Systemy ekspertowe : Tablice decyzyjne
|
|
- Urszula Karczewska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Instytut Informatyki Uniwersytetu Śląskiego 16 marzec 2010
2 Tablica decyzyjna Klasy nierozróżnialności i klasy decyzyjne Rdzeń Redukt Macierz nierozróżnialności Rdzeń i redukt w macierzy nierozróżnialności Reguły decyzyjne Reguły minimalne Problem niespójności w tabeli Program Lers
3 Tablicowe przedstawienie wiedzy KRS - Knowledge Representation System. Tablica decyzyjna jest modyfikacją KRS. Definicja bazy wiedzy: K = (U, R), U - skończony zbiór obiektów zwany uniwersum, R = {R 1, R 2,..., R n } - zbiór relacji równoważnościowych nad U KRS to skończona tablica, w której rzędy są etykietowane przez obiekty a kolumny przez atrybuty na przecięciu wiersza i kolumny znajduje się wartość atrybutu danego obiektu.
4 Tablica: Klasyfikacja zabawek. Kolor Kształt Materiał Wielkość Cena Miś brązowy owalny plusz duża niska Lalka różowy owalny guma średnia wysoka Samochód czerwony kanciasty metal mała wysoka Piłka zielony okrągły plastyk średnia średnia U = {{Mis}, {Lalka}, {Samochod}, {Pilka}} A = {{Kolor}, {Ksztalt}, {Material}, {Wielkosc}, {Cena}} Relacja nierozróżnialności IND(B): IND(B) = {(x, y) UxU : a B, a(x) = a(y)}
5 Tablica: Klasyfikacja zabawek. Kolor Kształt Materiał Wielkość Cena Miś brązowy owalny plusz duża niska Lalka różowy owalny guma średnia wysoka Samochód czerwony kanciasty metal mała wysoka Piłka zielony okrągły plastyk średnia średnia Klasa abstrakcji obiektu x relacji R (oznaczamy [x] R ) to zbiór tych obiektów z U, które są w relacji R z obiektem x. Przez U /R oznaczamy zbiór wszystkich klas abstrakcji R. Klasy abstrakcji są rozłączne i tworzą pokrycie zbioru U Przez U /IND(B) oznaczmy klasy abstrakcji relacji IND(B).
6 Tablica: Klasyfikacja zabawek. Kolor Kształt Materiał Wielkość Cena Miś brązowy owalny plusz duża niska Lalka różowy owalny guma średnia wysoka Samochód czerwony kanciasty metal mała wysoka Piłka zielony okrągły plastyk średnia średnia B = {Cena} wtedy U /IND(B) = {{Mis}, {Lalka, Samochod}, {Pilka}} B = {Ksztalt}
7 Tablica: Klasyfikacja zabawek. Kolor Kształt Materiał Wielkość Cena Miś brązowy owalny plusz duża niska Lalka różowy owalny guma średnia wysoka Samochód czerwony kanciasty metal mała wysoka Piłka zielony okrągły plastyk średnia średnia B = {Cena} wtedy U /IND(B) = {{Mis}, {Lalka, Samochod}, {Pilka}} B = {Ksztalt} wtedy U /IND(B) = {{Mis, Lalka}, {Samochod}, {Pilka}} B = {Mater}
8 Tablica: Klasyfikacja zabawek. Kolor Kształt Materiał Wielkość Cena Miś brązowy owalny plusz duża niska Lalka różowy owalny guma średnia wysoka Samochód czerwony kanciasty metal mała wysoka Piłka zielony okrągły plastyk średnia średnia B = {Cena} wtedy U /IND(B) = {{Mis}, {Lalka, Samochod}, {Pilka}} B = {Ksztalt} wtedy U /IND(B) = {{Mis, Lalka}, {Samochod}, {Pilka}} B = {Mater} wtedy U /IND(B) = {{Mis}, {Lalka}, {Samochod}, {Pilka}} B = {Wielkosc}
9 Tablica: Klasyfikacja zabawek. Kolor Kształt Materiał Wielkość Cena Miś brązowy owalny plusz duża niska Lalka różowy owalny guma średnia wysoka Samochód czerwony kanciasty metal mała wysoka Piłka zielony okrągły plastyk średnia średnia B = {Cena} wtedy U /IND(B) = {{Mis}, {Lalka, Samochod}, {Pilka}} B = {Ksztalt} wtedy U /IND(B) = {{Mis, Lalka}, {Samochod}, {Pilka}} B = {Mater} wtedy U /IND(B) = {{Mis}, {Lalka}, {Samochod}, {Pilka}} B = {Wielkosc} wtedy U /IND(B) = {{Mis}, {Lalka, Pilka}, {Samochod}} Niech x = Mis, B = {ksztalt}, wtedy [x] IND(B) = {Mis,Lalka} Niech x = Mis, B = {cena}, wtedy [x] IND(B) = {Mis}
10 Tablica: Klasy nierozróżnialności. A1 A2 A3 X X X X X X X X U /IND(B) =
11 Tablica: Klasy nierozróżnialności. A1 A2 A3 X X X X X X X X U /IND(B) = {{X 1, X 3 },{X 2, X 6 },{X 4 },{X 5 },{X 7 },{X 8 }} Niech B = {A1}, wówczas U /B =
12 Tablica: Klasy nierozróżnialności. A1 A2 A3 X X X X X X X X U /IND(B) = {{X 1, X 3 },{X 2, X 6 },{X 4 },{X 5 },{X 7 },{X 8 }} Niech B = {A1}, wówczas U /B = {{X 1, X 2, X 3, X 5, X 6 },{X 4, X 7, X 8 }} Niech B = {A1}, wówczas U /B =
13 Tablica: Klasy nierozróżnialności. A1 A2 A3 X X X X X X X X U /IND(B) = {{X 1, X 3 },{X 2, X 6 },{X 4 },{X 5 },{X 7 },{X 8 }} Niech B = {A1}, wówczas U /B = {{X 1, X 2, X 3, X 5, X 6 },{X 4, X 7, X 8 }} Niech B = {A1}, wówczas U /B = {{X 2, X 4, X 5, X 6, X 8 },{X 1, X 3, X 7 }} Niech B = {A1, A2}, wówczas U /B =
14 Tablica: Klasy nierozróżnialności. A1 A2 A3 X X X X X X X X U /IND(B) = {{X 1, X 3 },{X 2, X 6 },{X 4 },{X 5 },{X 7 },{X 8 }} Niech B = {A1}, wówczas U /B = {{X 1, X 2, X 3, X 5, X 6 },{X 4, X 7, X 8 }} Niech B = {A1}, wówczas U /B = {{X 2, X 4, X 5, X 6, X 8 },{X 1, X 3, X 7 }} Niech B = {A1, A2}, wówczas U /B = {{X 1, X 3, X 5 },{X 2, X 6 },{X 4 },{X 7, X 8 }} Niech B = {A1, A3}, wówczas U /B =
15 Tablica: Klasy nierozróżnialności. A1 A2 A3 X X X X X X X X U /IND(B) = {{X 1, X 3 },{X 2, X 6 },{X 4 },{X 5 },{X 7 },{X 8 }} Niech B = {A1}, wówczas U /B = {{X 1, X 2, X 3, X 5, X 6 },{X 4, X 7, X 8 }} Niech B = {A1}, wówczas U /B = {{X 2, X 4, X 5, X 6, X 8 },{X 1, X 3, X 7 }} Niech B = {A1, A2}, wówczas U /B = {{X 1, X 3, X 5 },{X 2, X 6 },{X 4 },{X 7, X 8 }} Niech B = {A1, A3}, wówczas U /B = {{X 1, X 3 },{X 2, X 5, X 6 }, {X 4, X 8 }, {X 7 }} Niech x = X 2, B = {A1}, wtedy [x] IND(B) =
16 Tablica: Klasy nierozróżnialności. A1 A2 A3 X X X X X X X X U /IND(B) = {{X 1, X 3 },{X 2, X 6 },{X 4 },{X 5 },{X 7 },{X 8 }} Niech B = {A1}, wówczas U /B = {{X 1, X 2, X 3, X 5, X 6 },{X 4, X 7, X 8 }} Niech B = {A1}, wówczas U /B = {{X 2, X 4, X 5, X 6, X 8 },{X 1, X 3, X 7 }} Niech B = {A1, A2}, wówczas U /B = {{X 1, X 3, X 5 },{X 2, X 6 },{X 4 },{X 7, X 8 }} Niech B = {A1, A3}, wówczas U /B = {{X 1, X 3 },{X 2, X 5, X 6 }, {X 4, X 8 }, {X 7 }} Niech x = X 2, B = {A1}, wtedy [x] IND(B) = { X 2, X 1, X 3, X 5, X 6 }
17 Tablica: Tablica decyzyjna. Obiekty : X = {1,..,8} Atrybuty warunkowe : C = {a,b,c} Atrybuty decyzyjne : D = {d,e} Atrybuty : A = C D Wartości a : V a = {0,1,2} Wartości b : V b = {0,1,2} Wartości c : V c = {0,1,2} a b c d e X X X X X X X X
18 Tablica: Tablica decyzyjna. Niech B = {a}, wówczas U /B = a b c d e X X X X X X X X
19 Tablica: Tablica decyzyjna. a b c d e X X X X X X X X Niech B = {a}, wówczas U /B = {{X 1, X 4, X 5 },{X 2, X 8 },{X 3, X 6, X 7 }} Niech B = {b}, wówczas U /B =
20 Tablica: Tablica decyzyjna. a b c d e X X X X X X X X Niech B = {a}, wówczas U /B = {{X 1, X 4, X 5 },{X 2, X 8 },{X 3, X 6, X 7 }} Niech B = {b}, wówczas U /B = {{X 1, X 5 },{X 2, X 4, X 7, X 8 },{X 6 }} Niech B = {c}, wówczas U /B =
21 Tablica: Tablica decyzyjna. a b c d e X X X X X X X X Niech B = {a}, wówczas U /B = {{X 1, X 4, X 5 },{X 2, X 8 },{X 3, X 6, X 7 }} Niech B = {b}, wówczas U /B = {{X 1, X 5 },{X 2, X 4, X 7, X 8 },{X 6 }} Niech B = {c}, wówczas U /B = {{X 1, X 5 },{X 2, X 7, X 8 },{X 3, X 4, X 6 }}
22 Tablica: Tablica decyzyjna. a b c d e X X X X X X X X Klasy decyzyjne - zbiór, ktory określa identyczne decyzje: Y 1 = {X 1 } Y 2 = {X 2 } Y 3 = {X 3, X 6 } Y 4 = {X 4, X 7 } Y 5 = {X 5, X 8 }
23 Redukt i rdzeń: Redukt: zbiór B nazywamy reduktem A : B jest niezależny oraz IND(B) = IND(A). Zbiór wszystkich reduktów RED(A). Rdzeń : zbiór wszystkich niezbędnych atrybutów. Dodatkowo zachodzi zależność : rdzeń jest przekrojem przez wszystkie redukty. Tablica: Tablica decyzyjna. a b c X X X X Do wyliczania reduktów i jądra sprawdzamy czy zachodzi równość pomiędzy relacjami nierozróżnialności (dwie relacje równoważnościowe są równe jeżeli mają takie same klasy abstrakcji).
24 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzenie, które atrybuty w B są zbędne: U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND(B {a}) =
25 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzenie, które atrybuty w B są zbędne: U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND(B {a}) = { {X 1, X 3 },{X 2 },{X 4 }} czyli : U /IND(B) U /IND(B {a}), atrybut a jest niezbędny. U /IND(B {b}) =
26 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzenie, które atrybuty w B są zbędne: U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND(B {a}) = { {X 1, X 3 },{X 2 },{X 4 }} czyli : U /IND(B) U /IND(B {a}), atrybut a jest niezbędny. U /IND(B {b}) = { {X 1 },{X 2 },{X 3 },{X 4 }} czyli : U /IND(B) = U /IND(B {b}), atrybut b jest zbędny. U /IND(B {c}) =
27 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzenie, które atrybuty w B są zbędne: U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND(B {a}) = { {X 1, X 3 },{X 2 },{X 4 }} czyli : U /IND(B) U /IND(B {a}), atrybut a jest niezbędny. U /IND(B {b}) = { {X 1 },{X 2 },{X 3 },{X 4 }} czyli : U /IND(B) = U /IND(B {b}), atrybut b jest zbędny. U /IND(B {c}) = { {X 1 },{X 2 },{X 3 },{X 4 }} czyli : U /IND(B) = U /IND(B {c}), atrybut c jest zbędny. Niezbędny atrybut to: a, czyli Core(B) = {a}.
28 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzanie reduktu : Sprawdzamy najpierw, czy {a} jest reduktem. {a} jest niezależny (zbiór złożony z pojedynczego atrybutu zawsze jest niezależny). Dlaczego? Wszystkie atrybuty w zbiorze muszą być niezbędne. atrybut jest niezbędny, gdy klasy nierozróżnialności dla całego zbioru U /IND(B)) są różne od klasy nierozróżnialności dla zbioru bez wybranego atrybutu U /IND(B {x}.
29 Tablica: Tablica decyzyjna. a b c X X X X aby sprawdzić powyższą zależność, trzeba usuwać po kolei każdy z atrybutów zbioru B, a następnie okrojony zbiór porównywać ze zbiorem pierwotnym B. w powyższej sytuacji zbiór B zawiera tylko jeden atrybut, dlatego jest on na pewno niezależny.
30 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzamy: U /IND({a}) = {{X 1 },{X 2, X 3 },{X 4 }} U /IND({a}) U /IND(B), nie jest spełniony drugi warunek: to nie jest redukt. W tej sytuacji redukt zawiera atrybuty zbędne. Możliwe kombinacje : B 1 = {a,b}, B 2 = {a,c}, B 3 = {b,c}. B 3 odpada, ponieważ redukt ZAWIERA rdzeń (czyli {a}), B 3 nie zawiera rdzenia.
31 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzamy teraz zbiór B 1 = {a,b}. U /IND(B1) =
32 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzamy teraz zbiór B 1 = {a,b}. U /IND(B1) = {{X 1 },{X 2 },{X 3 },{X 4 }} Teraz zbiór B 1 z wyłączeniem poszczególnych atrybutów. U /IND(B1 {a}) =
33 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzamy teraz zbiór B 1 = {a,b}. U /IND(B1) = {{X 1 },{X 2 },{X 3 },{X 4 }} Teraz zbiór B 1 z wyłączeniem poszczególnych atrybutów. U /IND(B1 {a}) = {{X 1, X 3 },{X 2 },{X 4 }} U /IND(B1) U /IND(B1) {a} U /IND(B1 {b}) =
34 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzamy teraz zbiór B 1 = {a,b}. U /IND(B1) = {{X 1 },{X 2 },{X 3 },{X 4 }} Teraz zbiór B 1 z wyłączeniem poszczególnych atrybutów. U /IND(B1 {a}) = {{X 1, X 3 },{X 2 },{X 4 }} U /IND(B1) U /IND(B1) {a} U /IND(B1 {b}) = {{X 1 },{X 2, X 3 },{X 4 }} U /IND(B1) U /IND(B1 {b}) Czyli B 1 jest niezależny, dodatkowo U /IND(B) = U /IND(B1)
35 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzamy teraz zbiór B 2 = {a,c}. U /IND(B2) =
36 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzamy teraz zbiór B 2 = {a,c}. U /IND(B2) = {{X 1 },{X 2 },{X 3 },{X 4 }} Teraz zbiór B 2 z wyłączeniem poszczególnych atrybutów. U /IND(B2 {a}) =
37 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzamy teraz zbiór B 2 = {a,c}. U /IND(B2) = {{X 1 },{X 2 },{X 3 },{X 4 }} Teraz zbiór B 2 z wyłączeniem poszczególnych atrybutów. U /IND(B2 {a}) = {{X 1, X 3 },{X 2, X 4 }} U /IND(B2) U /IND(B2) {a} U /IND(B2 {c}) =
38 Tablica: Tablica decyzyjna. a b c X X X X Sprawdzamy teraz zbiór B 2 = {a,c}. U /IND(B2) = {{X 1 },{X 2 },{X 3 },{X 4 }} Teraz zbiór B 2 z wyłączeniem poszczególnych atrybutów. U /IND(B2 {a}) = {{X 1, X 3 },{X 2, X 4 }} U /IND(B2) U /IND(B2) {a} U /IND(B2 {c}) = { {X 1 },{X 2, X 3 },{X 4 }} U /IND(B2) U /IND(B2) {c} Czyli B 2 jest niezależny, dodatkowo U /IND(B) = U /IND(B2)
39 Tablica: Tablica decyzyjna. a b c X X X X Wyliczyliśmy z definicji, że redukt : RED(B) = {{a, b}, {a, c}} Dodatkowo przecięcie reduktów = {a} = CORE(B).
40 Przyklad Tablica: Tablica decyzyjna. a b c X X X X X X Zbiór atrybutów B = {a, b, c} Obliczmy klasy nierozróżnialności U /IND(B) =
41 Przyklad Tablica: Tablica decyzyjna. a b c X X X X X X Zbiór atrybutów B = {a, b, c} Obliczmy klasy nierozróżnialności U /IND(B) = { {X 1 },{X 2 },{X 3 },{X 4 },{X 5, X 6 }} Dalej obliczamy rdzeń CORE(B): U /IND(B {a}) =
42 Przyklad Tablica: Tablica decyzyjna. a b c X X X X X X Zbiór atrybutów B = {a, b, c} Obliczmy klasy nierozróżnialności U /IND(B) = { {X 1 },{X 2 },{X 3 },{X 4 },{X 5, X 6 }} Dalej obliczamy rdzeń CORE(B): U /IND(B {a}) = {{X 1 },{X 2, X 3 },{X 4, X 5, X 6 }} czyli : U /IND(B) U /IND(B {a}), atrybut a jest niezbędny. U /IND(B {b}) =
43 Przyklad Tablica: Tablica decyzyjna. a b c X X X X X X Zbiór atrybutów B = {a, b, c} Obliczmy klasy nierozróżnialności U /IND(B) = { {X 1 },{X 2 },{X 3 },{X 4 },{X 5, X 6 }} Dalej obliczamy rdzeń CORE(B): U /IND(B {a}) = {{X 1 },{X 2, X 3 },{X 4, X 5, X 6 }} czyli : U /IND(B) U /IND(B {a}), atrybut a jest niezbędny. U /IND(B {b}) = { {X 1, X 2 },{X 3 },{X 4 },{X 5, X 6 }} czyli : U /IND(B) U /IND(B {b}), atrybut b jest niezbędny. U /IND(B {c}) =
44 Przyklad Tablica: Tablica decyzyjna. a b c X X X X X X Zbiór atrybutów B = {a, b, c} Obliczmy klasy nierozróżnialności U /IND(B) = { {X 1 },{X 2 },{X 3 },{X 4 },{X 5, X 6 }} Dalej obliczamy rdzeń CORE(B): U /IND(B {a}) = {{X 1 },{X 2, X 3 },{X 4, X 5, X 6 }} czyli : U /IND(B) U /IND(B {a}), atrybut a jest niezbędny. U /IND(B {b}) = { {X 1, X 2 },{X 3 },{X 4 },{X 5, X 6 }} czyli : U /IND(B) U /IND(B {b}), atrybut b jest niezbędny. U /IND(B {c}) = { {X 1, X 5, X 6 },{X 2 },{X 3 },{X 4 }} czyli : U /IND(B) U /IND(B {c}), atrybut c jest niezbędny.
45 Tablica: Tablica decyzyjna. a b c X X X X X X Atrybuty niezbędne tworzą jądro CORE(B) = {a, b, c} Dalej obliczamy redukt. Sprawdzamy zbiory U /IND(B {a}), U /IND(B {b}), U /IND(B {c}), Zbiór B jest niezależny, widać, że CORE(B) = RED(B).
46 Macierz nierozróżnialności: Dla systemu zdefiniowanego jako S = (U, A), gdzie U to uniwersum (zbiór wszystkich obiektów), natomiast A to zbiór atrybutów, mamy: M(S) = [c ij ] nxn, gdzie: c ij = {a B : a(x i ) a(x j ), i, j = 1,..., n} Inaczej : c ij = zbiór atrybutów odróżniających dwa wybrane obiekty.
47 Tablica: Tablica decyzyjna. a b c d X X X X Tablica: Macierz nierozróżnialności φ a,b,c a a,b,c,d 2 a,b,c φ b,c a,b,d 3 a b,c φ a,b,c,d 4 a,b,c,d a,b,d a,b,c,d φ Uwaga: Powyższa macierz jest symetryczna, tzn c ij = c ji oraz c i i = φ.
48 Powiązanie między macierzą, rdzeniem, a reduktem: CORE(A) = {a A : c ij = {a}, 0 < i, j < n + 1}, tzn. do rdzenia wchodzą atrybuty występujące w macierzy nierozróżnialności pojedynczo. zbiór atrybutów B jest reduktem A wtedy i tylko wtedy, gdy B jest minimalny oraz z każdym niepustym elementem macierzy nierozróżnialności M(S) ma niepuste przecięcie. Inaczej : redukt jest to najmniejszy zbiór atrybutów, przy którym zachowana zostaje dotychczasowa klasyfikacja (rozróżnialność) obiektów.
49 Reguły decyzyjne Z każdym obiektem x i ze zbioru U wiążemy pewną funkcję odwzorowującą zbiór atrybuty warunkowe w atrbut decyzyjny. Takie odwzorowanie nazywamy regułą decyzyjną. Spójność reguły decyzyjnej: obiekty mające takie same wartości atrybutów warunkowych powinny mieć takie same wartości klasy decyzyjnej.
50 Tablica: Tablica decyzyjna. Reguły decyzyjne: a=1 and b=0 and c=2 d=2 a=0 and b=1 and c=1 d=2 a=0 and b=0 and c=2 d=2 a=2 and b=2 and c=1 d=0 a b c d X X X X
51 Spójność reguł decyzyjnych. Tablica: Tablica decyzyjna. a b c d X X X X X
52 Spójność reguł decyzyjnych. Tablica: Tablica decyzyjna. a b c d X X X X X Tablica jest spójna. Uwaga:dla obiektów o różnych wartościach atrybutów warunkowych - atrybut decyzyjny może być taki sam. Tablica nie jest spójna, gdy dla takich samych wartości atrybutów warunkowych, atrybut decyzyjny jest różny
53 Tablica: Tablica decyzyjna. Tablica nie jest spójna. a b c d X X X X X
54 Algorytm tworzenia reguł minimalnych: 1 Usuń powielone obiekty z tabeli 2 Wylicz wszystkie redukty ze zbioru atrybutów A 3 Dla każdego reduktu utwórz nową tablicę decyzyjną T i, gdzie zbiór atrybutów jest równy danemu reduktowmi ze zbioru reduktów. 4 Usuń obiekty powielone
55 Przykład Tablica: Tablica decyzyjna. a b c d X X X X Ad 1. Sprawdzamy, czy w tablicy nie występują obiekty powielone. Ad 2. Wyliczamy redukty z podanej tablicy:
56 Wyliczenie reduktów z definicji: Tablica: Tablica decyzyjna. U /IND(B) = a b c d X X X X
57 Wyliczenie reduktów z definicji: Tablica: Tablica decyzyjna. U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND(B {a}) = a b c d X X X X
58 Wyliczenie reduktów z definicji: Tablica: Tablica decyzyjna. a b c d X X X X U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND(B {a}) = {{X 1, X 3 },{X 2 },{X 4 }} U /IND(B {b}) =
59 Wyliczenie reduktów z definicji: Tablica: Tablica decyzyjna. a b c d X X X X U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND(B {a}) = {{X 1, X 3 },{X 2 },{X 4 }} U /IND(B {b}) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND(B {c}) =
60 Wyliczenie reduktów z definicji: Tablica: Tablica decyzyjna. a b c d X X X X U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND(B {a}) = {{X 1, X 3 },{X 2 },{X 4 }} U /IND(B {b}) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND(B {c}) = {{X 1 },{X 2 },{X 3 },{X 4 }} Z powyższej zależności widzimy, że rdzeniem CORE(A) jest zbiór {a}.
61 Wyliczenie reduktów z definicji: Tablica: Tablica decyzyjna. a b c d X X X X Nasz rdzeń jest jednoelementowy, więc jest to zbiór niezależny. Sprawdzamy dalej zbiory : U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND({a}) =
62 Wyliczenie reduktów z definicji: Tablica: Tablica decyzyjna. a b c d X X X X Nasz rdzeń jest jednoelementowy, więc jest to zbiór niezależny. Sprawdzamy dalej zbiory : U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND({a}) = {{X 1 },{X 2, X 3 },{X 4 }} U /IND(B) U /IND({a}) U /IND({b}) =
63 Wyliczenie reduktów z definicji: Tablica: Tablica decyzyjna. a b c d X X X X Nasz rdzeń jest jednoelementowy, więc jest to zbiór niezależny. Sprawdzamy dalej zbiory : U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND({a}) = {{X 1 },{X 2, X 3 },{X 4 }} U /IND(B) U /IND({a}) U /IND({b}) = {{X 1, X 3 },{X 2 },{X 4 }} U /IND(B) U /IND({b}) U /IND({c}) =
64 Wyliczenie reduktów z definicji: Tablica: Tablica decyzyjna. a b c d X X X X Nasz rdzeń jest jednoelementowy, więc jest to zbiór niezależny. Sprawdzamy dalej zbiory : U /IND(B) = {{X 1 },{X 2 },{X 3 },{X 4 }} U /IND({a}) = {{X 1 },{X 2, X 3 },{X 4 }} U /IND(B) U /IND({a}) U /IND({b}) = {{X 1, X 3 },{X 2 },{X 4 }} U /IND(B) U /IND({b}) U /IND({c}) = {{X 1, X 3 },{X 2, X 4 }} U /IND(B) U /IND({c})
65 Tablica: Tablica decyzyjna. a b c d X X X X W tej sytuacji nasz redukt zawiera więcej niż jeden element: B 1 = {a,b} B 2 = {a,c} B 3 = {b,c} Oczywiście B 3 nie zawiera rdzenia więc nie będzie rozpatrywany. Sprawdźmy B 1 oraz B 2.
66 Tablica: Tablica decyzyjna. a b c d X X X X W tej sytuacji nasz redukt zawiera więcej niż jeden element: B 1 = {a,b} B 2 = {a,c} B 3 = {b,c} Oczywiście B 3 nie zawiera rdzenia więc nie będzie rozpatrywany. Sprawdźmy B 1 oraz B 2. Mamy RED(A) = {{a,b},{a,c}}.
67 Wyliczmy to samo z macierzy nierozróżnialności: Tablica: Macierz nierozróżnialności φ a,b,c a a,b,c 2 0 φ b,c a,b φ a,b,c φ Widać, że rdzeń CORE(B) = {a} Natomiast redukt RED(B) = {{a,b},{a,c}}
68 Po wyliczeniu reduktu - przechodzimy do dalszczej części algorytmu: Z tablicy T otrzymamy dwie tablice T 1 oraz T 2, gdzie: T 1 = (U 1, C 1, D 1 ) U 1 oraz U 2 to zbiory wszystkich obiektów z poszczególnych tabel. Obydwa zbiory są sobie równe, tzn U 1 = U 2. C 1 czyli zbiór atrybutów warunkowych z tabeli T 1 wynosi {a,b}. C 2 czyli zbiór atrybutów warunkowych z tabeli T 2 wynoki {a,c}. Natomiast D 1 oraz D 2 to zbiory atrybutów decyzyjnych kolejno dla tabel T 1 oraz T 2. Zbiory D 1 oraz D 2 są sobie równe i zawierają jeden atrybut decyzyjny {d}.
69 Tablica: Tablica decyzyjna. a b d X X X X Tablica: Tablica decyzyjna. a c d X X X X
70 Kolejnym etapem jest usunięcie obiektów powielonych w tabelach wygenerowanych dla poszczególnych reduktów T 1 oraz T 2. Ponieważ jednak w powyższczych tabelach żadne dwa obiekty nie są identyczne - nie usuwamy żadnych obiektów. Wreszcie ostatni punkt algorytmu to wygenrowanie z tabel T 1 oraz T 2 reguł minimalnych. dla tabeli T 1 : 1 a=1 and b=0 d=2 2 a=0 and b=1 d=2 3 a=0 and b=0 d=2 4 a=2 and b=2 d=0 Teraz tabela T 2 : 1 a=1 and b=2 d=2 2 a=0 and b=1 d=2 3 a=0 and b=2 d=2 4 a=2 and b=1 d=0
71 Tablica: Tablica decyzyjna. a b c d e X Y X Y X N X Y X Y X N X N Gdzie : U = {X 1, X 2, X 3, X 4, X 5, X 6, X 7 } C = {a,b,c,d} D = {e} V a, V b, V c, V d = {0, 1} V e = {N, Y } Zadanie : wylicz redukt i rdzeń z definicji + z macierzy nierozróżnialności.
72 Tablica: Tablica decyzyjna. a b c d e X X X X X X X X Gdzie : U = {X 1, X 2, X 3, X 4, X 5, X 6, X 7, X 8 } C = {a,b,c,d} D = {e} V a, V b = {0, 1} V c, V d = {0, 1, 2} V e = {0, 1, 2} Zadanie : wylicz redukt i rdzeń z definicji + z macierzy nierozróżnialności.
73 Tablica: Tablica decyzyjna. Gdzie : U = {X 1, X 2, X 3, X 4, X 5, X 6 } C = {a,b,c} D = {d} V a, V b, V c = {0, 1} V d = {0, 1, 2} Utwórz reguły minimalne. a b c d X X X X X X
74 Tablica: Tablica decyzyjna. Gdzie : U = {X 1, X 2, X 3, X 4, X 5, X 6 } C = {a,b,c} D = {d} V a, V b, V c = {0, 1} V d = {0, 1} Utwórz reguły minimalne. a b c d X X X X X X
75 Problem usuwania niespójności z tablicy dezycyjnej. Rozpatrzmy następującą tablicę decyzyjną: Tablica: Tablica decyzyjna. a b c d e X X X X X X X X Gdzie : U = {X 1, X 2, X 3, X 4, X 5, X 6, X 7, X 8 } C = {a,b,c,d} D = {e} V a, V b, V c, V d = {0, 1} V e = {0, 1, 2, 3}
76 Powyższa tabela jest niespójna, ponieważ obiekty X 2, X 4, X 8 przy tych samych wartościach atrybutów warunkowych posiadają różne decyzje. Jak usuwać niespójność? Zwrócić się do eksperta o pomoc. Niestety przeważnie ekspert nie potrafi jednoznacznie usunąć niespójności z tabeli.
77 Utworzenie dwóch (lub więcej) spójnych tablic decyzyjnych, poprzez rozdzielenie sprzecznych atrybutów. Tablica: Tablica decyzyjna 1a. a b c d e X X X X X X
78 Tablica: Tablica decyzyjna 1b. a b c d e X X X X X X X
79 Usunięcie obiektów będących przczyną niespójności - który obiekt usunąć? Tworzenie nowego podziału. Usuwanie obiektów : przybliżenie górne i dolne zbioru, brzeg zbioru.
80 Przykład z prezentacji dr Simińskiego: Tablica: Przykład: zbieranie jabłek. Kolor Wielkość Dojrzałe X 1 czerwone duże tak X 2 żółte średnie tak X 3 zielone małe nie X 4 zielone duże tak X 5 żółte średnie nie X 6 czerwone średnie tak X 7 żółte duże tak X 8 czerwone średnie tak X 9 żółte małe nie X 1 0 żółte małe tak X 1 1 czerwone małe tak X 1 2 zielone średnie nie Zbieramy wszystkie duże oraz wszystkie czerwone. Problem z żółtymi średnimi i żółtymi małymi - tablica niespójna.
81 Tablica: Przykład: zbieranie jabłek. Kolor Wielkość Dojrzałe X 1 czerwone duże tak X 2 żółte średnie tak X 3 zielone małe nie X 4 zielone duże tak X 5 żółte średnie nie X 6 czerwone średnie tak X 7 żółte duże tak X 8 czerwone średnie tak X 9 żółte małe nie X 1 0 żółte małe tak X 1 1 czerwone małe tak X 1 2 zielone średnie nie Podzielmy zbiór na dwie klasy decyzyjne:
82 Tablica: Przykład: zbieranie jabłek. Kolor Wielkość Dojrzałe X 1 czerwone duże tak X 2 żółte średnie tak X 3 zielone małe nie X 4 zielone duże tak X 5 żółte średnie nie X 6 czerwone średnie tak X 7 żółte duże tak X 8 czerwone średnie tak X 9 żółte małe nie X 1 0 żółte małe tak X 1 1 czerwone małe tak X 1 2 zielone średnie nie Podzielmy zbiór na dwie klasy decyzyjne: Y dojrzale = {X 1, X 2, X 4, X 6, X 7, X 8, X 10, X 11 } Y niedojrzale = {X 3, X 5, X 9, X 12 } Teraz : żółte i średnie = X 2, X 5 oraz żółte i małe = X 9, X 10
83 Dolnym przybliżeniem pojęcia X w systemie nazywamy: B IND(B) X = {x U : [x] IND(B) X } Górnym przybliżeniem pojęcia X w systemie nazywamy: B IND(B) X = {x U : [x] IND(B) X 0 Brzegiem pojęcia X nazywamy różnicę Górnego i dolnego przybliżenia. Dalej przykład: Y niedojrzale = {X 3, X 5, X 9, X 12 }
84 [X 1 ] IND(B) = {X 1 } [X 2 ] IND(B) = {X 2, X 5 } [X 3 ] IND(B) = {X 3 } [X 4 ] IND(B) = {X 4 } [X 5 ] IND(B) = {X 2, X 5 } [X 6 ] IND(B) = {X 6, X 8 } [X 7 ] IND(B) = {X 7 } [X 8 ] IND(B) = {X 6, X 8 } [X 9 ] IND(B) = {X 9, X 10 } [X 10 ] IND(B) = {X 9, X 10 } [X 11 ] IND(B) = {X 11 } [X 12 ] IND(B) = {X 12 } Przybliżenie dolne (zbiory zawarte w Y niedojrzale w całości): B IND(B) Y niedojrzale = {X 3, X 12 } Przybliżenie górne (zbiory zawarte częściowo w Y niedojrzale ): B IND(B) Y niedojrzale = {X 2, X 3, X 5, X 9, X 10, X 12 } Brzeg: BN B (X ) = {X 2, X 5, X 9, X 10 } - zawiera obiekty, których nie można jednoznacznie przydzielić.
85 Tworzenie nowego nowego systemu informacyjnego - zmiana atrybutów decyzyjnych. Tablica: Tablica decyzyjna. a b c d e X X {1,2} X X {1,2} X X X X {1,2}
86 Wyliczanie reguł minimalnych z tablicy decyzyjnej: 1 Sprawdzenie spójności tablicy decyzyjnej. 2 Przygotowanie macierzy nierozróżnialności. 3 Tworzenie reguł minimalnych z macierzy. Rozpatrzmy następujący przykład: Tablica: Tablica decyzyjna. a b c D X X X X X X X X
87 Wprowadzamy atrybut uogólniony: Tablica: Spójna tablica decyzyjna. a b c D X {0} X {1} X {0,2} X {1} X {0,1} X {0,1} X {0,2} X {2}
88 Usuwamy obiekty powielone: Tablica: Tablica decyzyjna bez obiektów powielonych. a b c D X {0} X {1} X {0,2} X {1} X {0,1} X {2}
89 Tworzenie macierzy nierozróżnialności: Tablica: Macierz nierozróżnialności. X 1 X 2 X 3 X 4 X 6 X 8 X 1 φ b c a,b a,b,c a,c X 2 b φ b,c a a,c a,b,c X 3 c b,c φ a,b,c a,b a X 4 a,b a a,b,c φ c b,c X 6 a,b,c a,c a,b c φ b X 8 a,c a,b,c a b,c b φ
90 Utworzymy teraz reguły minimalne dla obiektów z wartością atrybutu decyzyjnego D równą {1}. Obiekty posiadające taką wartość decyzji to kolejno X 2 oraz X 4. Uogólniona macierz rozróżnialności MG(A) dla tych obiektów wygląda następująco: MG(A, {1}, X 2) (na drugiej pozycji w nawiasie mamy wartość atrybutu decyzyjnego, a na trzeciej pozycji - obiekt). MG(A, {1}, X 4)
91 Rozpatrzmy MG(A, {1}, X 2 ) - jest to druga kolumna (ewentualnie drugi wiersz) w macierzy nierozróżnialności, bez elementów leżących na przecięciu innych obiektów mających decyzję równą {1}. Wskazany wiersz to: Tablica: Wiersz z macierzy nierozróżnialności. jednak: X 2 b φ b,c a a,c a,b,c Tablica: Wiersz z macierzy nierozróżnialności. X 1 X 2 X 3 X 4 X 6 X 8 X 2 b φ b,c a a,c a,b,c atrybut a znajdujący się na miejscu 4 odpowiada obiektowi X 4, który posiada tą samą wartość atrybutu decyzyjnego - dlatego ten element macierzy odrzucamy. Zostają nam elementy: b, bc, ac oraz abc.
92 Zmodyfikowana funkcja rozróżnialności f MG(A) to funkcja boolowska m zmiennych tworzona z MG(A). Funkcja odpowiadająca naszej macierzy rozróżnialności ma postać: f MG(A,{1},X2)(a, b, c) = b (b + c) (a + c) (a + b + c) poszczególne komórki macierzy mnożymy przez siebie, natomiast atrybuty wewnątrz komórek macierzy dodajemy. Kolejny krok to minimalizacja otrzymanej funkcji boolowskiej. f MG(A,{1},X2)(a, b, c) = b (b + c) (a + c) (a + b + c) = (bb + bc) (a + c) (a + b + c) = (abb + bbc + abc + bcc) (a + b + c) = aabb + abbb + abbc + abbc + bbbc + bbcc + aabc + abbc + abcc + abcc + bbcc +bccc = ab+ab+abc +abc +bc +bc +abc +abc +abc +bc +bc = ab + abc + bc = ab(1 + c) + bc = ab + bc Uproszczoną funkcję rozróżnialności oznaczmy jako: prime M G(A, {1}, X 2 ) = {ab, bc} Teraz na podstawie tablicy decyzyjnej odczytujemy: 1. a = 0&b = 1 2. b = 1&c = 0
93 Obliczmy teraz reguły minimalne dla obiektu X 4. Zaczynamy od macierzy rozróżnialności: MG(A, {1}, X 4 ) - mamy czwarty wiersz (lub czwartą kolumnę). Tablica: Wiersz z macierzy nierozróżnialności. X 1 X 2 X 3 X 4 X 6 X 8 X 4 a,b a a,b,c φ c b,c Opuszczamy a ponieważ odnosi się do obiektu X 2, który posiada taką samą wartość atrybutu decyzyjnego, co obiekt X 4.
94 Stąd, nasza funkcja rozróżnialności ma postać: f MG(A,{1},X4)(a, b, c) = (a + b) (a + b + c) c (b + c) Upraszczając, otrzymujemy: f MG(A,{1},X4)(a, b, c) = (aa + ab + ab + bb + ac + bc) c (b + c) = (aac + abc + abc + bbc + acc + bcc) (b + c) = aabc + abbc + abbc + bbbc + abcc + bbcc + aacc + abcc + abcc + bbcc + accc + bccc = abc + abc + abc + bc + abc + bc + ac + abc + abc + bc + ac + bc = abc + bc + ac = bc(a + 1) + ac = bc + ac Na podstawie tablicy decyzyjnej dla obiektu X 4 ustalamy wartości atrybutów: 1. a = 1&c = 0 2. b = 1&c = 0 W podobny sposób można obliczyć z macierzy nierozróżnialności reguły dla pozostałych obiektów w tablicy decyzyjnej.
95 Tablica: Tablica decyzyjna a b c d Dec X X X X X X X X
96 Wylicz rdzeń i redukty. Wylicz reguły minimalne. Tablica: Tablica decyzyjna Atrybut Obiekt Y Y N Y Y N N
97 Wylicz redukty i rdzeń. Tablica: Tablica decyzyjna Atrybut Obiekt a b c d e
98 Wylicz redukty i rdzeń. Tablica: Tablica decyzyjna Obiekt a b c d e f
1. Reguły minimalne (optymalne) Podstawowe twierdzenia i definicje. Definicja 1 Funkcję postaci f. nazwiemy n-argumentową funkcją boolowską.
1. Reguły minimalne (optymalne) Podstawowe twierdzenia i definicje Definicja 1 Funkcję postaci f n :{ 0, 1} { 0, 1} nazwiemy n-argumentową funkcją boolowską. Definicja 2 1 2 Term g = x 1 x x ( ϕ ) ( ϕ
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoSystemy ekspertowe. Eksploracja danych z wykorzystaniem tablic decyzyjnych i zbiorów przybliżonych. Część trzecia
Część trzecia Autor Roman Simiński Eksploracja danych z wykorzystaniem tablic decyzyjnych i zbiorów przybliżonych Kontakt siminski@us.edu.pl www.us.edu.pl/~siminski Niniejsze opracowanie zawiera skrót
Bardziej szczegółowoSystem informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy
System informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy decyzyjnej Metody usuwania niespójności z T 1. Pomoc eksperta:
Bardziej szczegółowoSystemy ekspertowe. Generowanie reguł minimalnych. Część czwarta. Autor Roman Simiński.
Część czwarta Autor Roman Simiński Kontakt siminski@us.edu.pl www.us.edu.pl/~siminski Niniejsze opracowanie zawiera skrót treści wykładu, lektura tych materiałów nie zastąpi uważnego w nim uczestnictwa.
Bardziej szczegółowoSystem informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy
System informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy decyzyjnej System informacyjny System informacyjny SI zdefiniowany
Bardziej szczegółowoWSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LAB IV ZBIORY PRZYBLIŻONE I ODKRYWANIE REGUŁ DECYZYJNYCH
WSOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LAB IV ZBIORY RZYBLIŻONE I ODKRYWANIE REGUŁ DECYZYJNYCH 1. Definicje Zbiory, które nie są zbiorami definiowalnymi, są nazywane zbiorami przybliżonymi. Zbiory definiowalne
Bardziej szczegółowoSztuczna Inteligencja Projekt
Sztuczna Inteligencja Projekt Temat: Algorytm F-LEM1 Liczba osób realizujących projekt: 2 1. Zaimplementować algorytm F LEM 1. 2. Zaimplementować klasyfikator Classif ier. 3. Za pomocą algorytmu F LEM1
Bardziej szczegółowoTeoretyczne podstawy zbiorów przybliżonych
Teoretyczne podstawy zbiorów przybliżonych Agnieszka Nowak 17 kwietnia 2009 1 Podstawy teorii zbiorów przybliżonych 1.1 Wstęp Teoria zbiorów przybliżonych została sformułowana przez Zdzisława Pawlaka w
Bardziej szczegółowoB jest globalnym pokryciem zbioru {d} wtedy i tylko wtedy, gdy {d} zależy od B i nie istnieje B T takie, że {d} zależy od B ;
Algorytm LEM1 Oznaczenia i definicje: U - uniwersum, tj. zbiór obiektów; A - zbiór atrybutów warunkowych; d - atrybut decyzyjny; IND(B) = {(x, y) U U : a B a(x) = a(y)} - relacja nierozróżnialności, tj.
Bardziej szczegółowoWprowadzenie do zbiorów przybliżonych
Instytut Informatyki, Uniwersytet Śląski, ul. Będzinska 39, Sosnowiec, Polska Tel (32) 2 918 381, Fax (32) 2 918 283 Wykład II i III Wstęp Teoria zbiorów przybliżonych została sformułowana przez Zdzisława
Bardziej szczegółowoOdkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych. Wykład 3
Odkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych Wykład 3 W internecie Teoria zbiorów przybliżonych zaproponowany w 1982 r. przez prof. Zdzisława Pawlaka formalizm matematyczny, stanowiący
Bardziej szczegółowoZbiory przybliżone, cz. 1 (wersja do druku) dr. Piotr Szczuko
Zbiory przybliżone, cz. 1 (wersja do druku) dr. Piotr Szczuko Katedra Systemów Multimedialnych 2009 Plan wykładu Historia zbiorów przybliżonych System informacyjny i decyzyjny Reguły decyzyjne Tożsamość
Bardziej szczegółowoSztuczna Inteligencja Projekt
Sztuczna Inteligencja Projekt Temat: Algorytm LEM2 Liczba osób realizujących projekt: 2 1. Zaimplementować algorytm LEM 2. 2. Zaimplementować klasyfikator Classif ier. 3. Za pomocą algorytmu LEM 2 wygenerować
Bardziej szczegółowoTablicowa reprezentacja danych
Wstęp Teoria zbiorów przybliżonych została sformułowana przez Zdzisława Pawlaka w 1982 roku. Jest ona wykorzystywana jako narzędzie do syntezy zaawansowanych i efektywnych metod analizy oraz do redukcji
Bardziej szczegółowoSztuczna inteligencja
POLITECHNIKA KRAKOWSKA WIEiK KATEDRA AUTOMATYKI I TECHNIK INFORMACYJNYCH Sztuczna inteligencja www.pk.edu.pl/~zk/si_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 10: Zbiory przybliżone
Bardziej szczegółowoZbiory przybliżone w obszarze systemów ekspertowych
Zbiory przybliżone w obszarze systemów ekspertowych Agnieszka Nowak Institute of Computer Science, University of Silesia Bȩdzińska 39, 41 200 Sosnowiec, Poland e-mail: nowak@us.edu.pl 1 Wprowadzenie Okres
Bardziej szczegółowoRelacje. opracował Maciej Grzesiak. 17 października 2011
Relacje opracował Maciej Grzesiak 17 października 2011 1 Podstawowe definicje Niech dany będzie zbiór X. X n oznacza n-tą potęgę kartezjańską zbioru X, tzn zbiór X X X = {(x 1, x 2,..., x n ) : x k X dla
Bardziej szczegółowo1 Macierze i wyznaczniki
1 Macierze i wyznaczniki 11 Definicje, twierdzenia, wzory 1 Macierzą rzeczywistą (zespoloną) wymiaru m n, gdzie m N oraz n N, nazywamy prostokątną tablicę złożoną z mn liczb rzeczywistych (zespolonych)
Bardziej szczegółowo15. Macierze. Definicja Macierzy. Definicja Delty Kroneckera. Definicja Macierzy Kwadratowej. Definicja Macierzy Jednostkowej
15. Macierze Definicja Macierzy. Dla danego ciała F i dla danych m, n IN funkcję A : {1,...,m} {1,...,n} F nazywamy macierzą m n ( macierzą o m wierszach i n kolumnach) o wyrazach z F. Wartość A(i, j)
Bardziej szczegółowoWykład 5. Metoda eliminacji Gaussa
1 Wykład 5 Metoda eliminacji Gaussa Rozwiązywanie układów równań liniowych Układ równań liniowych może mieć dokładnie jedno rozwiązanie, nieskończenie wiele rozwiązań lub nie mieć rozwiązania. Metody dokładne
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać układu równań liniowych Układ liniowych równań algebraicznych
Bardziej szczegółowoMacierze. Rozdział Działania na macierzach
Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i, j) (i 1,..., n; j 1,..., m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F R lub F C, nazywamy macierzą (rzeczywistą, gdy
Bardziej szczegółowoMet Me ody numer yczne Wykład ykład Dr inż. Mic hał ha Łanc Łan zon Instyt Ins ut Elektr Elektr echn iki echn i Elektrot Elektr echn olo echn
Metody numeryczne Wykład 3 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Pojęcia podstawowe Algebra
Bardziej szczegółowoProgramowanie Współbieżne. Algorytmy
Programowanie Współbieżne Algorytmy Sortowanie przez scalanie (mergesort) Algorytm :. JEŚLI jesteś rootem TO: pobierz/wczytaj tablice do posortowania JEŚLI_NIE to pobierz tablicę do posortowania od rodzica
Bardziej szczegółowoRozwiązywanie układów równań liniowych
Rozwiązywanie układów równań liniowych Marcin Orchel 1 Wstęp Jeśli znamy macierz odwrotną A 1, to możęmy znaleźć rozwiązanie układu Ax = b w wyniku mnożenia x = A 1 b (1) 1.1 Metoda eliminacji Gaussa Pierwszy
Bardziej szczegółowoAnaliza matematyczna i algebra liniowa Macierze
Analiza matematyczna i algebra liniowa Macierze Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: poniedziałek
Bardziej szczegółowo5. Rozwiązywanie układów równań liniowych
5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a
Bardziej szczegółowoWykład 4. Informatyka Stosowana. Magdalena Alama-Bućko. 25 marca Magdalena Alama-Bućko Wykład 4 25 marca / 25
Wykład 4 Informatyka Stosowana Magdalena Alama-Bućko 25 marca 2019 Magdalena Alama-Bućko Wykład 4 25 marca 2019 1 / 25 Macierze Magdalena Alama-Bućko Wykład 4 25 marca 2019 2 / 25 Macierza wymiaru m n
Bardziej szczegółowoZasada indukcji matematycznej
Zasada indukcji matematycznej Twierdzenie 1 (Zasada indukcji matematycznej). Niech ϕ(n) będzie formą zdaniową zmiennej n N 0. Załóżmy, że istnieje n 0 N 0 takie, że 1. ϕ(n 0 ) jest zdaniem prawdziwym,.
Bardziej szczegółowoRozdział 5. Macierze. a 11 a a 1m a 21 a a 2m... a n1 a n2... a nm
Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i,j) (i = 1,,n;j = 1,,m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F = R lub F = C, nazywamy macierzą (rzeczywistą, gdy F
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA I WSPOMAGANIA DECYZJI Rozproszone programowanie produkcji z wykorzystaniem
Bardziej szczegółowoWyk lad 4 Macierz odwrotna i twierdzenie Cramera
Wyk lad 4 Macierz odwrotna i twierdzenie Cramera 1 Odwracanie macierzy I n jest elementem neutralnym mnożenia macierzy w zbiorze M n (R) tzn A I n I n A A dla dowolnej macierzy A M n (R) Ponadto z twierdzenia
Bardziej szczegółowoGranular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY
Granular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY PB 2 PB 1 Projekt z wyznaczania reduktów zbioru Liczba osób realizuj cych projekt: 1-2 osoby 1. Wczytanie danych w formatach arf,
Bardziej szczegółowoAnaliza matematyczna i algebra liniowa Macierze
Analiza matematyczna i algebra liniowa Macierze Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: poniedziałek
Bardziej szczegółowo1. Które składowe klasa posiada zawsze, niezależnie od tego czy je zdefiniujemy, czy nie?
1. Które składowe klasa posiada zawsze, niezależnie od tego czy je zdefiniujemy, czy nie? a) konstruktor b) referencje c) destruktor d) typy 2. Które z poniższych wyrażeń są poprawne dla klasy o nazwie
Bardziej szczegółowoa 11 a a 1n a 21 a a 2n... a m1 a m2... a mn a 1j a 2j R i = , C j =
11 Algebra macierzy Definicja 11.1 Dla danego ciała F i dla danych m, n N funkcję A : {1,..., m} {1,..., n} F nazywamy macierzą m n (macierzą o m wierszach i n kolumnach) o wyrazach z F. Wartość A(i, j)
Bardziej szczegółowoZasady transformacji modelu DOZ do projektu tabel bazy danych
Zasady transformacji modelu DOZ do projektu tabel bazy danych A. Obiekty proste B. Obiekty z podtypami C. Związki rozłączne GHJ 1 A. Projektowanie - obiekty proste TRASA # * numer POZYCJA o planowana godzina
Bardziej szczegółowoR n = {(x 1, x 2,..., x n ): x i R, i {1,2,...,n} },
nazywa- Definicja 1. Przestrzenią liniową R n my zbiór wektorów R n = {(x 1, x 2,..., x n ): x i R, i {1,2,...,n} }, z określonymi działaniami dodawania wektorów i mnożenia wektorów przez liczby rzeczywiste.
Bardziej szczegółowoWprowadzenie i pojęcia wstępne.
Wprowadzenie i pojęcia wstępne. X\A a b c x 1 a 1 b 1 c 1 x 2 a 1 b 1 c 2 x 3 a 1 b 2 c 3 x 4 a 2 b 1 c 4 x 5 a 1 b 2 c 1 x 6 a 1 b 2 c 2 x 7 a 1 b 1 c 1 S = X = {x 1,,x 8 } A = {a, b, c}
Bardziej szczegółowoProgramowanie dynamiczne
Programowanie dynamiczne Ciąg Fibonacciego fib(0)=1 fib(1)=1 fib(n)=fib(n-1)+fib(n-2), gdzie n 2 Elementy tego ciągu stanowią liczby naturalne tworzące ciąg o takiej własności, że kolejny wyraz (z wyjątkiem
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.
Bardziej szczegółowoZastosowania wyznaczników
Zastosowania wyznaczników Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 7.wykład z algebry liniowej Warszawa, listopad 2012 Mirosław Sobolewski (UW) Warszawa, listopad 2012 1 / 17
Bardziej szczegółowoChcąc wyróżnić jedno z działań, piszemy np. (, ) i mówimy, że działanie wprowadza w STRUKTURĘ ALGEBRAICZNĄ lub, że (, ) jest SYSTEMEM ALGEBRAICZNYM.
DEF. DZIAŁANIE DWUARGUMENTOWE Działaniem dwuargumentowym w niepsutym zbiorze nazywamy każde odwzorowanie iloczynu kartezjańskiego :. Inaczej mówiąc, w zbiorze jest określone działanie dwuargumentowe, jeśli:
Bardziej szczegółowoFUNKCJE. (odwzorowania) Funkcje 1
FUNKCJE (odwzorowania) Funkcje 1 W matematyce funkcja ze zbioru X w zbiór Y nazywa się odwzorowanie (przyporządkowanie), które każdemu elementowi zbioru X przypisuje jeden, i tylko jeden element zbioru
Bardziej szczegółowoGrupy. Permutacje 1. (G2) istnieje element jednostkowy (lub neutralny), tzn. taki element e G, że dla dowolnego a G zachodzi.
Grupy. Permutacje 1 1 Definicja grupy Niech G będzie zbiorem. Działaniem na zbiorze G nazywamy odwzorowanie (oznaczane, jak mnożenie, przez ) przyporządkowujące każdej parze uporządkowanej (a, b) G G element
Bardziej szczegółowoKolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w
Metoda Simpleks Jak wiadomo, problem PL z dowolną liczbą zmiennych można rozwiązać wyznaczając wszystkie wierzchołkowe punkty wielościanu wypukłego, a następnie porównując wartości funkcji celu w tych
Bardziej szczegółowoWykład 7 Macierze i wyznaczniki
Wykład 7 Macierze i wyznaczniki Andrzej Sładek sladek@ux2mathusedupl Instytut Matematyki, Uniwersytet Śląski w Katowicach Andrzej Sładek (Instytut Matematyki, Uniwersytet Śląski Wykład w Katowicach) 7
Bardziej szczegółowoObliczenia iteracyjne
Lekcja Strona z Obliczenia iteracyjne Zmienne iteracyjne (wyliczeniowe) Obliczenia iteracyjne wymagają zdefiniowania specjalnej zmiennej nazywanej iteracyjną lub wyliczeniową. Zmienną iteracyjną od zwykłej
Bardziej szczegółowo5. Algebra działania, grupy, grupy permutacji, pierścienie, ciała, pierścień wielomianów.
5. Algebra działania, grupy, grupy permutacji, pierścienie, ciała, pierścień wielomianów. Algebra jest jednym z najstarszych działów matematyki dotyczącym początkowo tworzenia metod rozwiązywania równań
Bardziej szczegółowoMaszyna Turinga. Algorytm. czy program???? Problem Hilberta: Przykłady algorytmów. Cechy algorytmu: Pojęcie algorytmu
Problem Hilberta: 9 Czy istnieje ogólna mechaniczna procedura, która w zasadzie pozwoliłaby nam po kolei rozwiązać wszystkie matematyczne problemy (należące do odpowiednio zdefiniowanej klasy)? 2 Przykłady
Bardziej szczegółowo"Bieda przeczy matematyce; gdy się ją podzieli na więcej ludzi, nie staje się mniejsza." Gabriel Laub
"Bieda przeczy matematyce; gdy się ją podzieli na więcej ludzi, nie staje się mniejsza." Gabriel Laub Def. Macierzą odwrotną do macierzy A M(n) i deta nazywamy macierz A - M(n) taką, że A A - A - A Tw.
Bardziej szczegółowoAlgebra WYKŁAD 3 ALGEBRA 1
Algebra WYKŁAD 3 ALGEBRA 1 Liczby zespolone Postać wykładnicza liczby zespolonej Niech e oznacza stałą Eulera Definicja Równość e i cos isin nazywamy wzorem Eulera. ALGEBRA 2 Liczby zespolone Każdą liczbę
Bardziej szczegółowoSztuczna inteligencja : Algorytm KNN
Instytut Informatyki Uniwersytetu Śląskiego 23 kwietnia 2012 1 Algorytm 1 NN 2 Algorytm knn 3 Zadania Klasyfikacja obiektów w oparciu o najbliższe obiekty: Algorytm 1-NN - najbliższego sąsiada. Parametr
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Uwagi wstępne Układ liniowych równań algebraicznych można
Bardziej szczegółowoDB Algebra liniowa semestr zimowy 2018
DB Algebra liniowa semestr zimowy 2018 SPIS TREŚCI Teoria oraz większość zadań w niniejszym skrypcie zostały opracowane na podstawie książek: 1 G Banaszak, W Gajda, Elementy algebry liniowej cz I, Wydawnictwo
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Informacje podstawowe 1. Konsultacje: pokój
Bardziej szczegółowoWyk lad 4 Dzia lania na macierzach. Określenie wyznacznika
Wyk lad 4 Dzia lania na macierzach Określenie wyznacznika 1 Określenie macierzy Niech K bedzie dowolnym cia lem oraz niech n i m bed a dowolnymi liczbami naturalnymi Prostokatn a tablice a 11 a 12 a 1n
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 11 Ogólna postać metody iteracyjnej Definicja 11.1. (metoda iteracyjna rozwiązywania układów równań) Metodą iteracyjną rozwiązywania { układów równań liniowych nazywamy ciąg wektorów zdefiniowany
Bardziej szczegółowoRównania liniowe. Rozdział Przekształcenia liniowe. Niech X oraz Y będą dwiema niepustymi przestrzeniami wektorowymi nad ciałem
Rozdział 6 Równania liniowe 6 Przekształcenia liniowe Niech X oraz Y będą dwiema niepustymi przestrzeniami wektorowymi nad ciałem F Definicja 6 Funkcję f : X Y spełniającą warunki: a) dla dowolnych x,
Bardziej szczegółowoProgramowanie liniowe metoda sympleks
Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 13. wykład z algebry liniowej Warszawa, styczeń 2018 Mirosław Sobolewski (UW) Warszawa, 2018 1 /
Bardziej szczegółowo. : a 1,..., a n F. . a n Wówczas (F n, F, +, ) jest przestrzenią liniową, gdzie + oraz są działaniami zdefiniowanymi wzorami:
9 Wykład 9: Przestrzenie liniowe i podprzestrzenie Definicja 9 Niech F będzie ciałem Algebrę (V, F, +, ), gdzie V, + jest działaniem w zbiorze V zwanym dodawaniem wektorów, a jest działaniem zewnętrznym
Bardziej szczegółowoTreści programowe. Matematyka. Efekty kształcenia. Literatura. Terminy wykładów i ćwiczeń. Warunki zaliczenia. tnij.org/ktrabka
Treści programowe Matematyka Katarzyna Trąbka-Więcław Elementy algebry liniowej. Macierze i wyznaczniki. Ciągi liczbowe, granica ciągu i granica funkcji, rachunek granic, wyrażenia nieoznaczone, ciągłość
Bardziej szczegółowoWstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra
Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Uwarunkowanie zadania numerycznego Niech ϕ : R n R m będzie pewna funkcja odpowiednio wiele
Bardziej szczegółowoWYKŁAD 3 WYPEŁNIANIE OBSZARÓW. Plan wykładu: 1. Wypełnianie wieloboku
WYKŁ 3 WYPŁNINI OSZRÓW. Wypełnianie wieloboku Zasada parzystości: Prosta, która nie przechodzi przez wierzchołek przecina wielobok parzystą ilość razy. Plan wykładu: Wypełnianie wieloboku Wypełnianie konturu
Bardziej szczegółowoFormy kwadratowe. Mirosław Sobolewski. Wydział Matematyki, Informatyki i Mechaniki UW. 14. wykład z algebry liniowej Warszawa, styczeń 2017
Formy kwadratowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 14. wykład z algebry liniowej Warszawa, styczeń 2017 Mirosław Sobolewski (UW) Warszawa, 2017 1 / 10 Definicja Funkcja
Bardziej szczegółowoW. Guzicki Próbna matura, grudzień 2014 r. poziom rozszerzony 1
W. Guzicki Próbna matura, grudzień 01 r. poziom rozszerzony 1 Próbna matura rozszerzona (jesień 01 r.) Zadanie 18 kilka innych rozwiązań Wojciech Guzicki Zadanie 18. Okno na poddaszu ma mieć kształt trapezu
Bardziej szczegółowoO MACIERZACH I UKŁADACH RÓWNAŃ
O MACIERZACH I UKŁADACH RÓWNAŃ Problem Jak rozwiązać podany układ równań? 2x + 5y 8z = 8 4x + 3y z = 2x + 3y 5z = 7 x + 8y 7z = Definicja Równanie postaci a x + a 2 x 2 + + a n x n = b gdzie a, a 2, a
Bardziej szczegółowo1 Zbiory. 1.1 Kiedy {a} = {b, c}? (tzn. podać warunki na a, b i c) 1.2 Udowodnić, że A {A} A =.
1 Zbiory 1.1 Kiedy {a} = {b, c}? (tzn. podać warunki na a, b i c) 1.2 Udowodnić, że A {A} A =. 1.3 Pokazać, że jeśli A, B oraz (A B) (B A) = C C, to A = B = C. 1.4 Niech {X t } będzie rodziną niepustych
Bardziej szczegółowoAlgebra Boole a i jej zastosowania
lgebra oole a i jej zastosowania Wprowadzenie Niech dany będzie zbiór dwuelementowy, którego elementy oznaczymy symbolami 0 oraz 1, tj. {0, 1}. W zbiorze tym określamy działania sumy :, iloczynu : _ oraz
Bardziej szczegółowoMatematyka dyskretna. 1. Relacje
Matematyka dyskretna 1. Relacje Definicja 1.1 Relacją dwuargumentową nazywamy podzbiór produktu kartezjańskiego X Y, którego elementami są pary uporządkowane (x, y), takie, że x X i y Y. Uwaga 1.1 Jeśli
Bardziej szczegółowoW jakim celu to robimy? Tablica Karnaugh. Minimalizacja
W jakim celu to robimy? W projektowaniu układów cyfrowych istotne jest aby budować je jak najmniejszym kosztem. To znaczy wykorzystanie dwóch bramek jest tańsze niż konieczność wykorzystania trzech dla
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /10
Matematyka dyskretna Andrzej Łachwa, UJ, 2018 andrzej.lachwa@uj.edu.pl 10/10 Podziały i liczby Stirlinga Liczba Stirlinga dla cykli (często nazywana liczbą Stirlinga pierwszego rodzaju) to liczba permutacji
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 10 Rozkład LU i rozwiązywanie układów równań liniowych Niech będzie dany układ równań liniowych postaci Ax = b Załóżmy, że istnieją macierze L (trójkątna dolna) i U (trójkątna górna), takie że macierz
Bardziej szczegółowoSztuczna inteligencja : Zbiory rozmyte cz. III
Instytut Informatyki Uniwersytetu Śląskiego lab 3 Notacja Zadeha: symboliczny zapis zbioru rozmytego dla przestrzeni dyskretnej. Dla X jest przestrzenią o skończonej liczbie elementów X = {x 1, x 2,...,
Bardziej szczegółowo3. Macierze i Układy Równań Liniowych
3. Macierze i Układy Równań Liniowych Rozważamy równanie macierzowe z końcówki ostatniego wykładu ( ) 3 1 X = 4 1 ( ) 2 5 Podstawiając X = ( ) x y i wymnażając, otrzymujemy układ 2 równań liniowych 3x
Bardziej szczegółowoZbiory, relacje i funkcje
Zbiory, relacje i funkcje Zbiory będziemy zazwyczaj oznaczać dużymi literami A, B, C, X, Y, Z, natomiast elementy zbiorów zazwyczaj małymi. Podstawą zależność między elementem zbioru a zbiorem, czyli relację
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2010 Mirosław Sobolewski (UW) Warszawa, 2009 1 / 15 Homo oeconomicus=
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoKolorowanie płaszczyzny, prostych i okręgów
Kolorowanie płaszczyzny, prostych i okręgów Jadwiga Czyżewska Pisane pod kierunkiem W.Guzickiego W 2013 roku na II etapie VIII edycji Olimpiady Matematycznej Gimnazjalistów pojawiło się zadanie o następującej
Bardziej szczegółowo1 Macierz odwrotna metoda operacji elementarnych
W tej części skupimy się na macierzach kwadratowych. Zakładać będziemy, że A M(n, n) dla pewnego n N. Definicja 1. Niech A M(n, n). Wtedy macierzą odwrotną macierzy A (ozn. A 1 ) nazywamy taką macierz
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE
ZAGADNIENIE TRANSPORTOWE ZT jest specyficznym problemem z zakresu zastosowań programowania liniowego. ZT wykorzystuje się najczęściej do: optymalnego planowania transportu towarów, przy minimalizacji kosztów,
Bardziej szczegółowoProgramowanie liniowe. Tadeusz Trzaskalik
Programowanie liniowe Tadeusz Trzaskalik .. Wprowadzenie Słowa kluczowe Model matematyczny Cel, środki, ograniczenia Funkcja celu funkcja kryterium Zmienne decyzyjne Model optymalizacyjny Układ warunków
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, B/14
Matematyka dyskretna Andrzej Łachwa, UJ, 2019 andrzej.lachwa@uj.edu.pl 2B/14 Relacje Pojęcia: relacja czyli relacja dwuargumentowa relacja w zbiorze A relacja n-argumentowa Relacja E = {(x, x): x S} jest
Bardziej szczegółowoWyk lad 7 Metoda eliminacji Gaussa. Wzory Cramera
Wyk lad 7 Metoda eliminacji Gaussa Wzory Cramera Metoda eliminacji Gaussa Metoda eliminacji Gaussa polega na znalezieniu dla danego uk ladu a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x n =
Bardziej szczegółowoMetody iteracyjne rozwiązywania układów równań liniowych (5.3) Normy wektorów i macierzy (5.3.1) Niech. x i. i =1
Normy wektorów i macierzy (5.3.1) Niech 1 X =[x x Y y =[y1 x n], oznaczają wektory przestrzeni R n, a yn] niech oznacza liczbę rzeczywistą. Wyrażenie x i p 5.3.1.a X p = p n i =1 nosi nazwę p-tej normy
Bardziej szczegółowoKlasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,
Klasyfikator Jedną z najistotniejszych nieparametrycznych metod klasyfikacji jest metoda K-najbliższych sąsiadów, oznaczana przez K-NN. W metodzie tej zaliczamy rozpoznawany obiekt do tej klasy, do której
Bardziej szczegółowoPokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań 9: Przestrzenie wektorowe. Podprzestrzenie () Wykazać, że V = C ze zwykłym dodawaniem jako dodawaniem wektorów i operacją mnożenia przez skalar : C C C, (z, v) z v := z v jest przestrzenią
Bardziej szczegółowo6. Zagadnienie parkowania ciężarówki.
6. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoProgramowanie liniowe metoda sympleks
Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2009 Mirosław Sobolewski (UW) Warszawa, 2009 1 / 13
Bardziej szczegółowo1.1 Definicja. 1.2 Przykład. 1.3 Definicja. Niech G oznacza dowolny, niepusty zbiór.
20. Definicje i przykłady podstawowych struktur algebraicznych (grupy, pierścienie, ciała, przestrzenie liniowe). Pojęcia dotyczące przestrzeni liniowych (liniowa zależność i niezależność układu wektorów,
Bardziej szczegółowo13 Układy równań liniowych
13 Układy równań liniowych Definicja 13.1 Niech m, n N. Układem równań liniowych nad ciałem F m równaniach i n niewiadomych x 1, x 2,..., x n nazywamy koniunkcję równań postaci a 11 x 1 + a 12 x 2 +...
Bardziej szczegółowomacierze jednostkowe (identyczności) macierze diagonalne, które na przekątnej mają same
1 Macierz definicja i zapis Macierzą wymiaru m na n nazywamy tabelę a 11 a 1n A = a m1 a mn złożoną z liczb (rzeczywistych lub zespolonych) o m wierszach i n kolumnach (zamiennie będziemy też czasem mówili,
Bardziej szczegółowoALGEBRA Z GEOMETRIĄ MACIERZE ODWZOROWAŃ LINIOWYCH
ALGEBRA Z GEOMETRIĄ 1/10 MACIERZE ODWZOROWAŃ LINIOWYCH Piotr M. Hajac Uniwersytet Warszawski Wykład 12, 08.01.2014 Typeset by Jakub Szczepanik. Motywacje 2/10 W celu wykonania obliczeń numerycznych w zagadnieniach
Bardziej szczegółowoZadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik
Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda
Bardziej szczegółowoDr inż. Robert Wójcik, p. 313, C-3, tel Katedra Informatyki Technicznej (K-9) Wydział Elektroniki (W-4) Politechnika Wrocławska
Dr inż. Robert Wójcik, p. 313, C-3, tel. 320-27-40 Katedra Informatyki Technicznej (K-9) Wydział Elektroniki (W-4) Politechnika Wrocławska E-mail: Strona internetowa: robert.wojcik@pwr.edu.pl google: Wójcik
Bardziej szczegółowo, A T = A + B = [a ij + b ij ].
1 Macierze Jeżeli każdej uporządkowanej parze liczb naturalnych (i, j), 1 i m, 1 j n jest przyporządkowana dokładnie jedna liczba a ij, to mówimy, że jest określona macierz prostokątna A = a ij typu m
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2015 Mirosław Sobolewski (UW) Warszawa, 2015 1 / 16 Homo oeconomicus=
Bardziej szczegółowoProgramowanie celowe #1
Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem
Bardziej szczegółowo