Rozpoznawanie obrazów

Wielkość: px
Rozpocząć pokaz od strony:

Download "Rozpoznawanie obrazów"

Transkrypt

1 Ostat etap obrazowaa medyczego: Etapy rozpozawaa obrazów medyczych chęte bym Państw przedstawł w sposób poglądowy opsowy, bo wzorów ta t e zapamęta, a w raze potrzeby moża je w cąg l mt zaleźć w Iterece Rozpozawae obrazów Zawsze dążyłem do tego, żeby przedstawać Państw stotę omawaej metody obrazowaa medyczego e tylo solde, ale taże ceawe. Jeda te sposób prezetacj spotał sę z protestam z Waszej stroy! Istota atomatyczego rozpozawaa: defcja formala Dlatego a dzsejszym wyładze będze tylo scha wedza, bez żadych ozdobów! Zbór obetów lb zjaws podlegających rozpozawa ozaczać będzemy D. Zbór D może (zależe od zastosowaa) zawerać róże elemety d D. Mogą to być oczywśce róże zobrazowaa medycze, ale taże a przyład obrazy rozpozawaych twarzy, sylwete samolotów, zaów alfameryczych albo odcsów palca. Moża rozpozawać e tylo obrazy. Rozpozawaym obrazam (albo może lepej wzorcam ag. patter) mogą być jeda taże dźwę mowy, sygały EKG albo hałasy geerowae przez szodzoą maszyę. Moża rozpozawać taże móstwo ych rzeczy, a przyład stay pogody albo warygodość redytoborców w ba td. We wszystch dalszych rozważaach będzemy załadal stee relacj rówoważośc K D D, mpljącej rozbce zbor D a olecję las rówoważośc, odpowadających poszczególym rozpozawaym lasom obetów. Zgode z tradycją rozważaej dzedzy podlegające rozpozawa lasy azywać będzemy obrazam (albo wzorcam) ezależe od ch rzeczywstej atry. Załadać będzemy, że elemety d D wchodzące w sład odpowedch relacj ależeć będą do pewych podzborów D zbor D charateryzjących sę tym, że ch elemety posadają podobe wartośc pewych wybraych (staloych) cech. Kwesta wybor cech, będących podstawą proces lasyfacj (a potem taże rozpozawaa) będze dalej dosyć szczegółowo dystowaa, ttaj jedye ależy wsazać, że to właśe a podstawe cech tylo a podstawe cech ms być możlwe stalee, że pomędzy oreśloym obetam zachodz wymagaa relacja, będąca podstawą ch lasyfacj. Jeśl tach cech e da sę wsazać (awet hpotetycze) to rozważaych las obetów e będze moża stecze wydzelć, a to ozacza epowodzee całego przedsęwzęca. 1

2 Podzbory D e powy sę przecać, a poadto omawaa relacja e może pozostawać żadego elemet ze zbor D samem sobe tz. bez przypsaa do tóregoś (dołade jedego!) podzbor D. Łatwo wyazać, że relacja porządjąca elemety d D w podzbory D speła postlaty relacj rówoważośc (jest to relacja zwrota, symetrycza przechoda). Jeśl dla jaegoś zadaa da sę zbdować w zborze D relację rówoważośc dzałającą w oparc o dobrze zdefowae cechy, to spełoe są war oecze do tego, by moża było o m mówć jao o probleme rozpozawaa sesowe postawoym. Warto zaważyć, że ware te, będąc warem oeczym, e ms być jedocześe warem wystarczającym. Dla steczego stworzea metody rozpozawaa obrazów potrzebe są bowem zwyle bowem jeszcze dalsze war, jao że ażda metoda rozpozawaa opera sę a jachś założeach, z tórym zwązae są specyfcze dla daej metody dodatowe wymagaa. Ozaczmy przez L lczbę las geerowaych przez relację K, a zbór desów (azw) tych las ozaczmy przez I. Wówczas: D I D, p,qi D p D q = d p,d q D d p, d q K I : (d p D ) (d q D ) Z ops relacj K zbor I wya stee odwzorowaa A : D I o własoścach: dd A(d) = d D Odwzorowae A w peł opsje relację K, atomast relacja K defje odwzorowae A z doładoścą do permtacj zbor desowego I. Z tego powod ważać moża, że odwzorowae A w odróże od stejącej obetywe (co przyjęlśmy jao oecze założee) relacj K zawera zawsze pewe arbtraly sład, zwązay z wyborem sposob meracj las. W pratyczym zada rozpozawaa dąży sę do tego, aby sostrować algorytm A^ realzjący odwzorowae: A^ : D I { o } W formle tej ozaczea D oraz I są jż dobrze zae, atomast jedoelemetowy zbór { o } symbolzje w tym zapse bra odpowedz (decyzja typ e wem). Wprowadzee w odwzorowa A^ elemet o czy pratycze zadae rozpozawaa bardzej realstyczym. W pratyce bowem często ta sę zdarza, że e moża stalć prawdłowej decyzj z całą doładoścą, a zacze lepej jest, jeśl algorytm A^ za, że e potraf rozpozać oreśloego obet zgłos to specjalym sygałem, ż edy jao wy pracy algorytm zostae poday jaś myle rozpozay elemet.

3 Czasem moża sę spotać z sytacją pratyczą, w tórej ajważejszym wyem pracy system rozpozającego jest właśe stalee, czy odpowedzą algorytm A^ jest elemet o czy jaolwe y elemet I. Sytacja taa może a przyład meć mejsce w systemach detyfacj osób, tórych zadaem jest wyłącze odpowedzeć a pytae, czy day obet ależy do jedej z las zapamętaych w systeme czy jest obcy (a węc potecjale ebezpeczy). Bdjąc algorytm A^ staramy sę zawsze czyć to ta, aby pewa mara dystas Q(A, A^ ) będąca oceą jaośc zbdowaego algorytm rozpozawaa A^ - była mmala. Mara jaośc Q algorytm A^ słżyć może e tylo do optymalego dostrojea algorytm A^ do abstracyjego dealego odwzorowaa A, ale dodatowo mara ta może być żyta do wartoścowaa wel dających sę zbdować algorytmów A^ 1, A^,..., A^ p co pozwala wybrać w oreśloym zada te spośród ch, tóry jest ajlepszy. Nestety, różorodość zadań rozpozawaa zwązaa z tym różorodość wymagań stawaych metodom rozpozawaa sprawa, ż emożlwe jest podae jedej wersalej formły dla fcj ryteralej Q. W ażdym oretym zada mara Q sle zależy od oretych zastosowań celów rozpozawaa. Ne ależy przy tym meć żadych złdzeń, że proste metody (a przyład odsete błędych rozpozań) dostarczą t doładych oszacowań wsaźa Q. Jaość rozpozawaa wyzacza sę ajczęścej a podstawe macerzy pomyłe Naprawdę dołade oszacowae błędów popełaych przez zbdoway algorytm rozpozawaa A^ wymaga przeprowadzea obszerych badań stalea przyblżoej empryczej dystrybaty błędów (a przyład techam bootstrap owym). Jeda dla celów pratyczych zadowalamy sę ajczęścej proszczoym wsaźem jaośc, wążącym sę często wyłącze z procetam obetów rozpozaych błęde lb (z ą wagą) obetów erozpozaych. Przy rozpozawa wyróża sę dwa rodzaje błędów: Ne są to jedye pratycze rytera ocey jaośc algorytm A^, gdyż w przypad algorytmów o tym samym procece błędych rozpozań w grę wchodzć mogą dodatowo lasycze formatycze rytera jaośc algorytmów, tae ja czas rozpozawaa czy zajętość pamęc, gdyż to oe wyzaczają oszty dzałaa metody. Pod względem formalym zagadea mary jaośc Q algorytm A^ staową osoby obszar problemowy zwązay z teorą optymalzacj agażjący bardzo zaawasowae dzały matematy (a przyład aalzę fcjoalą) 3

4 oczy blso - daleo Czasam przy defcj algorytm A^ dopszcza sę rozpozaa waratowe, to zaczy przyjmje sę sytację, w tórej jao rozpozae aceptje sę dowoly podzbór zbor I. Zapropoowae ogólee odwzorowae A^ może być opsae jao A^ : D I gdze ozaczee I żyte jest (zgode z otacją teoromogoścową) do zaps zbor wszystch podzborów zbor I. Warto zwrócć wagę, że w tym przypad zbęde jest wprowadzae elemet o, poeważ zbór I zawera (z defcj) zbór psty, czyl właśe bra rozpozaa. Odmowa rozpozaa może zresztą być przy taej owecj wyrażoa a dwa sposoby: albo poprzez podae jao rozwązaa zbor pstego, albo poprzez podae jao rozwązaa całego zbor I, co jest możlwe, jao że I I. Elemety sładowe rozpozawaa: Odwzorowae A^ jest realzowae jao założee trzech odwzorowań: A^ = F C B gdze: B : D X będzemy azywać recepcją (lb percepcją) C : X L ozacza oblczae wartośc ta zwaych fcj przyależośc, zaś F : L I { o } lb F : L I ozacza proces podejmowaa decyzj. ozacza zbór lczb rzeczywstych Zadaem recepcj B : D X jest oreślee dla ażdego obet d D wetora wartośc jego cech x X Po wybra właścwych cech ażdem rzeczywstem obetow d D odpowadać będze pt w przestrze cech X Załadać będzemy, że elemetam przestrze cech X są wetory -elemetowe x * = x 1, x,, x X Sładowe x j tych wetorów chęte będzemy tratowal jao lczby rzeczywste x j Przypade, edy przestrzeń X tratowaa będze jao -wymarowa przestrzeń eldesowa (X ) jest ajwygodejszy, ale e jest to przypade jedyy możlwy. Przyładowa przestrzeń cech twarz wąsa - szeroa 4

5 Istota rzeczy polega a tym, żeby w przestrze cech rozdzelć odpowede obszary Dae, tóre sę edobrze separję w przestrze o małej wymarowośc mogą sę dobrze rozdzelać w przestrze welowymarowej W przyjętej przestrze cech obety ależące do jedej lasy powy sę grpować razem separować od obetów ych las Zależe od sposob rozmeszczea w przestrze cech ptów reprezetjących obety ależące do różych las rozpozawae może być łatwejsze lb trdejsze Korety przyład zadaa średo trdego Korety przyład zadaa bardzo trdego 5

6 Rodzaj własośc wybraej przestrze cech bardzo sle wpływają a dalszy to proces rozpozawaa. Jest to zpełe zrozmałe: obety d D mają potecjale esończee wele cech. Odwzorowae B prowadzące do -wymarowej ( << ) przestrze cech X zwązae jest zawsze z tratą częśc formacj, zatem jeśl tracoa zostae formacja stota z pt wdzea celów rozpozawaa, a w przestrze cech względ sę wyłącze cechy mało waże - to straty tej e da sę zreompesować żadym późejszym wysłam. Ważą rolę przy rozpozawa może pełć operacja trasformacj przestrze cech, tóra może sprzyjać odseparowa rozważaych las obetów. Orygale dae przed trasformacją Dae po trasformacj, przeształcoe w cel łatwee rozpozawaa Czasem dae pommo trasformacj pozostają wymeszae, chocaż ch statystya wyazje polepszee. Dotychczas stale załadalśmy, że wszyste cechy x j (j = l,,, ) są dostępe rówocześe. Tymczasem proces pozyswaa cech może wązać sę z pewym trdoścam (a przyład osztam) zwyle jest rozłożoy w czase. Przyład: W dagostyce medyczej poszczególe badaa, tórych wyem są olejo wyrywae symptomy (rozważae t jao cechy, będące podstawą rozpozawaa) są cążlwe dla pacjeta obcążające fasowo dla placów dagozjącej. Jeśl zatem moża podjąć decyzję a podstawe aalzy tylo etórych cech x j (j = 1,,, m), to wówczas moża sobe ( pacjetow) zaoszczędzć trd oreślaa symptomów x m+1,,x, co może staowć stoty zys przyspesza rozpozae. Koleje pozyswae podzborów zbor wszystch możlwych cech X charateryzje ta zwae rozpozawae etapowe. Dla tego przypad zapszemy odwzorowae B w zmodyfowaej postac: B e : D X 6

7 Omówoe odwzorowae B może być tratowae jao samo tylo zberae daych o właścwoścach (featres) rozpozawaego obet d D. Natomast oleje odwzorowae C : X L tratowae ms być zacze poważej. W odwzorowa tym chodz o stalee pewej mary podobeństwa ezaego obet d D do poszczególych las D desowaych meram I. Klas jest (z defcj) L, dlatego w wy odwzorowaa C powstaje L lczb rzeczywstych z tego powod docelowym zborem w odwzorowa C jest L. Oblczae fcj przyależośc C : X L polega a wyzacze dla zadaego pt przestrze cech x X odpowadającego d D L wartośc C (lczb rzeczywstych), tóre mogą być terpretowae jao mary podobeństwa obet d D olejo do wszystch wchodzących w rachbę las. C jest marą przyależośc obet d do -tej lasy, przy czym przebega wszyste wartośc od 1 do L, gdze L jest lczbą możlwych las. Fcje przyależośc C : X R L bdowae są róże w różych metodach rozpozawaa tym właśe te metody sę główe pomędzy sobą różą. Na ogół stota problem polega a tym, ja oreślć wszyste fcje przyależośc C (x) zając wyłącze cąg czący U = { x, ; = 1,,..., N } gdyż w typowych zadaach rozpozawaa taa jest jedya dostępa formacja o tym, ja wygląda regła rozpozawaa (w sposób jawy ezaa) 7

8 Odośe fcj przyależośc możemy jedye sformłować postlat, aby wszyste orete obety d ależące do oreśloej lasy o merze były wsazywae masymalą wartoścą fcj przyależośc C ( x * ) tóra powa być węsza od wszystch pozostałych wartośc C (x * ) dla. Oczywśce postlat ta zacze łatwej sformłować, ż go pratycze spełć. Dlatego msmy rozważać dalej wele różych metod rozpozawaa, gdyż w lteratrze propoje sę rozmate defcje fcj C (x * ) dametrale różące sę tech ch ostrowaa. Do tego wąt jeszcze wrócmy W odróże od zróżcowaego bdowaa fcj C (x) samo podejmowae decyzj F : R L I { o } a ogół odbywa sę jż w sposób jedolcoy. Waże jest w powyższej defcj to, że obo oretych rozpozań o przyależośc obet d D opsywaego wetorem cech x * X do oretej lasy I, możlwa jest też odpowedź wymjająca ( e wem 0 ) Zazwyczaj przyjmje sę regłę majoryzacyją, opsaą astępjącym wzorem: x * X ( F( C 1 (x * ), C (x * ),..., C L (x * )) = pi, p C p (x * ) < C (x * ) ) Ozacza to, że obet d * D charateryzoway wetorem x * X zalczoy będze do tej lasy I, tórej fcja przyależośc C (x * ) ma ajwęszą wartość wśród C 1 (x * ), C (x * ),..., C L (x * ). Decyzję etralą o moża przy tym podejmować w l dalej omówoych przypadach (do wybor przez projetata algorytm): Na przyład gdy stopeń domacj fcj przyależośc C p (x * ) dla lasy p masymalej (co do beżącej wartośc w pce x * ) ad oleją astępą co do wartośc fcją przyależośc C r (x * ) jest zbyt mały (mejszy od założoej wartośc e) qi, p q C q (x * ) C p (x * ) jeda ri: C p (x * ) - C r (x * ) < e 8

9 Sytacja ta zlstrowaa jest a rys F(.) = 0 poeważ domacja zwycęsej lasy jest zbyt słaba! Netralą decyzję (ozaczającą bra rozpozaa) ależy też przyjąć, gdy wartość domjącej fcj przyależośc C p (x * ) jest geerale za mała (mejsza od założoej wartośc progowej e) qi, p q C q (x * ) C p (x * ) ale zarazem C p (x * ) < e Wracamy do west bdowy fcj przyależośc Pojęce fcj przyależośc C (x * ) może być zdefowae taże w przypad orzystaa z metod mmaloodległoścowych, jeda e jest to oecze, bo sam algorytm rozpozawaa moża opsać zamplemetować taże bez formalego wprowadzaa fcj C (x * ). W ogólym przypad jest to wygoda oolczość. Fcje C (x * ) mają bowem to do sebe, że steją, ale są ezae. Przy Decyzję dobrze o przyależośc dobraym zborze owego cech (ezaego) poszczególe obet lasy do obetów jedej z tworzą wcześej w przestrze zaych cech (zapamętaych) wyraźe wyróżale las... zbory.... po wyzacze jego cech... moża podjąć a podstawe tożsamośc ajblższego zaego obet? 9

10 Dlatego we wszystch pratyczych zastosowaach posłgjemy sę możlwe ajlepszym przyblżeam C (x * ) otrzymaym a podstawe cąg czącego (lb a podstawe ych daych, a przyład probablstyczych). Podejśce tae jest bardzo pratycze, gdyż dla zysaa steczej metody rozpozawaa potrzebjemy wystarczająco dobrych fcj C (x * ), atomast wcale e msmy sę domagać zajomośc ch optymalych postac. Omówmy teraz metodę bdowy fcj C (x * ) a podstawe zbor czącego. U = { x, ; = 1,,..., N } Warto zaważyć, że mmo pewego podobeństwa do lasyczego zadaa aprosymacj, bdowa fcj C (x * ) w zadaach rozpozawaa jest specyfcze odmea. Załadamy, że fcję przyależośc C (x * ) moża rozwąć w szereg względem staloej rodzy fcj I x * X C (x * ) = Vw w (x * ) w0 gdze żyte fcje bazowe w (x * ) tworzą arbtrale wybraą porządowaą rodzę Vw = 1 (x * ), (x * ), Współczy rozwęca ( = l,, L; w = 1,, ), azywae wagam, wyzaczają oretą fcję C (x * ). Załóżmy, że fcje przyależośc C (x * ) dobrze rozwjają sę w szereg względem wybraej rodzy fcj, w wy czego wartośc wag dla w > m mogą być pomęte poeważ dla dowole małego e I w > m Vw e W efece moża stosować zaps m V w w0 C (x * ) = (x * ) zdecydowae adający sę jż do tego, by go stosować w pratyce w Dzę podaej własośc do oreślea wszystch fcj przyależośc C (x * ) wystarczy wyzaczyć tylo L m współczyów V w tóre są też jedyą oeczą do zapamętaa formacją przy dalszym rozpozawa. W stos do oeczośc pamętaa całego cąg czącego U (co było wadą metod mmaloodległoścowych) jest to dża oszczędość. Zasadcza trdość przy stosowa w pratyce aprosymacyjych metod rozpozawaa obrazów wąże sę z oeczoścą wybor rodzy fcj. 10

11 Ne może to być dowole wybraa rodza fcj. Co węcej, wadomo że rodzy fcj powszeche wyorzystywae w matematyce formatyce p. do wylczaa rozwęca fcj w szereg potęgowe Taylora lb MacLoraa (a węc rozwęca z życem welomaów) mają w zada rozpozawaa stote wady. Fcje żytecze dla aszych celów msza spełać zacze węcej warów. Po perwsze, trzeba zapewć dobrą rozwjalość fcj C (x * ) (o tórych e wemy c poza tym, że steją!) w szereg względem fcj rodzy (szereg potęgowe te arat ware spełają). Po drge, wygode jest dyspoować rodzą fcj ortogoalych to zaczy spełających ware, v 1,, m v (x * ) v (x * ) d x * = 0 Dzę tem możemy zajmować sę poszczególym fcjam w (x * ) ch wpływem a ostateczą postać fcj przyależośc, bez oeczośc rozpatrywaa wpływ dw różych sładowych awzajem a sebe. Wygode jest też zażądać, by poszczególe fcje bazowe były ormowae - tj. by spełały ware: w 1,, m w (x * ) d x * = 1 Mamy wtedy pewość, że (pomjając wag) wszyste żyte fcje bazowe są jedaowo waże względem sebe. Połączee ortogoalośc ormowaa daje am ortoormalość fcj bazowych powodje, że poszczególe wag V mogą być wyzaczae ezależe, a błąd wyzaczea jedej z ch e wpływa a błędy wyzaczea pozostałych. Ja wdać problem zalezea odpowedej rodzy fcj bazowych jest stosowo złożoy. Newele wedząc o charaterze fcj przyależośc C (x * )... (ale załadając że zamy ch wartośc w wybraych ptach sładających sę a cąg czący U)... możemy zastaowć sę ja wyglądają grace rozdzelające dwe lasy. Poeważ graca to zbór ptów ależących do ob las, zatem pty gracy rozdzelającej lasy v spełają rówae: C (x * ) = C v (x * ) co ozacza, że rówaem gracy jest: C (x * ) - C v (x * ) = 0 Jest to w ogólym przypad rówae hperprzestrze (hperpowerzch) - czyl podprzestrze o wymarze o jede mejszym ż wymar całej przestrze. Gładość grac obszarów w przestrze X determje małą dzwaczość fcj C (x * ). Użyte pojęce dzwaczośc, ma charater tcyjy eformaly, ale moża je przyblżyć a przyład w te sposób, że fcję będzemy ważać za tym bardzej dzwaczą m węcej ma estremów w pewym staloym przedzale zmeośc swoch argmetów. 11

12 Ogóle celowe jest postlowae małej dzwaczośc fcj rozdzelających. Postlat małej dzwaczośc l graczej może posłżyć do tego, by warygodć możlwość srócea formły fcj przyależośc. Mało somplowaym ształtom grac obszarów las odpowadają mej dzwacze fcje rozgraczające. Może to być dodatowa wsazówa dotycząca tego, w ja sposób ależy bdować potrzebą rodzę fcj. Jeśl bowem rodzę tę wyberzemy w te sposób, aby ze wzrostem mer porządowego w harmo w (x * ) rosła ch dzwaczość, to wówczas możlwość srócea formły fcj przyależośc będze prostą osewecją fat, że do bdowy fcj w ograczoym stop dzwaczej e trzeba żywać wysoce dzwaczych sładowych. Dzwaczość fcj rozdzelających rośe wraz ze wzrostem omplacj grac. Postlaty pod adresem fcj : ma to być rodza ortoormalych fcj zmeych, cechjąca sę właścwoścą wzrastającej dzwaczośc. Nech f (z) ( = 0,1,, ) będze rodzą ortoormalych fcj jedej zmeej o rosącej dzwaczośc. Wówczas moża bdować rodzę, orzystając z formły aoczej: w (x * ) = j1 f j (x j ) w tórej spełoy ms być ware j = w j1 Tym sposobem p. dla =3 przy w = 0 otrzymamy jedą fcję: 0 (x * ) = 0 (x 1, x, x 3 ) = f 0 (x 1 ) f 0 (x ) f 0 (x 3 ), przy w =1 otrzymamy trzy możlwe fcje 1 (x * ): 1 (x * ) = f 1 (x 1 ) f 0 (x ) f 0 (x 3 ) 1 (x * ) = f 0 (x 1 ) f 1 (x ) f 0 (x 3 ) 1 (x * ) = f 0 (x 1 ) f 0 (x ) f 1 (x 3 ), Przyład. Jao rodzę fcj jedej zmeej o potrzebych am własoścach reomedować moża rodzę fcj trygoometryczych f (z) = cos z zaś przy w = sześć możlwych fcj (x * ) (x * ) = f 1 (x 1 ) f 1 (x ) f 0 (x 3 ) (x * ) = f 1 (x 1 ) f 0 (x ) f 1 (x 3 ) (x * ) = f 0 (x 1 ) f 1 (x ) f 1 (x 3 ) (x * ) = f (x 1 ) f 0 (x ) f 0 (x 3 ) (x * ) = f 0 (x 1 ) f (x ) f 0 (x 3 ) (x * ) = f 0 (x 1 ) f 0 (x ) f (x 3 ). Możlwych fcj 3 (x * ) dla =3 jest 10, możlwych fcj 4 (x * ) jest 15 td. możemy zaobserwować rosącą dzwaczość fcj trygoometryczych dla olejych wartośc. 1

13 Łatwo też sprawdzć ware ortogoalośc: Iym przydatym fcjam mogą być welomay Czebyszewa 0 ( v)s(( v) z) ( v)s(( v) z) cos( z) cos( v z) dz ( 0 ( ) ) v 0 ormowaa: ( z f (z) = albo Legedre'a z 1) ( z z 1) 0 z s ( z) cos ( z) dz ( ) 4z 0 1 f (z) = 1! d ( z d z 1) Mając wybraą staloą rodzę fcj, stajemy przed problemem: w ja sposób a podstawe cąg czącego U oreślć wartośc współczyów wagowych V Na począte rozważmy szczególy przypade przy założe, że m = oraz (x * ) = x przy czym dla węszośc fcj z defcj przyjmjemy 0 (z) 1 Wzór dla fcj przyależośc przyjmje w rozważaym przypad formę fcj lowej C (x * ) = V x 1 + V 0 Warto przy tym zaważyć, że regła rozpozawaa daa powyższym wzorem e ma byajmej wyłącze teoretyczego zaczea. Przecwe, jest to metoda ze wszech mar goda wag jao pratycze arzędze, warte zastosowaa we wszystch tych przypadach, w tórych atra rozważaego problem pozwala a zastosowae taej prostej regły. Stosowalość tego wzor jest bowem ograczoa do zadań, w tórych obszary w przestrze cech mogą być rozgraczae hperpłaszczyzam (separowale lowo). Podzał przestrze cech za pomocą lowych fcj dysrymacyjych Poeważ w pratyce prawe gdy e wadomo, czy rozważay problem jest separowaly lowo, przeto celowe jest we wszystch przypadach podejmowae próby wyorzystaa tej metody z gotowoścą do zaechaa jej w przypad geeracj zbyt dżej lczby błędów. Przyład problem separowalego lowo Przyład problem eseparowalego lowo 13

14 Tam gdze e da sę podzelć przestrze jedą fcją lową moża żyć l Argmetam przemawającym za celowoścą stosowaa fcj przyależośc w postac lowej są mędzy ym: mmala lczba oeczych do pamętaa elemetów (potrzeba jedye L (+1) współczyów ); prosty w realzacj algorytm czea" (stalaa a podstawe cąg czącego U wartośc V ); bezpośred zwąze algorytm z tcyją metodą ajblższej mody NM; prostota realzacj algorytm rozpozawaa (fcję lową łatwo moża zaprogramować albo zrealzować w forme ład eletroczego); prosty zwąze pomędzy lową fcją przyależośc a poplarym secam eroowym; W metodze NM rozpozajemy obet x * jao ależący do tej lasy, dla tórej odległość Sład (x *, M ) = 1 ( x m ) jest mmala. Ale moża przeształcć: x 1 (x *, M ) = - m x ( m ) 1 1 x 1 jest detyczy dla wszystch las ch e różcje zatem moża go pomąć rozpatrzyć jedye fragmet 1 m x ( m ) 1 Im te fragmet będze węszy tym odległość będze mejsza Czyl to jest fcja przyależośc! Zatem fcja lowa jest w stoce fcję przyależośc dla metody NM C ( x * ) = m x ( m ) 1 1 może być bowem łatwo tożsamoe z C (x * ) = V x 1 po wyoa oczywstych podstaweń: V m v + V 0 0 V ( m ) 1 przy czym - odmee ż w metodze NM - twórca algorytm e ms sę łopotać wyszwaem wzorców M gdyż odpowede oblczea są dooywae atomatycze w to proces czea Po stale formy fcj przyależośc (a przyład jao fcj lowej) przychodz pora a czee, czyl a oreślee wartośc współczyów V ( = l,, L; = 0, 1,, ) a podstawe cąg czącego U = { x *, } Przed zapropoowaem odpowedej regły czea wygode będze wprowadzć la ozaczeń. Rozszerzmy wetor cech x *, wprowadzając sładową o merze 0 wartośc (zawsze) wyoszącej l; ta poszerzoy wetor ozaczmy astępjąco: x * = x 0, x 1, x,, x 1, x 1, x,, x Ozaczmy poadto wartość fcj decyzyjej F dla obet x * cąg czącego U przez F W wy poaz obet x * oblczae są (a podstawe wartośc V () ) wszyste fcje przyależośc C (x * ), a a ch podstawe podejmowaa jest próba rozpozawaa, dająca w efece (zgode z przyjętą owecją) decyzję F F = F(C 1 (x * ), C (x * ),, C L (x * )) Przy czym F I Wprowadzmy poadto otację łatwającą śledzee zma wartośc współczyów V w czase prezetacj olejych obetów cąg czącego U. W tym cel wartośc tych współczyów, obowązjące w -tym ro proces czea podczas poaz obet x * o przyależośc ozaczymy V () 14

15 Regła czea, pozwalająca systematycze (z ro a ro) lepszać zestaw wag V () a podstawe zajomośc x *, oraz F, jest astępjąca: V V F ( 1) V ( 1) V F ( ) x ( ) x,, Metoda ta ma prostą terpretację geometryczą przy czym = 0, l,,,. V Należy zaważyć, że w procese czea legają zmae jedye wag tych fcj, tóre albo powy były ( = ), albo w rzeczywstośc ( = F ) przyjęły wartośc masymale; pozostałe V () pozostają bez zma dla ro ( + l) ( 1) V ( ), F 0,,. W przypad edy próba rozpozawaa obet powedze sę (co ozacza, że F = ), wówczas żade ze współczyów wagowych e lega zmae, gdyż orety zadawae wzoram dla F oraz dla zoszą sę wzajeme. Proces czea zatrzymje sę sam. Moża dowodć, że ezależe od sposob wybraa początowych wartośc współczyów wagowych V (1), po sończoej lczbe poazów obetów cąg czącego {x *, } astąp stalee wartośc V (), pozwalające bezbłęde lasyfować wszyste obety. Formale poprawe rozpozawae jest zapewoe jedye dla obetów cąg czącego, ale załadając jego reprezetatywość możemy przypszczać, że gwaracja obejmje wszyste obety. Natrale teza przytoczoego twerdzea fcjoje jedye wtedy, gdy rozdzelee za pomocą hperpłaszczyz jest w ogóle wyoale lb - formłjąc to samo aczej - gdy steją fcje lowa, pozwalające a bezbłęde rozpozawae. Jeśl obszary rozpozawaych las są lowo separowale, to oleje wartośc współczyów wagowych zyswae w czase czea dążą asymptotycze do pewych staloych wartośc Bra możlwośc lowej separacj las objawa sę tym, że wartośc współczyów wagowych wyazją egasące oscylacje 15

16 Mechazm powstawaa oscylacj współczyów Sposób pooaa bra lowej separowalośc: fcje odcowo-lowe Sposób pooaa bra lowej separowalośc: sztcze zwęszee lczby las Sposób pooaa bra lowej separowalośc: sztcze zwęszee lczby wymarów przestrze cech Sposób pooaa bra lowej separowalośc: zastosowae elowych fcj przyależośc m V 0 C (x * ) = (x * ) Fcje tae moża czyć przy życ tej samej metody, ja opsaa wyżej dla fcj lowych, pod warem zastosowaa podstawea: x * w = w (x * ); w=0,1,,m Wówczas m C (x * ) = C (x * ) = V x * 0 Możemy to terpretować mędzy ym w te sposób, że z pomocą rodzy fcj wstępe realzje sę trasformację: -wymarowej przestrze cech w m-wymarową przestrzeń prostjącą", to zaczy taą, w tórej obszary ależące do różych las, eseparowale lowo w orygalej przestrze cech, dają sę jż rozgraczać hperpłaszczyzam 16

17 Ocea szas powodzea rozpozawaa w oretym zada z wyorzystaem metod fcj przyależośc C (x * ) mających postać agregatów oreśloych fcj jest bardzo trda. Jeda w sposób dość ogóly moża wyazać, że prawdopodobeństwo poprawego rozpozaa wyraźe wzrasta przy przejśc od fcj C (x * ) lowych do - bogatszych w możlwośc - fcj elowych. Dzeje sę ta dlatego, że a ogół m >>. Na przyład dla fcj C (x * ) wadratowej m = ( + 3)/, zaś dla fcj C (x * ) będącej welomaem stopa gdze m 1, ( )!!! Do metod aprosymacyjych ależy metoda wetorów wsperających SVM Metoda Spport Vector Maches (SVM) polega a bdowe powerzch rozgraczającej zbory ptów, reprezetjących rozpozawae lasy, czyl jest metodą typ aprosymacyjego. Dla zapewea ajlepszego przebeg l graczej względae są wyłącze pty z rozgraczaych las, tóre leżą w bezpośredm sąsedztwe l graczej. Te pty właśe azywae są wetoram wsperającym czyl Spport Vectors W metodze SVM dąży sę do zalezea taej przestrze wejścowej, w tórej pomędzy obety ależące do różych las daje sę wprowadzć hperpłaszczyzę o masymalym margese 17

18 Jest jeszcze wele ych metod rozpozawaa, ale o ch w raze potrzeby doczytace z łatwo dostępej lteratry I ta sę ończy wyład Tech Obrazowaa Medyczego 18

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

Przykład zagadnienia wymagającego sztucznej inteligencji: Rozpoznawanie obrazów. Rozpoznawanie obrazów. Teraz trochę szczegółów

Przykład zagadnienia wymagającego sztucznej inteligencji: Rozpoznawanie obrazów. Rozpoznawanie obrazów. Teraz trochę szczegółów Przykład zagadea wymagającego sztuczej telgecj: Rozpozawae obrazów Jaek! Aa? Rozpozawae obrazów Nawet ajwększe superkomputery pewych rzeczy e potrafą zrobć! Istota rozpozawaa polega a zamae obrazu a decyzję.

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

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

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

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

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

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2 Pojęce przedzału ufośc Przyład: Rozważmy pewe rzad proces (tz. ta tórego lczba zajść podlega rozładow Possoa). W cągu pewego czasu zaobserwowao =3 tae zdarzea. Oceć możlwy przedzał lczby zdarzeń tego typu

Bardziej szczegółowo

ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ

ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ Podstawowe pojęca rachuu prawdopodobeństwa: zdarzee losowe, zdarzee elemetare, prawdopodobeństwo, zbór zdarzeń elemetarych. Def. Nech E będze zborem

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

Równania rekurencyjne

Równania rekurencyjne Rówaa reurecyje Ja stosować do przelczaa obetów obatoryczych? zaleźć zwąze reurecyjy, oblczyć la początowych wartośc, odgadąć ogóly wzór, tóry astępe udowaday stosując ducję ateatyczą. W etórych przypadach,

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej. Literatura. W. Rudin: Podstawy analizy matematycznej, PWN, Warszawa, 1982.

Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej. Literatura. W. Rudin: Podstawy analizy matematycznej, PWN, Warszawa, 1982. Wyłady z Aalzy rzeczywstej zespoloej w Matematyce stosowaej Lteratura W Rud: Podstawy aalzy matematyczej, PWN, Warszawa, 1982 W Rud: Aalza rzeczywsta zespoloa, PZWS, Warszawa, 1986 W Szabat: Wstęp do aalzy

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

SPOŁECZNA AKDAEMIA NAUK W ŁODZI

SPOŁECZNA AKDAEMIA NAUK W ŁODZI SPOŁECZNA AKDAEMIA NAUK W ŁODZI KIERUNEK STUDIÓW: ZARZĄDZANIE PRZEDMIOT: METODY ILOŚCIOWE W ZARZĄDZANIU (MATERIAŁ POMOCNICZY PRZEDMIOT PODSTAWOWY ) Łódź Sps treśc Moduł Wprowadzee do metod loścowych w

Bardziej szczegółowo

Reprezentacja krzywych...

Reprezentacja krzywych... Reprezeacja rzywych... Reprezeacja przy pomocy fcj dwóch zmeych rzywe płase płase - jedej: albo z z f x y x [ x x2] y [ y y2] f x y g x x [ x x2] Wady: rzywe óre dla pewych x y mogą przyjmować wele warośc

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

Bajki kombinatoryczne

Bajki kombinatoryczne Artyuł powstał a podstawe odczytu pod tym samym tytułem, wygłoszoego podczas XXXVI Szoły Matematy Poglądowej Pomysł czy rachue? w Grzegorzewcach, styczeń 006. Baj ombatorycze Joaa JASZUŃSKA, Warszawa Ja

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

Podejście klasyczne: Metody rozpoznawania obrazów. Podejście nieklasyczne: Robot ogląda rozpoznawany obiekt

Podejście klasyczne: Metody rozpoznawania obrazów. Podejście nieklasyczne: Robot ogląda rozpoznawany obiekt Metody rozpozawaa obrazów Isteje teora, że podczas ludzkej percepcj wzrokowej poszczególe cechy obrazu pobudzają oddzele ośrodk w mózgu Podejśce klasycze: metody mmalo-odległoścowe metody wzorców metody

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

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki: Zadae W loter berze udzał 0 osób. Regulam loter faworyzuje te osoby, które w elmacjach osągęły lepsze wyk: Zwycęzca elmacj, azyway graczem r. otrzymuje 0 losów, Osoba, która zajęła druge mejsce w elmacjach,

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

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

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

JEDNOWYMIAROWA ZMIENNA LOSOWA

JEDNOWYMIAROWA ZMIENNA LOSOWA JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:

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

Pojęcie statystyki. Definicja. Wektorową funkcję mierzalną T: X T(X)=(T 1 (X),...,T k (X)) R k wymiarową statystyką. próby X nazywamy k

Pojęcie statystyki. Definicja. Wektorową funkcję mierzalną T: X T(X)=(T 1 (X),...,T k (X)) R k wymiarową statystyką. próby X nazywamy k Statystya Wyład Adam Ćmel A4 5 cmel@agh.edu.pl Pojęce statysty Pojęce statysty w statystyce matematyczej jest odpowedem pojęca zmeej losowej w rachuu prawdopodobeństwa. Nech X(X,...,X ) będze próbą z pewej

Bardziej szczegółowo

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych dr Ewa Wycka Wyższa Szkoła Bakowa w Gdańsku Wtold Komorowsk, Rafał Gatowsk TZ SKOK S.A. Statystycza aalza mesęczych zma współczyka szkodowośc kredytów hpoteczych Wskaźk szkodowośc jest marą obcążea kwoty/lczby

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

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

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

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

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

Sprzedaż finalna - sprzedaż dóbr i usług konsumentowi lub firmie, którzy ostatecznie je zużytkują, nie poddając dalszemu przetworzeniu.

Sprzedaż finalna - sprzedaż dóbr i usług konsumentowi lub firmie, którzy ostatecznie je zużytkują, nie poddając dalszemu przetworzeniu. W 1 Rachu maroeoomcze 1. Produ rajowy bruo Sprzedaż fala - sprzedaż dóbr usług osumeow lub frme, órzy osaecze je zużyują, e poddając dalszemu przeworzeu. Sprzedaż pośreda - sprzedaż dóbr usług zaupoych

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

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

ZAJĘCIA NR 3. loga. i nosi nazwę entropii informacyjnej źródła informacji. p. oznacza, Ŝe to co po im występuje naleŝy sumować biorąc za i

ZAJĘCIA NR 3. loga. i nosi nazwę entropii informacyjnej źródła informacji. p. oznacza, Ŝe to co po im występuje naleŝy sumować biorąc za i ZAJĘCIA NR Dzsaj omówmy o etro, redudacj, średej długośc słowa odowego o algorytme Huffmaa zajdowaa odu otymalego (od ewym względam; aby dowedzeć sę jam doczeaj do ońca). etro JeŜel źródło moŝe adawać

Bardziej szczegółowo

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( ) ,,, ~ B, β ( β β ( ( Γ( β Γ + f ( Γ ( + ( + β + ( + β Γ + β Γ + Γ + β Γ + + β E Γ Γ β Γ Γ + + β Γ + Γ β + β β β Γ + β Γ + Γ + β Γ + + β E ( Γ Γ β Γ Γ + + β Γ + Γ β β + β Metoda mometów polega a przyrówau

Bardziej szczegółowo

Sterowanie optymalne statkiem w obszarze ze zmiennym prądem problem czasooptymalnej marszruty. Zenon Zwierzewicz

Sterowanie optymalne statkiem w obszarze ze zmiennym prądem problem czasooptymalnej marszruty. Zenon Zwierzewicz Sterowae otymale statem w obszarze ze zmeym rądem roblem czasootymalej marszrty Zeo Zwerzewcz Szczec Zeo Zwerzewcz Sterowae otymale statem w obszarze ze zmeym rądem roblem czasootymalej marszrty W artyle

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

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

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

Analiza spektralna stóp zwrotu z inwestycji w akcje

Analiza spektralna stóp zwrotu z inwestycji w akcje Nasz rye aptałowy, 003 r3, str. 38-43 Joaa Góra, Magdalea Osńsa Katedra Eoometr Statysty Uwersytet Mołaja Kopera w Toruu Aalza spetrala stóp zwrotu z westycj w acje. Wstęp Agregacja w eoom eoometr bywa

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

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki) Podstawy aalzy epewośc pomarowych (I Pracowa Fzyk) Potr Cygak Zakład Fzyk Naostruktur Naotecholog Istytut Fzyk UJ Pok. 47 Tel. 0-663-5838 e-mal: potr.cygak@uj.edu.pl Potr Cygak 008 Co to jest błąd pomarowy?

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

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja) Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz

Bardziej szczegółowo

BADANIE UKŁADÓW ZAWIERAJĄCYCH WZMACNIACZE OPERACYJNE

BADANIE UKŁADÓW ZAWIERAJĄCYCH WZMACNIACZE OPERACYJNE ADANI UKŁADÓW ZAWIAJĄCYCH WZMACNIACZ OPACYJN CL ĆWICZNIA: Pozae zasady dzałaa wzmacacza operacyjego w zakrese skch częstotlwośc. Aalza kładów zawerających wzmacacze operacyje pracjące w zakrese lowym elowym.

Bardziej szczegółowo

System finansowy gospodarki

System finansowy gospodarki System fasowy gospodark Zajęca r 7 Krzywa retowośc, zadaa (mat. f.), marża w hadlu, NPV IRR, Ustawa o kredyce kosumeckm, fukcje fasowe Excela Krzywa retowośc (dochodowośc) Yeld Curve Krzywa ta jest grafczym

Bardziej szczegółowo

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne Mary położea Średa arytmetycza Klasycze Średa harmocza Średa geometrycza Mary położea e Modala Kwartyl perwszy Pozycyje Medaa (kwartyl drug) Kwatyle Kwartyl trzec Decyle Średa arytmetycza = + +... + 2

Bardziej szczegółowo

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów. Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer

Bardziej szczegółowo

Podstawy matematyki finansowej i ubezpieczeniowej

Podstawy matematyki finansowej i ubezpieczeniowej Podstawy matematy fasowej ubezpeczeowej oreślea, wzory, przyłady, zadaa z rozwązaam KIELCE 2 SPIS TREŚCI WSTEP... 7 STOPA ZWROTU...... 9 2 RACHUNEK CZASU W MATEMATYCE FINANSOWEJ. 0 2. DOKŁADNA LICZBA DNI

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

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

ma rozkład normalny z nieznaną wartością oczekiwaną m

ma rozkład normalny z nieznaną wartością oczekiwaną m Zadae Każda ze zmeych losowych,, 9 ma rozkład ormaly z ezaą wartoścą oczekwaą m waracją, a każda ze zmeych losowych Y, Y,, Y9 rozkład ormaly z ezaą wartoścą oczekwaą m waracją 4 Założoo, że wszystke zmee

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

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Luy 03 PODRĘCZNIKI Wsęp do aalzy błędu pomarowego Joh R. Taylor Wydawcwo Naukowe PWN Warszawa 999 I Pracowa

Bardziej szczegółowo

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5 L.Kowalsk zadaa ze statystyk opsowej-zestaw 5 Zadae 5. X cea (zł, Y popyt (tys. szt.. Mając dae ZADANIA Zestaw 5 x,5,5 3 3,5 4 4,5 5 y 44 43 43 37 36 34 35 35 Oblcz współczyk korelacj Pearsoa. Oblcz współczyk

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

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

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

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

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

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona: Zadae. W kolejych okresach czasu t =, ubezpeczoy, charakteryzujący sę parametrem ryzyka Λ, geeruje N t szkód. Dla daego Λ = λ zmee N, N są warukowo ezależe mają (brzegowe) rozkłady Possoa: k λ Pr( N t

Bardziej szczegółowo

Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym?

Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym? Oblczae średej, odchylea tadardowego meday oraz kwartyl w zeregu zczegółowym rozdzelczym? Średa medaa ależą do etymatorów tzw. tedecj cetralej, atomat odchylee tadardowe to etymatorów rozprozea (dyperj)

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

dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =?

dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =? Mary położea rozkładu Wykład 9 Statystyk opsowe Średa z próby, mea(y) : symbol y ozacza lczbę; arytmetyczą średą z obserwacj Symbol Y ozacza pojęce średej z próby Średa jest środkem cężkośc zboru daych

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

Badania niezawodnościowe i statystyczna analiza ich wyników

Badania niezawodnościowe i statystyczna analiza ich wyników Badaa ezawodoścowe statystycza aalza ch wyków. Co to są badaa ezawodoścowe jak sę je przeprowadza?. Metody prezetacj opsu daych pochodzących z eksperymetu 3. Sposoby wyzaczaa rozkładu zmeej losowej a podstawe

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

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne TATYTYKA MATEMATYCZNA WYKŁAD Wadomośc wstępe tatystyka to dyscypla aukowa, której zadaem jest wykrywae, aalza ops prawdłowośc występujących w procesach masowych. Populacja to zborowość podlegająca badau

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

STATYSTYKA. Zmienna losowa skokowa i jej rozkład

STATYSTYKA. Zmienna losowa skokowa i jej rozkład STATYSTYKA Wnosowane statystyczne to proces myślowy polegający na formułowanu sądów o całośc przy dysponowanu o nej ogranczoną lczbą nformacj Zmenna losowa soowa jej rozład Zmenną losową jest welość, tóra

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

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

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

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

ĆWICZENIE 5 TESTY STATYSTYCZNE

ĆWICZENIE 5 TESTY STATYSTYCZNE ĆWICZENIE 5 TESTY STATYSTYCZNE Cel Przedstawee wybraych testów statystyczych zasad wyboru właścwego testu przeprowadzea go oraz terpretac wyów. Wprowadzee teoretycze Testem statystyczym azywamy metodę

Bardziej szczegółowo

Dokonajmy zestawienia wszystkich równań teorii sprężystości. 1. Różniczkowe równania równowagi (warunki Naviera)

Dokonajmy zestawienia wszystkich równań teorii sprężystości. 1. Różniczkowe równania równowagi (warunki Naviera) Wyład 4 Blas rówań teor srężystośc Dooamy zestawea wszystch rówań teor srężystośc Gra rówań. Różczowe rówaa rówowag (war Navera Lczba rówań Lczba ewadomych X 6 (. Zwąz geometrycze (rówaa Cachy ego ( 6

Bardziej szczegółowo

08 Model planowania sieci dostaw 1Po_2Pr_KT+KM

08 Model planowania sieci dostaw 1Po_2Pr_KT+KM Nr Tytuł: Autor: 08 Model plaowaa sec dostaw 1Po_2Pr_KT+KM Potr SAWICKI Zakład Systeów Trasportowych WIT PP potr.sawck@put.poza.pl potr.sawck.pracowk.put.poza.pl www.facebook.co/potr.sawck.put Przedot:

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

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

Niepewności pomiarów. DR Andrzej Bąk

Niepewności pomiarów. DR Andrzej Bąk Nepewośc pomarów DR Adrzej Bąk Defcje Błąd pomar - różca mędz wkem pomar a wartoścą merzoej welkośc fzczej. Bwa też azwa błędem bezwzględm pomar. Poeważ wartość welkośc merzoej wartość prawdzwa jest w

Bardziej szczegółowo

Ćwiczenia nr 3 Finanse II Robert Ślepaczuk. Teoria portfela papierów wartościowych

Ćwiczenia nr 3 Finanse II Robert Ślepaczuk. Teoria portfela papierów wartościowych Ćczea r 3 Fae II obert Ślepaczuk Teora portfela paperó artoścoych Teora portfela paperó artoścoych jet jedym z ajażejzych dzałó ooczeych faó. Dotyczy oa etycj faoych, a przede zytkm etycj dokoyaych a ryku

Bardziej szczegółowo

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84 Zadae. Zmea losowa X ma rozkład logarytmczo-ormaly LN (, ), gdze E ( X e X e) 4. Wyzacz. EX (A) 0,9 (B) 0,86 (C),8 (D),95 (E) 0,84 Zadae. Nech X, X,, X0, Y, Y,, Y0 będą ezależym zmeym losowym. Zmee X,

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

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystyka 0.06.0 r. Zadae. Ura zawera kul o umerach: 0,,,,. Z ury cągemy kulę, zapsujemy umer kulę wrzucamy z powrotem do ury. Czyość tę powtarzamy, aż kula z każdym umerem zostae wycągęta

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

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

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

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

T. Hofman, Wykłady z Termodynamiki technicznej i chemicznej, Wydział Chemiczny PW, kierunek: Technologia chemiczna, sem.

T. Hofman, Wykłady z Termodynamiki technicznej i chemicznej, Wydział Chemiczny PW, kierunek: Technologia chemiczna, sem. . Hofma Wyłady z ermodyam techczej chemczej Wydzał Chemczy PW erue: echologa chemcza sem.3 215/216 WYKŁAD 3-4. D. Blase reatorów chemczych E. II zasada termodyam F. Kosewecje zasad termodyam D. BILANE

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

ZARYS METODY OCENY TRWAŁOSCI I NIEZAWODNOSCI OBIEKTU Z UWZGLEDNIENIEM CZYNNIKA LUDZKIEGO I PŁASZCZYZNY LICZB ZESPOLONYCH

ZARYS METODY OCENY TRWAŁOSCI I NIEZAWODNOSCI OBIEKTU Z UWZGLEDNIENIEM CZYNNIKA LUDZKIEGO I PŁASZCZYZNY LICZB ZESPOLONYCH Zdzsław IDZIASZEK 1 Mechatrocs ad Avato Faculty Mltary Uversty of Techology, 00-908 Warsaw 49, Kalskego street r zdzaszek@wat.edu.pl Norbert GRZESIK Avato Faculty Polsh Ar Force Academy, 08-51 Dębl, Dywzjou

Bardziej szczegółowo

Politechnika Poznańska

Politechnika Poznańska Aradusz Atcza Poltecha Pozańsa Wydzał Budowy Maszy Zarządzaa N u m e r y c z e w e r y f o w a e r o z w ą - z a e r ó w a a r u c h u o j e d y m s t o p u s w o b o d y Autor: Aradusz Atcza Promotor:

Bardziej szczegółowo

Modele wartości pieniądza w czasie

Modele wartości pieniądza w czasie Joaa Ceślak, Paula Bawej Modele wartośc peądza w czase Podstawowe pojęca ozaczea Kaptał (ag. prcpal), kaptał początkowy, wartośd początkowa westycj - peądze jake zostały wpłacoe a początku westycj (a początku

Bardziej szczegółowo

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki tatystycza terpretacja wyków eksperymetu Małgorzata Jakubowska Katedra Chem Aaltyczej Wydzał IŜyer Materałowej Ceramk AGH Podstawowe zadae statystyk tatystyka to uwersale łatwo dostępe arzędze, które pomaga

Bardziej szczegółowo