SYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
|
|
- Elżbieta Niewiadomska
- 6 lat temu
- Przeglądów:
Transkrypt
1 SYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI ODSTAJĄCYCH, UZUPEŁNIANIE BRAKUJĄCYCH DANYCH Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska
2 WYKRYWANIE OBSERWACJI ODSTAJĄCYCH Obserwacja odstająca (outler) jest to obserwacja znacząco różnąca sę od pozostałych obserwacj. Obserwacje odstające zwykle zakłócają obraz procesu wpływają na jakość modelu (klasyfkatora, aproksymatora, ). Zakłócene aproksymacj: Zakłócene klasyfkatora: 2
3 WYKRYWANIE OBSERWACJI ODSTAJĄCYCH Obserwacje odstające mogą meć różne źródła, np. błędy w układze pomarowym lub zmany w merzonym procese wywołane dzałanem zakłóceń, netypowych zdarzeń tp. Te netypowe zdarzena mogą być przedmotem zanteresowana, np.: Detekcja ntruzów netypowe zachowane Oszustwa przy użycu karty kredytowej netypowe wzorce użyca karty Uszkodzena czujnków netypowe wzorce odczytów Dagnozy medyczne odstające od typowych wynk badań Wykrywane uszkodzeń awar systemów techncznych parametry przekraczają wartośc granczne Wykrywane anomal pogodowych, trzęseń zem, zman klmatycznych na podstawe obrazów sateltarnych, netypowych wartośc merzonych parametrów W powyższych sytuacjach dane opsujące obekty, procesy mają nenormalne, odstające od typowych wartośc (obrazy). 3
4 WYKRYWANIE OBSERWACJI ODSTAJĄCYCH Sposób postępowana z obserwacjam odstającym: elmnacja obserwacj ze zboru danych zastępowane średną arytmetyczną (lub nną) obserwacj sąsednch lub reprezentujących podobne cechy potraktowane obserwacj odstających jako brakujących danych uzupełnene tych danych odpowednm metodam 4
5 Metody dentyfkacj obserwacj odstających: 1. Analza wartośc poszczególnych atrybutów WYKRYWANIE OBSERWACJI ODSTAJĄCYCH - METODY Dla każdego atrybutu oblcza sę perwszy (Q1) trzec kwartyl (Q3) oraz rozstęp mędzykwartylowy RQ = Q3 Q1 (nterquartle range IQR). Kwartyle dzelą wszystke nasze obserwacje na cztery równe co do lośc obserwacj grupy (w teor). Kwartyl perwszy (Q1) dzel obserwacje w stosunku 25% - 75%, co oznacza, że 25% obserwacj jest nższa bądź równa wartośc Q1, a 75% obserwacj jest równa bądź wększa nż wartość Q1 Kwartyl drug (Q2), naczej zwany medaną dzel obserwacje na dwe częśc w stosunku 50%-50% Kwartyl trzec (Q3) dzel obserwacje w stosunku 75% - 25%, co oznacza, że 75% obserwacj jest nższa bądź równa wartośc Q3, a 25% obserwacj jest równa bądź wększa nż wartość Q1 Za obserwacje, które można podejrzewać, że są odstające, uważa sę te, których atrybuty wykraczają poza przedzał (Q1 1,5RQ, Q3+1,5RQ) Za obserwacje ekstremalne odstające uznaje sę te których atrybuty wykraczają poza przedzał (Q1 3RQ, Q3+3RQ) 5
6 WYKRYWANIE OBSERWACJI ODSTAJĄCYCH - METODY Ten sposób dentyfkacj obserwacj odstających można zobrazować wykresem pudełkowym (boplot): 6
7 WYKRYWANIE OBSERWACJI ODSTAJĄCYCH - METODY Wykres pudełkowy dla zboru Irs (4 atrybuty): 80 Wartość atrybutu Atrybut Czerwone krzyżyk oznaczają wartośc atrybutów wykraczające poza zakres ±1,5RQ Lczba atrybutów przykładu, których wartośc znajdują sę poza ww. przedzałam, może być mernkem netypowośc przykładu. 7
8 WYKRYWANIE OBSERWACJI ODSTAJĄCYCH - METODY Ten sposób detekcj obserwacj netypowych, polegający na nezależnej analze poszczególnych atrybutów, ne zawsze prowadz do dobrych rezultatów (obserwacje odstające ne zawsze wdzane są jako take w analze jednowymarowej patrz rys.) y 0 y Grance przedzałów kwartylowych (Q 1 1,5R Q, Q 3 +1,5R Q ) oraz grance detektora z metryką eukldesową oznaczono lnam przerywanym 8
9 WYKRYWANIE OBSERWACJI ODSTAJĄCYCH - METODY 2. Najprostszym sposobem detekcj obserwacj odstających, opartym na analze welowymarowej, jest analza odległośc eukldesowych pomędzy obserwacjam a ch środkem (wektorem średnch m): d E = T ( m) ( m) W metryce d E atrybuty są skumulowane nawet jeśl ne wykraczają one ndywdualne poza przedzały kwartylowe j.w., obserwacja może być zdentyfkowana jako odstająca, jeśl tylko jej odległość jest dostateczne duża od środka skupska m. Metoda jest uprawnona, gdy dane charakteryzują sę rozkładem o symetr radalnej. 3. W przypadku rozkładu elptycznego należy skorzystać z metryk Mahalanobsa, która uwzględna nformacje o warancjach poszczególnych składowych korelacjach pomędzy nm: d M = ( m) T S 1 ( m) gdze S jest macerzą kowarancj 9
10 WYKRYWANIE OBSERWACJI ODSTAJĄCYCH - METODY Obserwacje odstające cechuje duża odległość Mahalanobsa od środka m. Identyfkacja obserwacj odstających jest zakłócona w przypadku, gdy ch udzał w zborze danych jest znaczący. Skupsko obserwacj odstających przycąga estymowany centrod fałszuje macerz kowarancj. Powoduje to dwa nekorzystne efekty: zmnejszene odległośc dla obserwacj ostających (maskng effect) zwększene odległośc dla obserwacj typowych, ulokowanych po przecwnej strone środka m w stosunku do skupska danych odstających (swampng effect), co sprawa, że obserwacje te mogą zostać rozpoznane jako netypowe. Efekty te redukuje algorytm Gnanadeskana--Ketternga, w którym środek m macerz kowarancj estymuje sę po wykluczenu obserwacj najbardzej odległych. 4. Kolejny sposób dentyfkacj obserwacj odstających opera sę na statystyce h nazywanej dźwgną (leverage) lub wpływem -tej obserwacj. Metoda ta pozwala zdentyfkować tzw. obserwacje wpływowe. Obserwację uznaje sę za wpływową, jeśl w wynku neznacznej zmany jej wartośc lub usunęca z danych znaczne zmenają sę oszacowane parametry modelu. 10
11 WYKRYWANIE OBSERWACJI ODSTAJĄCYCH - METODY 5. Źródłem nformacj o obserwacjach odstających jest też wykonana a posteror dagnostyka błędów (reszt) modelu. Błędy odzwercedlają nezgodność pomędzy wartoścam obserwowanym przewdywanym przez model. Dobrze dopasowany model charakteryzuje sę małym resztam dla obserwacj typowych dużym dla obserwacj odstających. Identyfkację obserwacj odstających na podstawe reszt modelu można wykonać, wykorzystując standaryzowane wartośc resztowe, analzę odpowedz modelu po usunęcu "podejrzanej" obserwacj (metoda DFFITS dfference of fts) oraz odległośc Cooka zależne od błędów modelu ch warancj oraz wpływów obserwacj. 6. Obserwacje odstające można też wykryć metodam grupowana opartym na gęstoścach (patrz wykład 9, str. 17). 11
12 BRAKUJĄCE DANE W przypadku brakujących danych mamy do wyboru trzy stratege: 1. Pomnęce obserwacj z brakującym wartoścam. 2. Zastosowane obserwacj nekompletnych w procese konstrukcj modelu /lub w trybe pracy odtworzenowej. 3. Uzupełnene (mputacja) brakujących danych. Perwszy sposób może być stosowany, gdy lczba nekompletnych obserwacj jest ogranczona, tzn. gdy pozostałe, kompletne, obserwacje przenoszą nezbędne nformacje potrzebne do konstrukcj modelu dobrej jakośc. Druge podejśce zależne jest od specyfk modelu, np. w modelach mnmalnoodległoścowych oblczene odległośc pomędzy obserwacjam może zachodzć z pomnęcem brakujących składowych wektora wejścowego, a oblczene odpowedz jest możlwe bez znajomośc wszystkch składowych wszystkch wektorów odpowedz w zborze uczącym. Także model wykorzystujący drzewo regresyjne dobrze radz sobe z brakującym danym. Inaczej jest np. w przypadku, gdy model opera sę na perceptronowej sec neuronowej, która wymaga 12
13 IMPUTACJA BRAKUJĄCYCH DANYCH kompletnej nformacj wejścowej wyjścowej w procese uczena pełnej nformacj wejścowej w trybe odtworzenowym. Brakujące wartośc atrybutów przykładu obcążeń można estymować z obserwacj najblższych w sense geometrycznym. Wartość brakującej j-tej składowej jest średną z wartośc tej składowej w k najblższych sąsadach wektora :, j 1 = k l, j l Θ ( ) k gdze Θ k ( ) zbór ndeksów k najblższych sąsadów wektora. Do zboru najblższych sąsadów zalcza sę wektory najblższe do w sense odległośc eukldesowej wyznaczanej z pomnęcem brakujących składowych. 13
14 IMPUTACJA BRAKUJĄCYCH DANYCH Inna grupa metod mputacj brakujących danych opera sę na nterpolacj. Zadanem nterpolacj jest utworzene funkcj, która przebega przez zadane punkty. Stosuje sę różne klasy funkcj do nterpolowana welomany algebraczne, funkcje sklejane, funkcje trygonometryczne. Zadane nterpolacj możemy sformułować następująco: W przedzale [a,b] mamy danych n+1 punktów 0,1,...,n (węzły nterpolacj) oraz wartośc funkcj f() w tych punktach f(0)=y0, f(1)=y1,..., f(n)=yn. Znaleźć funkcję g(), która w węzłach nterpolacj ma te same wartośc co f() przyblża tę funkcję poza węzłam. 14
15 15 Funkcja nterpolacyjna często przyjmuje postać welomanu m-tego stopna, rozpętego na m+1 węzłach. Często wystarczy aby był to weloman 3-stopna. Interpolacja welomanem pozwala uwzględnać lokalne nelnowośc. Welomanową funkcję nterpolacyjną m-tego stopna opartą na węzłach (, y ), = 1, 2,, m+1 wyraża wzór Lagrange a: + = + = + = = ) ( ) ( ) ( ) ( m j m j j j j m k y g Lepsze właścwośc nterpolacyjne posadają funkcje sklejane (splajny). IMPUTACJA BRAKUJĄCYCH DANYCH
16 IMPUTACJA BRAKUJĄCYCH DANYCH węzły nterpolacja lnowa nterpolacja welomanowa nterpolacja splajnem y Do mputacj danych można użyć metod aproksymacyjnych. Zalety metod aproksymacyjnych ujawnają sę, gdy dane obarczone są szumem. 16
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)
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoSystemy Ochrony Powietrza Ćwiczenia Laboratoryjne
ś POLITECHNIKA POZNAŃSKA INSTYTUT INŻYNIERII ŚRODOWISKA PROWADZĄCY: mgr nż. Łukasz Amanowcz Systemy Ochrony Powetrza Ćwczena Laboratoryjne 2 TEMAT ĆWICZENIA: Oznaczane lczbowego rozkładu lnowych projekcyjnych
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoCAŁKOWANIE NUMERYCZNE całki pojedyncze
CAŁKOWANIE NUMERYCZNE całk pojedyncze Kwadratury nterpolacyjne Kwadratury nterpolacyjne Rozpatrujemy funkcję f() cągłą ogranczoną w przedzale domknętym [a, b]. Przedzał [a, b] dzelmy na skończoną lczbę
Bardziej szczegółowoPortfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoModelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja
Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest
Bardziej szczegółowoMiary 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 szczegółowodev = 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 szczegółowoStatystyka Inżynierska
Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje
Bardziej szczegółowoDiagnostyka 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
Bardziej szczegółowoWikiWS 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
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowoNeural 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
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoI. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Bardziej szczegółowoSYSTEM ZALICZEŃ ĆWICZEŃ
AMI, zma 010/011 mgr Krzysztof Rykaczewsk System zalczeń Wydzał Matematyk Informatyk UMK SYSTEM ZALICZEŃ ĆWICZEŃ z Analzy Matematycznej I, 010/011 (na podst. L.G., K.L., J.M., K.R.) Nnejszy dokument dotyczy
Bardziej szczegółowoStatystyka Opisowa 2014 część 1. Katarzyna Lubnauer
Statystyka Opsowa 2014 część 1 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,
Bardziej szczegółowoAPROKSYMACJA QUASIJEDNOSTAJNA
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 73 Electrcal Engneerng 213 Jan PURCZYŃSKI* APROKSYMACJA QUASIJEDNOSTAJNA W pracy wykorzystano metodę aproksymacj średnokwadratowej welomanowej, przy
Bardziej szczegółowoMETODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.
Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)
Bardziej szczegółowoPlanowanie 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 szczegółowoFunkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Bardziej szczegółowoSystem Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik
Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA
Bardziej szczegółowoMetody predykcji analiza regresji
Metody predykcj analza regresj TPD 008/009 JERZY STEFANOWSKI Instytut Informatyk Poltechnka Poznańska Przebeg wykładu. Predykcja z wykorzystanem analzy regresj.. Przypomnene wadomośc z poprzednch przedmotów..
Bardziej szczegółowoNeuron liniowy. Najprostsza sieć warstwa elementów liniowych
Najprostsza jest jednostka lnowa: Neuron lnowy potraf ona rozpoznawać wektor wejścowy X = (x 1, x 2,..., x n ) T zapamętany we współczynnkach wagowych W = (w 1, w 2,..., w n ), Zauważmy, że y = W X Załóżmy,
Bardziej szczegółowoZjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych)
Statystyka - nauka zajmująca sę metodam badana przedmotów zjawsk w ch masowych przejawach ch loścową lub jakoścową analzą z punktu wdzena nauk, do której zakresu należą.
Bardziej szczegółowoWPŁYW PARAMETRÓW DYSKRETYZACJI NA NIEPEWNOŚĆ WYNIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO
Walenty OWIECZKO WPŁYW PARAMETRÓW DYSKRETYZACJI A IEPEWOŚĆ WYIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO STRESZCZEIE W artykule przedstaono ynk analzy nepenośc pomaru ybranych cech obektu obrazu cyfroego. Wyznaczono
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoLaboratorium 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
Bardziej szczegółowoĆwiczenie 10. Metody eksploracji danych
Ćwczene 10. Metody eksploracj danych Grupowane (Clusterng) 1. Zadane grupowana Grupowane (ang. clusterng) oznacza grupowane rekordów, obserwacj lub przypadków w klasy podobnych obektów. Grupa (ang. cluster)
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowoZAJĘCIA X. Zasada największej wiarygodności
ZAJĘCIA X Zasada najwększej warygodnośc Funkcja warygodnośc Estymacja wg zasady maksymalzacj warygodnośc Rodzna estymatorów ML Przypadk szczególne WPROWADZEIE Komputerowa dentyfkacja obektów Przyjęce na
Bardziej szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej szczegółowoWSPOMAGANE KOMPUTEROWO POMIARY CZĘSTOTLIWOŚCI CHWILOWEJ SYGNAŁÓW IMPULSOWYCH
Metrologa Wspomagana Komputerowo - Zegrze, 9-22 05.997 WSPOMAGANE KOMPUTEROWO POMIARY CZĘSTOTLIWOŚCI CHWILOWEJ SYGNAŁÓW IMPULSOWYCH dr nż. Jan Ryszard Jask, dr nż. Elgusz Pawłowsk POLITECHNIKA lubelska
Bardziej szczegółowo5. 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,
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoMetody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,
Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą
Bardziej szczegółowoZapis 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
Bardziej szczegółowoSIGMA KWADRAT CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY
SIGMA KWADRAT CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY Opsowa analza struktury zjawsk masowych Demografa statystyka PROJEKT DOFINANSOWANY ZE ŚRODKÓW NARODOWEGO BANKU POLSKIEGO URZĄD STATYSTYCZNY
Bardziej szczegółowo-Macierz gęstości: stany czyste i mieszane (przykłady) -równanie ruchu dla macierzy gęstości -granica klasyczna rozkładów kwantowych
WYKŁAD 4 dla zanteresowanych -Macerz gęstośc: stany czyste meszane (przykłady) -równane ruchu dla macerzy gęstośc -granca klasyczna rozkładów kwantowych Macerz gęstośc (przypomnene z poprzednch wykładów)
Bardziej szczegółowoNowoczesne technk nformatyczne - Ćwczene 2: PERCEPTRON str. 2 Potencjał membranowy u wyznaczany jest klasyczne: gdze: w waga -tego wejśca neuronu b ba
Nowoczesne technk nformatyczne - Ćwczene 2: PERCEPTRON str. 1 Ćwczene 2: Perceptron WYMAGANIA 1. Sztuczne sec neuronowe budowa oraz ops matematyczny perceptronu (funkcje przejśca perceptronu), uczene perceptronu
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoTRANZYSTOR 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
Bardziej szczegółowoAnaliza regresji modele ekonometryczne
Analza regresj modele ekonometryczne Klasyczny model regresj lnowej - przypadek jednej zmennej objaśnającej. Rozpatrzmy klasyczne zagadnene zależnośc pomędzy konsumpcją a dochodam. Uważa sę, że: - zależność
Bardziej szczegółowoKRZYWA 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
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowoWykład 2: Uczenie nadzorowane sieci neuronowych - I
Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za
Bardziej szczegółowoRozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Bardziej szczegółowoEKONOMETRIA I Spotkanie 1, dn. 05.10.2010
EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoUrządzenia wejścia-wyjścia
Urządzena wejśca-wyjśca Klasyfkacja urządzeń wejśca-wyjśca. Struktura mechanzmu wejśca-wyjśca (sprzętu oprogramowana). Interakcja jednostk centralnej z urządzenam wejśca-wyjśca: odpytywane, sterowane przerwanam,
Bardziej szczegółowoTwierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że
Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam
Bardziej szczegółowo1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:
.. Uprość ops zdarzeń: a) A B, A \ B b) ( A B) ( A' B).. Uproścć ops zdarzeń: a) A B A b) A B, ( A B) ( B C).. Uproścć ops zdarzeń: a) A B A B b) A B C ( A B) ( B C).4. Uproścć ops zdarzeń: a) A B, A B
Bardziej szczegółowoPodstawy teorii falek (Wavelets)
Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoSTATYSTYCZNA ANALIZA WYNIKÓW POMIARÓW
Zakład Metrolog Systemów Pomarowych P o l t e c h n k a P o z n ańska ul. Jana Pawła II 4 60-965 POZAŃ (budynek Centrum Mechatronk, Bomechank anonżyner) www.zmsp.mt.put.poznan.pl tel. +48 61 665 5 70 fax
Bardziej szczegółowoWprowadzenie. 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
Bardziej szczegółowo± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości
Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość
Bardziej szczegółowoRegresja liniowa i nieliniowa
Metody prognozowana: Regresja lnowa nelnowa Dr nż. Sebastan Skoczypec Zmenna losowa Zmenna losowa X zmenna, która w wynku pewnego dośwadczena przyjmuje z pewnym prawdopodobeństwem wartość z określonego
Bardziej szczegółowoDIAGNOSTYKA WYMIENNIKÓW CIEPŁA Z UWIARYGODNIENIEM WYNIKÓW POMIARÓW EKPLOATACYJNYCH
RYNEK CIEŁA 03 DIANOSYKA YMIENNIKÓ CIEŁA Z UIARYODNIENIEM YNIKÓ OMIARÓ EKLOAACYJNYCH Autorzy: rof. dr hab. nż. Henryk Rusnowsk Dr nż. Adam Mlejsk Mgr nż. Marcn ls Nałęczów, 6-8 paźdzernka 03 SĘ Elementam
Bardziej szczegółowoSTATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],
STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:
Bardziej szczegółowoZestaw przezbrojeniowy na inne rodzaje gazu. 1 Dysza 2 Podkładka 3 Uszczelka
Zestaw przezbrojenowy na nne rodzaje gazu 8 719 002 262 0 1 Dysza 2 Podkładka 3 Uszczelka PL (06.04) SM Sps treśc Sps treśc Wskazówk dotyczące bezpeczeństwa 3 Objaśnene symbol 3 1 Ustawena nstalacj gazowej
Bardziej szczegółowoMETODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki
Metody Planowana Eksperymentów Rozdzał 1. Strona 1 z 14 METODY PLANOWANIA EKSPERYMENTÓW dr hab. nż. Marusz B. Bogack Marusz.Bogack@put.poznan.pl www.fct.put.poznan.pl/cv23.htm Marusz B. Bogack 1 Metody
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoMetody numeryczne. Sformułowanie zagadnienia interpolacji
Wykład nr 2 Sformułowanie zagadnienia interpolacji Niech będą dane punkty x 0,..., x n (nazywane węzłami interpolacji) i wartości w węzłach y 0,..., y n. Od węzłów żądamy spełnienia warunku x i x j dla
Bardziej szczegółowoRozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1
Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa
Bardziej szczegółowoMATEMATYKA 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
Bardziej szczegółowoPrzykład 5.1. Kratownica dwukrotnie statycznie niewyznaczalna
rzykład.. Kratownca dwukrotne statyczne newyznaczana oecene: korzystaąc z metody sł wyznaczyć sły w prętach ponższe kratowncy. const Rozwązane zadana rozpoczynamy od obczena stopna statyczne newyznaczanośc
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoHipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowoZadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane
Bardziej szczegółowoWykład 2: Uczenie nadzorowane sieci neuronowych - I
Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za
Bardziej szczegółowo6. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO
Różnce mędzy obserwacjam statystycznym ruchu kolejowego a samochodowego 7. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO.. Obserwacje odstępów mędzy kolejnym wjazdam na stację
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej szczegółowoKier. MTR Programowanie w MATLABie Laboratorium Ćw. 12
Ker. MTR Programowane w MATLABe Laboratorum Ćw. Analza statystyczna grafczna danych pomarowych. Wprowadzene MATLAB dysponuje weloma funcjam umożlwającym przeprowadzene analzy statystycznej pomarów, czy
Bardziej szczegółowoProblem 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
Bardziej szczegółowoPrawdziwa ortofotomapa
Prawdzwa ortofotomapa klasyczna a prawdzwa ortofotomapa mnmalzacja przesunęć obektów wystających martwych pól na klasycznej ortofotomape wpływ rodzaju modelu na wynk ortorektyfkacj budynków stratege opracowana
Bardziej szczegółowoSortowanie 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
Bardziej szczegółowoMikroekonometria 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
Bardziej szczegółowoNatalia Nehrebecka. Dariusz Szymański
Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl
Bardziej szczegółowoPokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych
Bardziej szczegółowo