Clasificarea. Selectarea atributelor
|
|
- Ἰούδας Δυοβουνιώτης
- 6 χρόνια πριν
- Προβολές:
Transcript
1 Clascarea Algortm de clascare sut utlzaț la împărțrea ue populaț î p clase de dvz. Fecare dvd este caracterzat prtr-u asamblu de m varable cattatve ş/sau caltatve ş o varablă caltatvă detcâd clasa d care ace parte acest dvd. Mulțmea de dvz petru care sut cuoscute varablele cattatve se împarte î două submulțm: eșatoul de bază, petru care se cuoaște valoare varable caltatve, dec îcadrarea pe clase a dvzlor. Se ma umește ş setul de atreamet sau de îvățare. eșatoul evestgat, petru care u se cuoaște îcadrarea dvzlor î clase, dec c valoarea varable caltatve. Algortm de clascare urmăresc să detce regulle pe baza cărora toț dvz d mulțmea evestgată să poată îcadraț î cele p clase. Exemple de aplcare a algortmlor de clascare î Data Mg: dagoză medcală (exp. prescrpța letlelor), metode de scorg la acordarea credtelor, detecța raudelor (detcarea trazacțlor suspecte), detcarea grupurlor de cleț țtă a uu produs bacar etc. Selectarea atrbutelor Prmul pas î crearea uu proces de mg avâd ca subect clascarea, este selecța caracterstclor (varablelor). ODM prelucrează date stocate î tabele sau î vzu ale uor baze de date Oracle. Î procesele de mg caracterstcle sut prvte atât ca atrbute zce cât ş ca atrbute logce. Ca atrbute zce e reerm la modul î care sut memorate atrbutele î baza de date. Este vzat aspectul de metadată al atrbutulu. Atrbute zce sut cosderate umele coloae d tabelă sau vzue care dă caracterstca ş tpul coloae (umerc, alaumerc, dată caledarstcă, dată bară etc.- VARCHAR2, CHAR, DECIMAL, NUMERIC etc.). Maparea dtre tpul Oracle ş tpul de dată utlzat î calcule este depedetă de tpul de drver JDBC utlzat. Atrbutele logce se reeră la coțutul eectv al caracterstc, rolul e î procesul de mg. Atrbutele logce se leagă ma mult de oțuea de varablă asocată caracterstc. Atrbutele logce sut: - tpul varable (umercă, categorală sau ordală); - rolul varable î procesul de mg (actvă sau actvă); - modul de proveeță (eprelucrată sau supusă uor prelucrăr prelmare precum curățarea, agregarea sau trasormarea). Algortm de mg Oracle Data Mg are mplemetaţ următor algortm de clascare: Clascarea Bayesaă (Nave Bayes); Arbor de decze (Decso Tree); Algortm de tp Suport Vector Mache (SVM).. Clascarea Bayesaa Clascarea Bayesaă este o metodă de clascare bazată pe ormula lu Bayes de calcul a probabltăț codțoate. Clascatorul bayesa este de atură stohastcă (probablstcă) ș permte o clascare cu bue rezultate la u cost scăzut.
2 Notaț: w,w 2,, w - etchetele stațelor c,c 2,, c q - etchetele claselor. Regula lu Bayes petru asgarea ue stațe w la o clasă c ma degrabă decât la orce altă clasă c l este următoarea: P(c /w ) > P(c l /w ), l=, l () ude P(c /w ) repreztă probabltatea ca stața w să aparță clase c, ar P(c l /w ) repreztă probabltatea ca aceeaș stață să aparță clase c l. Acestea sut probabltățle aposterorce, cele care trebue determate. Vom um probabltăț aprorce, probabltățle de aparteeță la o aumtă clasă î cazul î care c o ormațe despre dvz claselor u este dspoblă. De obce probabltățle aprorce e sut determate pe baza poder claselor, e sut egale cu /q, e au valor alese î mod subectv.,q Vom cosdera probabltatea aprorcă petru o clasă oarecare c l, P(c l ) = Relața lu Bayes leagă probabltățle aprorce de cele aposterorce î elul următor: P( w / c ) P( c ) P( c / w ) q. (2) P( w / c ) P( c ) l l l Î relața (2) P(w /c l ) repreztă probabltatea ca î dstrbuța grupe c l să avem o observațe egală cu X (la corespuzătoare dvdulu w d matrcea de observaț X). Aceste probabltăț, probabltățle codțoate d relața lu Bayes, se determă pr metode parametrce sau eparametrce. Estmarea eparametrcă a probabltățlor codțoate. Metoda hstogramelor Petru cazul udmesoal, estmarea petru o valoarea oarecare x este: pˆ ( x) q, dx ude q este umărul de tervale al dstrbuțe, dx este mărmea tervalulu, este umărul tervalulu (hstograma) î care se ală x, ar este umărul de valor d dstrbuțe alate î tervalul. Petru cazul bdmesoal: px ˆ( ) dx dx, ude dx este mărmea tervalulu petru prma 2 dmesue, dx 2 petru a doua dmesue (Fgura ) ar este umărul total de stațe. Produsul dx dx 2 este ara hstogramelor. l.
3 X 2 dx 2 dx X Fgura. Estmare destate de probabltate Petru cazul m-dmesoal: px ˆ( ), H m ude H = dx este volumul hstograme. Alte metode eparametrce de estmare a probabltățlor codțoate: Ferestre Parze, Metode Kerel. Metode parametrce de calcul al probabltățlor codțoate Presupu asumarea uu model parametrc petru ucța de destate ș aplcarea ca atare a relațe lu Bayes. Dacă olosm dstrbuța ormală Gausaă petru estmarea probabltățlor codțoate, vom avea: m 2 2 t ( X g ) V 2 ( X g ) P( w / c ) (2 ) V e, ude V este matrcea de covarață a clase c, ar g este cetrul clase c. Țâd cot de relața lu Bayes regula () deve: vom asga dvdul w clase c dacă P(w /c )P(c ) > P(w /c )P(c ), l=, l. (3) Îlocud probabltățle codțoate î regula lu Bayes (3), logartmâd ş smplcâd terme comu, obțem: este asgat w clase c dacă: t t l V ( ) ( ) l ( ) l ( ) X g V X g P c Vl X gl Vl ( X gl ) l P( cl ) petru l=, q, l. Această exprese este smplcată pr derea uu scor dscrmat astel det: δ(w ) = t l V ( ) X g V ( X g ) 2 2 Rezultă: este asgat w clase c dacă,q δ(w ) - l P(c ) < δl(w ) - l P(c l ), petru l=, q, l. (4) Petru o stață oarecare, eclascată (u ace parte d eșatoul de bază), w, regula lu Bayes este:
4 este asgat w clase c dacă δ(w) - l P(c ) < δl(w) - l P(c l ), petru l=, q, l ude δ(w) = t l V ( ) x g V ( x g ), x d vectorul cu valorle luate de w petru cele m 2 2 varable predctor, x = x x m 2. Arbor de decze. Arbor de decze creează regul pr care stațele sut îcadrate îtr-o grupă sau alta. Algortmul este relatv ușor de îțeles ș de mplemetat. Ca ş tehca Bayes arbor de decze au atât potețal descrptv cât ş predctv. Deumrea prove de la outputul maor al tehc: arborele de decze. Ideea de bază este aceea de a împărț setul de date î grupe cât ma omogee d puct de vedere al valorlor varable țtă (modaltățle varable de clascare). Petru îțelegerea ma ușoară a tehc vom prelua clascul exemplu d lucrarea lu Qula (993) al estmăr posbltăț de a se uca o partdă de tes î ucțe de aumț parametr meteorologc. Datele de trare sut: Aspect vreme Temperatura Umdtate Vat Decza de oc Isort da da Isort da u Isort u u Isort u u Isort u da Acopert da da Acopert u da Acopert da da Acopert 8 75 u da Ploos 7 80 da u Ploos da u Ploos u da Ploos u da Ploos u da Varabla depedetă este Decza de oc. Fecare dreptugh d gura următoare repreztă u od al arborelu de decze. U arbore de decze este costrut îcepâd cu rădăca pr separarea setulu de date la velul ecăru od.
5 Da (9), 64% Nu (5), 36% Aspect vreme Isort Acopert Ploos Da (2), 40% Nu (3), 60% Umddate Da (4), 00% Nu (0), 0% Da (3), 60% Nu (2), 40% Vat <77.5 >=77.5 Da Nu Da (2), 00% Da (0), 0% Da (0), 0% Da (3), 00% Nu (0), 0% Nu (3), 00% Nu (2), 00% Nu (0), 0% Fgura 2. Arborele de decze U od se poate separa î uul sau ma multe odur. Nodurle termale, umte ş odur ruză, deț rolul prcpal î realzarea predcțlor pr arbor de decze. Fecare od d gura coțe următoarele ormaț: - umărul total de stațe aerete odulu; - umărul de stațe pe ecare valoare a varable țtă; - procetele pe ecare valoare a varable țtă ată de umărul de stațe aeret odulu; - procetul reprezetâd umărul de stațe aeret odulu ață de umărul total de stațe. U od ale căru stațe preztă o valoare ucă petru varabla țtă se umește od pur. U arbore care are uma odur pure drept ruze, se umește arbore pur. Caracterstca esețală a arborlor pur este aceea că precza clascăr este îtotdeaua de 00% petru eșatoul de bază. Această acuratețe u se mețe îsă ș petru alte setur de date pe care se va rula modelul. Obțerea uor odur ruză cu reprezetare egală pe valorle varable țtă coduce la mposbltatea decder clase domate descrse de acele odur. Iterpretarea uu astel de rezultat depde de mplemetarea utlzată petru algortmul de ducțe. Algortm de ducțe sut algortm care stau la baza separăr odurlor. Prtre ce ma popular algortm sut: ID3 (Ross Qula). Are următoarele caracterstc: Stratege top-dow de costrure a arborelu Clască stațele testâd valorle caracterstclor lor Fecare od este dvzat după valorle ue caracterstc alese după prcpul maxmzăr câștgulu de ormațe Dvzarea uu od se oprește câd toate stațele aparț ue aceleaș clase C4.5. Este o îmbuătățre a algortmulu ID3 de către Qula Pot utlzaț predctor cu valor cotue
6 Pot utlzaț predctor cu valor lpsă Este trodusă smplcarea arborelu CART (Ch-squared Automatc Iteracto Detecto). Determă varablele utlzate la dvzarea odurlor pr măsur χ2 CHAID (Classcato ad Regreso Trees) C.5.0 Toț algortm se bazează pe acelaș prcpu: creșterea arborelu pr separăr succesve ale setulu de date î grupur de stațe, cu scopul dmuăr dstațe dtre grupur la ecare separare. Î cazul seturlor mar de date, arbor pot căpăta o complextate mult prea mare petru a putea îțeleș ş terpretaț, pr urmare multe aplcaț de data mg trec la o a doua etapă, aceea de curățre (prug) automată a arborelu pr elmarea uor ramur. Algortm de ducțe se derețază ître e pr următoarele elemete: - Natura varable țtă. Exstă algortm care mpu ca varabla țtă să e de tp categoral. - Gradul de scdare. U algortm permt doar separarea lmtele uu vel de suport petru ecare od (raportul dtre umărul de stațe d od ș umărul total de stațe), astel este dmuat rscul obțer uor arbor de complextate prea mare - Prcpul de scdare. Pot utlzate o multtude de regul petru separarea datelor la vel de od: dexul GINI, crterul etrope (câștgul ormațoal), H-pătrat etc. ODM mplemetează dexul GINI ș crterul etrope. U alt aspect mportat legat de algortm de ormare a arborlor îl costtue regula de oprre. Etapa de curățre poate lps, ără să aecteze corecttudea output-ulu, dacă algortmul utlzează o regulă de oprre pr care se evtă creșterea exagerată a arborelu. Cea ma smplă regulă de de oprre este lmtarea adâcm arborelu. O alta ar stablrea ue lmte eroare petru umărul de stațe cuprse îtr-u od. Crterul de scdare costă î alegerea varable predctor după care se va ace scdarea. Selecța ue aumte varable este determată de cattatea de ormațe pe care varabla respectvă o coțe cu prvre la varabla țtă. O modaltate de cuatcare este cea care utlzează ormula lu Shao (crterul etrope - câștgul ormațoal). Fe X varabla țtă ş Y o varablă depedetă categorală, potețal caddat petru separare. Matrcea recvețelor relatve îcrucșate petru cele două varable este: F= p p2 q 2q pq, ude este umărul de stațe care au modaltatea petru varabla țtă X ș modaltatea petru varabla caddat Y raportat la umărul total de stațe, p este umărul de modaltăț al varable X ar q este umărul de modaltăț al varable Y. Vom ota cu. umărul de stațe care au modaltatea petru varabla X raportat la umărul total de stațe ar cu. umărul de stațe care au modaltatea petru varabla Y raportat la umărul total de stațe. Coorm ormule lu Shao, ormața adusă de atrbutul X î model este H= p. log.. Corespuzător, atrbutul Y aduce o cattate de ormațe h=. log.. q
7 Cattatea comuă de ormațe adusă de cele două atrbute este r= p q log. Plusul de ormațe adus de varabla Y sau câștgul ormațoal (Iormato Ga) este IG = h - r. Pr urmare, decza cu prvre la selectarea atrbutulu cel ma potrvt petru separare este: separarea se execută î ucțe de atrbutul petru care câștgul ormațoal este maxm. 3. Support Vector Maches Sub umele de Support Vector Maches (SVM) sut deumț o sere de algortm adaptaț petru a rezolva dverse probleme cum ar cele de clascare sau regresa multplă. Algortm SVM ș-au demostrat ecactatea î problemele de clascare supervzată complexe, urzâd rezultate de o buă acuratețe. Algortm SVM sut eceț pe setur de date cu u umăr u oarte mare de stațe (sub 00000) dar cu u umăr cât ma mare de varable. Î geeral sut cosderaț alteratva cea ma buă la rețele euroale î problemele de clascare. Avataele oerte de algortm SVM sut următoarele: - buă udametare teoretcă; - bue rezultate practce pe setur mar de date; - bu raport rezultate - complextate (tmp de execuțe). Algortm SVM creează hperplae care separă grupele cât ma clar (dstațele dtre roterele grupelor sut cât ma mar). U hperpla este u pla care dvzează spațul î două subspaț. De exemplu, spațul bdmesoal, separarea se poate ace prtr-o dreaptă de ecuațe a x+b y+c=0. Î apt hperplaele sut ucț de m varable ude m este umărul de varable depedete după care se ace clascarea. Petru u spațu de dmesue m ecuața hperplaulu este: wx + w2x2 + +wmxm + b = 0. Matrceal, relața de ma sus se scre: w t x+b=0, ude w t este traspusa vectorulu (w,w2,, wm) ar x este vectorul (x, x2,, xm).
8 Fgura 3. Hperplaul, mara ș vector suport Algortmul costă î a detca hperplae care să despartă cât ma be puctele îtr-u spațu de dmesue m. Dstața dtre hperpla ș cele ma apropate pucte se umește mară, ar aceste pucte sut vector suport (Fgura 3). U hperpla desparte cu atât ma be puctele cu cât mara este ma mare. Algortm SVM pot trata două stuaț: cazul lar, î care este posblă detcarea uu hperpla care desparte puctele ș cazul elar, câd acest lucru u este posbl (Fgura 4). Fgura 4. Lar - elar Cazul lar Presupuem că datele sut grupate îtr-o matrce cu l ș m coloae coțâd valorle luate de m varable petru dvz (stațe):
9 x x2 X x x2 x22 x2 xm x 2m xm. Fecăre stațe se atașează câte o valoare y = - sau y = dupa cum dvdul este îtr-o grupa sau alta. Modelul poate ușor exts petru ma multe grupe. Se deesc astel cuplurle (X ; y), =,, î care X repreztă setul de îregstrăr petru dvdul (la d matrcea X): X = x + x2 + + xm. Dstața uu puct oarecare, X, ață de pla este: d(x) = w t X + b / w, ude w m w 2. Hperplaul este cu atât ma be ales cu cât dstațele d(x) sut ma mar, ar dstațele sut cu atât ma mar cu cât cattatea este ma mcă. w Pr urmare detcarea hperplaulu optmal se ace rezolvâd o problemă de optm: 2 Mm w 2 t y ( w x b),, t Restrcțle y ( w x b),, repreztă codțle de clascare corectă petru cele stațe. Rezolvarea probleme se ace pr metoda multplcatorlor Lagrage. Modelul dual care porește de la multplcator Lagrage este: Maxm y y x x 2, 0,,, y 0 ude α, =, sut multplcator Lagrage. Cazul elar I stuața î care u poate detcat u hperpla care să separe stațele, algortm realzează o trecere la u spațu de dmesue ma mare (Fgura 5) î care să poată detcat u hperpla despărțtor. Trecerea se ace cu autorul uor ucț umte ucț-ucleu (erel ucto). Speccața Java Data Mg oeră suport petru mplemetare care clude ucț lare (Lear), gausee (Gaussa), polomale, hpertaget. Oracle Data Mer are mplemetate ucțle Lear ș Gaussa.
10 Fgura 5. Trecerea de la u spațu de dmesue 2 la uul de dmesue 3 Forma duală a modelulu lar se va modca petru u model elar astel:, 0,, 0 ) ( ) ( 2 y C x x y y Maxm, ude (x) este ucța erel utlzată ar α, =, sut multplcator Lagrage.
11 Evaluarea rezultatelor proceselor de clascare Java Data Mg care stă la baza mplemetăr ODM clude compoete de evaluare a caltăț predcțlor care apar sub deumrea de Test Metrcs. JDM suportă patru tpur de teste de evaluare a caltăț predcțlor petru modelele de clascare: - acuratețea predcțlor (predcto accuracy): - matrcea de couze (couso matrx); - grace ROC (Recever Operatg Characterstcs); - grace lt ş ga. Acuratețea predcțlor se determă procetual raportâd umărul de cazur îcadrate corect la umărul total de cazur (). Matrcele de couze sut matrce m m îm care sut prezetate comparatv valorle actuale cu cele estmate. Valoarea m repreztă umărul de modaltăț al varable de clascare (target varable), sau umărul de grupe. U elemet oarecare, c, d matrcea de couze repreztă umărul de stațe d grupa care este clascat î grupa. Elemetele de pe dagoala prcpală corespud stațelor be clascate. Oracle Data Mer calculează do dcator de acuratețe: m c ; m m c - Acuratețea mede: m c - Acuratețea globală:. Gracele ROC sut grace utlzate petru smulăr ale repartzăr stațelor prtr-u algortm de clascare î două grupe, ucțe de valoarea ue probabltăț-prag. Să presupuem că avem u studu de caz î care este aalzat rscul bacar petru u set de 2000 de persoae cleţ a ue băc. Varabla de clascare are două modaltăț: Rsc scazut, Rsc alt. Dacă pr modelul de clascare aplcat obțem valorle: 500: umărul cazurlor care sut îregstrate cu Rsc scazut petru care predcţa a ost tot de Rsc scazut, 300: umărul cazurlor care sut îregstrate cu Rsc alt petru care predcţa a ost tot de Rsc alt, 50: umărul cazurlor care sut îregstrate cu Rsc scazut dar petru care predcţa a ost de Rsc alt, 50: umărul cazurlor care sut îregstrate cu Rsc alt dar petru care predcţa a ost de Rsc scazut, matrcea de couze va următoarea: Rsc Scazut Rsc Ialt Total Rsc Scazut Rsc Ialt Total Tabelul. Matrcea de couze Dacă ua d modaltățle varable de clascare este cosderată valoarea țtă poztvă (poztve target value) ar cealaltă valoare țtă egatvă (egatve target value), atuc clascărle eroate pe valoarea țtă poztvă sut umte alse-postve (FP) ar pe valoarea țtă egatvă, alse-egatve (FN) î tmp ce clascărle corecte pe cele două valor țtă sut umte truepostve (TP) ş true-egatve (TN).
12 Valor țtă P N P TP FN N FP TN FP FN Rata de eroare se calculează pr relața:, ar acuratețea estmăr pr TP FP TN FN TP TN relața:. Petru datele d tabelul cele două valor sut 0. ş 0.9. Petru TP FP TN FN costrurea gracelor sut determate ratele alse-postve ş true-postve petru derte valor ale probabltăț prag (probablty threshold). Probabltatea prag este velul de la care o probabltate asocată ue predcț pe valoarea țtă poztvă este cosderată true-postve. Rata alse-postve se determă ca raport dtre umărul de stațe (cazur) alse-postve ș umărul total de cazur cu valoare țtă egatvă. Rata true-poztve se determă ca raport dtre umărul de stațe true-postve ş umărul total de cazur cu valoare țtă poztvă. RFP = FP/(FP+TN), RTP = TP / (TP+FN) Axa Ox a graculu ROC este asocată cu rata alse-postve ar axa Oy cu rata true-postve. Curba ROC este determată calculâd RFP ș RTP petru dverse valor ale probabltăț prag, adcă probabltatea de la care o stață este clascată pe valoarea țtă poztvă. Cu cât probabltatea prag este ma mare, cu atât umărul de stațe clascate pe valoarea țtă poztvă este ma mc (acuratețea scade) ș vers. Obțerea uor valor costat mc (sau progresv mc) petru RFP e dcă u model bu de clascare. I această stuațe curba ROC creste brusc (RTP crește ma repede decât RFP). U dcator bu de aprecere a modelulu este supraața alată sub curba ROC. Cu cât aceasta este ma mare cu atât creșterea RTP ață de RFP este ma mare, dec modelul este ma bu. Î gura 6 prmul grac dcă u model ma bu (u model cu acuratețe ). Supraața de sub curba ROC (curba albastră) are valoarea maxmă:. Fgura 6 Gracele lt ş ga sut utlzate î cazul clascăr î două grupe. Atuc câd varabla de grupare are ma multe modaltăț, ua dtre ele se cosderă valoare țtă poztvă ş toate celelalte, valoare țtă egatvă. Fd alese valorle țtă poztvă ş egatvă, vor sortate îregstrărle î orde descrescătoare a probabltățlor de aparteeță la respectvele valor țtă (probabltățle estmate pr model). Pe baza aceste ordoăr stațele sut împărțte î subclase egale. De obce se ace împărțrea î 0 clase sau cuatle. Se determă umărul medu de cazur care au petru varabla de clascare valoarea țtă poztvă, q. Î exemplul precedet, dacă se cosderă modaltatea Rsc Scazut valoare țtă poztvă, acest umăr este petru exemplul de ma sus q =550/0=55. Petru ecare clasă,, se determă apo:
13 - Numărul de cazur care au petru varabla de clascare modaltatea corespuzătoare valor țtă poztve, q ; - Numărul cumulat de cazur care au petru varabla de clascare modaltatea corespuzătoare valor țtă poztve, Q = q ; Q - Raportul dtre umărul cumulat de cazur, Q ş umărul medu, q, lt ; q Q - Raportul dtre umărul cumulat de cazur, ş umărul total de cazur, ga. TP FP U model este cu atât ma bu cu cât stațele ca valoare țtă poztvă sut grupate î proporțe ma mare î prmele quatle. Acest lucru este evdețat de ga care trebue să e cât ma mar cu putță. Fgura 7 Î gura 7 prmul grac dcă u model ma bu. Prmele două cuatle coț toate stațele cu valoare țtă poztvă.
Cursul 7. Spaţii euclidiene. Produs scalar. Procedeul de ortogonalizare Gram-Schmidt. Baze ortonormate
Lector uv dr Crsta Nartea Cursul 7 Spaţ eucldee Produs scalar Procedeul de ortogoalzare Gram-Schmdt Baze ortoormate Produs scalar Spaţ eucldee Defţ Exemple Defţa Fe E u spaţu vectoral real Se umeşte produs
Διαβάστε περισσότεραSisteme cu partajare - continut. M / M /1 PS ( numar de utilizatori, 1 server, numar de pozitii pentru utilizatori)
Ssteme cu partajare - cotut Recaptulare: modelul smplu de trafc M / M / PS ( umar de utlzator, server, umar de pozt petru utlzator) M / M / PS ( umar de utlzator, servere, umar de pozt petru utlzator)
Διαβάστε περισσότεραPentru această problemă se consideră funcţia Lagrange asociată:
etoda ultplcatorlor lu arae ceastă etodă de optzare elară elă restrcţle de tp ealtate cluzâdu-le îtr-o ouă fucţe oectv ş ărd sulta uărul de varale al prolee de optzare. e urătoarea proleă: < (7. Petru
Διαβάστε περισσότεραT R A I A N. Numere complexe în formă algebrică z a. Fie z, z a bi, Se numeşte partea reală a numărului complex z :
Numere complexe î formă algebrcă a b Fe, a b, ab,,, Se umeşte partea reală a umărulu complex : Re a Se umeşte coefcetul părţ magare a umărulu complex : Se umeşte modulul umărulu complex : Im b, ş evdet
Διαβάστε περισσότεραCurs 3. Spaţii vectoriale
Lector uv dr Crsta Nartea Curs Spaţ vectorale Defţa Dacă este u îtreg, ş x, x,, x sut umere reale, x, x,, x este u vector -dmesoal Mulţmea acestor vector se otează cu U spaţu vectoral mplcă patru elemete:
Διαβάστε περισσότεραProcese stocastice (2) Fie un proces stocastic de parametru continuu si avand spatiul starilor discret. =
Xt () Procese stocastce (2) Fe u proces stocastc de parametru cotuu s avad spatul starlor dscret. Cu spatul starlor S = {,,, N} sau S = {,, } Defta : Procesul X() t este u proces Markov daca: PXt { ( )
Διαβάστε περισσότεραSondajul statistic- II
08.04.011 odajul statstc- II EŞATIOAREA s EXTIDEREA REZULTATELOR www.amau.ase.ro al.sac-mau@cse.ase.ro Data : 13 aprle 011 Bblografe : ursa I,cap.VI,pag.6-70 11.Aprle.011 1 odajul aleator smplu- cu revere
Διαβάστε περισσότεραCu ajutorul noţiunii de corp se defineşte noţiunea de spaţiu vectorial (spaţiu liniar): Fie V o mulţime nevidă ( Ø) şi K,,
Cursul 1 Î cele ce urmează vom prezeta o ouă structură algebrcă, structura de spaţu vectoral (spaţu lar) utlzâd structurle algebrce cuoscute: mood, grup, el, corp. Petru îceput să reamtm oţuea de corp:
Διαβάστε περισσότερα2. Metoda celor mai mici pătrate
Metode Nuerce Curs. Metoda celor a c pătrate Fe f : [a, b] R o fucţe. Fe x, x,, x + pucte dstcte d tervalul [a, b] petru care se cuosc valorle fucţe y = f(x ) petru orce =,,. Aproxarea fucţe f prtr-u polo
Διαβάστε περισσότεραELEMENTE DE TEORIA PROBABILITĂŢILOR
CAPITOLUL ELEMENTE DE TEORIA PROAILITĂŢILOR Câmp de evemete U feome îtâmplător se poate observa, de regulă, de ma multe or Faptul că este îtâmplător se mafestă pr aceea că u ştm date care este rezultatul
Διαβάστε περισσότεραECUATII NELINIARE PE R n. (2) sistemul (1) poate fi scris si sub forma ecuatiei vectoriale: ) D
ANALIZA NUMERICA ECUATII NELINIARE PE R (http://bavara.utclu.ro/~ccosm) ECUATII NELINIARE PE R. INTRODUCERE e D R D R : s sstemul: ( x x x ) ( x x x ) D () Daca se cosdera aplcata : D R astel ca: ( x x
Διαβάστε περισσότερα2. Sisteme de ecuaţii neliniare
Ssteme de ecuaţ elare 9 Ssteme de ecuaţ elare Î acest catol abordăm roblema reolvăr umerce a sstemelor de ecuaţ alebrce elare Cosderăm următorul sstem de ecuaţ î care cel uţ ua d ucţle u este lară Sub
Διαβάστε περισσότεραEvaluare : 1. Continuitatea funcţiilor definite pe diferite spaţii metrice. 2. Răspunsuri la problemele finale.
Modulul 4 APLICAŢII CONTINUE Subecte :. Cotutatea fucţlor defte pe spaţ metrce.. Uform cotutatate. 3. Lmte. Dscotutăţ lmte parţale lmte terate petru fucţ de ma multe varable reale. Evaluare :. Cotutatea
Διαβάστε περισσότεραTEMA 9: FUNCȚII DE MAI MULTE VARIABILE. Obiective:
TEMA 9: FUNCȚII DE MAI MULTE VARIABILE 77 TEMA 9: FUNCȚII DE MAI MULTE VARIABILE Obiective: Deiirea pricipalelor proprietăţi matematice ale ucţiilor de mai multe variabile Aalia ucţiilor de utilitate şi
Διαβάστε περισσότεραa) (3p) Sa se calculeze XY A. b) (4p) Sa se calculeze determinantul si rangul matricei A. c) (3p) Sa se calculeze A.
Bac Variata Proil: mate-izica, iormatica, metrologie Subiectul I (3 p) Se cosidera matricele: X =, Y = ( ) si A= a) (3p) Sa se calculeze XY A b) (4p) Sa se calculeze determiatul si ragul matricei A c)
Διαβάστε περισσότεραSisteme cu asteptare - continut. Modelul simplu de trafic
Ssteme cu asteptare - cotut Recaptulare: modelul smplu de trafc Dscpla cadrul cozlor de asteptate M / M / Modelul ( server, pozt de asteptare ) Aplcat modelarea trafculu de date la vel de pachete M / M
Διαβάστε περισσότεραCurs 3. Biostatistica: trecere in revista a metodelor statistice clasice
Curs 3. Bostatstca: trecere revsta a metodelor statstce clasce Bblo: W.Ewes, G.R. Grat Statstcal methods boformatcs, Sprger, 005 Cap. -3, cap.5 Structura Teste de asocere (depedeță) Teste de cocordață
Διαβάστε περισσότεραCURS 10. Regresia liniară - aproximarea unei functii tabelate cu o functie analitica de gradul 1, prin metoda celor mai mici patrate
Y CURS 0 Regresa lară - aproxmarea ue fuct tabelate cu o fucte aaltca de gradul, pr metoda celor ma mc patrate 30 300 90 80 70 60 50 40 30 0 y = -78.545x + 33.4 R² = 0.983 0 0. 0.4 0.6 0.8. X Fe o fucţe:
Διαβάστε περισσότερα9. CIRCUITE ELECTRICE IN REGIM NESINUSOIDAL
9. CRCE ELECRCE N REGM NESNSODAL 9.. DESCOMPNEREA ARMONCA Ateror am studat regmul perodc susodal al retelelor electrce, adca regmul permaet stablt retele lare sub actuea uor t.e.m. susodale s de aceeas
Διαβάστε περισσότεραELEMENTE DE STATISTICA DESCRIPTIVA
ELEMENTE DE STATISTICA DESCRIPTIVA Cursul CERMI Facultatatea Costruct de Mas www.cerm.utcluj.ro Cof.dr.g. Marus Bulgaru STATISTICA DESCRIPTIVA STATISTICA DESCRIPTIVA Populate, Caracterstca dscreta, cotua
Διαβάστε περισσότεραElemente de teoria probabilitatilor
Elemete de teora probabltatlor CONCEPTE DE BAZA VARIABILE ALEATOARE DISCRETE DISTRIBUTII DISCRETE VARIABILE ALEATOARE CONTINUE DISTRIBUTII CONTINUE ALTE VARIABILE ALEATOARE Spatul esatoaelor, pucte esato,
Διαβάστε περισσότεραOlimpiada Naţională de Matematică Etapa locală Clasa a IX-a M 1
Calea 13 Septembrie, r 09, Sector 5, 0507, București Tel: +40 (0)1 317 36 50 Fax: +40 (0)1 317 36 54 Olimpiada Naţioală de Matematică Etapa locală -00016 Clasa a IX-a M 1 Fie 1 abc,,, 6 şi ab c 1 Să se
Διαβάστε περισσότεραNoţiuni de verificare a ipotezelor statistice
Noţu de verfcare a potezelor statstce Verfcarea potezelor statstce este legată de compararea dfertelor poteze asupra ue populaţ statstce (ş u asupra uu eşato) cu datele obţute pr îcercăr expermetale Dacă
Διαβάστε περισσότεραStatisticǎ - curs 2. 1 Parametrii şi statistici ai tendinţei centrale 2. 2 Parametrii şi statistici ai dispersiei 5
Statisticǎ - curs Cupris Parametrii şi statistici ai tediţei cetrale Parametrii şi statistici ai dispersiei 5 3 Parametrii şi statistici factoriali ai variaţei 8 4 Parametrii şi statistici ale poziţiei
Διαβάστε περισσότερα5.1 Realizarea filtrelor cu răspuns finit la impuls (RFI) Filtrul caracterizat prin: 5. STRUCTURI DE FILTRE NUMERICE. 5.1.
5. STRUCTURI D FILTR UMRIC 5. Realzarea ltrelor cu răspuns nt la mpuls (RFI) Fltrul caracterzat prn: ( z ) = - a z = 5.. Forma drectă - - yn= axn ( ) = Un ltru cu o asemenea structură este uneor numt ltru
Διαβάστε περισσότεραSub formă matriceală sistemul de restricţii poate fi scris ca:
Metoda gradetulu proectat (metoda Rose) Î cazul problemelor de optmzare covee ale căror restrcţ sut lare se poate folos metoda gradetulu proectat. Î prcpu, această metodă poate f folostă ş petru cazul
Διαβάστε περισσότερα6 n=1. cos 2n. 6 n=1. n=1. este CONV (fiind seria armonică pentru α = 6 > 1), rezultă
Semiar 5 Serii cu termei oarecare Probleme rezolvate Problema 5 Să se determie atura seriei cos 5 cos Soluţie 5 Şirul a 5 este cu termei oarecare Studiem absolut covergeţa seriei Petru că cos a 5 5 5 şi
Διαβάστε περισσότεραCOMBINATORICĂ. Mulţimile ordonate care se formează cu n elemente din n elemente date se numesc permutări. Pn Proprietăţi
OMBINATORIĂ Mulţimile ordoate care se formează cu elemete di elemete date se umesc permutări. P =! Proprietăţi 0! = ( ) ( ) ( ) ( ) ( ) ( )! =!! =!! =! +... Submulţimile ordoate care se formează cu elemete
Διαβάστε περισσότεραTEMA 3 - METODE NUMERICE PENTRU DESCRIEREA DATELOR STATISTICE
TEMA 3 - METODE NUMERICE PENTRU DESCRIEREA DATELOR STATISTICE Obectve Cuoaşterea metodelor umerce de descrere a datelor statstce Aalza rcalelor metode umerce etru descrerea datelor cattatve egruate Aalza
Διαβάστε περισσότεραMinisterul Educaţiei Naționale Centrul Naţional de Evaluare şi Examinare
Miisterul Educaţiei Națioale Cetrul Naţioal de Evaluare şi Eamiare Eameul de bacalaureat aţioal 08 Proba E c) Matematică M_mate-ifo Clasa a XI-a Toate subiectele sut obligatorii Se acordă 0 pucte di oficiu
Διαβάστε περισσότεραCURS 2 METODE NUMERICE PENTRU SISTEME DE ECUAŢII NELINIARE
CURS METODE NUMERICE PENTRU SISTEME DE ECUAŢII NELINIARE ------------------------------------------------------------------------------------------------------------ 0 Prelmar: Norma uu vector s orma ue
Διαβάστε περισσότεραFormula lui Taylor Extremele funcţiilor de mai multe variabile Serii de numere cu termeni oarecare Serii cu termeni pozitivi. Criterii de convergenţă
Uverstatea Spru Haret Facultatea de Stte Jurdce, Ecoome s Admstratve, Craova Programul de lceta: Cotabltate ş Iformatcă de Gestue Dscpla Matematc Ecoomce Ttular dscplă Cof uv dr Laura Ugureau SUBIECTE
Διαβάστε περισσότεραMetode iterative pentru probleme neliniare - contractii
Metode iterative pentru probleme neliniare - contractii Problemele neliniare sunt in general rezolvate prin metode iterative si analiza convergentei acestor metode este o problema importanta. 1 Contractii
Διαβάστε περισσότεραCURS 2 METODE NUMERICE PENTRU SISTEME DE ECUAȚII NELINIARE. 0 Norma unui vector şi norma unei matrici. n n cu elemente scalare (reale, complexe).
CURS METODE NUMERICE PENTRU SISTEME DE ECUAȚII NEINIARE ------------------------------------------------------------------------------------------------------------ 0 Prelmar: Norma uu vector s orma ue
Διαβάστε περισσότεραLaborator 4 Interpolare numerica. Polinoame ortogonale
Laborator 4 Iterpolare umerica. Polioame ortogoale Resposabil: Aa Io ( aa.io4@gmail.com) Obiective: I urma parcurgerii acestui laborator studetul va fi capabil sa iteleaga si sa utilizeze diferite metode
Διαβάστε περισσότεραStatistica descriptivă (continuare) Şef de Lucrări Dr. Mădălina Văleanu
Statstca descrptvă (contnuare) Şef de Lucrăr Dr. Mădălna Văleanu mvaleanu@umfcluj.ro VARIABILE CANTITATIVE MĂSURI DE TENDINŢA CENTRALA Meda artmetca, Medana, Modul, Meda geometrca, Meda armonca, Valoarea
Διαβάστε περισσότεραLUCRARE DE LABORATOR NR. 1 MASURARI IN INSTALATII TERMICE. PRELUCRAREA DATELOR EXPERIMENTALE CARACTERISTICILE METROLOGICE ALE APARATELOR DE MASURA
LUCRARE DE LABORATOR NR. MASURARI IN INSTALATII TERMICE. PRELUCRAREA DATELOR EXPERIMENTALE CARACTERISTICILE METROLOGICE ALE APARATELOR DE MASURA. OBIECTIVELE LUCRARII Isusrea uor otu refertoare la: - eror
Διαβάστε περισσότερα1. Modelul de regresie
. Modelul de regrese.. Câteva cosderete de ord geeral La fel ca ş î multe alte dome, î domeul ecoomc ş î partcular î cel al afacerlor se îtâlesc deseor stuaţ care presupu luarea uor decz, care ecestă progoze
Διαβάστε περισσότερα(a) se numeşte derivata parţială a funcţiei f în raport cu variabila x i în punctul a.
Definiţie Spunem că: i) funcţia f are derivată parţială în punctul a în raport cu variabila i dacă funcţia de o variabilă ( ) are derivată în punctul a în sens obişnuit (ca funcţie reală de o variabilă
Διαβάστε περισσότεραTeoria aşteptării- laborator
Teora aşteptăr- laborator Model de aşteptare cu u sgur server. Î tmpul zle la u ATM (automat bacar care permte retragerea de umerar s alte trazacţ bacare electroce) avem î mede 4 de cleţ pe oră, adcă.4
Διαβάστε περισσότεραStatistica descriptivă. Şef de Lucrări Dr. Mădălina Văleanu
Statstca descrptvă Şef de Lucrăr Dr. Mădăla Văleau mvaleau@umfcluj.ro MĂSURI DE TENDINŢA CENTRALA Meda artmetca, Medaa, Modul, Meda geometrca, Meda armoca, Valoarea cetrala MĂSURI DE DE DISPERSIE Mm, Maxm,
Διαβάστε περισσότεραNumere complexe. a numerelor complexe z b b arg z.
Numere complexe Numere complexe Forma algebrcă a numărulu complex este a b unde a ş b sunt numere reale Numărul a se numeşte partea reală a numărulu complex ş se scre a Re ar numărul b se numeşte partea
Διαβάστε περισσότεραCurs 10 Funcţii reale de mai multe variabile reale. Limite şi continuitate.
Curs 10 Funcţii reale de mai multe variabile reale. Limite şi continuitate. Facultatea de Hidrotehnică Universitatea Tehnică "Gh. Asachi" Iaşi 2014 Fie p, q N. Fie funcţia f : D R p R q. Avem următoarele
Διαβάστε περισσότερα8.3. Estimarea parametrilor
8.3. Estmarea parametrlor Modelarea uu feome aleatoru real, precum trafcul ofert de o sursă formaţoală, ue reţele de comucaţ, îseamă detfcarea uu model probablstc, M, varablă aleatore sau proces aleatoru,
Διαβάστε περισσότεραCAPITOLUL 2 SERII FOURIER. discontinuitate de prima speţă al funcţiei f dacă limitele laterale f ( x 0 există şi sunt finite.
CAPITOLUL SERII FOURIER Ser trgoometrce Ser Fourer Fe fucţ f :[, Remtm că puctu [, ] se umeşte puct de b dscotutte de prm speţă fucţe f dcă mtee tere f ( ş f ( + estă ş sut fte y Defţ Fucţ f :[, se umeşte
Διαβάστε περισσότεραProductia (buc) Nr. Salariaţi Total 30
Î vederea aalze productvtăţ obţute î cadrul ue colectvtăţ de salaraţ formată d 50 de persoae, s-a extras u eşato format d de salaraţ. Datele refertoare la producţa zle precedete sut prezetate î tabelul
Διαβάστε περισσότεραAnaliza în curent continuu a schemelor electronice Eugenie Posdărăscu - DCE SEM 1 electronica.geniu.ro
Analiza în curent continuu a schemelor electronice Eugenie Posdărăscu - DCE SEM Seminar S ANALA ÎN CUENT CONTNUU A SCHEMELO ELECTONCE S. ntroducere Pentru a analiza în curent continuu o schemă electronică,
Διαβάστε περισσότεραMETODE DE ESTIMARE A PARAMETRILOR UNEI REPARTIŢII. METODA VEROSIMILITĂŢII MAXIME. METODA MOMENTELOR.
Curs 6 OI ETOE E ETIARE A ARAETRILOR UNEI REARTIŢII. ETOA VEROIILITĂŢII AIE. ETOA OENTELOR.. Noţu troductve Î legătură cu evaluarea ş optzarea proceselor oraţoale apar ueroase problee de estare cu sut:
Διαβάστε περισσότεραMetode de interpolare bazate pe diferenţe divizate
Metode de interpolare bazate pe diferenţe divizate Radu Trîmbiţaş 4 octombrie 2005 1 Forma Newton a polinomului de interpolare Lagrange Algoritmul nostru se bazează pe forma Newton a polinomului de interpolare
Διαβάστε περισσότεραSEMINARUL 3. Cap. II Serii de numere reale. asociat seriei. (3n 5)(3n 2) + 1. (3n 2)(3n+1) (3n 2) (3n + 1) = a
Capitolul II: Serii de umere reale. Lect. dr. Lucia Maticiuc Facultatea de Hidrotehică, Geodezie şi Igieria Mediului Matematici Superioare, Semestrul I, Lector dr. Lucia MATICIUC SEMINARUL 3. Cap. II Serii
Διαβάστε περισσότεραCapitolul 4 Amplificatoare elementare
Captolul 4 mplfcatoare elementare 4.. Etaje de amplfcare cu un tranzstor 4... Etajul sursa comuna L g m ( GS GS L // r ds ) m ( r ) g // L ds // r o L ds 4... Etajul drena comuna g g s m s m s m o g //
Διαβάστε περισσότεραAnaliza univariata a datelor
Aalza uvarata a datelor Chestu orgazatorce Nota: Exame fal (mart, 13 ma): 70% Proect semar: 30% Suport curs: Cătou I. (coord.), Băla C., Dăeţu T., Orza Gh., Popescu I., Vegheş C., Vrâceau D. "Cercetăr
Διαβάστε περισσότεραAnaliza bivariata a datelor
Aaliza bivariata a datelor Aaliza bivariata a datelor! Presupue masurarea gradului de asoiere a doua variabile sub aspetul: Diretiei (aturii) Itesitatii Semifiatiei statistie Variabilele omiale Tabele
Διαβάστε περισσότεραCapitole fundamentale de algebra si analiza matematica 2012 Analiza matematica
Capitole fudametale de algebra si aaliza matematica 01 Aaliza matematica MULTIPLE CHOICE 1. Se cosidera fuctia. Atuci derivata mixta de ordi data de este egala cu. Derivata partiala de ordi a lui i raport
Διαβάστε περισσότεραdef def punctul ( x, y )0R 2 de coordonate x = b a
Cetrul de reutte rl-mhl Zhr CENTE E GEUTTE Î prtă este evoe să se luleze r plălor ple de ee vom det plăle ple u mulńm Ştm ă ms este o măsură ttăń de mtere dtr-u orp e ms repreztă o uńe m re soză eăre plă
Διαβάστε περισσότεραStatistica matematica
Statstca matematca probleme de dfcultate redusa ) Dtr-o popula e ormal repartzat cu dspersa ecuoscut se face o selec e de volum. Itervalul de îcredere petru meda m a popula e cu dspersa ecuoscut s s este
Διαβάστε περισσότεραLaboraratorul 3. Aplicatii ale testelor Massey si
Laboraratorul 3. Aplcat ale testelor Massey s Bblografe: 1. G. Cucu, V. Crau, A. Stefanescu. Statstca matematca s cercetar operatonale, ed. Ddactca s pedagogca, Bucurest, 1974.. I. Văduva. Modele de smulare,
Διαβάστε περισσότεραMETODE DE ANALIZĂ STATISTICĂ A LEGĂTURILOR DINTRE FENOMENE
METODE DE ANALIZĂ STATISTICĂ A 0. LEGĂTURILOR DINTRE FENOMENE Asura feomeelor de masă studate de statstcă acţoează u umăr de factor rcal ş secudar, eseţal ş eeseţal, sstematc ş îtâmlător, obectv ş subectv,
Διαβάστε περισσότεραCAPITOLUL 2. Definiţia Se numeşte diviziune a intervalului [a, b] orice submulţime x [a, b] astfel încât
Cp 2 INTEGRALA RIEMANN 9 CAPITOLUL 2 INTEGRALA RIEMANN 2 SUME DARBOUX CRITERIUL DE INTEGRABILITATE DARBOUX Defţ 2 Se umeşte dvzue tervlulu [, ] orce sumulţme,, K,, K, [, ] stfel îcât = { } = < < K< <
Διαβάστε περισσότερα3. INDICATORII STATISTICI
3. INDICATORII STATISTICI 3.. Necestatea folosr dcatorlor statstc. Idcator statstc prmar. Idcator statstc dervaţ Am văzut că obectul de studu al statstc îl costtue feomeele ş procesele de masă. Acestea
Διαβάστε περισσότεραPlanul determinat de normală şi un punct Ecuaţia generală Plane paralele Unghi diedru Planul determinat de 3 puncte necoliniare
1 Planul în spaţiu Ecuaţia generală Plane paralele Unghi diedru 2 Ecuaţia generală Plane paralele Unghi diedru Fie reperul R(O, i, j, k ) în spaţiu. Numim normala a unui plan, un vector perpendicular pe
Διαβάστε περισσότεραProbabilități și Statistică 1.1. Metoda Monte-Carlo
Matematcă ș Iformatcă.. Metoda Mote-Carlo.. Metoda Mote Carlo. Aplcaţ. Precza metode. Termeul,,Metoda Mote Carlo este som cu termeul,,metoda epermetelor statstce. Aparţa aceste metode se raportează de
Διαβάστε περισσότεραFunctii definitie, proprietati, grafic, functii elementare A. Definitii, proprietatile functiilor X) functia f 1
Functii definitie proprietati grafic functii elementare A. Definitii proprietatile functiilor. Fiind date doua multimi X si Y spunem ca am definit o functie (aplicatie) pe X cu valori in Y daca fiecarui
Διαβάστε περισσότεραCURS 6 TERMODINAMICĂ ŞI FIZICĂ STATISTICĂ (continuare)
CURS 6 ERODIAICĂ ŞI FIZICĂ SAISICĂ (cotuare) 6.1 Prcpul II al termodamc Să e reamtm că prmul prcpu al termodamc a arătat posbltatea trasformăr lucrulu mecac, L, î căldură, Q, ş vers, fără a specfca î ce
Διαβάστε περισσότεραaşteptării pot fi înţelese cu ajutorul noţiunilor de bază culese din acest volum. În multe cazuri hazardul, întâmplarea îşi pun amprenta pe
Cuprs Prefaţă... 5 I. ELEMENTE DE ALGEBRĂ LINIARĂ... 7 Matrc... 8 Matrc partculare... 9 Iversa ue matrc... Ssteme de ecuaţ lare... 5 Problema compatbltăţ sstemelor... 7 Problema determăr sstemelor... 8
Διαβάστε περισσότεραSUBGRUPURI CLASICE. 1. SUBGRUPURI recapitulare
SUBGRUPURI CLASICE. SUBGRUPURI recapitulare Defiiţia. Fie (G, u rup şi H o parte evidă a sa. H este subrup al lui G dacă:. H este parte stabilă a lui G;. H îzestrată cu operaţia idusă este rup. Teorema.
Διαβάστε περισσότεραUniversitatea din București, Facultatea de Chimie, Specializarea: Chimie Medicală/Farmaceutică
Uverstatea d Bucureșt, Facultatea de Chme, Specalzarea: Chme Medcală/Farmaceutcă Statstcă & Iformatcă TEME ș aplcaț Laborator (M. Vlada, 07 Laborator Tema. Calcule statstce, fucț matematce ș statstce facltăț
Διαβάστε περισσότεραIII. Serii absolut convergente. Serii semiconvergente. ii) semiconvergentă dacă este convergentă iar seria modulelor divergentă.
III. Serii absolut convergente. Serii semiconvergente. Definiţie. O serie a n se numeşte: i) absolut convergentă dacă seria modulelor a n este convergentă; ii) semiconvergentă dacă este convergentă iar
Διαβάστε περισσότερα7. ECUAŢII ŞI SISTEME DE ECUAŢII DIFERENŢIALE
7. ECUAŢII ŞI SISTEME DE ECUAŢII DIFERENŢIALE 7. NOŢIUNI GENERALE. TEOREMA DE EXISTENŢĂ ŞI UNICITATE Pri ecuaţia difereţială de ordiul îtâi îţelegem o ecuaţie de forma: F,, = () ude F este o fucţie reală
Διαβάστε περισσότεραSTATISTICĂ MARINELLA - SABINA TURDEAN LIGIA PRODAN
MARINELLA - SABINA TURDEAN LIGIA PRODAN STATISTICĂ STATISTICĂ CUPRINS Captolul NOŢIUNI INTRODUCTIVE... 5. Momete ale evoluţe statstc... 5. Obectul ş metoda statstc... 5.3 Noţu fudametale utlzate î statstcă...
Διαβάστε περισσότεραDin această definiţie a probabilităţilor rezultă următoarele proprietăţi ale acestora:
FIABILIAE Î proectarea ş costrucţa dfertelor ecpamete este ecesară asgurarea sguraţe î fucţoare a acestora; această codţe a codus la utlzarea î proectare a aumtor coefceţ de sguraţă. Noţule de fabltate
Διαβάστε περισσότεραANALIZA STATISTICĂ A VARIABILITĂŢII (ÎMPRĂŞTIERII) VALORILOR INDIVIDUALE
4. ANALIZA STATISTICĂ A VARIABILITĂŢII (ÎMPRĂŞTIERII) VALORILOR INDIVIDUALE Feomeele de masă studate de statstcă se mafestă pr utăţle dvduale ale colectvtăţ cercetate care preztă o varabltate (împrăştere)
Διαβάστε περισσότεραProf. univ. dr. Constantin ANGHELACHE Prof. univ. dr. Gabriela-Victoria ANGHELACHE Lector univ. dr. Florin Paul Costel LILEA
Metode ş procedee de ajustare a datelor pe baza serlor croologce utlzate î aalza tedţe dezvoltăr dfertelor dome de actvtate socal-ecoomcă Prof. uv. dr. Costat ANGHELACHE Uverstatea Artfex/ASE - Bucureșt
Διαβάστε περισσότεραMARCAREA REZISTOARELOR
1.2. MARCAREA REZISTOARELOR 1.2.1 MARCARE DIRECTĂ PRIN COD ALFANUMERIC. Acest cod este format din una sau mai multe cifre şi o literă. Litera poate fi plasată după grupul de cifre (situaţie în care valoarea
Διαβάστε περισσότεραFunctii definitie, proprietati, grafic, functii elementare A. Definitii, proprietatile functiilor
Functii definitie, proprietati, grafic, functii elementare A. Definitii, proprietatile functiilor. Fiind date doua multimi si spunem ca am definit o functie (aplicatie) pe cu valori in daca fiecarui element
Διαβάστε περισσότερα2. Algoritmi genetici şi strategii evolutive
2. Algortm genetc ş strateg evolutve 2. Algortm genetc Structura unu algortm genetc standard:. Se nţalzează aleator populaţa de cromozom. 2. Se evaluează fecare cromozom dn populaţe. 3. Se creează o nouă
Διαβάστε περισσότεραCurs 4 Serii de numere reale
Curs 4 Serii de numere reale Facultatea de Hidrotehnică Universitatea Tehnică "Gh. Asachi" Iaşi 2014 Criteriul rădăcinii sau Criteriul lui Cauchy Teoremă (Criteriul rădăcinii) Fie x n o serie cu termeni
Διαβάστε περισσότεραVII. STATISTICĂ 7.1. INDICATORII TENDINŢEI CENTRALE Mărimile medii Media aritmetică
VII STATISTICĂ 7 INDICATORII TENDINŢEI CENTRALE 7 Mărmle med Meda velurlor dvduale ale ue varable (caracterstc) statstce este epresa stetzăr îtr-u sgur vel reprezetatv a tot ceea ce este eseţal, tpc ş
Διαβάστε περισσότεραFormula lui Taylor. 25 februarie 2017
Formula lui Taylor Radu Trîmbiţaş 25 februarie 217 1 Formula lui Taylor I iterval, f : I R o fucţie derivabilă de ori î puctul a I Poliomul lui Taylor de gradul, ataşat fucţiei f î puctul a: (T f)(x) =
Διαβάστε περισσότεραAsupra unei inegalităţi date la barajul OBMJ 2006
Asupra unei inegalităţi date la barajul OBMJ 006 Mircea Lascu şi Cezar Lupu La cel de-al cincilea baraj de Juniori din data de 0 mai 006 a fost dată următoarea inegalitate: Fie x, y, z trei numere reale
Διαβάστε περισσότεραTema 2. PRELUCRAREA REZULTATELOR EXPERIMENTALE
Tea. PRELUCRAREA REZULTATELOR EXPERIMENTALE. Eror de ăsură A ăsura o ăre X îseaă a copara acea ăre cu alta de aceeaş atură, [X], aleasă pr coveţe ca utate de ăsură. I ura aceste coparaţ se poate scre X=x[X]
Διαβάστε περισσότεραDISTANŢA DINTRE DOUĂ DREPTE NECOPLANARE
DISTANŢA DINTRE DOUĂ DREPTE NECOPLANARE ABSTRACT. Materialul prezintă o modalitate de a afla distanţa dintre două drepte necoplanare folosind volumul tetraedrului. Lecţia se adresează clasei a VIII-a Data:
Διαβάστε περισσότεραLucrarea 2. Analiza Componentelor Principale (PCA)
Lucrarea Aalza Copoetelor Prcpale PCA. Baza teoretca Î recuoaşterea forelor, selecţa ş extragerea caracterstclor repreztă o alegere decsvă petru proectarea orcăru clasfcator. Selecţa caracterstclor poate
Διαβάστε περισσότεραConcursul Naţional Al. Myller Ediţia a VI - a Iaşi, 2008
Cocursul Naţioal Al. Myller CLASA a VII-a Numerele reale disticte x, yz, au proprietatea că Să se arate că x+ y+ z = 0. 3 3 3 x x= y y= z z. a) Să se arate că, ditre cici umere aturale oarecare, se pot
Διαβάστε περισσότεραa. 11 % b. 12 % c. 13 % d. 14 %
1. Un motor termic funcţionează după ciclul termodinamic reprezentat în sistemul de coordonate V-T în figura alăturată. Motorul termic utilizează ca substanţă de lucru un mol de gaz ideal având exponentul
Διαβάστε περισσότεραCLASA a V-a CONCURSUL INTERJUDEŢEAN DE MATEMATICĂ ŞI INFORMATICĂ MARIAN ŢARINĂ EDIŢIA A IV-A MAI I. Să se determine abcd cu proprietatea
EDIŢIA A IV-A 4 6 MAI 004 CLASA a V-a I. Să se determie abcd cu proprietatea abcd - abc - ab -a = 004 Gheorghe Loboţ II Comparaţi umerele A B ude A = 00 00 004 004 şi B = 00 004 004 00. Vasile Şerdea III.
Διαβάστε περισσότεραProprietatile descriptorilor statistici pentru serii univariate
Revsta Ioratca Ecooca, r. (3) / 000 67 Proretatle descrtorlor statstc etru ser uvarate Pro.dr. Vergl VOINEAGU, co.dr. Tudorel ANDREI Catedra de Statstca s Prevzue Ecooca, A.S.E. Bucurest Studerea uu eoe
Διαβάστε περισσότεραPRELEVAREA SI PRELUCRAREA DATELOR DE MASURARE
Lucrarea r. PRELEVAREA SI PRELUCRAREA DATELOR DE MASURARE. GENERALITATI I electrotehcă ş electrocă terv umeroase mărm fzce ca: tesue, curet, rezsteţă, eerge, etc., care se caracterzează pr mărme ş pr aumte
Διαβάστε περισσότεραEcuaţia generală Probleme de tangenţă Sfera prin 4 puncte necoplanare. Elipsoidul Hiperboloizi Paraboloizi Conul Cilindrul. 1 Sfera.
pe ecuaţii generale 1 Sfera Ecuaţia generală Probleme de tangenţă 2 pe ecuaţii generale Sfera pe ecuaţii generale Ecuaţia generală Probleme de tangenţă Numim sferă locul geometric al punctelor din spaţiu
Διαβάστε περισσότεραR R, f ( x) = x 7x+ 6. Determinați distanța dintre punctele de. B=, unde x și y sunt numere reale.
5p Determinați primul termen al progresiei geometrice ( b n ) n, știind că b 5 = 48 și b 8 = 84 5p Se consideră funcția f : intersecție a graficului funcției f cu aa O R R, f ( ) = 7+ 6 Determinați distanța
Διαβάστε περισσότεραCAPITOLUL I. PRELIMINARII Elemente de teoria mulţimilor
CAPITOLUL I. PRELIMINARII.. Elemete de teora mulţmlor. Mulţm Pr mulţme vom îţelege o colecţe (set, asamblu) de obecte (elemetele mulţm), be determate ş cosderate ca o ettate. Se subâţelege fatul că elemetele
Διαβάστε περισσότεραAplicaţii ale principiului I al termodinamicii la gazul ideal
Aplicaţii ale principiului I al termodinamicii la gazul ideal Principiul I al termodinamicii exprimă legea conservării şi energiei dintr-o formă în alta şi se exprimă prin relaţia: ΔUQ-L, unde: ΔU-variaţia
Διαβάστε περισσότεραDefiniţia generală Cazul 1. Elipsa şi hiperbola Cercul Cazul 2. Parabola Reprezentari parametrice ale conicelor Tangente la conice
1 Conice pe ecuaţii reduse 2 Conice pe ecuaţii reduse Definiţie Numim conica locul geometric al punctelor din plan pentru care raportul distantelor la un punct fix F şi la o dreaptă fixă (D) este o constantă
Διαβάστε περισσότεραPROBLEME (toate problemele se pot rezolva cu ajutorul teoriei din sinteze)
Uverstte Spru Hret Fcultte de Stte Jurdce Ecoome s Admstrtve Crov Progrmul de lcet Cotbltte ş Iormtcă de Gestue Dscpl Mtemtc Aplcte î Ecoome tulr dscplă Co uv dr Lur Ugureu SUBIECE ote subectele se regsesc
Διαβάστε περισσότεραCurs 1 Şiruri de numere reale
Bibliografie G. Chiorescu, Analiză matematică. Teorie şi probleme. Calcul diferenţial, Editura PIM, Iaşi, 2006. R. Luca-Tudorache, Analiză matematică, Editura Tehnopress, Iaşi, 2005. M. Nicolescu, N. Roşculeţ,
Διαβάστε περισσότεραSubiecte Clasa a VII-a
lasa a VII Lumina Math Intrebari Subiecte lasa a VII-a (40 de intrebari) Puteti folosi spatiile goale ca ciorna. Nu este de ajuns sa alegeti raspunsul corect pe brosura de subiecte, ele trebuie completate
Διαβάστε περισσότεραFUNDAMENTE DE MATEMATICĂ
Proect cofaţat d Fodul Socal Europea pr Programul Operaţoal Sectoral Dezvoltarea Resurselor Umae 7-3 Ivesteşte î oame! Formarea profesoală a cadrelor ddactce d îvăţămâtul preuverstar petru o oportutăţ
Διαβάστε περισσότεραV.7. Condiţii necesare de optimalitate cazul funcţiilor diferenţiabile
Metode de Optimizare Curs V.7. Condiţii necesare de optimalitate cazul funcţiilor diferenţiabile Propoziţie 7. (Fritz-John). Fie X o submulţime deschisă a lui R n, f:x R o funcţie de clasă C şi ϕ = (ϕ,ϕ
Διαβάστε περισσότεραLaborator 11. Mulţimi Julia. Temă
Laborator 11 Mulţimi Julia. Temă 1. Clasa JuliaGreen. Să considerăm clasa JuliaGreen dată de exemplu la curs pentru metoda locului final şi să schimbăm numărul de iteraţii nriter = 100 în nriter = 101.
Διαβάστε περισσότεραCOLEGIUL NATIONAL CONSTANTIN CARABELLA TARGOVISTE. CONCURSUL JUDETEAN DE MATEMATICA CEZAR IVANESCU Editia a VI-a 26 februarie 2005.
SUBIECTUL Editia a VI-a 6 februarie 005 CLASA a V-a Fie A = x N 005 x 007 si B = y N y 003 005 3 3 a) Specificati cel mai mic element al multimii A si cel mai mare element al multimii B. b)stabiliti care
Διαβάστε περισσότερα