WYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA
|
|
- Amelia Wojciechowska
- 7 lat temu
- Przeglądów:
Transkrypt
1 WYŻSZA SZKOŁA IFORMATYKI STOSOWAEJ I ZARZĄDZAIA Złożoność problemów Przykład - weże Hano Problem jest zamknęty (dolne ogranczene złożonośc = złożoność algorytmu rekurencyjnego lub teracyjnego) ma złożoność O( ). Podobno mns tybetańscy rozwązują ten problem dla = 6 kedy skończą, to także nasz śwat sę skończy! ruch na sekundę czas wykonana ok lat mln ruchów na sekundę czas wykonana ok lat Przykład - płaska układanka x Czy stneje take ułożene kwadratu M x M z = M elementów, które zachowuje reguły przystawana boków? Problem decyzyjny - tak problem algorytmczny, który polega na znalezenu odpowedz tak lub ne na postawone pytane (często jest to odpowedź na pytane o stnene rozwązana problemu) Całkowta lczba ułożeń płaskej układank wynos! Dla układank 5 x 5 oznacza to, że: mln układów na sekundę czas sprawdzena ok lat Wartośc nektórych funkcj złożonośc: Funkcja lg lg mln (8 cyfr) mld (0 cyfr) 0 lczba 6 cyfrowa lczba cyfrowa lczba 9 cyfrowa lczba 0 cyfrowa!,6 mln (7 cyfr) lczba 65 cyfrowa lczba 6 cyfrowa lczba 6 cyfrowa 0 mld ( cyfr) lczba 85 cyfrowa lczba 0 cyfrowa lczba 7 cyfrowa Dla porównana: lczba protonów w wdocznym wszechśwece ma 6 cyfr, lczba mkrosekund od welkego wybuchu ma cyfry. Zapotrzebowane na czas (jeśl jedna nstrukcja trwa mkrosekundę) Funkcja /0 000 /500 /00 /00 9/00 /000 sekunda 5,7 lat 00 blonów stulec 75 cyfrowa lczba stulec,8 godzny, blony lat 70 cyfrowa lczba stulec 85 cyfrowa lczba stulec 78 cyfrowa lczba stulec WSTĘP DO IFORMATYKI (7) J.Skorsk Strona / 8
2 WYŻSZA SZKOŁA IFORMATYKI STOSOWAEJ I ZARZĄDZAIA Tempo wzrostu nektórych funkcj złożonośc: 0 0, Funkcja f() jest (asymptotyczne) ogranczona z góry przez funkcję g(), jeśl 0 0 : f() g() Jeśl f () p g (), to f() jest ogranczona z góry przez g() Funkcje złożonośc dzelmy zgrubne na: welomanowe - jeśl stneje dla nch take k <, że są one ogranczone z góry przez funkcję k, ponadwelomanowe - jeśl take k ne stneje (np. wykładncze). p lg lg p lg p p p lg p p p lg p p! p p algorytm welomanowy = algorytm o złożonośc O( k ) dla pewnego k < Klasy problemów algorytmcznych (podzał zgrubny) PROBLEMY TRUDO ROZWIĄZYWALE e stneją rozsądne algorytmy PROBLEMY ŁATWO ROZWIĄZYWALE Istneją rozsądne (welomanowe) algorytmy Klka pytań zwązanych z czasem rozwązywana płaskej układank:. Czy ne można po prostu poczekać na zbudowane dostateczne szybkego komputera?. Czy brak rozsądnego algorytmu dla tego problemu ne jest rezultatem braku wedzy nwencj nformatyków?. Czy ne można by wykazać, że dolne ogranczene złożonośc dla tego problemu jest wykładncze stwerdzć, że problem jest trudny?. Czy ne jest on przypadkem tak szczególnym, że można go pomnąć? Odpowedź na pytane.: Maksymalna lczba elementów układank do sprawdzena w godznę Funkcja współczesny komputer komputer 00 razy szybszy komputer 000 razy szybszy K 0 K,6 K L L + 6 L + 0 WSTĘP DO IFORMATYKI (7) J.Skorsk Strona / 8
3 WYŻSZA SZKOŁA IFORMATYKI STOSOWAEJ I ZARZĄDZAIA Odpowedź na pytane.: Płaska układanka należy do klasy problemów PC (P-zupełne), która obejmuje ok. 000 problemów algorytmcznych o jednakowych cechach: dla wszystkch stneją wątplwe (ponadwelomanowe) rozwązana dla żadnego ne znalezono rozsądnego (welomanowego) rozwązana dla żadnego ne udowodnono, że wymaga on czasu wykładnczego najlepsze znane dolne ogranczena złożonośc są lnowe, tzn. Θ() e wadomo czy te problemy są trudno, czy łatwo rozwązywalne! a nowe problemy P-zupełne wcąż napotykamy w kombnatoryce, badanach operacyjnych, ekonometr, teor grafów, logce td. Przykłady problemów P-zupełnych Układank dwuwymarowe Problem komwojażera Problem polega na znalezenu w sec połączeń pomędzy mastam najkrótszej drog zamknętej (cyklu), która pozwala odwedzć każde z mast powrócć do masta wyjścowego. Problem formułowany jest jako poszukwane mnmalnego cyklu pełnego w grafe z wagam krawędz: Graf z wagam krawędz Mnmalny cykl o koszce 8 W wersj decyzyjnej problem polega na stwerdzenu czy stneje cykl o koszce ne wększym nż podana wartość K Problem pojawa sę na przykład przy: projektowanu sec telefoncznych projektowanu układów scalonych planowanu ln montażowych programowanu robotów przemysłowych WSTĘP DO IFORMATYKI (7) J.Skorsk Strona / 8
4 WYŻSZA SZKOŁA IFORMATYKI STOSOWAEJ I ZARZĄDZAIA Droga Hamltona Problem polega na sprawdzenu czy w grafe stneje droga, która przez każdy werzchołek przechodz dokładne raz. Graf posadający drogę Hamltona dopero po dodanu krawędz Droga Hamltona w grafe po dodanu krawędz Dla porównana: sprawdzenu czy w grafe stneje droga, która przez każdą krawędź przechodz dokładne raz (tzw. problem Eulera) ne jest problemem P-zupełnym Graf posadający drogę Eulera dopero po dodanu krawędz Droga Eulera w grafe po dodanu krawędz Twerdzene (Eulera): W grafe spójnym o parzystej lczbe krawędz wychodzących z każdego werzchołka (być może z wyjątkem dwóch) stneje droga Eulera. problem jest łatwo rozwązywalny Przydzał ogranczonego mejsca układane planu zajęć a przykład: przydzał studentów do poko w akademku z uwzględnenem różnych ogranczeń wypełnane kontenerów przedmotam o różnych rozmarach stwerdzane czy stneje plan zajęć dopasowujący nauczycel, klasy godzny lekcyjne w tak sposób, aby dwe klasy ne mały jednocześne zajęć z tym samym nauczycelem, nauczycel ne prowadzł w tym samym czase lekcj w dwóch różnych klasach, dwaj nauczycele ne prowadzl jednocześne lekcj w tej samej klase td. Ustalane czy zdane logczne jest spełnalne Problem polega na stwerdzenu czy stneje take wartoścowane asercj użytych w złożonym zdanu logcznym, które powoduje, że zdane to staje sę prawdzwe. Zdane ( E F) ( F ( D E)) staje sę prawdzwe dla następującego wartoścowana: E PRAWDA, F FAŁSZ, D FAŁSZ zatem jest spełnalne. atomast zdane (( D E) F) ( F ( D E)) ne jest spełnalne. Kolorowane map grafów koloram Kolorowane mapy koloram - problem decyzyjny polegający na ustalenu czy dana mapa może być pokolorowana barwam tak, aby sąsedne państwa ne mały tego samego koloru. dla barw problem jest łatwo rozwązywalny - wystarczy sprawdzć czy mapa ne zawera punktów, w których styka sę neparzysta lczba państw, WSTĘP DO IFORMATYKI (7) J.Skorsk Strona / 8
5 WYŻSZA SZKOŁA IFORMATYKI STOSOWAEJ I ZARZĄDZAIA dla barw problem jest banalny (patrz twerdzene o czterech barwach) Kolorowane grafu - wyznaczene mnmalnej lczby barw, którym można pokolorować werzchołk danego grafu tak, aby każde dwa werzchołk bezpośredno połączone krawędzą mały różne kolory. Łatwo można skonstruować graf wymagający dowolne dużej lczby kolorów: 8 barw Klka - zbór werzchołków w grafe połączonych każdy z każdym Załadunek plecaka Problem polega na znalezenu takego upakowana przedmotów do plecaka, które maksymalzuje łączną ch wartość bez przekroczena pojemnośc plecaka. Zaps w wersj optymalzacyjnej: max c x, przy ogranczenach a x b =,..., =,..., dla x = 0 lub Zaps w wersj decyzyjnej: czy dla danego K stneje take upakowane, że =,..., c x K zł =,..., a x b 9 zł 7 zł plecak 7 zł 6 b a Plecak załadowany optymalne c 5 zł Ogólna charakterystyka problemów z klasy P wymagają sprawdzana rozwązań częścowych rozszerzana ch w celu znalezena rozwązana ostatecznego; jeśl rozwązane częścowe ne da sę dalej rozszerzyć, to trzeba powrócć na jakś wcześnejszy etap po dokonanu zman rozpocząć od nowa postępowane polegające na systematycznym sprawdzenu wszystkch możlwośc wymaga czasu ponadwelomanowego jeśl znamy rozwązane, to sprawdzene jego poprawnośc może być przeprowadzone w czase welomanowym! dla każdego z problemów stneje nedetermnstyczny ( magczny ) algorytm o złożonośc welomanowej; P skrót od ang. ondetermnstc Polynomal-tme są trudno rozwązywalne, ale stają sę łatwo rozwązywalne, jeśl korzysta sę z nedetermnstycznej wyroczn (por. punkt poprzedn) WSTĘP DO IFORMATYKI (7) J.Skorsk Strona 5 / 8
6 WYŻSZA SZKOŁA IFORMATYKI STOSOWAEJ I ZARZĄDZAIA Ogólna charakterystyka problemów P-zupełnych dla każdego problemu z klasy P stneje algorytm o złożonośc welomanowej, którym można go przekształcć do problemu P-zupełnego (defncja zupełnośc problemu ); P-zupełne PC skrót od ang. ondetermnstc Polynomal-tme Complete każdy problem z tej klasy można przekształcć w czase welomanowym do każdego P nnego! (wnosek) znalezene algorytmu welomanowego dla jednego z problemów PC oznacza możlwość rozwązana w czase welomanowym wszystkch nnych! (kolejny wnosek) udowodnene wykładnczego dolnego oszacowana dla jednego z problemów PC oznacza wykazane, że żaden z nch ne może być rozwązany w czase welomanowym! (jeszcze jeden wnosek) albo wszystke problemy PC (P-zupełne) są łatwo rozwązywalne albo wszystke trudno (konkluzja) wykazane, że nowozdefnowany problem jest P-zupełny przebega w dwóch krokach:. trzeba udowodnć, że nowy problem jest klasy P. trzeba skonstruować algorytm, który w czase welomanowym przekształca do jego postac dowolny znany problem P-zupełny Przykłady przekształcana jednego problemu P-zupełnego w drug znalezene drog Hamltona problem komwojażera Droga Hamltona dla 5 werzchołków Cykl komwojażera o długośc 6 Istneje droga Hamltona w grafe o werzchołkach Istneje cykl komwojażera ne dłuższy nż + w uzupełnonym grafe kolorowane mapy koloram spełnalność zdana logcznego Mapa składa sę z P, P,..., P państw mamy trzy kolory C, Z. Asercja P K = Z oznacza, że państwo P K jest pokolorowane na zelono. Zdane F ma postać F F, gdze F składa sę ze zdań ( PK = C PK = Z PK = ) ( PK = C PK = Z PK = ) ( PK = C PK = Z PK = ) powtórzonych dla K =,..., połączonych konunkcją, a F składa sę ze zdań (( PK = C PL = C) ( PK = Z PL = Z) ( PK = PL = )) powtórzonych dla wszystkch par K L państw sąsadujących ze sobą także połączonych konunkcją. Klasa P - problemy posadające nedetermnstyczne algorytmy o złożonośc welomanowej Klasa P - problemy posadające zwykłe (determnstyczne) algorytmy o złożonośc welomanowej (łatwo rozwązywalne) Klasa P-zupełne - wzorcowe problemy z klasy P sprowadzalne szybko jeden do drugego Zawerane sę klas problemów na tym rysunku wynka z sensu notacj O( ), tzn. problemy z klasy P mają złożoność ne gorszą od problemów z klasy P WSTĘP DO IFORMATYKI (7) J.Skorsk Strona 6 / 8
7 WYŻSZA SZKOŁA IFORMATYKI STOSOWAEJ I ZARZĄDZAIA P P-zupełne Zawerane sę klas problemów na tym rysunku wynka z sensu notacj O( ), tzn. problemy z klasy P mają złożoność ne gorszą od problemów z klasy P P Algorytmy przyblżone (czyl jak radzć sobe w praktyce z P) p. problem komwojażera jest P-zupełny (trudno rozwązywalny), ale stneje algorytm o złożonośc welomanowej wyznaczający nezłe cykle obchodzące wszystke werzchołk grafu. L OPT - długość mnmalnego cyklu (ne potrafmy go szybko wyznaczyć), Czy P = P? L APR - długość przyblżonego rozwązana, które potrafmy wyznaczyć. LAPR Dla mary dobroc rozwązana przyblżonego: s A = stneje algorytm o złożonośc O( ) LOPT wyznaczający w najgorszym przypadku cykl mnmalny, dla którego s A,5 Przykład algorytmu przyblżonego dla załadunku plecaka c. Posortuj pakowane przedmoty według ne rosnących wartośc a. Pakuj je do plecaka w otrzymanym porządku, dopók sę meszczą W przykładowym zadanu: c c 9 c 7 c 7 = = 7, = = 9, = = 9, = = 7 a a a a ta lsta wyznacza kolejność pakowana: zatem a = 6 x = złożoność algorytmu = złożoność sortowana = a + a = 5 6 x = = O( lg ) a + a + a = 9 > 6 x = 0 a + a + a = 6 6 x =, c + c + c = 5 s A = W najgorszym przypadku algorytm daje upakowane o s A Uwag uzupełnające: po raz perwszy wykazano P-zupełność dla problemu spełnalnośc zdana logcznego (Cook w 97 r.) są problemy, dla których udowodnono, że należą do klasy P, ale ne są an P-zupełne, an ne należą do klasy P, np. sprawdzene czy dana lczba jest lczbą perwszą są problemy, których złożoność ponadwelomanową można udowodnć przez podane dolnych ogranczeń czasowych ( to ne tylko take, jak weże Hano, dla których z góry wadomo le teracj wykona algorytm), np. stwerdzene czy dla danej konfguracj w uogólnonych szachach x stneje stratega wygrywająca dla jednego z przecwnków są problemy, dla których pokazano podwójne wykładncze Θ ( ) dolne ogranczena czasowe są problemy algorytmczne, dla których udowodnono, że mają ponadwelomanowe dolne ogranczena złożonośc pamęcowej są cekawe przypadk problemów, dla których efektywne w praktyce algorytmy mają złożoność ponadwelomanową, choć znalezono dla nch algorytm welomanowy sprawujący sę jednak w wększośc zadań praktycznych wyraźne gorzej, np. zadane programowana lnowego z algorytmem sympleksowym (wykładnczym) algorytmem elpsodalnym (welomanowym) c a c a c a c a WSTĘP DO IFORMATYKI (7) J.Skorsk Strona 7 / 8
8 WYŻSZA SZKOŁA IFORMATYKI STOSOWAEJ I ZARZĄDZAIA Klasy złożonośc algorytmów podwójne wykładncza wykładncza P-zupełne P P (welomanowa) logarytmczna arytmetyk specjalne szachy, warcaby uogólnone x płaske układank, spełnalność, ładowane plecaka sprawdzane czy lczba jest perwsza sortowane wyszukwane w uporządkowanej lśce Uwaga: Zawerane sę klas problemów na tym rysunku zachodz w sense notacj O( ) WSTĘP DO IFORMATYKI (7) J.Skorsk Strona 8 / 8
Wyszukiwanie. Wyszukiwanie
ZŁOŻOOŚĆ PROBLEMÓW ALGORYTMICZYCH Dolne górne oszacowana złożonośc problemu Złożoność każdego poprawnego algorytmu znajdującego rozwązane danego problemu ustanawa górne oszacowane złożonośc dla tego problemu.
Złożoność problemów. 1 ruch na sekundę czas wykonania ok lat 1 mln ruchów na sekundę czas wykonania ok.
Złożoność problemów Przykład - wieże Hanoi Problem jest zamknięty (dolne ograniczenie złożoności = złożoność algorytmu rekurencyjnego lub iteracyjnego) i ma złożoność O(2 N ). Mnisi tybetańscy podobno
2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Zaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
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
Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja
Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest
Porównanie czasów działania algorytmów sortowania przez wstawianie i scalanie
Więcej o sprawności algorytmów Porównanie czasów działania algorytmów sortowania przez wstawianie i scalanie Załóżmy, że możemy wykonać dane zadanie przy użyciu dwóch algorytmów: jednego o złożoności czasowej
Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.
Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane
BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Proces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Wprowadzenie do Sieci Neuronowych Sieci rekurencyjne
Wprowadzene do Sec Neuronowych Sec rekurencyjne M. Czoków, J. Persa 2010-12-07 1 Powtórzene Konstrukcja autoasocjatora Hopfelda 1.1 Konstrukcja Danych jest m obrazów wzorcowych ξ 1..ξ m, gdze każdy pojedynczy
WikiWS For Business Sharks
WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace
) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
dy dx stąd w przybliżeniu: y
Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc
5. OPTYMALIZACJA GRAFOWO-SIECIOWA
. OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,
KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA
KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany
WYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA
WYŻSZA SZKOŁA IFORMATYKI STOSOWAEJ I ZARZĄDZAIA Złożoność algorytmów Złożoność pamięciowa algorytmu wynika z liczby i rozmiaru struktur danych wykorzystywanych w algorytmie. Złożoność czasowa algorytmu
p Z(G). (G : Z({x i })),
3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W
Struktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Nowoczesne technk nformatyczne - Ćwczene 2: PERCEPTRON str. 2 Potencjał membranowy u wyznaczany jest klasyczne: gdze: w waga -tego wejśca neuronu b ba
Nowoczesne technk nformatyczne - Ćwczene 2: PERCEPTRON str. 1 Ćwczene 2: Perceptron WYMAGANIA 1. Sztuczne sec neuronowe budowa oraz ops matematyczny perceptronu (funkcje przejśca perceptronu), uczene perceptronu
Problem plecakowy (KNAPSACK PROBLEM).
Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne
SZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 18. ALGORYTMY EWOLUCYJNE - ZASTOSOWANIA Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska ZADANIE ZAŁADUNKU Zadane załadunku plecakowe
SZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Struktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 5 Prof. dr hab. inż. Jan Magott DMT rozwiązuje problem decyzyjny π przy kodowaniu e w co najwyżej wielomianowym czasie, jeśli dla wszystkich łańcuchów wejściowych
Sortowanie szybkie Quick Sort
Sortowane szybke Quck Sort Algorytm sortowana szybkego opera sę na strateg "dzel zwycęża" (ang. dvde and conquer), którą możemy krótko scharakteryzować w trzech punktach: 1. DZIEL - problem główny zostae
D Archiwum Prac Dyplomowych - Instrukcja dla studentów
Kraków 01.10.2015 D Archwum Prac Dyplomowych - Instrukcja dla studentów Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu Rolnczego m. H. Kołłątaja
Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Komputerowe generatory liczb losowych
. Perwszy generator Komputerowe generatory lczb losowych 2. Przykłady zastosowań 3. Jak generuje sę lczby losowe przy pomocy komputera. Perwszy generator lczb losowych L. H. C. Tppet - 927 Ksąż ążka -
EGZAMIN - Wersja A. ALGORYTMY I STRUKTURY DANYCH Lisek89 opracowanie kartki od Pani dr E. Koszelew
1. ( pkt) Dany jest algorytm, który dla dowolnej liczby naturalnej n, powinien wyznaczyd sumę kolejnych liczb naturalnych mniejszych od n. Wynik algorytmu jest zapisany w zmiennej suma. Algorytm i=1; suma=0;
Neural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych.
Neural networks Lecture Notes n Pattern Recognton by W.Dzwnel Krótka hstora McCulloch Ptts (1943) - perwszy matematyczny ops dzalana neuronu przetwarzana przez nego danych. Proste neurony, które mogly
Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Najlepsze odpowiedzi Najlepsze odpowiedzi p. 1/7
Najlepsze odpowedz Rozgrzewka A B C X 1,4 2,12 0,9 Y 3,0 1,2 0,1 Z 1,12 1,0 5,3 Rozgrzewka L P A 0,0 0,0 B -2,1 1,-2 C 1,-2-2,1 Rozgrzewka L P A 0,0 0,0 B -2,1 1,-2 Gracz drug gra L C 1,-2-2,1 Rozgrzewka
( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
D Archiwum Prac Dyplomowych - Instrukcja dla opiekunów/promotorów/recenzentów
D Archwum Prac Dyplomowych - Instrukcja dla opekunów/promotorów/recenzentów Kraków 13.01.2016 r. Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu
Oligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją
Olgopol dynamczny Rozpatrzmy model sekwencyjnej konkurencj loścowej jako gra jednokrotna z pełną doskonalej nformacją (1934) Dwa okresy: t=0, 1 tzn. frma 2 podejmując decyzję zna decyzję frmy 1 Q=q 1 +q
RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI
RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI Wojcech BOŻEJKO, Marusz UCHROŃSKI, Meczysław WODECKI Streszczene: W pracy rozpatrywany jest ogólny problem kolejnoścowy
XXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne
XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca
PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH
PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających
Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych
ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO
ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max
Wprowadzenie. Support vector machines (maszyny wektorów wspierających, maszyny wektorów nośnych) SVM służy do: Zalety metody SVM
SVM Wprowadzene Support vector machnes (maszyny wektorów wsperających, maszyny wektorów nośnych) SVM służy do: w wersj podstawowej klasyfkacj bnarnej w wersj z rozszerzenam regresj wyboru najważnejszych
Kwantowa natura promieniowania elektromagnetycznego
Efekt Comptona. Kwantowa natura promenowana elektromagnetycznego Zadane 1. Foton jest rozpraszany na swobodnym elektrone. Wyznaczyć zmanę długośc fal fotonu w wynku rozproszena. Poneważ układ foton swobodny
TRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE
POLITHNIKA RZSZOWSKA Katedra Podstaw lektronk Instrkcja Nr4 F 00/003 sem. letn TRANZYSTOR IPOLARNY HARAKTRYSTYKI STATYZN elem ćwczena jest pomar charakterystyk statycznych tranzystora bpolarnego npn lb
f(x, y) = arctg x y. f(u) = arctg(u), u(x, y) = x y. x = 1 1 y = y y = 1 1 +
Różnczkowalność pocodne Ćwczene. Znaleźć pocodne cz astkowe funkcj f(x, y) = arctg x y. Rozw azane: Wdać, że funkcj f można napsać jako f(u(x, y)) gdze f(u) = arctg(u), u(x, y) = x y. Korzystaj ac z reg
Modelowanie przepływu cieczy przez ośrodki porowate Wykład IX
Modelowane przepływu ceczy przez ośrodk porowate Wykład IX Metody rozwązywana metodam analtycznym równań hydrodynamk wód podzemnych płaskch zagadneń fltracj. 9.1 Funkcja potencjału zespolonego. Rozważana
Badania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)
Laboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Diagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Za pierwszy niebanalny algorytm uważa się algorytm Euklidesa wyszukiwanie NWD dwóch liczb (400 a 300 rok przed narodzeniem Chrystusa).
Algorytmy definicja, cechy, złożoność. Algorytmy napotykamy wszędzie, gdziekolwiek się zwrócimy. Rządzą one wieloma codziennymi czynnościami, jak np. wymiana przedziurawionej dętki, montowanie szafy z
I. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Kolorowanie wierzchołków Kolorowanie krawędzi Kolorowanie regionów i map. Wykład 8. Kolorowanie
Wykład 8. Kolorowanie 1 / 62 Kolorowanie wierzchołków - definicja Zbiory niezależne Niech G będzie grafem bez pętli. Definicja Mówimy, że G jest grafem k kolorowalnym, jeśli każdemu wierzchołkowi możemy
Sieci Neuronowe 1 Michał Bereta
Wprowadzene Zagadnena Sztucznej Intelgencj laboratorum Sec Neuronowe 1 Mchał Bereta Sztuczne sec neuronowe można postrzegać jako modele matematyczne, które swoje wzorce wywodzą z bolog obserwacj ludzkch
n liczba zmiennych decyzyjnych c współczynniki funkcji celu a współczynniki przy zmienych decyzyjnych w warunkach
Problem decyzyny cel różne sposoby dzałana (decyze) warunk ogranczaące (determnuą zbór decyz dopuszczalnych) kryterum wyboru: umożlwa porównane efektywnośc różnych decyz dopuszczalnych z punktu wdzena
Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że
Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam
Złożoność algorytmów. Wstęp do Informatyki
Złożoność algorytmów Złożoność pamięciowa - liczba i rozmiar struktur danych wykorzystywanych w algorytmie Złożoność czasowa - liczba operacji elementarnych wykonywanych w trakcie przebiegu algorytmu Złożoność
Wykład IX Optymalizacja i minimalizacja funkcji
Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
7. Wykład VII: Warunki Kuhna-Tuckera
Wocech Grega, Metody Optymalzac 7 Wykład VII: Warunk Kuhna-Tuckera 7 Warunk koneczne stnena ekstremum Rozważane est zadane z ogranczenam nerównoścowym w postac: mn F( x ) x X X o F( x ), o { R x : h n
Tajemnice funkcji σ oraz τ. Dzielniki liczb naturalnych oraz elementy zaawansowanej teorii liczb.
Tajemnce funkcj σ oraz τ. Dzelnk lczb naturalnych oraz elementy zaawansowanej teor lczb. Bartłomej Grochal V Lceum Ogólnokształcące m. Augusta Wtkowskego w Krakowe Przedmowa Teora lczb oraz nerównośc to
Regulamin promocji 14 wiosna
promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30
Wstęp do programowania
Wstęp do programowania Złożoność obliczeniowa, poprawność programów Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk(Wydział Fizyki) WP w. XII Jesień 2013 1 / 20 Złożoność obliczeniowa Problem Ile czasu
Algorytmy Równoległe i Rozproszone Część V - Model PRAM II
Algorytmy Równoległe i Rozproszone Część V - Model PRAM II Łukasz Kuszner pokój 209, WETI http://www.sphere.pl/ kuszner/ kuszner@sphere.pl Oficjalna strona wykładu http://www.sphere.pl/ kuszner/arir/ 2005/06
Efektywna metoda sortowania sortowanie przez scalanie
Efektywna metoda sortowania sortowanie przez scalanie Rekurencja Dla rozwiązania danego problemu, algorytm wywołuje sam siebie przy rozwiązywaniu podobnych podproblemów. Metoda dziel i zwycięŝaj Dzielimy
Programowanie Równoległe i Rozproszone
Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać
5. Maszyna Turinga. q 1 Q. Konfiguracja: (q,α β) q stan αβ niepusta część taśmy wskazanie położenia głowicy
5. Maszyna Turnga = T Q skończony zór stanów q 0 stan początkowy F zór stanów końcowych Γ skończony zór symol taśmy T Γ alfaet wejścowy T Γ symol pusty (lank) δ: Q Γ! 2 Q Γ {L,R} funkcja
ZESTAW ZADAŃ Z INFORMATYKI
(Wpsue zdaąc przed rozpoczęcem prac) KOD ZDAJĄCEGO ZESTAW ZADAŃ Z INFORMATYKI CZĘŚĆ II (dla pozomu rozszerzonego) GRUDZIEŃ ROK 004 Czas prac 50 mnut Instrukca dla zdaącego. Proszę sprawdzć, cz zestaw zadań
ZAŁOŻENIA KSZTAŁCENIA STUDENTÓW KANDYDATÓW DO ZAWODU. NAUCZYCIELA NA WNGiG UAM
ZAŁOŻENIA KSZTAŁCENIA STUDENTÓW KANDYDATÓW DO ZAWODU NAUCZYCIELA NA WNGG UAM Zgodne z Rozporządzenem Mnstra Nauk Szkolnctwa Wyższego z dna 17 styczna 2012 r. w sprawe standardów kształcena przygotowującego
Prawdopodobieństwo geometryczne
Prawdopodobeństwo geometryczne Przykład: Przestrzeń zdarzeń elementarnych określona jest przez zestaw punktów (x, y) na płaszczyźne wypełna wnętrze kwadratu [0 x ; 0 y ]. Znajdź p-stwo, że dowolny punkt
4. OPTYMALIZACJA WIELOKRYTERIALNA
Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna 4. OPTYMLIZCJ WIELORYTERIL Decyzje nwestycyjne mają często charakter złożony. Zdarza sę, że przy wyborze
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Diagnostyka układów kombinacyjnych
Dagnostyka układów kombnacyjnych 1. Wprowadzene Dagnostyka obejmuje: stwerdzene stanu układu, systemu lub ogólne sec logcznej. Jest to tzw. kontrola stanu wykrywająca czy dzałane sec ne jest zakłócane
PRZEDMIOTOWY SYSTEM OCENIANIA Z JĘZYKA ANGIELSKIEGO W GIMNAZJUM
PRZEDMOTOWY SYSTEM OCENANA Z JĘZYKA ANGELSKEGO W GMNAZJUM CZYTANE Ocena/Klasa 1 2 3 4 5 6 -myl ltery angelske z polskm -znekształca wyrazy w prostym tekśce - ne rozume ze znaną leksyką - w trakce czytana
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
Algorytmy i str ruktury danych. Metody algorytmiczne. Bartman Jacek
Algorytmy i str ruktury danych Metody algorytmiczne Bartman Jacek jbartman@univ.rzeszow.pl Metody algorytmiczne - wprowadzenia Znamy strukturę algorytmów Trudność tkwi natomiast w podaniu metod służących
Metody analizy obwodów
Metody analzy obwodów Metoda praw Krchhoffa, która jest podstawą dla pozostałych metod Metoda transfguracj, oparte na przekształcenach analzowanego obwodu na obwód równoważny Metoda superpozycj Metoda
Kodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana
Kodowane nformacj Instytut Informatyk UWr Studa weczorowe Wykład nr 2: rozszerzone dynamczne Huffmana Kod Huffmana - nemłe przypadk... Nech alfabet składa sę z 2 lter: P(a)=1/16 P(b)=15/16 Mamy H(1/16,
Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna
W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Stanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Matematyka od zaraz zatrudnię
Uniwersytet Jagielloński Gdzie jest matematyka? Soczewka, 26-28 listopada 2010 Kolorowanie grafów Dobre kolorowanie wierzchołków grafu, to nadanie im kolorów w taki sposób, że każde dwa wierzchołki połaczone
Prawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Natalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Struktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład. Prof. dr hab. inż. Jan Magott Algorytmy grafowe: podstawowe pojęcia, reprezentacja grafów, metody przeszukiwania, minimalne drzewa rozpinające, problemy
V. TERMODYNAMIKA KLASYCZNA
46. ERMODYNAMIKA KLASYCZNA. ERMODYNAMIKA KLASYCZNA ermodynamka jako nauka powstała w XIX w. Prawa termodynamk są wynkem obserwacj welu rzeczywstych procesów- są to prawa fenomenologczne modelu rzeczywstośc..
= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału
5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B
Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Podstawy Informatyki. Sprawność algorytmów
Podstawy Informatyki Sprawność algorytmów Sprawność algorytmów Kryteria oceny oszczędności Miara złożoności rozmiaru pamięci (złożoność pamięciowa): Liczba zmiennych + liczba i rozmiar struktur danych
Matematyka dyskretna. Andrzej Łachwa, UJ, B/14
Matematyka dyskretna Andrzej Łachwa, UJ, 2019 andrzej.lachwa@uj.edu.pl 1B/14 Drogi w grafach Marszruta (trasa) w grafie G z wierzchołka w do wierzchołka u to skończony ciąg krawędzi w postaci. W skrócie
Kombinowanie o nieskończoności. 2. Wyspy, mosty, mapy i kredki materiały do ćwiczeń
Kombinowanie o nieskończoności. 2. Wyspy, mosty, mapy i kredki materiały do ćwiczeń Projekt Matematyka dla ciekawych świata spisał: Michał Korch 15 marzec 2018 Szybkie przypomnienie z wykładu Prezentacja
Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Klasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Weryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Struktury danych i złożoność obliczeniowa Wykład 2. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 2. Prof. dr hab. inż. Jan Magott Metody konstrukcji algorytmów: Siłowa (ang. brute force), Dziel i zwyciężaj (ang. divide-and-conquer), Zachłanna (ang.
(M2) Dynamika 1. ŚRODEK MASY. T. Środek ciężkości i środek masy
(MD) MECHANIKA - Dynamka T. Środek cężkośc środek masy (M) Dynamka T: Środek cężkośc środek masy robert.szczotka(at)gmal.com Fzyka astronoma, Lceum 01/014 1 (MD) MECHANIKA - Dynamka T. Środek cężkośc środek