Gradient Descent for Optimization Problems With Sparse Solutions
|
|
- Σταμάτιος Αξιώτης
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Gradient Descent for Optimization Problems With Sparse Solutions The Harvard community has made this article openly available. Please share how this access benefits you. Your story matters Citation Chen, Hsieh-Chung Gradient Descent for Optimization Problems With Sparse Solutions. Doctoral dissertation, Harvard University, Graduate School of Arts & Sciences. Citable link Terms of Use This article was downloaded from Harvard University s DASH repository, and is made available under the terms and conditions applicable to Other Posted Material, as set forth at nrs.harvard.edu/urn-3:hul.instrepos:dash.current.terms-ofuse#laa
2
3
4
5
6
7
8 l 0
9
10
11 0
12 l 1
13
14 l 0 Sparse solution path Standard solution path Optimal solution l 1
15
16 1
17 min {Q(z) =f(z)+λ g(z)} z Rn f : R n R g : R n R λ 0 f N {x i,y i } N M z y x z ŷ = M z (x i ) y i
18 min z { f(z) 1 N } N (M z (x i ),y i ) i (ŷ, y) =(ŷ y) 2 (ŷ, y) = log(1 + expŷy ) (ŷ, y) =(1 ŷy) + g(z) z C 0 : z C g(z) = : z/ C l 0 l 1 l 0 g(z) = z 0 l 1 l p 0 p 1
19 inf l p l 1 p l 1 l 1 g(z) = n max( z i,τ) i τ > 0 l 1 l 1 l 0 l 1 g(z) = τ>0 n i log(1 + z i τ )
20 l 1 l 1 l 0 l 1 l 1 g(z) = θ y : y <θ n ĝ(z i ) ĝ(y) = : θ<= y <θτ i y 2 +2τθ y θ 2 2(τ 1) 1 2 (τ + 1)θ2 : θτ <= y θ>0 τ>2 g(z) = n θ y 1 2τ ĝ(z i ) ĝ(y) = y2 : y <τθ i 1 2 τθ2 : τθ <= y
21 l 1 g(z) = z 1 + τ z 2 2 l 1 λ l 1 /l p g(z) = g G w g z g p G l p l 2 l w g
22 f Ω L x, y Ω: f(x) f(y) L x y f L f L L f f(z) f(x) f(x),z x L z x 2 2 l p l q 1 p + 1 q =1 l 2
23 x f(z) f(x)+ f(x),z x + L 2 z x 2. f α f(x) f(y) f(x),x y α x y 2 2 g(x) = f(x) α 2 x 2 α f x f(y) f(x)+ f(x),y x + α 2 z x 2. min z x Az λ z 1 x A z
24 X D = arg min X DZ g(z) D,Z D D x z z = arg min x Dz g(z) z l 1 x A R m n p n min z y Az λ z 1 min z y Az 2 2 z 0 <k T A
25 min z y T (Az) λ z 1 min z y T (Az) 2 2 z 0 <k T ( ) :R m R m ( ) ( ) z = arg min z z = arg min z 1 n 1 2n log(1 + exp( y i x T i z)) + g(z) i max(0, 1 b i x T i z) 2 + g(z) i (x i,y i ) (R n, R) z
26 l p ell p p<1
27 2
28 x k x k Q(x) Q y Q y,l (x) Q(y)+ Q(y) T (x y)+ L 2 x y 2 2 Q : R n R L Q L>L Q Q y,l (x) Q(x) Q Q Q y (x) y arg min Qy,L (x) = x (y 1 L Q(y)) 2 2 x R n y 1 L Q(y)
29 z k+1 = arg min Qz k,l(z) =z k 1 L Q(zk ) z R n Q Q(z k ) Q(z ) cl Q 2k z0 z 2 2 z Q Q f g Q = f + g y ˆQ y,l (x) f(y)+ f(y) T (x y)+ L 2 x y g(x) L L f f g ˆQ(x) arg min x R n ˆQy,L (x) = arg min x R n g(x)+ L 2 x (y 1 L f(y)) 2 2
30 g f h (v) arg min x R n h(x)+ 1 2 x v 2 2 z k+1 = L (z k ) arg min ˆQz k,l(z) z R n = arg min z R n g(z)+ L 2 z (zk 1 L f(zk )) 2 2 = 1 L g(zk 1 L f(zk )) g g ( L ) x y := 1 L g(x 1 L f(x)) y
31 l 1 g(z) =λ z 1 [ λ (v)] i = (v i )( v i λ) + g C l 0 C = {x : x 0 <K} v i : v i [ k (v)] i = 0 : l 0 K l 1 l 1 l 0
32 1 L L L f L L f L f L η L ˆQ L η =2 1 L ( ) x, L, η y := L (x) L := ηl Q(y) ˆQ x,l (y) y, 1 η L y k z k z k+1 = (y k ) t k+1 =(1+ 1+(2t k ) 2 )/2 y k+1 = z k+1 + tk 1 1 t k (z k+1 z k )
33 Q Q(z k ) Q(z ) cl f (k + 1) 2 z0 z 2 2 Q(z k ) Q(z k 1 ) s k+1 = (y k ) s k : Q(s k+1 ) <Q(z k ) z k+1 = z k : z k+1 = z k
34 v k+1 = (y k ) m k+1 = (x k ) v k+1 : f(v k+1 ) f(m k+1 ) z k+1 = m k+1 : t k+1 =(1+ 1+(2t k ) 2 )/2 y k+1 = z k+1 + tk 1 1 t k (z k+1 z k ) f f
35 ˆQ y (x) f(y)+ f(y) T (x y)+d(x, y)+g(x) D(x, y) = L 2 x y 2 2 D(x, y) = 1 2 x y H H f w A w A = w T Aw H H z k+1 = arg min ˆQ z k(z) = H g (z k H 1 f(z k )) H H h (v) arg min x R n h(x)+ 1 2 x v H
36 D(x, y) = 1 2 x y H D(x, y) g D(x, y) ψ D(x, y) :=B ψ (x, y) ψ(x) ψ(y) x y, ψ (y) ψ(x) = x 2 2 D(x, y) = x y 2 2 ψ(p) = i {p i log p i p i } g g(z) = n i g(z i) z 1
37 z 0 R n i {1, 2,...,n} z i := 1 L g(z i 1 L f(z) i) z g l 1 [z k+1 ] ik := arg min z ik f(z)+g(z) z j =[z k ] j j i k i k i k i k i k [ f(z k )] ik g(z) = Ω i Ω g(z Ω i ) Ω i Ω
38 f g g f min z { f(z) 1 N } N (M z (x i ),y i ) i N (x i,y i ) f f(z) = 1 N N (M z (x i ),y i ) i f f
39 0 l 1
40
41 3 λ 0 >λ 0 λ k λ K = λ {λ 0,...,λ K = λ}
42 0 (LASSO) min z { 1 2 y Xz λ z 1 } y R N X R N n λ z(λ) S : λ z(λ) S z(λ) λ
43 z(λ k ) z(λ k+1 ) λ 0 = X T y z(λ 0 )=0 S z(λ k ) [z(λ )] Ω =(X T ΩX Ω ) 1 (X T Ωy λ (z(λ k )) Ω ) [z(λ )] Ω c =0 Ω z(λ k ) z(λ ) λ i Ω c X T i (y Xz(λk )) 1 = λ i Ω i Ω z(λ ) i = 0 i Ω λ k k λ k K K
44 z 0 =0 Ω={} k =0 i =argmax i X T i (y Xz k ) Ω:=Ω i θ := (z k ) [θ] i := (X T i (y Xz k )) ẑ := 0 [ẑ] Ω := (X T Ω X Ω) 1 (X T Ω y λ θ Ω) z k ẑ z k+1 Ω:={j :[z k+1 ] j 0} k := k +1 z k λ λ λ λ k
45 λ z =0 R n Ω={} k =0, 2, 3,...,log η (λ/λ 0 ) z k =argmin z x Az + λ k z 1 λ k+1 = η λ k z λ ηλ λ k K K α A T z α
46 l 1 z 0 α l 0 { min 1 z 2 x } Az 2 2 z 0 <λ λ λ l 0 A λ
47 z =0 R n Ω={} k =1, 2, 3,...,λ i =argmax i A T i (x Az) Ω:=Ω i z Ω := (A T Ω A Ω) 1 (A T Ω x) z λ k λ λ k 0 λ
48 4
49 z 0 =0 [ K (z k+1 z k )] i =0 k K ( ) i (z k ) i ρ τ k 1
50 τ 1 =min j Ωz k ( (zk ) j ) τ 2 = 1 2 ( δ Ω z k + δ ) δ = (z k ) z k τ k 1 τ 1 τ 2 τ k =min({ρ τ k 1,τ 1,τ 2 }) 0 τ min x {Q(x)} z i τ z i > 0 τ =0 τ z i [ (z k ) z k ] i τ 2 zi k i τ 2 zi k =0
51 τ τ i τ 0 τ Q τ τ τ k = ρ τ k 1 ρ [0, 1] τ τ τ τ 1 = min (z k ) i i Ω(z k ) τ 2 = 1 2 ( δ Ω(z k ) + δ ) δ = (z k ) z k τ k =min({ρ τ k 1,τ 1,τ 2 }) τ 1 τ 2 τ ρ τ 0 ξ max i [ (z 0 ) z 0 ] i ξ [0, 1] ξ = 1
52 y i y i τ [ τ (y)] i 0 y i <τ () () x, L, τ, η τ x + := L (x) y := τ (x + ) L := ηl min(q(y),q(x + )) ˆQ x,l (x + ) y, 1 η L z 0 z 0 l 0 g
53 z 0 =0 k =1, 2, 3,... z k z k τ z k k log ρ 2ϵ L nτ 0 Q((z k )) Q( (z k )) ϵ τ k 0 Q((z k )) Q( (z k )) L 2 (zk ) (z k ) L n i 2 (τ k ) 2 L 2 nρ k τ 0 L f L 2 nρ k τ 0 ϵ k log ρ 2ϵ L nτ 0 z k Ω((z))
54 g ˆΩ z = { i i Ω(z) a i > 1 2 ( a Ω(z) + a ) } a =((z) f(z)) + 0 z 3 z 0 z1 z 2 f ( f,1) z 0 z 1 z 2 z 3 τ
55 g i i ˆΩ z [ z (g)] i = 0 i/ ˆΩ z ˆΩ z y yˆωx := 1 L g(xˆωx 1 L f(x)ˆωx ) x, L, τ, η ˆΩ x y := 1 L g(x 1 L τ( f(x))) L := ηl Q(y) Q(x) y, 1 η L z 0 =0 z k = (z k 1 ) Q(z k ) Q(z ) 2nLR2 k +4 R z 0 z
56 Q(z k ) Q(z k+1 ) 1 2L [ f(zk )] Ω(z k ) 2 1 2nL f(zk ) 2 1 2nLR 2 (Q(z k ) Q(z )) 2 z i z =0 R n τ i ˆΩ z z i := 1 L g(z i 1 L f(z) i) z
57 z k LARS FSS FISTA ASH:FISTA z k 10 A R z 0 = 10
58 z A R l 0
59 τ l 0
60 5
61 l 2 A R z 0 = 200 ρ % 200
62 ρ z 0 = 50 z 0 = 50 z 0 = 10 z 0 = 10 A l 0 l 0 l 0 l ρ z 0 =0
63 FSS MPL PGH FISTA ASH:FISTA CD ASH:CD FSS MPL PGH FISTA ASH:FISTA CD ASH:CD λ λ 2 k λ λ λ λ 2 A R z 0 = 50 Q(z )
64 x t t x t+1 = D t(x t ) D t {x 0,x 1,...,x N } x i R p
65 D = arg min D R p n,z 0,z 1,...,z N N { xi Dz i g(z i ) } i N g D D R p n p <n {z i } D D {z i } g l 1 l 0 g
66 l 1 D D (x) arg min x Dz g(z) z g l 1 g
67 D R g(z) = g G z g p {x 0,x 1,...,x p } [x] i = max{[x 0 ] i, [x 1 ] i,...,[x p ] i }
68 AM-FED GENKI CK+ original data after pre-processing l 1 l 0 l 0 l 0
69 Sparse coding (LASSO/OMP) split max pooling flip Sparse coding (LASSO/OMP) MNNSC-LASSO NNSC-LASSO SC-LASSO MNNSC-OMP NNSC-OMP SC-OMP Gabor
70 A x R n x = Dz + ϵ D R n t z R t z 0 k k t ϵ y R m x Φ y =Φx Φ R m n x D ẑ = arg min y ΦDz λg(z) z
71 g l 1 l 0 x ˆx = Dẑ (ΦD) 2k z z 0 k Φ D (ΦD) D m k n t y x Φ l 1 l 1 l 0 l 0
72 l 0 y
73 % % % 3 T (x) = 1 α (αx) y = T (Φx)
74 T ( ) : R m R m 3 ISTA FISTA map ASH:FISTA ASH:mAP ISTA FISTA map ASH:FISTA ASH:mAP ẑ = arg min y T (ΦDz) λg(z) z l 1 l 1
75 z = arg min z 1 N N log(1 + exp( y i x T i z)) + g(z) i (x i,y i ) (R n, R) l 1
76 l l l 0
77 f(w) = i (y i, (w, x i )) w f w f 90% l 0 10%
78 l 0 10% l 0
79 ASH:Adam ASH:Adam T 50
80 dense net sparse net sparse net (ASH) l 0
81
82 6 f g f
83
84 g ˆΩ z A R p n x Az k 2 2 zk f(z k ) = 2(A T x (A T A)z k ) A T x A T Az k A T A z k ˆΩ z
85 (A T A) Ω z Ω n 2 nk A T (A Ω z Ω ) 2pn pn + pk k n k z k A T A A T A [z k+1 ] s = g ([z k ] s +2A T s (x Az k )) s [z k+1 ] s ([z k+1 ] s [z k ] s )
86 l 0 l 0 l 0 80%
87
88 7
89
90
91
92
93
94
95
96
97
Defects in Hard-Sphere Colloidal Crystals
Defects in Hard-Sphere Colloidal Crystals The Harvard community has made this article openly available. Please share how this access benefits you. Your story matters. Citation Accessed Citable Link Terms
Διαβάστε περισσότεραA Classical Perspective on Non-Diffractive Disorder
A Classical Perspective on Non-Diffractive Disorder The Harvard community has made this article openly available. Please share how this access benefits you. Your story matters. Citation Accessed Citable
Διαβάστε περισσότεραf(w) f(z) = C f(z) = z z + h z h = h h h 0,h C f(z + h) f(z)
Ω f: Ω C l C z Ω f f(w) f(z) z a w z = h 0,h C f(z + h) f(z) h = l. z f l = f (z) Ω f Ω f Ω H(Ω) n N C f(z) = z n h h 0 h z + h z h = h h C f(z) = z f (z) = f( z) f f: Ω C Ω = { z; z Ω} z, a Ω f (z) f
Διαβάστε περισσότεραΠ Ο Λ Ι Τ Ι Κ Α Κ Α Ι Σ Τ Ρ Α Τ Ι Ω Τ Ι Κ Α Γ Ε Γ Ο Ν Ο Τ Α
Α Ρ Χ Α Ι Α Ι Σ Τ Ο Ρ Ι Α Π Ο Λ Ι Τ Ι Κ Α Κ Α Ι Σ Τ Ρ Α Τ Ι Ω Τ Ι Κ Α Γ Ε Γ Ο Ν Ο Τ Α Σ η µ ε ί ω σ η : σ υ ν ά δ ε λ φ ο ι, ν α µ ο υ σ υ γ χ ω ρ ή σ ε τ ε τ ο γ ρ ή γ ο ρ ο κ α ι α τ η µ έ λ η τ ο ύ
Διαβάστε περισσότεραl 1 p r i = ρ ij α j + w i j=1 ρ ij λ α j j p w i p α j = 1, α j 0, j = 1,..., p j=1 R B B B m j [ρ 1j, ρ 2j,..., ρ Bj ] T = }{{} α + [,,..., ] R B p p α [α 1,..., α p ] [w 1,..., w p ] M m 1 m 2,
Διαβάστε περισσότεραΑ Ρ Ι Θ Μ Ο Σ : 6.913
Α Ρ Ι Θ Μ Ο Σ : 6.913 ΠΡΑΞΗ ΚΑΤΑΘΕΣΗΣ ΟΡΩΝ ΔΙΑΓΩΝΙΣΜΟΥ Σ τ η ν Π ά τ ρ α σ ή μ ε ρ α σ τ ι ς δ ε κ α τ έ σ σ ε ρ ι ς ( 1 4 ) τ ο υ μ ή ν α Ο κ τ ω β ρ ί ο υ, η μ έ ρ α Τ ε τ ά ρ τ η, τ ο υ έ τ ο υ ς δ
Διαβάστε περισσότεραP AND P. P : actual probability. P : risk neutral probability. Realtionship: mutual absolute continuity P P. For example:
(B t, S (t) t P AND P,..., S (p) t ): securities P : actual probability P : risk neutral probability Realtionship: mutual absolute continuity P P For example: P : ds t = µ t S t dt + σ t S t dw t P : ds
Διαβάστε περισσότεραΚεφάλαιο 1 Πραγματικοί Αριθμοί 1.1 Σύνολα
x + = 0 N = {,, 3....}, Z Q, b, b N c, d c, d N + b = c, b = d. N = =. < > P n P (n) P () n = P (n) P (n + ) n n + P (n) n P (n) n P n P (n) P (m) P (n) n m P (n + ) P (n) n m P n P (n) P () P (), P (),...,
Διαβάστε περισσότερα2. Α ν ά λ υ σ η Π ε ρ ι ο χ ή ς. 3. Α π α ι τ ή σ ε ι ς Ε ρ γ ο δ ό τ η. 4. Τ υ π ο λ ο γ ί α κ τ ι ρ ί ω ν. 5. Π ρ ό τ α σ η. 6.
Π Ε Ρ Ι Ε Χ Ο Μ Ε Ν Α 1. Ε ι σ α γ ω γ ή 2. Α ν ά λ υ σ η Π ε ρ ι ο χ ή ς 3. Α π α ι τ ή σ ε ι ς Ε ρ γ ο δ ό τ η 4. Τ υ π ο λ ο γ ί α κ τ ι ρ ί ω ν 5. Π ρ ό τ α σ η 6. Τ ο γ ρ α φ ε ί ο 1. Ε ι σ α γ ω
Διαβάστε περισσότεραDissertation for the degree philosophiae doctor (PhD) at the University of Bergen
Dissertation for the degree philosophiae doctor (PhD) at the University of Bergen Dissertation date: GF F GF F SLE GF F D Ĉ = C { } Ĉ \ D D D = {z : z < 1} f : D D D D = D D, D = D D f f : D D
Διαβάστε περισσότεραDiamond platforms for nanoscale photonics and metrology
Diamond platforms for nanoscale photonics and metrology The Harvard community has made this article openly available. Please share how this access benefits you. Your story matters. Citation Accessed Citable
Διαβάστε περισσότεραJ J l 2 J T l 1 J T J T l 2 l 1 J J l 1 c 0 J J J J J l 2 l 2 J J J T J T l 1 J J T J T J T J {e n } n N {e n } n N x X {λ n } n N R x = λ n e n {e n } n N {e n : n N} e n 0 n N k 1, k 2,..., k n N λ
Διαβάστε περισσότεραVol. 37 ( 2017 ) No. 3. J. of Math. (PRC) : A : (2017) k=1. ,, f. f + u = f φ, x 1. x n : ( ).
Vol. 37 ( 2017 ) No. 3 J. of Math. (PRC) R N - R N - 1, 2 (1., 100029) (2., 430072) : R N., R N, R N -. : ; ; R N ; MR(2010) : 58K40 : O192 : A : 0255-7797(2017)03-0467-07 1. [6], Mather f : (R n, 0) R
Διαβάστε περισσότεραRobust Network Interdiction with Invisible Interdiction Assets
University of Arkansas, Fayetteville ScholarWorks@UARK Theses and Dissertations 5-2014 Robust Network Interdiction with Invisible Interdiction Assets Nail Orkun Baycik University of Arkansas, Fayetteville
Διαβάστε περισσότεραACTA MATHEMATICAE APPLICATAE SINICA Nov., ( µ ) ( (
35 Þ 6 Ð Å Vol. 35 No. 6 2012 11 ACTA MATHEMATICAE APPLICATAE SINICA Nov., 2012 È ÄÎ Ç ÓÑ ( µ 266590) (E-mail: jgzhu980@yahoo.com.cn) Ð ( Æ (Í ), µ 266555) (E-mail: bbhao981@yahoo.com.cn) Þ» ½ α- Ð Æ Ä
Διαβάστε περισσότεραΚατακόρυφη - Οριζόντια μετατόπιση καμπύλης
1 Κατακόρυφη - Οριζόντια μετατόπιση καμπύλης Έστω ότι έχουμε την συνάρτηση: f(x) = x + 3x 1 H γραφική της παράσταση είναι: Και την συνάρτηση f(x) = x + 3x + η οποία έχει προκύψει από την προηγούμενη αφού
Διαβάστε περισσότεραΤο Θεώρημα Stone - Weierstrass
Το Θεώρημα Stone - Weierstrass Θεώρημα 1 Έστω ¹ X συμπαγής χώρος Hausdorff και έστω C R (X η πραγματική άλγεβρα όλων των συνεχών συναρτήσεων f : X R. Έστω ότι ένα υποσύνολο A C R (X (1 το A είναι υπάλγεβρα
Διαβάστε περισσότεραVol. 38 No Journal of Jiangxi Normal University Natural Science Nov. 2014
38 6 Vol 38 No 6 204 Journal o Jiangxi Normal UniversityNatural Science Nov 204 000-586220406-055-06 2 * 330022 Nevanlinna 2 2 2 O 74 52 0 B j z 0j = 0 φz 0 0 λ - φ= C j z 0j = 0 ab 0 arg a arg b a = cb0
Διαβάστε περισσότεραLocal Approximation with Kernels
Local Approximation with Kernels Thomas Hangelbroek University of Hawaii at Manoa 5th International Conference Approximation Theory, 26 work supported by: NSF DMS-43726 A cubic spline example Consider
Διαβάστε περισσότεραProbabilistic Approach to Robust Optimization
Probabilistic Approach to Robust Optimization Akiko Takeda Department of Mathematical & Computing Sciences Graduate School of Information Science and Engineering Tokyo Institute of Technology Tokyo 52-8552,
Διαβάστε περισσότεραu = 0 u = ϕ t + Π) = 0 t + Π = C(t) C(t) C(t) = K K C(t) ϕ = ϕ 1 + C(t) dt Kt 2 ϕ = 0
u = (u, v, w) ω ω = u = 0 ϕ u u = ϕ u = 0 ϕ 2 ϕ = 0 u t = u ω 1 ρ Π + ν 2 u Π = p + (1/2)ρ u 2 + ρgz ω = 0 ( ϕ t + Π) = 0 ϕ t + Π = C(t) C(t) C(t) = K K C(t) ϕ = ϕ 1 + C(t) dt Kt C(t) ϕ ϕ 1 ϕ = ϕ 1 p ρ
Διαβάστε περισσότεραΣΥΓΚΛΙΣΗ ΣΥΝΑΡΤΗΣΗΣ: Ορισμός Cauchy
ΣΥΓΚΛΙΣΗ ΣΥΝΑΡΤΗΣΗΣ: Ορισμός Cauchy Augustin- Louis Cauchy 1789-1857 ΠΛΕΥΡΙΚΑ ΟΡΙΑ Ορισμός σύγκλισης Cauchy συγκλίνει για x ξ Η συνάρτηση f(x) ɛ > 0 δ (ɛ, ξ) : x ξ < δ f(x) l < ɛ f(x) = l + f(x) = l +
Διαβάστε περισσότεραAppendix to On the stability of a compressible axisymmetric rotating flow in a pipe. By Z. Rusak & J. H. Lee
Appendi to On the stability of a compressible aisymmetric rotating flow in a pipe By Z. Rusak & J. H. Lee Journal of Fluid Mechanics, vol. 5 4, pp. 5 4 This material has not been copy-edited or typeset
Διαβάστε περισσότεραEcon 2110: Fall 2008 Suggested Solutions to Problem Set 8 questions or comments to Dan Fetter 1
Eon : Fall 8 Suggested Solutions to Problem Set 8 Email questions or omments to Dan Fetter Problem. Let X be a salar with density f(x, θ) (θx + θ) [ x ] with θ. (a) Find the most powerful level α test
Διαβάστε περισσότεραSOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM
SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM Solutions to Question 1 a) The cumulative distribution function of T conditional on N n is Pr T t N n) Pr max X 1,..., X N ) t N n) Pr max
Διαβάστε περισσότεραγ 1 6 M = 0.05 F M = 0.05 F M = 0.2 F M = 0.2 F M = 0.05 F M = 0.05 F M = 0.05 F M = 0.2 F M = 0.05 F 2 2 λ τ M = 6000 M = 10000 M = 15000 M = 6000 M = 10000 M = 15000 1 6 τ = 36 1 6 τ = 102 1 6 M = 5000
Διαβάστε περισσότεραThe Nottingham eprints service makes this work by researchers of the University of Nottingham available open access under the following conditions.
Luevorasirikul, Kanokrat (2007) Body image and weight management: young people, internet advertisements and pharmacists. PhD thesis, University of Nottingham. Access from the University of Nottingham repository:
Διαβάστε περισσότερα3Νο. ασκήσεις Α Ν Α Λ Υ Σ Η 1Ο Κ Ε Φ Α Λ Α Ι Ο. Θετική Τεχνολογική Κατεύθυνση ( ) ( 0)
Λ Υ Κ Ε Ι Ο Α Ν Α Λ Υ Σ Η 1Ο Κ Ε Φ Α Λ Α Ι Ο ΕΠΙΜΕΛΕΙΑ : Π Δ ΤΡΙΜΗΣ ΜΑΘΗΜΑΤΙΚΟΣ Θετική Τεχνολογική Κατεύθυνση ασκήσεις (ΝΑ ΛΥΘΟΥΝ ΜΕΤΑ ΑΠΟ ΤΙΣ ΑΝΤΙΣΤΟΙΧΕΣ ΤΟΥ ΒΙΒΛΙΟΥ) 3Νο ΣΥΝΕΧΕΙΑ ΣΥΝΑΡΤΗΣΗΣ 1 Να μελετήσετε
Διαβάστε περισσότεραDevelopment and Verification of Multi-Level Sub- Meshing Techniques of PEEC to Model High- Speed Power and Ground Plane-Pairs of PFBS
Rose-Hulman Institute of Technology Rose-Hulman Scholar Graduate Theses - Electrical and Computer Engineering Graduate Theses Spring 5-2015 Development and Verification of Multi-Level Sub- Meshing Techniques
Διαβάστε περισσότεραHW 3 Solutions 1. a) I use the auto.arima R function to search over models using AIC and decide on an ARMA(3,1)
HW 3 Solutions a) I use the autoarima R function to search over models using AIC and decide on an ARMA3,) b) I compare the ARMA3,) to ARMA,0) ARMA3,) does better in all three criteria c) The plot of the
Διαβάστε περισσότεραΕΥΤΕΡΑ 27 ΜΑΪΟΥ 2013 ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΗΜΕΡΗΣΙΩΝ ΛΥΚΕΙΩΝ ΕΝ ΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ
ΕΥΤΕΡΑ 7 ΜΑΪΟΥ ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΗΜΕΡΗΣΙΩΝ ΛΥΚΕΙΩΝ ΕΝ ΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ ΘΕΜΑ Α Α. Αόδειξη βιβλίου σελ -5 Α. Ορισµός βιβλίου σελ 6 Α. α) Λ β) Σ γ) Σ δ) Λ ε) Σ ΘΕΜΑ Β Β. (z
Διαβάστε περισσότερα1 Βασικές Έννοιες Θεωρίας Πληροφορίας
1 Βασικές Έννοιες Θεωρίας Πληροφορίας Εντροπία τυχαίων μεταβλητών X, Y : H(X) = E [log Pr(x)] (1) H(X, Y ) = E [log Pr(x, y)] (2) H(X Y ) = E [log Pr(x y)] (3) Ιδιότητες Εντροπίας: Νόμος Bayes: Pr(y x)
Διαβάστε περισσότεραF19MC2 Solutions 9 Complex Analysis
F9MC Solutions 9 Complex Analysis. (i) Let f(z) = eaz +z. Then f is ifferentiable except at z = ±i an so by Cauchy s Resiue Theorem e az z = πi[res(f,i)+res(f, i)]. +z C(,) Since + has zeros of orer at
Διαβάστε περισσότεραΠΑΡΟΡΑΜΑΤΑ ΕΚΔΟΣΗ 12 ΜΑΡΤΙΟΥ 2018
ΝΙΚΟΛΑΟΣ M. ΣΤΑΥΡΑΚΑΚΗΣ: «Μερικές Διαφορικές Εξισώσεις & Μιγαδικές Συναρτήσεις: Θεωρία και Εφαρμογές» η Έκδοση, Αυτοέκδοση) Αθήνα, ΜΑΡΤΙΟΣ 06, Εξώφυλλο: ΜΑΛΑΚΟ, ΕΥΔΟΞΟΣ: 5084750, ISBN: 978-960-93-7366-
Διαβάστε περισσότεραΣυνήθεις Διαφορικές Εξισώσεις Ι ΣΔΕ Bernoulli, Riccati, Ομογενείς. Διαφορικές Εξισώσεις Bernoulli, Riccati και Ομογενείς
Συνήθεις Διαφορικές Εξισώσεις Ι ΣΔΕ Bernoulli, Riccati, Ομογενείς Διαφορικές Εξισώσεις Bernoulli, Riccati και Ομογενείς Οι εξισώσεις Bernoulli αποτελούν την κλάση των μη γραμμικών διαφορικών εξισώσεων
Διαβάστε περισσότεραLaplace Expansion. Peter McCullagh. WHOA-PSI, St Louis August, Department of Statistics University of Chicago
Laplace Expansion Peter McCullagh Department of Statistics University of Chicago WHOA-PSI, St Louis August, 2017 Outline Laplace approximation in 1D Laplace expansion in 1D Laplace expansion in R p Formal
Διαβάστε περισσότεραencouraged to use the Version of Record that, when published, will replace this version. The most /BCJ BIOCHEMICAL JOURNAL
Biochemical Journal: this is an Accepted Manuscript, not the final Version of Record. You are encouraged to use the Version of Record that, when published, will replace this version. The most up-to-date
Διαβάστε περισσότερα6.642 Continuum Electromechanics
MIT OpenCourseWre http://ocw.mit.edu 6.64 Continuum Electromechnics Fll 8 For informtion out citing these mterils or our Terms of Use, visit: http://ocw.mit.edu/terms. 6.64, Continuum Electromechnics,
Διαβάστε περισσότεραProblem Set 3: Solutions
CMPSCI 69GG Applied Information Theory Fall 006 Problem Set 3: Solutions. [Cover and Thomas 7.] a Define the following notation, C I p xx; Y max X; Y C I p xx; Ỹ max I X; Ỹ We would like to show that C
Διαβάστε περισσότεραF h, h h 2. Lim. Lim. f h, h fyx a, b. Lim. h 2 y 2. Lim. Lim. Lim. x 2 k 2. h 0
ΜΑ 1 Μ.2 Ν ΟΙ ΠΑΡ ΓΩΓΟΙ fx ΚΑΙ fy ΥΠ ΡΧΟΥΝ ΚΑΙ ε ΝΑΙ ΙΑφΟΡ ΣΙΜε Σε Κ ΠΟΙΑ ΠεΡΙΟΧ ΤΟΥ a, b Τ Τε ΝΑ ΑΠΟ ειχθε ΤΙ fxy fyx. Α εξετ ΣεΤε ΑΝ fxy fyx ΣΤΟ 0, 0 ΓΙΑ ΤΗΝ ΣΥΝ ΡΤΗΣΗ f x, y xy x2 y 2 ΓΙΑ x, y 0, 0
Διαβάστε περισσότερα= df. f (n) (x) = dn f dx n
Παράγωγος Συνάρτησης Ορισμός Παραγώγου σε ένα σημείο ΠΑΡΑΓΩΓΟΣ ΣΥΝΑΡΤΗΣΗΣ σε ένα σημείο ξ είναι το όριο (αν υπάρχει!) Ορισμός Cauchy: f (ξ) = lim x ξ g(x, ξ), g(x, ξ) = f(x) f(ξ) x ξ ɛ > 0 δ(ɛ, ξ) > 0
Διαβάστε περισσότεραSupplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans
S1 of S11 Supplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans Eveline Dirinck, Alin C. Dirtu, Govindan Malarvannan, Adrian
Διαβάστε περισσότεραT : g r i l l b a r t a s o s Α Γ Ί Α Σ Σ Ο Φ Ί Α Σ 3, Δ Ρ Α Μ Α. Δ ι α ν ο μ έ ς κ α τ ο ί κ ο ν : 1 2 : 0 0 έ ω ς 0 1 : 0 0 π μ
Α Γ Ί Α Σ Σ Ο Φ Ί Α Σ 3, Δ Ρ Α Μ Α g r i l l b a r t a s o s Δ ι α ν ο μ έ ς κ α τ ο ί κ ο ν : 1 2 : 0 0 έ ω ς 1 : 0 π μ Δ ι α ν ο μ έ ς κ α τ ο ί κ ο ν : 1 2 : 0 0 έ ω ς 0 1 : 0 0 π μ T ortiyas Σ ο υ
Διαβάστε περισσότερα(x y) = (X = x Y = y) = (Y = y) (x y) = f X,Y (x, y) x f X
X, Y f X,Y x, y X x, Y y f X Y x y X x Y y X x, Y y Y y f X,Y x, y f Y y f X Y x y x y X Y f X,Y x, y f X Y x y f X,Y x, y f Y y x y X : Ω R Y : Ω E X < y Y Y y 0 X Y y x R x f X Y x y gy X Y gy gy : Ω
Διαβάστε περισσότεραþÿ»±íº »¹ Áà  : É º±¹ Ä þÿ Á³ Ä Å : ¼¹± ºÁ¹Ä¹º ±À Ä ¼
Neapolis University HEPHAESTUS Repository School of Health Sciences http://hephaestus.nup.ac.cy Master Degree Thesis 2015 þÿ»±íº »¹ Áà  : É º±¹ Ä þÿ Á³ Ä Å : ¼¹± ºÁ¹Ä¹º ±À Ä ¼ þÿ Ä Æ Á Â, Á ÃÄ Â þÿ Á̳Á±¼¼±
Διαβάστε περισσότεραAPPENDIX 1: Gravity Load Calculations. SELF WEIGHT: Slab: 150psf * 8 thick slab / 12 per foot = 100psf ROOF LIVE LOAD:
APPENDIX 1: Gravity Load Calculations SELF WEIGHT: Slab: 150psf * 8 thick slab / 12 per foot = 100psf ROOF LIVE LOAD: A t = 16.2 * 13 = 208 ft^2 R 1 = 1.2 -.001* A t = 1.2 -.001*208 =.992 F = 0 for a flat
Διαβάστε περισσότεραNote: Please use the actual date you accessed this material in your citation.
MIT OpenCourseWare http://ocw.mit.edu 6.03/ESD.03J Electromagnetics and Applications, Fall 005 Please use the following citation format: Markus Zahn, 6.03/ESD.03J Electromagnetics and Applications, Fall
Διαβάστε περισσότεραl dmin dmin p k δ i = m p (p l ) p l µ p BCH µ WB t (q+) l l i m h(x) A B C = A B k SNR rec. db k SNR rec. db SNR rec. db p = p = p = SNR rec. db p = k = q = t k σ p(k;{a i} n i= ) n σ p(n;{a i} n i= )
Διαβάστε περισσότερακ α ι θ έ λ ω ν α μ ά θ ω...
{ ( a -r ν ρ ι -Μ Π ώτ 1 Γ '- fj T O O J CL κ α ι θ έ λ ω ν α μ ά θ ω < US η ixj* ί -CL* λ ^ t A u t\ * < τ : ; Γ ν c\ ) *) «*! «>» Μ I Λ 1,ν t f «****! ( y \ \, 0 0 # Περικλή_ Χαντζόπουλο κ α ι θ έ λ
Διαβάστε περισσότεραOn the summability of divergent power series solutions for certain first-order linear PDEs Masaki HIBINO (Meijo University)
On the summability of divergent power series solutions for certain first-order linear PDEs Masaki HIBINO (Meijo University) 1 1 Introduction (E) {1+x 2 +β(x,y)}y u x (x,y)+{x+b(x,y)}y2 u y (x,y) +u(x,y)=f(x,y)
Διαβάστε περισσότεραΝ Κ Π 6Μ Θ 5 ϑ Μ % # =8 Α Α Φ ; ; 7 9 ; ; Ρ5 > ; Σ 1Τ Ιϑ. Υ Ι ς Ω Ι ϑτ 5 ϑ :Β > 0 1Φ ς1 : : Ξ Ρ ; 5 1 ΤΙ ϑ ΒΦΓ 0 1Φ ς1 : ΒΓ Υ Ι : Δ Φ Θ 5 ϑ Μ & Δ 6 6
# % & ( ) +, %. / % 0 1 / 1 4 5 6 7 8 # 9 # : ; < # = >? 1 :; < 8 > Α Β Χ 1 ; Δ 7 = 8 1 ( 9 Ε 1 # 1 ; > Ε. # ( Ε 8 8 > ; Ε 1 ; # 8 Φ? : ;? 8 # 1? 1? Α Β Γ > Η Ι Φ 1 ϑ Β#Γ Κ Λ Μ Μ Η Ι 5 ϑ Φ ΒΦΓ Ν Ε Ο Ν
Διαβάστε περισσότεραcos t dt = 0. t cos t 2 dt = 1 8 f(x, y, z) = (2xyz, x 2 z, x 2 y) (2xyz) = (x2 z) (x 2 z) = (x2 y) 1 u du =
ΛΥΣΕΙΣ. Οι ασκήσεις από το βιβλίο των Marsden - Tromba. 1. 7.1.()(b) σ (t) (cos t sin t 1) οπότε σ (t) και σ f(x y z) ds π (c) σ (t) i + tj οπότε σ (t) 1 + 4t και σ f(x y z) ds 1 t cos 1 + 4t dt 1 8 cos
Διαβάστε περισσότεραThis is an electronic reprint of the original article. This reprint may differ from the original in pagination and typographic detail.
This is an electronic reprint of the original article. This reprint may differ from the original in pagination and typographic detail. Author(s): Chasandra, Mary; Tsiaousi, Louisa; Zisi, Vasiliki; Karatzaferi,
Διαβάστε περισσότεραMÉTHODES ET EXERCICES
J.-M. MONIER I G. HABERER I C. LARDON MATHS PCSI PTSI MÉTHODES ET EXERCICES 4 e édition Création graphique de la couverture : Hokus Pokus Créations Dunod, 2018 11 rue Paul Bert, 92240 Malakoff www.dunod.com
Διαβάστε περισσότερα1 + t + s t. 1 + t + s
Κεφάλαιο 1 Μετρικοί χώροι Ομάδα Α 1.1. Εστω (X, ) χώρος με νόρμα. Δείξτε ότι η νόρμα είναι άρτια συνάρτηση και ικανοποιεί την ανισότητα x y x y για κάθε x, y X. Υπόδειξη. Για κάθε x X έχουμε x = ( 1)x
Διαβάστε περισσότεραsup(a + B) = sup A + sup B inf(a + B) = inf A + inf B.
Ασκήσεις, Φυλλάδιο. Βρειτε το συνολο Φ A ολων των ανω ϕραγματων του A, και το συνολο φ A ολων των κατω ϕραγματων του A, οταν: a) A = m :, m N}, b) A = + m 2. Βρειτε το if και sup οποτε υπαρχουν) των συνολων
Διαβάστε περισσότεραΨηφιακή ανάπτυξη. Course Unit #1 : Κατανοώντας τις βασικές σύγχρονες ψηφιακές αρχές Thematic Unit #1 : Τεχνολογίες Web και CMS
Ψηφιακή ανάπτυξη Course Unit #1 : Κατανοώντας τις βασικές σύγχρονες ψηφιακές αρχές Thematic Unit #1 : Τεχνολογίες Web και CMS Learning Objective : SEO και Analytics Fabio Calefato Department of Computer
Διαβάστε περισσότεραTeor imov r. ta matem. statist. Vip. 94, 2016, stor
eor imov r. ta matem. statist. Vip. 94, 6, stor. 93 5 Abstract. e article is devoted to models of financial markets wit stocastic volatility, wic is defined by a functional of Ornstein-Ulenbeck process
Διαβάστε περισσότεραþÿÿ ÁÌ» Â Ä Å ¹µÅ Å½Ä ÃÄ
Neapolis University HEPHAESTUS Repository School of Economic Sciences and Business http://hephaestus.nup.ac.cy Master Degree Thesis 2015 þÿÿ ÁÌ» Â Ä Å ¹µÅ Å½Ä ÃÄ þÿ ¹±Çµ Á¹Ã ºÁ õɽ ÃÄ ÃÇ» Tokatzoglou,
Διαβάστε περισσότεραBayesian statistics. DS GA 1002 Probability and Statistics for Data Science.
Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist
Διαβάστε περισσότεραDiracDelta. Notations. Primary definition. Specific values. General characteristics. Traditional name. Traditional notation
DiracDelta Notations Traditional name Dirac delta function Traditional notation x Mathematica StandardForm notation DiracDeltax Primary definition 4.03.02.000.0 x Π lim ε ; x ε0 x 2 2 ε Specific values
Διαβάστε περισσότεραΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 2015 Β ΦΑΣΗ. Ηµεροµηνία: Κυριακή 10 Μαΐου 2015 ιάρκεια Εξέτασης: 2 ώρες ΑΠΑΝΤΗΣΕΙΣ
ΤΑΞΗ: ΜΑΘΗΜΑ: Β ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΆΛΓΕΒΡΑ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ Ηµεροµηνία: Κυριακή 0 Μαΐου 05 ιάρκεια Εξέτασης: ώρες ΑΠΑΝΤΗΣΕΙΣ ΘΕΜΑ A Α Αόδειξη (βλέε σχολικό σελ 35) Α Σχολικό σελίδα 97 x Α3 Για την f (x) =
Διαβάστε περισσότερα6.642, Continuum Electromechanics, Fall 2004 Prof. Markus Zahn Lecture 8: Electrohydrodynamic and Ferrohydrodynamic Instabilities
6.64, Continuum Electromechnics, Fll 4 Prof. Mrus Zhn Lecture 8: Electrohydrodynmic nd Ferrohydrodynmic Instilities I. Mgnetic Field Norml Instility Courtesy of MIT Press. Used with permission. A. Equilirium
Διαβάστε περισσότεραStatistical Inference I Locally most powerful tests
Statistical Inference I Locally most powerful tests Shirsendu Mukherjee Department of Statistics, Asutosh College, Kolkata, India. shirsendu st@yahoo.co.in So far we have treated the testing of one-sided
Διαβάστε περισσότερα(i) f(x, y) = xy + iy (iii) f(x, y) = e y e ix. f(z) = U(r, θ) + iv (r, θ) ; z = re iθ
ΜΑΘΗΜΑΤΙΚΗ ΦΥΣΙΚΗ (ΜΕΤΑΠΤΥΧΙΑΚΟ) 6 Νοεμβρίου 07 Αναλυτικές συναρτήσεις Άσκηση (i) Δείξτε ότι η συνάρτηση f(z) είναι αναλυτική σε χωρίο D του μιγαδικού επιπέδου εάν και μόνο εάν η if(z) είναι αναλυτική
Διαβάστε περισσότεραΑρµονική Ανάλυση. Ενότητα: Ολοκλήρωµα Riemann και ολοκλήρωµα Lebesgue - Ασκήσεις. Απόστολος Γιαννόπουλος. Τµήµα Μαθηµατικών
Ενότητα: Ολοκλήρωµα Riemnn και ολοκλήρωµα Lebesgue - Ασκήσεις Απόστολος Γιαννόπουλος Τµήµα Μαθηµατικών Αδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Cretive Commons. Για εκπαιδευτικό
Διαβάστε περισσότεραΔ Ι Α Φ Ο Ρ Ι Κ Ο Ι Τ Ε Λ Ε Σ Τ Ε Σ
Κλίση συνάρτησης f Δ Ι Α Φ Ο Ρ Ι Κ Ο Ι Τ Ε Λ Ε Σ Τ Ε Σ Αν σε κάθε σημείο Px, y,z ενός τμήματος Δ του χώρου μία τιμή, ορίζεται μια συνάρτηση. f x, y,z : Δ, Δ αντιστοιχίσουμε την οποία ονομάζουμε σημειακή
Διαβάστε περισσότεραf f 2 0 B f f 0 1 B 10.3 Ακρότατα υπό συνθήκες Πολλαπλασιαστές του Lagrange
Μέγιστα και ελάχιστα 39 f f B f f yx y x xy Οι ιδιοτιμές του πίνακα Β είναι λ =-, λ =- και οι δυο αρνητικές, άρα το κρίσιμο σημείο (,) είναι σημείο τοπικού μεγίστου. Εφαρμογή 6: Στο παράδειγμα 3 ο αντίστοιχος
Διαβάστε περισσότεραDéformation et quantification par groupoïde des variétés toriques
Défomation et uantification pa goupoïde de vaiété toiue Fédéic Cadet To cite thi veion: Fédéic Cadet. Défomation et uantification pa goupoïde de vaiété toiue. Mathématiue [math]. Univeité d Oléan, 200.
Διαβάστε περισσότεραFORMULAS FOR STATISTICS 1
FORMULAS FOR STATISTICS 1 X = 1 n Sample statistics X i or x = 1 n x i (sample mean) S 2 = 1 n 1 s 2 = 1 n 1 (X i X) 2 = 1 n 1 (x i x) 2 = 1 n 1 Xi 2 n n 1 X 2 x 2 i n n 1 x 2 or (sample variance) E(X)
Διαβάστε περισσότεραM. J. Lighthill. g(y) = f(x) e 2πixy dx, (1) d N. g (p) (y) =
Εισαγωγή στην ανάλυση Fourier και τις γενικευμένες συναρτήσεις * M. J. Lighthill μετάφραση: Γ. Ευθυβουλίδης ΚΕΦΑΛΑΙΟ 2 Η ΘΕΩΡΙΑ ΤΩΝ ΓΕΝΙΚΕΥΜΕΝΩΝ ΣΥΝΑΡΤΗΣΕΩΝ ΚΑΙ ΤΩΝ ΜΕΤΑΣΧΗΜΑΤΙΣΜΩΝ ΤΟΥΣ FOURIER 2.1. Καλές
Διαβάστε περισσότεραΜεταπτυχιακή Μιγαδική Ανάλυση. Έβδομο φυλλάδιο ασκήσεων, Παραδώστε λυμένες τις 4, 9, 15, 19, 24 και 28 μέχρι
Μεταπτυχιακή Μιαδική Ανάλυση Έβδομο φυλλάδιο ασκήσεων, 5--20. Παραδώστε λυμένες τις 4, 9, 5, 9, 24 και 28 μέχρι 22--20.. Θεωρούμε τις καμπύλες (t) = t + it sin t και 2 (t) = t + it 2 sin t ια t (0, ] και
Διαβάστε περισσότεραMulti-GPU numerical simulation of electromagnetic waves
Multi-GPU numerical simulation of electromagnetic waves Philippe Helluy, Thomas Strub To cite this version: Philippe Helluy, Thomas Strub. Multi-GPU numerical simulation of electromagnetic waves. ESAIM:
Διαβάστε περισσότερα.. ntsets ofa.. d ffeom.. orp ism.. na s.. m ooth.. man iod period I n open square. n t s e t s ofa \quad d ffeom \quad orp ism \quad na s \quad m o
G G - - -- - W - - - R S - q k RS ˆ W q q k M G W R S L [ RS - q k M S 4 R q k S [ RS [ M L ˆ L [M O S 4] L ˆ ˆ L ˆ [ M ˆ S 4 ] ˆ - O - ˆ q k ˆ RS q k q k M - j [ RS ] [ M - j - L ˆ ˆ ˆ O ˆ [ RS ] [ M
Διαβάστε περισσότεραϕ n n n n = 1,..., N n n {X I, Y I } {X r, Y r } (x c, y c ) q r = x a y a θ X r = [x r, y r, θ r ] X I = [x I, y I, θ I ] X I = R(θ)X r R(θ) R(θ) = cosθ sinθ 0 sinθ cosθ 0 0 0 1 Ẋ I = R(θ)Ẋr y r ẏa r
Διαβάστε περισσότεραSCHOOL OF MATHEMATICAL SCIENCES G11LMA Linear Mathematics Examination Solutions
SCHOOL OF MATHEMATICAL SCIENCES GLMA Linear Mathematics 00- Examination Solutions. (a) i. ( + 5i)( i) = (6 + 5) + (5 )i = + i. Real part is, imaginary part is. (b) ii. + 5i i ( + 5i)( + i) = ( i)( + i)
Διαβάστε περισσότεραapj1 SSGA* hapla P6 _1G hao1 1Lh_PSu AL..AhAo1 *PJ"AL hp_a*a
n n 1/2 n (n 1) 0/1 l 2 E x X X x X E x X g(x) := 1 g(x). X f : X C L p f p := (E x X f(x) p ) 1/p f,g := E x X f(x)g(x) x X X X X := {f : X [0, ) : f 1 =1}. X µ A A X x X µ A (x) :=α 1 1 A (x) 1 A A α
Διαβάστε περισσότεραNeural'Networks' Robot Image Credit: Viktoriya Sukhanova 123RF.com
Neural'Networks' These slides were assembled by Eric Eaton, with grateful acknowledgement of the many others who made their course materials freely available online. Feel free to reuse or adapt these slides
Διαβάστε περισσότεραΤύπος TAYLOR. f : [a, b] R f (n 1) (x) συνεχής x [a, b] f (n) (x) x (a, b) ξ μεταξύ x και x 0. (x x 0 ) k k! f(x) = f (k) (x 0 ) + R n (x)
Τύπος TAYLOR f : [a, b] R f (n 1) (x) συνεχής x [a, b] f (n) (x) x (a, b) f(x) = ξ μεταξύ x και x 0 n 1 (x x 0 ) k f (k) (x 0 ) + R n (x) R n (x) = (x ξ)n p (x x 0 ) p p(n 1)! f (n) (ξ) υπόλοιπο Sclömlich-Roche
Διαβάστε περισσότεραl 0 l 2 l 1 l 1 l 1 l 2 l 2 l 1 l p λ λ µ R N l 2 R N l 2 2 = N x i l p p R N l p N p = ( x i p ) 1 p i=1 l 2 l p p = 2 l p l 1 R N l 1 i=1 x 2 i 1 = N x i i=1 l p p p R N l 0 0 = {i x i 0} R
Διαβάστε περισσότεραHomework for 1/27 Due 2/5
Name: ID: Homework for /7 Due /5. [ 8-3] I Example D of Sectio 8.4, the pdf of the populatio distributio is + αx x f(x α) =, α, otherwise ad the method of momets estimate was foud to be ˆα = 3X (where
Διαβάστε περισσότεραΑνταλλακτικά για Laptop Lenovo
Ανταλλακτικά για Laptop Lenovo Ημερομηνία έκδοσης καταλόγου: 6/11/2011 Κωδικός Προϊόντος Είδος Ανταλλακτικού Μάρκα Μοντέλο F000000884 Inverter Lenovo 3000 C200 F000000885 Inverter Lenovo 3000 N100 (0689-
Διαβάστε περισσότεραFinite difference method for 2-D heat equation
Finite difference method for 2-D heat equation Praveen. C praveen@math.tifrbng.res.in Tata Institute of Fundamental Research Center for Applicable Mathematics Bangalore 560065 http://math.tifrbng.res.in/~praveen
Διαβάστε περισσότεραD Alembert s Solution to the Wave Equation
D Alembert s Solution to the Wave Equation MATH 467 Partial Differential Equations J. Robert Buchanan Department of Mathematics Fall 2018 Objectives In this lesson we will learn: a change of variable technique
Διαβάστε περισσότεραΠρόταση. f(x) ομοιόμορφα συνεχής στο I. δ (ɛ) > 0 : x, ξ I, x ξ < δ (ɛ, ξ) f(x) f(ξ) < ɛ. ɛ > 0, δ > 0 : ΜΗ ομοιόμορφα συνεχής.
f(x) ομοιόμορφα συνεχής στο I ɛ > 0, δ (ɛ) > 0 : x, ξ I, x ξ < δ (ɛ, ξ) f(x) f(ξ) < ɛ f(x) ΜΗ ομοιόμορφα συνεχής ɛ > 0, δ > 0 : x, ξ I, x ξ < δ f(x) f(ξ) ɛ f(x) συνεχής στο [a, b] f(x) ομοιόμορφα συνεχής
Διαβάστε περισσότεραΠεριεχόμενα. A(x 1, x 2 )
Περιεχόμενα A(x 1, x 2 7 Ολοκληρώματα της Μαγνητοϋδροδυναμικής και Μαγνητοϋδροδυναμικά Κύματα Σχήμα 7.1: Οι τριδιάστατες ελικοειδείς μαγνητικές γραμμές στις οποίες εφάπτεται το διάνυσμα του μαγνητικού
Διαβάστε περισσότεραWritten Examination. Antennas and Propagation (AA ) April 26, 2017.
Written Examination Antennas and Propagation (AA. 6-7) April 6, 7. Problem ( points) Let us consider a wire antenna as in Fig. characterized by a z-oriented linear filamentary current I(z) = I cos(kz)ẑ
Διαβάστε περισσότεραΠανελλαδικές εξετάσεις Μαθηµατικά Προσανατολισµού Γ Λυκείου. Ενδεικτικές Απαντήσεις ϑεµάτων. Θέµα Β. (α) ϑεωρία. (ϐ) i, ii) ϑεωρία.
Πανελλαδικές εξετάσεις 09 Μαθηµατικά Προσανατολισµού Γ Λυκείου Ενδεικτικές Απαντήσεις ϑεµάτων Θέµα Α Α α) ϑεωρία ϐ) i, ii) ϑεωρία Α ϑεωρία Α3 ϑεωρία Α4 α) Λάθος {, x < 0 διότι για τη συνάρτηση fx) = ισχύει
Διαβάστε περισσότεραNondifferentiable Convex Functions
Nondifferentiable Convex Functions DS-GA 1013 / MATH-GA 2824 Optimization-based Data Analysis http://www.cims.nyu.edu/~cfgranda/pages/obda_fall17/index.html Carlos Fernandez-Granda Applications Subgradients
Διαβάστε περισσότεραΚαρτεσιανές συντεταγμένες Γραφική παράσταση συνάρτησης
Καρτεσιανές συντεταγμένες Γραφική παράσταση συνάρτησης Ορθοκανονικό σύστημα αξόνων ονομάζεται ένα σύστημα από δύο κάθετους άξονες με κοινή αρχή στους οποίους οι μονάδες έχουν το ίδιο μήκος. Υπάρχουν περιπτώσεις
Διαβάστε περισσότεραΣυνήθεις Διαφορικές Εξισώσεις Ι Ασκήσεις - 26/10/2017. Διαφορικές Εξισώσεις Bernoulli, Riccati και Ομογενείς
Συνθεις Διαφορικές Εξισώσεις Ι Ασκσεις - 26/0/207 Διαφορικές Εξισώσεις Bernoulli, Riccati και Ομογενείς Οι εξισώσεις Bernoulli αποτελούν την κλάση των μη γραμμικών διαφορικών εξισώσεων πρώτης τάξης της
Διαβάστε περισσότεραSecond Order RLC Filters
ECEN 60 Circuits/Electronics Spring 007-0-07 P. Mathys Second Order RLC Filters RLC Lowpass Filter A passive RLC lowpass filter (LPF) circuit is shown in the following schematic. R L C v O (t) Using phasor
Διαβάστε περισσότεραHomework 8 Model Solution Section
MATH 004 Homework Solution Homework 8 Model Solution Section 14.5 14.6. 14.5. Use the Chain Rule to find dz where z cosx + 4y), x 5t 4, y 1 t. dz dx + dy y sinx + 4y)0t + 4) sinx + 4y) 1t ) 0t + 4t ) sinx
Διαβάστε περισσότεραΠανεπιστήμιο Κρήτης. 19 Οκτωβρίου 2015 Μεταπτυχιακή εργασία στα πλαίσια του προγράμματος "Μαθηματικά και εφαρμογές τους"
Πανεπιστήμιο Κρήτης Η ατομική δομή του H ) και ο δυισμός ανάμεσα στους H ) και MO ) Εκπόνηση: Γιώργος Ψαρομήλιγκος Επιβλέπων: Μιχάλης Παπαδημητράκης 9 Οκτωβρίου 205 Μεταπτυχιακή εργασία στα πλαίσια του
Διαβάστε περισσότεραΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΘΕΜΕΛΙΩΔΗΣ ΚΛΑΔΙΚΗ ΑΝΑΛΥΣΗ ΤΩΝ ΕΙΣΗΓΜΕΝΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΗΣ ΕΛΛΗΝΙΚΗΣ ΑΓΟΡΑΣ
ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ Διπλωματική Εργασία ΘΕΜΕΛΙΩΔΗΣ ΚΛΑΔΙΚΗ ΑΝΑΛΥΣΗ ΤΩΝ ΕΙΣΗΓΜΕΝΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΗΣ ΕΛΛΗΝΙΚΗΣ ΑΓΟΡΑΣ Του ΚΩΣΤΟΥΛΗ ΔΗΜΗΤΡΙΟΥ ΤΟΥ ΒΑΣΙΛΕΙΟΥ
Διαβάστε περισσότεραF (x) = kx. F (x )dx. F = kx. U(x) = U(0) kx2
F (x) = kx x k F = F (x) U(0) U(x) = x F = kx 0 F (x )dx U(x) = U(0) + 1 2 kx2 x U(0) = 0 U(x) = 1 2 kx2 U(x) x 0 = 0 x 1 U(x) U(0) + U (0) x + 1 2 U (0) x 2 U (0) = 0 U(x) U(0) + 1 2 U (0) x 2 U(0) =
Διαβάστε περισσότερα+ 1 n 5 (η) {( 1) n + 1 m
Κεφάλαιο Τοπολογία του. Στοιχεία Θεωρίας Ορισµός Αν α και ɛ > ονοµάζουµε ɛ-περιοχή του α ή περιοχή κέντρου α και ακτίνας ɛ και συµβολίζουµε N α (ɛ) το σύνολο όλων των αριθµών που έχουν απόσταση από το
Διαβάστε περισσότεραSelective mono reduction of bisphosphine
Griffith Research Online https://research-repository.griffith.edu.au Selective mono reduction of bisphosphine oxides under mild conditions Author etersson, Maria, Loughlin, Wendy, Jenkins, Ian ublished
Διαβάστε περισσότεραẋ = f(x) n 1 f i (i = 1, 2,..., n) x i (i = 1, 2,..., n) x(0) = x o x(t) t > 0 t < 0 x(t) x o U I xo I xo : α xo < t < β xo α xo β xo x(t) t β t α + x f(x) = 0 x x x x V 1 x x o V 1 x(t) t > 0 x o V 1
Διαβάστε περισσότερα