Community articles — Math

Wiskundecollega Pedro Tytgat ontdekte onlangs een merkwaardige applet op het internet. Op http://functionspace.org/topic/1638/opinion/7591 vond hij tussen een hele serie animated gifs een applet voor de krimpende puntenketting die meetkundig gezien niet veel meer doet dan het berekenen van het midden van een lijnstuk. Deze applet viel niet alleen op door haar meetkundige schoonheid maar ook door een korte discussie over een mogelijke verklaring via dominante eigenwaarden en eigenvectoren.De aangekondigde verklaring ontbrak echter op deze site. Korte tijd na de ontdekking van de stelling van de krimpende puntenketting kwam er een compacte maar geïnspireerde analyse van Dirk Danckaert. In dit verslag probeer ik zijn ideën iets breedvoeriger uit te schrijven.

It's easy to find out how many combinations you can have if you know the total number of items, and the number of items you are combining. It's a little harder to do that in reverse. This document shows how to find the total number of items if you know how many are combined at a time, and the total number of combinations.

Modern Algebra HW

Tarea 1

A explicit solution to a nonlinear matrix equation in n=3 dimension.

Integration of some elementary integrals

First assignment dealing with nullspace and rowspace

Our solution for MCM2015

El análisis estadístico de alta dimensión y tamaño de muestra pequeño (HDLSS) se está aplicando cada vez más en una amplia gama de contextos. En tales situaciones, se ve que el popular método de la Máquina de Vectores Soporte (SVM) sufre de ''Acumulación de datos'' en el margen, lo que puede disminuir la capacidad de generalización del modelo. Esto conduce al desarrollo de la Distance Weighted Discrimination para encontrar un hiperplano separador . En el presente trabajo se revisa y reproduce, con detalle en la derivación y solución de la función de pérdida que se resuelve usando SOCP, del método desarrollado en e implementado en el entorno R\cite{R}. Basado en el trabajo e implementación de se aplica y comparan resultados a conjuntos de datos reales y simulados (en medida de lo posible los mismos conjuntos de datos utilizados que en) Palabras clave: SVM, kernel, R (el ambiente de cómputo estadístico) y datos de alta dimensión con tamaño de muestra pequeño (data High Dimension Low Sample Size).