący etrywalym rozwązaem rówaa eedorodego (7) lgorytm te moża stosować edye do zadań o małych rozmarach macerzy Zaych est wele efektywych algorytmów rozwązywaa zagadea własego, które moża z powodzeem stosować do rozwązywaa zadań o dużych rozmarach Szczegółowy ch ops moża zaleźć w lteraturze przedmotu [], [], [6] Odpowadaące m programy wchodzą w skład zaych paketów oblczeowych [8], [], [] Dagoalzaca macerzy Z zagadeem wartośc własych łączy sę problem podobeństwa macerzy Jeśl w (8) wektor zostae zastąpoy przez wektor y V -, gdze V est macerzą eosoblwą, to otrzymamy: By λy, B V V, () przy czym wartośc włase obu macerzy podobych są edakowe [] Jedocześe, eśl est wektorem własym przyależym do wartośc włase λ, to wektor y V - est wektorem własym macerzy B przyależym do te same wartośc włase λ

8 Metody umerycze w techce Przekształcee () est azywae przekształceem podobeństwa, w którym macerze B są podobe Jeśl macerz V est macerzą ortogoalą (utarą) (), to podobeństwo () azywamy podobeństwem ortogoalym Każda macerz symetrycza może być przekształcoa za pomocą podobeństwa ortogoalego do postac dagoale (przekątoścowe), w które przekąta est utworzoa z wartośc własych macerzy: V V Λ dag λ, λ,, ), () ( λ gdze macerz przekształcea V (zwaa także macerzą modalą) est utworzoa z wektorów własych macerzy : [ L ] V () Wyłączaąc w () macerz otrzymamy: λ [ L ] [ L ] V Λ V M λ M L L O L M λ, () co est azywae rozkładem macerzy względem e wartośc własych, przy czym est wektorem własym macerzy zwązaym z e wartoścą własą λ Warukem stea przekształcea () est eosoblwość macerzy V Jest to spełoe, eśl wektory włase macerzy są ezależe: [ ] det( V) det( L ) () Zależość () est spełoa, eśl wektory włase,,,, macerzy przyależą do różych wartośc własych Na podstawe powyższe aalzy wdać, że rozkład macerzy według e wartośc własych może być stosoway do określea operatora przekształcea te macerzy do postac dagoale Przykład 6 Określć operator, który przekształca macerz z Przykładu : do postac dagoale W Przykładze określoe zostały wektory włase macerzy Wyberzmy astępuący komplet tych wektorów: (λ ) [ ], (λ ) [ ], (λ ) [ ] Macerz ależy utworzyć z wymeoych wektorów własych odpowadaących różym wartoścom własym Poeważ te wektory są określoe z dokładoścą do stałe, węc moża e zormalzować, co dae astępuącą macerz trasformac ortogoale: ( λ ) ( λ ) ( λ),,,,,,,,,,, Moża sprawdzć, że:

9 Wartośc włase wektory włase macerzy λ Λ λ λ Powyższe oblczea moża łatwo przeprowadzć posługuąc sę programem MLB: [,D]eg(); gdze, D Λ (wcześe ależy zadeklarować macerz ) W rezultace otrzymamy astępuące macerze:,9 Λ,,77,77,86,77,77,9 Wdać, że wartośc włase są podae w e koleośc, zaczyaąc od wartośc awększych co do modułu o spowodowało odpowedą zmaę koleośc wektorów w macerzy W stosowae tu procedurze wektory włase są uormowae według ormy kwadratowe, co obawa sę także w ych wartoścach poszczególych elemetach macerzy (suma kwadratów współczyków poszczególych wektorów własych est rówa ) Jak wdać, podstawowe relace pozostaą edak zachowae alzuąc wyk Przykładu 6 moża zauważyć, że dagoalzaca rozpatrywae macerzy rzeczywste wymaga stosowaa operatora w postac macerzy zespoloe Wyka to stąd, że wartośc włase są w tym przypadku zespoloe Pod tym względem zacze korzystesze właścwośc maą symetrycze macerze rzeczywste Dowodz sę, że wartośc włase rzeczywstych macerzy symetryczych są zawsze rzeczywste a zatem, rozkład takch macerzy według wartośc własych est także rzeczywsty [], [] Poadto, wektory włase odpowadaące różym wartoścom własym są wzaeme ortogoale W takm wypadku moża zatem stosować zależośc () () Jeśl macerz V est macerzą ortogoalą (utarą) (), to podobeństwo () azywamy podobeństwem ortogoalym Każda macerz symetrycza może być przekształcoa za pomocą podobeństwa ortogoalego do postac dagoale (przekątoścowe) według (), w które przekąta est utworzoa z wartośc własych macerzy, przy czym: V V, () co est rówoważe zależośc: V V I Wektory włase tworzące macerz V są w tym przypadku ortoormale: I oraz Wyłączaąc w () macerz otrzymamy: V Λ V λ λ L λ (6) M λ [ ] Wdać, że rozkład symetrycze rzeczywste macerzy względem e wartośc własych e wymaga odwracaa macerzy przekształceń, a procedura oblczaa

10 Metody umerycze w techce par: λ, est zazwycza zacze prostsza ż w przypadku macerzy esymetryczych [], [] Przykład 7 Określć operator V, który przekształca astępuącą macerz : do postac dagoale Zauważmy, że est macerzą rzeczywstą symetryczą Określamy rówae charakterystycze: det( λi) λ λ λ Wartośc włase są astępuące: λ, λ 68,, λ 8, Wektory włase moża określć przez rozwązae rówań (7) dla oddzelych wartośc własych, przy czym, poszukwaym welkoścam są wektory włase zwązae z tym wartoścam a λ Rówae (7) ma astępuącą postać: ) ( I λ, skąd otrzymuemy:,, Wydzelaąc z perwszego rówaa, po wstaweu do trzecego, otrzymamy astępuący układ rówań:, które są sobe rówoważe Jedą z występuących tam zmeych ależy zatem wybrać dowole Zakładaąc, otrzymamy: - oraz - W te sposób otrzymalśmy wektor własy dla λ : [ ] b λ Postępuemy podobe, ak w poprzedm pukce: ) ( I λ, skąd otrzymuemy:,,

11 Wartośc włase wektory włase macerzy Zów, zakładaąc, otrzymamy: ( ) oraz otrzymalśmy wektor własy dla λ : ( ) W te sposób c λ Dzałaa podobe ak w poprzedch dwóch puktach prowadzą do astępuące wartośc W te sposób określoa została macerz trasformac V, przedstawaąca rozkład macerzy według wartośc własych:,,7, V [ ],6 6,,, Poszczególe wektory włase w powyższych oblczeach e są uormowae Normalzaca polega a wykoau skalowaa zgode z (9) wszystkch wektorów własych Uormowaa macerz trasformac est astępuąca: wektora własego dla λ : ( ),6,76,76 V [ ],7,6,6,6,76,76 Moża zauważyć, że zamaa dwóch perwszych kolum prowadz do symetrycze postac te macerzy, która est z pewoścą korzystesza Ostatecze otrzymuemy:,76,6,76 V [ ],6,7,6,76,6,76 Moża sprawdzć, że: V V I, a poadto: V V Λ,8,,68 gdze a przekąte występuą wartośc włase macerzy Poże rozpatryway est podoby przykład, gdy est macerzą hermtowską Przykład 8 Określć operator V, który przekształca astępuącą macerz : do postac dagoale Zauważmy, że est macerzą zespoloą hermtowską Określamy rówae charakterystycze: det( λi) λ λ λ,

12 6 Metody umerycze w techce które est detycze, ak dla macerzy z Przykładu 7 prowadz węc do tych samych wartośc własych Skorzystamy w tym przypadku z pomocy programu MLB: [ ; ; - ]; [V,D]eg(); Po wykoau tego programu otrzymamy macerz przekształceń utworzoą z wektorów własych:,6,76 -,9,9 V [ ],6,6,7,7 -,6 -,6,76 -,7,7 Jest to macerz utara, węc moża sprawdzć, że zachodzą astępuące zwązk: * * V V I oraz V V, a poadto: * * * I V V D,8, co odpowada dagoale macerzy D z wartoścam,68 własym a przekąte, otrzymae po wykoau powyższego programu W różych zastosowaach praktyczych macerz przekształceń V w () lub (6), która prowadz do macerzy dagoale, est azywaa macerzą modalą Jest to zwązae z tym, że system wzaeme sprzężoych rówań algebraczych lub różczkowych, po dagoalzac macerzy parametrów, stae sę systemem przedstawaącym ezależych układów, w których e występuą wzaeme sprzężea e ezależe współrzęde azywae są modam ypowym przykładem w elektrotechce est modala macerz przekształcea układu trófazowego we współrzędych fazowych do składowych symetryczych, co prowadz do uproszczea modelu ake podeśce est powszeche stosowae w techce Zadaa Poższe zadaa wykoać posługuąc sę edye podstawowym operacam dostępym w kalkulatorze lub w pakece kalkulacyym komputera Oblczyć wyzaczk: λ det( ) λ λ Określć wartośc współczyka λ, dla których rówae x ma etrywale rozwązaa Dla podaych macerzy określć: - weloma charakterystyczy p (λ); - wartośc włase; - wektory włase dla każde wartośc włase

13 Wartośc włase wektory włase macerzy 7 a) b) 9 6 c) d) e) e) f) g) h) ) ) ) / / k) l) Dla podaych macerzy symetryczych/hermtowskch określć wartośc włase, wektory włase macerz modalą Przeprowadzć ormalzacę wektorów własych w celu uzyskaa wektorów ortoormalych Sprawdzć, czy są spełoe waruk ortogoalośc/utarośc macerzy modale b) 6 6 c) d) e) e) f) g) h) ) ) ) k) l) Uwaga: w przypadku, gdy weloma charakterystyczy ma stopeń wększy ż dwa, to moża posłużyć sę fukcą programu MLB do zalezea ego perwastków: roots(d), gdze d est wektorem współczyków welomau Na przykład, w przypadku welomau: ) ( λ λ λ λ p perwastk oblcza sę astępuąco: d[- - ]; qroots(d), gdze q est wektorem zaweraącym perwastk:,7,,,,679

Podprzestrzenie macierzowe

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

Bardziej szczegółowo

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

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

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

Bardziej szczegółowo

1. Relacja preferencji

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

Bardziej szczegółowo

PERMUTACJE Permutacją zbioru n-elementowego X nazywamy dowolną wzajemnie jednoznaczną funkcję f : X X X

PERMUTACJE Permutacją zbioru n-elementowego X nazywamy dowolną wzajemnie jednoznaczną funkcję f : X X X PERMUTACJE Permutacą zboru -elemetowego X azywamy dowolą wzaeme edozaczą fucę f : X X f : X X Przyład permutac X = { a, b, c, d } f (a) = d, f (b) = a, f (c) = c, f (d) = b a b c d Zaps permutac w postac

Bardziej szczegółowo

Funkcja wiarogodności

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

Bardziej szczegółowo

Zmiana bazy i macierz przejścia

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

Bardziej szczegółowo

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = = 4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ ). W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,

Bardziej szczegółowo

Planowanie eksperymentu pomiarowego I

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

Bardziej szczegółowo

STATYKA. Cel statyki. Prof. Edmund Wittbrodt

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

Bardziej szczegółowo

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1 POPULACJA I PRÓBA POPULACJĄ w statystyce matematyczej azywamy zbór wszystkch elemetów (zdarzeń elemetarych charakteryzujących sę badaą cechą opsywaą zmeą losową. Zbadae całej populacj (przeprowadzee tzw.

Bardziej szczegółowo

Projekt 2 2. Wielomiany interpolujące

Projekt 2 2. Wielomiany interpolujące Proekt Weloma terpoluące Rodzae welomaów terpoluącc uma edomaów Nec w przedzale a, b określoa będze fukca f: ec będze ustaloc m wartośc argumetu :,,, m, m L prz czm: < < L < < m m Pukt o tc odcztac azwa

Bardziej szczegółowo

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej PŁAKA GEOMETRIA MA Środek cężkośc fgury płaskej Mometam statyczym M x M y fgury płaskej względem os x lub y (rys. 7.1) azywamy gracę algebraczej sumy loczyów elemetarych pól d przez ch odległośc od os,

Bardziej szczegółowo

MACIERZE STOCHASTYCZNE

MACIERZE STOCHASTYCZNE MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:

Bardziej szczegółowo

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

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi. 3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy

Bardziej szczegółowo

METODY KOMPUTEROWE 1

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

Bardziej szczegółowo

MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ

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

Bardziej szczegółowo

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B W przypadku gdy e występuje statystyczy rozrzut wyków (wszystke pomary dają te sam wyk epewość pomaru wyzaczamy w y sposób. Główą przyczyą epewośc pomaru jest epewość

Bardziej szczegółowo

FUNKCJE DWÓCH ZMIENNYCH

FUNKCJE DWÓCH ZMIENNYCH FUNKCJE DWÓCH MIENNYCH De. JeŜel kaŝdemu puktow (, ) ze zoru E płaszczz XY przporządkujem pewą lczę rzeczwstą z, to mówm, Ŝe a zorze E określoa została ukcja z (, ). Gd zór E e jest wraźe poda, sprawdzam

Bardziej szczegółowo

TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA

TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA Ćwczee 8 TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA 8.. Cel ćwczea Celem ćwczea jest wyzaczee statyczego współczyka tarca pomędzy walcową powerzchą cała a opasującą je lą. Poadto a drodze eksperymetalej

Bardziej szczegółowo

Portfel złożony z wielu papierów wartościowych

Portfel złożony z wielu papierów wartościowych Portfel westycyy ćwczea Na odst. Wtold Jurek: Kostrukca aalza, rozdzał 4 dr Mchał Kooczyńsk Portfel złożoy z welu aerów wartoścowych. Zwrot ryzyko Ozaczea: w kwota ulokowaa rzez westora w aery wartoścowe

Bardziej szczegółowo

ANALIZA INPUT - OUTPUT

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

Bardziej szczegółowo

( ) WŁASNOŚCI MACIERZY

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Analiza Matematyczna Ćwiczenia. J. de Lucas

Analiza Matematyczna Ćwiczenia. J. de Lucas Aalza Matematycza Ćwczea J. de Lucas Zadae. Oblczyć grace astępujących fucj a lm y 3,y 0,0 b lm y 3 y ++y,y 0,0 +y c lm,y 0,0 + 4 y 4 y d lm y,y 0,0 3 y 3 e lm,y 0,0 +y 4 +y 4 f lm,y 0,0 4 y 6 +y 3 g lm,y

Bardziej szczegółowo

Sprawdzenie stateczności skarpy wykopu pod składowisko odpadów komunalnych

Sprawdzenie stateczności skarpy wykopu pod składowisko odpadów komunalnych Sprawdzee stateczośc skarpy wykopu pod składowsko odpadów koualych Ustalee wartośc współczyka stateczośc wykoae zostae uproszczoą etodą Bshopa, w oparcu o poższą forułę: [ W s( α )] ( φ ) ( φ ) W ta F

Bardziej szczegółowo

Wyznaczanie oporu naczyniowego kapilary w przepływie laminarnym.

Wyznaczanie oporu naczyniowego kapilary w przepływie laminarnym. Wyzaczae oporu aczyowego kaplary w przepływe lamarym. I. Przebeg ćwczea. 1. Zamkąć zawór odcający przewody elastycze a astępe otworzyć zawór otwerający dopływ wody do przewodu kaplarego. 2. Ustawć zawór

Bardziej szczegółowo

11/22/2014 STRATEGIE MIESZANE - MOTYWACJA. ROZWAśMY PRZYKŁAD:

11/22/2014 STRATEGIE MIESZANE - MOTYWACJA. ROZWAśMY PRZYKŁAD: //4 Gry o sue zero - gry rozgrywae w strategach eszaych STRATEGIE IESZANE - OTYWACJA. ROZWAśY PRZYKŁAD: 5 DEFINICJA..6 Strategą eszaą π gracza P azyway kaŝdy rozkład prawdopodobeństwa określoy a zborze

Bardziej szczegółowo

Matematyczny opis ryzyka

Matematyczny opis ryzyka Aalza ryzyka kosztowego robót remotowo-budowlaych w warukach epełe formac Mgr ż Mchał Bętkowsk dr ż Adrze Powuk Wydzał Budowctwa Poltechka Śląska w Glwcach MchalBetkowsk@polslpl AdrzePowuk@polslpl Streszczee

Bardziej szczegółowo

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = = 4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ. W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

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

Bardziej szczegółowo

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

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego). TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu

Bardziej szczegółowo

Matematyka dyskretna. 10. Funkcja Möbiusa

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

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

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

Bardziej szczegółowo

Twierdzenie Cayleya-Hamiltona

Twierdzenie Cayleya-Hamiltona Twierdzeie Cayleya-Hamiltoa Twierdzeie (Cayleya-Hamiltoa): Każda macierz kwadratowa spełia swoje włase rówaie charakterystycze. D: Chcemy pokazać, że jeśli wielomiaem charakterystyczym macierzy A jest

Bardziej szczegółowo

Niech Φ oznacza funkcję zmiennej x zależną od n + 1 parametrów a 0, a 1, K, a n, tj.

Niech Φ oznacza funkcję zmiennej x zależną od n + 1 parametrów a 0, a 1, K, a n, tj. III. INTERPOLACJA 3.. Ogóe zadae terpoac Nech Φ ozacza fucę zmee x zaeżą od + parametrów a 0, a, K, a, t. Defca 3.. Zadae terpoac poega a oreśeu parametrów a ta, żeby da + da- ych par ( x, f ( x ( 0,,...,

Bardziej szczegółowo

Wykład 11. a, b G a b = b a,

Wykład 11. a, b G a b = b a, Wykład 11 Grupy Grupą azywamy strukturę algebraiczą złożoą z iepustego zbioru G i działaia biarego które spełia własości: (i) Działaie jest łącze czyli a b c G a (b c) = (a b) c. (ii) Działaie posiada

Bardziej szczegółowo

Indukcja matematyczna

Indukcja matematyczna Iducja matematycza Twerdzee. zasada ducj matematyczej Nech T ozacza pewą tezę o lczbe aturalej. Jeżel dla pewej lczby aturalej 0 teza T 0 jest prawdzwa dla ażdej lczby aturalej 0 z prawdzwośc tezy T wya

Bardziej szczegółowo

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

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

Bardziej szczegółowo

J. Wyrwał, Wykłady z mechaniki materiałów METODA SIŁ Wprowadzenie

J. Wyrwał, Wykłady z mechaniki materiałów METODA SIŁ Wprowadzenie J. Wyrwał Wykłady z mechak materałów.. ETODA SIŁ... Wprowadzee etoda sł est prostą metodą rozwązywaa (obczaa reakc podporowych oraz wyzaczaa sł przekroowych) statycze ewyzaczaych (zewętrze wewętrze) układów

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Modelowanie i Analiza Danych Przestrzennych

Modelowanie i Analiza Danych Przestrzennych Modelowae Aalza Daych Przestrzeych Wykład 8 Adrze Leśak Katedra Geoformatyk Iformatyk Stosowae Akadema Górczo-Hutcza w Krakowe Jaką postać ma warogram daych z tredem? Moża o wylczyć teoretycze prostego

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Laboratorium Metod Statystycznych ĆWICZENIE 2 WERYFIKACJA HIPOTEZ I ANALIZA WARIANCJI

Laboratorium Metod Statystycznych ĆWICZENIE 2 WERYFIKACJA HIPOTEZ I ANALIZA WARIANCJI Laboatoum Metod tatystyczych ĆWICZENIE WERYFIKACJA HIPOTEZ I ANALIZA WARIANCJI Oacowała: Katazya tąo Weyfkaca hotez Hoteza statystycza to dowole zyuszczee dotyczące ozkładu oulac. Wyóżamy hotezy: aametycze

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I PODSTAWY IDENTYFIKACJI

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I PODSTAWY IDENTYFIKACJI Poltechka Gdańska Wydzał Elektrotechk Automatyk Katedra Iżyer Systemów Sterowaa MODELOWANIE I PODSAWY IDENYFIKACI Wybrae zagadea z optymalzacj. Materały pomoccze do zajęć ćwczeowych 5 Opracowae: Kazmerz

Bardziej szczegółowo

[ ] WSPÓŁCZYNNIK EKSCESU WEKTORA LOSOWEGO. Wprowadzenie. Katarzyna Budny =, (1)

[ ] WSPÓŁCZYNNIK EKSCESU WEKTORA LOSOWEGO. Wprowadzenie. Katarzyna Budny =, (1) Katarzya Budy Uwersytet Ekoomczy w Krakowe WSPÓŁCZYNNIK EKSCESU WEKTORA LOSOWEGO Wprowadzee Jedą z podstawowych mar spłaszczea czy też kocetrac rozkładu zmee losowe edowymarowe wokół średe est kurtoza

Bardziej szczegółowo

Monika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu

Monika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu DYNAMICZNE MODELE EKONOMERYCZNE X Ogólopolske Semarum Naukowe, 4 6 wrześa 2007 w oruu Katedra Ekoometr Statystyk, Uwersytet Mkołaja Koperka w oruu Moka Jezorska - Pąpka Uwersytet Mkołaja Koperka w oruu

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości Prawdopodobeństwo statystyka 4.0.00 r. Zadae Nech... będą ezależym zmeym losowym z rozkładu o gęstośc θ f ( x) = θ xe gdy x > 0. Estymujemy dodat parametr θ wykorzystując estymator ajwększej warogodośc

Bardziej szczegółowo

UKŁADY RÓWNAŃ LINOWYCH

UKŁADY RÓWNAŃ LINOWYCH Ekoeergetyka Matematyka. Wykład 4. UKŁADY RÓWNAŃ LINOWYCH Defiicja (Układ rówań liiowych, rozwiązaie układu rówań) Układem m rówań liiowych z iewiadomymi,,,, gdzie m, azywamy układ rówań postaci: a a a

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

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

Bardziej szczegółowo

ELEMENTY ANALIZY NUMERYCZNEJ

ELEMENTY ANALIZY NUMERYCZNEJ Adrze Marcak ELEMENTY ANALIZY NUMERYCZNEJ Wykłady dla studetów keruku formatyka Poltechk Pozańske Wykłady są przezaczoe wyłącze do dywdualego użytku przez studetów formatyk Poltechk Pozańske. Ne mogą być

Bardziej szczegółowo

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

Elementy rach. macierzowego Materiały pomocnicze do MES Strona 1 z 7. Elementy rachunku macierzowego Elemety rach macierzowego Materiały pomocicze do MES Stroa z 7 Elemety rachuku macierzowego Przedstawioe poiżej iformacje staowią krótkie przypomieie elemetów rachuku macierzowego iezbęde dla zrozumieia

Bardziej szczegółowo

WYZNACZANIE WARTOŚCI ENERGII ROZPRASZANEJ PODCZAS ZDERZENIA CIAŁ

WYZNACZANIE WARTOŚCI ENERGII ROZPRASZANEJ PODCZAS ZDERZENIA CIAŁ 9 Cel ćwczea Ćwczee 9 WYZNACZANIE WARTOŚCI ENERGII ROZPRASZANE PODCZAS ZDERZENIA CIAŁ Celem ćwczea jest wyzaczee wartośc eerg rozpraszaej podczas zderzea cał oraz współczyka restytucj charakteryzującego

Bardziej szczegółowo

MODELE OBIEKTÓW W 3-D3 część

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

Bardziej szczegółowo

. Wtedy E V U jest równa

. Wtedy E V U jest równa Prawdopodobeństwo statystyka 7.0.0r. Zadae Dwuwymarowa zmea losowa Y ma rozkład cągły o gęstośc gdy ( ) 0 y f ( y) 0 w przecwym przypadku. Nech U Y V Y. Wtedy E V U jest rówa 8 7 5 7 8 8 5 Prawdopodobeństwo

Bardziej szczegółowo

Modelowanie niezawodności i wydajności synchronicznej elastycznej linii produkcyjnej

Modelowanie niezawodności i wydajności synchronicznej elastycznej linii produkcyjnej Dr hab. ż. Ato Śwć, prof. adzw. Istytut Techologczych ystemów Iformacyych oltechka Lubelska ul. Nadbystrzycka 36, 2-68 Lubl e-mal: a.swc@pollub.pl Dr ż. Lech Mazurek aństwowa Wyższa zkoła Zawodowa w Chełme

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Regresja REGRESJA

Regresja REGRESJA Regresja 39. REGRESJA.. Regresja perwszego rodzaju Nech (, będze dwuwyarową zeą losową, dla które steje kowaracja. Nech E( y ozacza warukową wartość oczekwaą zdefowaą dla przypadku zeych losowych typu

Bardziej szczegółowo

Statystyczne charakterystyki liczbowe szeregu

Statystyczne charakterystyki liczbowe szeregu Statystycze charakterystyk lczbowe szeregu Aalzę badaej zmeej moża uzyskać posługując sę parametram opsowym aczej azywaym statystyczym charakterystykam lczbowym szeregu. Sytetycza charakterystyka zborowośc

Bardziej szczegółowo

Współczynnik korelacji rangowej badanie zależności między preferencjami

Współczynnik korelacji rangowej badanie zależności między preferencjami Współczyk korelacj ragowej badae zależośc mędzy preferecjam Przemysław Grzegorzewsk Istytut Badań Systymowych PAN ul. Newelska 6 01-447 Warszawa E-mal: pgrzeg@bspa.waw.pl Pla referatu: Klasycze metody

Bardziej szczegółowo

Diagonalizacja macierzy kwadratowej

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

Bardziej szczegółowo

UOGÓLNIONA ANALIZA WRAŻLIWOŚCI ZYSKU W PRZEDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW. 1. Wprowadzenie

UOGÓLNIONA ANALIZA WRAŻLIWOŚCI ZYSKU W PRZEDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW. 1. Wprowadzenie B A D A N I A O P E R A C Y J N E I D E C Y J E Nr 2 2007 Aa ĆWIĄKAŁA-MAŁYS*, Woletta NOWAK* UOGÓLNIONA ANALIA WRAŻLIWOŚCI YSKU W PREDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW Przedstawoo ajważejsze elemety

Bardziej szczegółowo

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer

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

Bardziej szczegółowo

Mh n. 2 ε. h h/ n n. Ekstrapolacja Richardsona (szacowanie błędu) błąd. ekstrapolowana wartość całki I. kwadratury z adaptowanym krokiem

Mh n. 2 ε. h h/ n n. Ekstrapolacja Richardsona (szacowanie błędu) błąd. ekstrapolowana wartość całki I. kwadratury z adaptowanym krokiem Ekstrapolacja Rchardsoa (szacowae błędu) dla daej, ustaloej metody błąd Mh zakładając, że M jest w przyblżeu ezależe od h I I + Mh h h/ / I I + Mh ekstrapolowaa wartość całk I I e I h / + Ih / ( I h )

Bardziej szczegółowo

Badania Operacyjne (dualnośc w programowaniu liniowym)

Badania Operacyjne (dualnośc w programowaniu liniowym) Badaa Operacye (dualośc w programowau lowym) Zadae programowaa lowego (PL) w postac stadardowe a maksmum () c x = max, podczas gdy spełoe są erówośc () ax = b ( m ), x 0 ( ) Zadae programowaa lowego (PL)

Bardziej szczegółowo

1. MACIERZE, WEKTORY. θ θ. Wybrane z wykładów

1. MACIERZE, WEKTORY. θ θ. Wybrane z wykładów MAEMAYKA SOSOWANA I MEODY NUMERYCZNE Wybrae z wykładów. MACIERZE, WEKORY Macerz symerycza A A A + A, A A macerze symerycze Macerz aysymerycza A -A A / (A+A ) + /(A-A ) symerycza aysymerycza częśc macerzy

Bardziej szczegółowo

Relacje rekurencyjne. będzie następująco zdefiniowanym ciągiem:

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

Bardziej szczegółowo

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

Zaawansowane metody numeryczne

Zaawansowane metody numeryczne Zaawasowae metod umercze Programowae lowe (problem dual, program low w lczbach całkowtch) Dualość est kluczowm poęcem programowaa lowego. Pozwala a udowodee że otrzmwae rozwązaa są optmale. Zagadee duale

Bardziej szczegółowo

EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą.

EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą. Joaa Ceślak, aula Bawej ESTREA FUNCJI ESTREA FUNCJI JEDNEJ ZIENNEJ Otoczeem puktu R jest każdy przedzał postac,+, gdze >. Sąsedztwem puktu jest każdy zbór postac,,+, gdze >. Nech R, : R oraz ech. De. ówmy,

Bardziej szczegółowo

AKADEMIA MORSKA W SZCZECINIE

AKADEMIA MORSKA W SZCZECINIE AKADEMIA MORSKA W SZCZECINIE Istytut Iżyer Ruchu Morskego Zakład Urządzeń Nawgacyjych Istrukcja r 0 Wzory do oblczeń statystyczych w ćwczeach z radoawgacj Szczec 006 Istrukcja r 0: Wzory do oblczeń statystyczych

Bardziej szczegółowo

i = 0, 1, 2 i = 0, 1 33,115 1,698 0,087 0,005!0,002 34,813 1,785 0,092 0,003 36,598 1,877 0,095 38,475 1,972 40,447 i = 0, 1, 2, 3

i = 0, 1, 2 i = 0, 1 33,115 1,698 0,087 0,005!0,002 34,813 1,785 0,092 0,003 36,598 1,877 0,095 38,475 1,972 40,447 i = 0, 1, 2, 3 35 Iterpoaca Herte a 3 f ( x f ( x,,, 3, 4 f ( x,,, 3 f ( x,, 3 f ( x, 4 f ( x 33,5,698,87,5!, 34,83,785,9,3 36,598,877,95 38,475,97 4,447 Na podstawe wzoru (38 ay zate 87,, 5, L4 ( t 335, +, 698t+ t(

Bardziej szczegółowo

Badania Maszyn CNC. Nr 2

Badania Maszyn CNC. Nr 2 Poltechka Pozańska Istytut Techolog Mechaczej Laboratorum Badaa Maszy CNC Nr 2 Badae dokładośc pozycjoowaa os obrotowych sterowaych umerycze Opracował: Dr. Wojcech Ptaszy sk Mgr. Krzysztof Netter Pozań,

Bardziej szczegółowo

FINANSE II. Model jednowskaźnikowy Sharpe a.

FINANSE II. Model jednowskaźnikowy Sharpe a. ODELE RYNKU KAPITAŁOWEGO odel jedowskaźkowy Sharpe a. odel ryku kaptałowego - CAP (Captal Asset Prcg odel odel wycey aktywów kaptałowych). odel APT (Arbtrage Prcg Theory Teora artrażu ceowego). odel jedowskaźkowy

Bardziej szczegółowo

Zadania z algebry liniowej - sem. I Liczby zespolone

Zadania z algebry liniowej - sem. I Liczby zespolone Zadaia z algebry liiowej - sem. I Liczby zespoloe Defiicja 1. Parę uporządkowaą liczb rzeczywistych x, y azywamy liczbą zespoloą i ozaczamy z = x, y. Zbiór wszystkich liczb zespoloych ozaczamy przez C

Bardziej szczegółowo

Lista 6. Kamil Matuszewski 26 listopada 2015

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

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

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

Bardziej szczegółowo

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

Wybrane własności kurtozy wektora losowego

Wybrane własności kurtozy wektora losowego Zeszyty Naukowe Metody aalzy daych Uwersytet Ekoomczy w Krakowe 93 ISSN 898-67 Zesz. Nauk. UEK, 03; 93: 7 58 DOI: 0.5678/ZNUEK.03.093.0 Katedra Matematyk Uwersytet Ekoomczy w Krakowe Wybrae własośc kurtozy

Bardziej szczegółowo

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację.

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację. Wrażlwość oblgacj Jedym z czyków ryzyka westowaa w oblgacje jest zmeość rykowych stóp procetowych. Iżyera fasowa dyspouje metodam pozwalającym zabezpeczyć portfel przed egatywym skutkam zma stóp procetowych.

Bardziej szczegółowo

5. OPTYMALIZACJA NIELINIOWA

5. OPTYMALIZACJA NIELINIOWA 5. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często, że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też, oprócz lowych zadań decyzyjych, formułujemy także elowe

Bardziej szczegółowo

7 Liczby zespolone. 7.1 Działania na liczbach zespolonych. Liczby zespolone to liczby postaci. z = a + bi,

7 Liczby zespolone. 7.1 Działania na liczbach zespolonych. Liczby zespolone to liczby postaci. z = a + bi, 7 Liczby zespoloe Liczby zespoloe to liczby postaci z a + bi, gdzie a, b R. Liczbę i azywamy jedostką urojoą, spełia oa waruek i 2 1. Zbiór liczb zespoloych ozaczamy przez C: C {a + bi; a, b R}. Liczba

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Pomiary bezpośrednie i pośrednie obarczone błędem przypadkowym

Pomiary bezpośrednie i pośrednie obarczone błędem przypadkowym Pomary bezpośrede pośrede obarczoe błędem przypadkowym I. Szacowae wartośc przyblŝoej graczego błędu przypadkowego a przykładze bezpośredego pomaru apęca elem ćwczea jest oszacowae wartośc przyblŝoej graczego

Bardziej szczegółowo

... MATHCAD - PRACA 1/A

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

Bardziej szczegółowo

VI. TWIERDZENIA GRANICZNE

VI. TWIERDZENIA GRANICZNE VI. TWIERDZENIA GRANICZNE 6.. Wprowadzee Twerdzea gracze dotyczą własośc graczych cągów zmeych losowych dzelą sę a:! twerdzea lokale opsują zbeżośc cągu fukcj prawdopodobeństwa w przypadku cągu {X } zmeych

Bardziej szczegółowo

IV. ZMIENNE LOSOWE DWUWYMIAROWE

IV. ZMIENNE LOSOWE DWUWYMIAROWE IV. ZMIENNE LOSOWE DWUWYMIAROWE 4.. Rozkład zmeej losowej dwuwymarowej Defcja 4.. Uporządkowaą parę (X, Y) azywamy zmeą losową dwuwymarową, jeśl każda ze zmeych X Y jest zmeą losową. Defcja 4.. Fukcję

Bardziej szczegółowo

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH

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

Bardziej szczegółowo

ELEMENTY TEORII MOŻLIWOŚCI

ELEMENTY TEORII MOŻLIWOŚCI ELEMENTY TEORII MOŻLIWOŚCI Opracował: M. Kweselewcz Zadeh (978) wprowadzł pojęce rozkładu możlwośc jako rozmyte ograczee, kóre odzaływuje w sposób elastyczy a wartośc przypsae daej zmeej. Defcja. Nech

Bardziej szczegółowo

Laboratorium z Biomechatroniki Ćwiczenie 3 Wyznaczanie położenia środka masy ciała człowieka za pomocą dźwigni jednostronnej

Laboratorium z Biomechatroniki Ćwiczenie 3 Wyznaczanie położenia środka masy ciała człowieka za pomocą dźwigni jednostronnej Wydzał: Mechaczy Techologczy Keruek: Grupa dzekańska: Semestr: perwszy Dzeń laboratorum: Godza: Laboratorum z Bomechatrok Ćwczee 3 Wyzaczae położea środka masy cała człoweka za pomocą dźwg jedostroej 1.

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji ( ) : m f x = Ax ( A) { Ax x } = Defiicja: Zakresem macierzy A Œ âm azywamy

Bardziej szczegółowo

3. OPTYMALIZACJA NIELINIOWA

3. OPTYMALIZACJA NIELINIOWA Wybrae zaadea badań operacyjych dr ż. Zbew Tarapata 3. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też oprócz

Bardziej szczegółowo

Elementy arytmetyki komputerowej

Elementy arytmetyki komputerowej Elemety arytmetyk komputerowej cz. I Elemety systemów lczbowych /materał pomocczy do wykładu Iformatyka sem II/ Sps treśc. Wprowadzee.... Wstępe uwag o systemach lczbowych... 3. Przegląd wybraych systemów

Bardziej szczegółowo

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA Adra Kapczyńsk Macej Woly Wprowadzee Rozwój całego spektrum coraz doskoalszych środków formatyczych

Bardziej szczegółowo

Wyrażanie niepewności pomiaru

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

Bardziej szczegółowo

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

SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM

SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM ACTA UNIVERSITATIS WRATISLAVIENSIS No 37 PRZEGLĄD PRAWA I ADMINISTRACJI LXXX WROCŁAW 009 ANNA ĆWIĄKAŁA-MAŁYS WIOLETTA NOWAK Uwersytet Wrocławsk SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej 3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi

Bardziej szczegółowo