4. OPTYMALIZACJA WIELOKRYTERIALNA
|
|
- Jan Tomczak
- 5 lat temu
- Przeglądów:
Transkrypt
1 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna 4. OPTYMLIZCJ WIELORYTERIL Decyzje nwestycyjne mają często charakter złożony. Zdarza sę, że przy wyborze decyzj decydent (nwestor) posługuje sę ne jednym, ale weloma kryteram. Tak jest na przykład w przypadku nwestora gełdowego, który chce optymalzować budowany przez sebe portfel akcj w ten sposób, że nteresuje go jak najwększa stopa zysku z portfela, przy jednoczesnej mnmalzacj ryzyka tego portfela. Wówczas mamy do czynena z zadanem optymalzacj welokryteralnej. Przedstawmy obecne najbardzej elementarne spojrzene na problemy tego typu, z uwzględnenem: porządkowana elementów zborów skończonych dokonywana wyboru najlepszego elementu; wyznaczana decyzj optymalnych w zadanach welokryteralnych. 4. Porządkowane elementów zborów skończonych Idea metod tej grupy polega na: uporządkowanu zboru elementów według przyjętej reguły klasyfkacyjnej; wyróżnenu (w całym zborze klasyfkowanych elementów) możlwe najmnejszego podzboru stanowącego podstawę przy dokonywanu wyborów. Do najczęścej wykorzystywanych przy ocene welokryteralnej należą: dagram Hassego, metody progowe, tzw. podejśce paretowske, herarchzacja kryterów, nne.
2 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Defncja 6. Dagramem Hassego nazywamy graf zorentowany G=(W,R), gdze W oznacza zbór porównywanych elementów (zbór werzchołków grafu) natomast R jest relacją częścowego porządku, R W W mającą nterpretację następującą: (6.) (, y) R y "jest lepsze od" Termn "lepsze" może być defnowany na wele sposobów. Ponżej podamy klka z nch. Jeżel elementy zboru W ocenane są za pomocą kryterów j ( j =, ), dla których najlepszym są ch wartośc maksymalne, to element y W jest lepszy od elementu W wtedy tylko wtedy, gdy : ). stneje kryterum o takm numerze r {,...,}, że: (6.) r ( y) > r a dla każdego nnego kryterum o numerze p {,..,}\{r} zachodz: (6.3) p ( y) p ; ). suma wartośc wszystkch kryterów dla elementu y jest wększa nż dla elementu, tzn.: (6.4) ( y) > ; = = 3). średna ważona 3 wszystkch kryterów dla elementu y jest wększa nż dla elementu, tzn.: (6.5) w ( y) > w = = gdze w - waga przypsana -temu kryterum, =,. w = =, w [0, ], Przypomnamy, że relacja częścowego porządku (naczej: quas-porządku) jest zwrotna przechodna (ne jest antysymetryczna). W tym przypadku welokryteralność zostaje zastąpona jednym kryterum (tzw. metakryterum) łączącym wszystke krytera. 3 Uwaga jak w przypse poprzednm.
3 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Sposoby porównywana elementów zboru W według relacj (6.4) lub (6.5) mogą być stosowane tylko wówczas, gdy wszystke krytera mają te same mary, co w praktycznych problemach raczej rzadko występuje. Wady tej pozbawona jest metoda polegająca na tzw. normalzacj kryterów. Głównym jej celem jest pozbyce sę mar, gdyż wartośc wszystkch kryterów po normalzacj będą sę meścć w przedzale [0,] (dla warunków (6.6)) będą to wartośc nemanowane. Przedstawmy jeden z najbardzej ogólnych sposobów. W tym przypadku ne zakładamy, tak jak poprzedno, że zależy nam na maksymalzacj wszystkch kryterów, gdyż dokonana normalzacja zapewn nam, że krytera znormalzowane będą podlegały zawsze maksymalzacj (bez względu na rodzaj ekstremalzacj kryterów perwotnych). ryterum -te ( ()), =, po normalzacj będze mało następującą postać ( () ): jeśl mn mn, < +, >, to (6.6), mn =, mn przy czym (6.7) = mn W (6.8) = mn W = mn jeśl ±, to jeżel kryterum jeżel kryterum podlegalo maksymalzacj podlegalo mnmalzacj (6.9) = 3
4 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna mn =, +, to (6.0), jeśl kryterum =, jeśl kryterum 0, jeśl kryterum podlegalo mnmalzacj podlegalo maksymalzacj podlegalo maksymalzacj > 0 < 0 mn = +,, to (6.), jeśl kryterum podlegalo mnmalzacj mn mn =, jeśl kryterum podlegalo mnmalzacj 0, jeśl kryterum podlegalo maksymalzacj mn mn < 0 > 0 Dla kryterów znormalzowanych możemy teraz zastosować podejśce opsane przez (6.4) (6.5) poprzez zamanę w tych wzorach kryterum na, bez względu na to, czy krytera perwotne mają być maksymalzowane, czy mnmalzowane oraz czy mają take same jednostk mar, czy też ne. Sposób budowy dagramu (grafu) Hassego, przy różnych sposobach defnowana relacj R przedstawmy w Przykładze 6.. 4
5 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Przykład 6. (porządkowane zboru elementów ocenanych weloma wskaźnkam) Rozpatrujemy 6 warantów nwestycj o podanych w Tabel 6. wartoścach wskaźnków. Uporządkować waranty nwestycj zgodne z dagramem Hassego przyjmując różne defncje relacj R. Tabela 6. Dane do Przykładu 6. Warant Oczekwana stopa zwrotu (w %) Odchylene standardowe stopy zwrotu (w %) PV (w tys. zł) C 6 3 D 6 5 E F ajperw zajmemy sę defncją relacj R opsaną za pomocą wzorów (6.), (6.3). Zauważmy, że w defncj relacj R zakładamy, że wszystke krytera są maksymalzowane. Z nterpretacj wskaźnków ocenających nwestycje w Tabel 6. wynka, że dwa z nch muszą być maksymalzowane (oczekwana stopa zwrotu ( ) PV ( 3 )), a odchylene stopy zwrotu - mnmalzowane. by móc skorzystać z defncj relacj R wystarczy wartoścom zwązanym z odchylenem standardowym zmenć znak na przecwny, gdyż m wększa wartość tak zmodyfkowanego kryterum ( ) - tym lepej. Wartośc zmodyfkowanych kryterów przedstawono w Tabel 6.. 5
6 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Tabela 6. Wartośc zmodyfkowanych kryterów (na baze Tabel 6.) Warant ryterum C 6-3 D 6-5 E F Zgodne z tym, do relacj R typu (6.3) (6.4) należą następujące pary elementów zboru W={,, C, D, E, F} warantów nwestycyjnych: (D, ), (D, ), (D, C), (D, E), (C, ), (F, ). Dla przykładu, para (D, ) należy do relacj R (warant jest lepszy w sense tej relacj nż warant D), gdyż zachodz (patrz Tabela 6.): ) > ( ) oraz ) ( ) ) ( ) 3( 3 D ( D ( D czyl spełnone są warunk (6.3) (6.4). Podobne można uzasadnć przynależność pozostałych par do tej relacj. Dagram Hassego zwązany z rozpatrywanym problemem ma postać jak na Rysunku 6.. C E D Rysunek 6. Dagram Hassego z relacją R opsaną przez (6.3)-(6.4) F 6
7 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Zgodne z nterpretacją dagramu Hassego oraz relacj R najlepszym są waranty, E poneważ ne ma od nch lepszych. W tym ujęcu warant D jest najgorszy, poneważ są od nego lepsze aż cztery waranty (,, C, E) 4. W ogólnym przypadku, najlepszym są te elementy zboru W (werzchołk grafu), które ne mają następnków 5. Zauważmy, że dagram Hassego ma tzw. postać warstwową: w najnższej warstwe znajdują sę elementy najgorsze, a w najwyższej - elementy najlepsze. Jak wcześnej zaznaczono, sposobów defnowana termnu lepszy typu (6.4) (6.5) ne można użyć do naszego przykładu, gdyż mamy różne jednostk wskaźnków ocenających waranty nwestycyjne (tzn. % zł ). Dlatego też dokonamy normalzacj kryterów, a następne skorzystamy ze sposobów ) ) porządkowana elementów w zborze W. W Tabel 6.3 przedstawono znormalzowane wartośc kryterów wylczone zgodne z (6.6) (6.8). Dagram Hassego odpowadający znormalzowanym kryterom przy sposobe ) porządkowana kryterów przedstawono na Rysunku 6.a. Jeżel uporządkujemy krytera według sposobu ), to otrzymamy uporządkowane przedstawone na Rysunku 6.b. 4 Zauważmy, że warant jest lepszy od warantu C, a ten jest lepszy od warantu D, wobec tego jest lepszy od D (własność przechodnośc relacj R; jest to przeceż relacja częścowego porządku). e ma zatem potrzeby rysowana łuku od D do w grafe z Rysunku 6., choć formalne pownen zostać narysowany (borąc pod uwagę defncję relacj R). Jednakże w grafe Hassego celowo pomja sę te zwązk wynkające z przechodnośc relacj R, aby nepotrzebne ne komplkować grafu. 5 Przypomnamy, że następnkam (bezpośrednm) jakegoś werzchołka w grafe są te werzchołk, do których stneje bezpośredne przejśce (zgodne z kerunkem łuku) z rozpatrywanego werzchołka (tzn. dla pary (,y) R werzchołek y jest następnkem werzchołka ). 7
8 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Tabela 6.3 Znormalzowane wartośc kryterów (na baze Tabel 6.) Warant mn = 5 = 7 ryterum mn = = 5 mn 3 = 3 = ( ) 3( ) 5 Suma kryterów 0,33,33 0,5 0,33,83 C 0,5 0,33,83 D 0, ,50 E 0,66 0,67,33 F 0 0,33,33 E C a) F D E C F b) Rysunek 6. Dagram Hassego dla znormalzowanych kryterów z relacją R typu ) oraz ) D 8
9 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna W optymalzacj welokryteralnej często używa sę pojęca domnowane na określene relacj typu lepszy-gorszy. Relację tą nazywa sę relacją domnowana, a o elemence, który jest lepszy od elementu y mów sę, że domnuje y. Jeżel jakś element domnuje w zborze wszystke pozostałe elementy w sense przyjętej relacj domnowana, to nazywa sę go domnującym (najlepszym z najlepszych). Jeśl z kole element ne jest domnowany przez żaden nny w zborze, to nazywa sę go nezdomnowanym (albo naczej tzw. optymalnym w sense Pareto). Weźmy dla przykładu sytuację z Rysunku 6.. Warant domnuje wszystke waranty z wyjątkem D. Gdyby domnował równeż D byłby domnującym w sense przyjętej relacj R. Poneważ ne jest domnowany przez żaden nny warant, a jednocześne sam ne domnuje wszystkch pozostałych, węc jest warantem nezdomnowanym. Warantem nezdomnowanym jest równeż warant D. Pozostałe waranty są zdomnowanym, węc ne opłaca sę ch stosować (w sense przyjętej relacj R). Ponżej omówmy krótko pozostałe metody porządkowana elementów zborów skończonych. Metody progowe wyboru elementu spośród zboru elementów ocenanych na podstawe welu kryterów polegają na wyborze takego elementu, który charakteryzuje sę tym, że wartośc wszystkch kryterów z nm zwązanych są ne mnejsze (ne wększe) nż pewne dopuszczalne wartośc progowe. Podstawową wadą tej grupy metod jest koneczność ustalana dopuszczalnych progów wartośc poszczególnych kryterów, co jest czynnoścą mało obektywną. Przykładem zastosowana metody progowej jest sposób zdefnowana zadana (4.9)-(4.) oraz zadana (4.3)-(4.6). 9
10 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna 4. Zadana optymalzacj welokryteralnej Sposób formułowana zadań optymalzacj welokryteralnej może być różny. Przyjmemy jeden z najprostszych sposobów zblżony do formułowana zadana PL, z tym, że zamast jednej funkcj kryterum, przyjmemy wektor -wymarowy funkcj kryterów = (,,..., ). ażda z tych funkcj może podlegać mnmalzacj bądź maksymalzacj natomast ogranczena (w lnowym zadanu welokryteralnym) mogą być defnowane podobne jak w zadanu PL. Przedstawmy powszechne stosowaną metodę rozwązywana tego typu zadań, a manowce metodę opartą o tzw. funkcję metakryterum. Metoda ta polega na zastąpenu welu kryterów jednym tzw. metakryterum, a następne rozwązywanu jednego z wcześnej rozpatrywanych typów zadań optymalzacj jednokryteralnej, będącym w pewnym sense ekwwalentem zadana welokryteralnego. Przedstawmy dwe propozycje funkcj metakryterum: średną ważoną kryterów znormalzowanych oraz mnmalzację odchyleń funkcj kryterów. Metakryterum będące średną ważoną kryterów znormalzowanych ma następującą postać: (6.) w = przy ogranczenach jak w zadanu PL, gdze () oznacza znormalzowaną postać -tej funkcj kryterum ustalaną według wzoru (6.9), a w jest wagą przypsaną -temu kryterum, w [0, ], =,. w = =, 0
11 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Metakryterum będące mnmalzacją odchyleń funkcj kryterów polega na tym, że do ogranczeń perwotnych w zadanu wyjścowym dodajemy ogranczeń postac: (6.0) ( ) u, =, oraz określamy nową funkcję celu: (6.) u mn a następne rozwązujemy to zadane jednokryteralne. Jak łatwo sę zorentować, to nowe zadane ma o jedną zmenną decyzyjną węcej (u) nż zadane perwotne oraz dodatkowe ogranczeń postac (6.0). Sposób formułowana obu typów zadań pokazano w Przykładze 6.. Przykład 6. (wykorzystane metakryterum w zadanach welokryteralnych) Chcemy zbudować optymalny portfel składający sę z akcj dwóch spółek, które charakteryzują sę następującym parametram: oczekwane stopy zwrotu dla obu spółek wynoszą odpowedno: R =0.009, R =0.0095; odchylena standardowe stopy zwrotu dla obu spółek wynoszą odpowedno: s =0.0547, s =0.036; współczynnk korelacj mędzy akcjam spółk wynos: ρ =0.5. Zadane optymalzacj welokryteralnej, które można zdefnować przy doborze optymalnego portfela akcj dwóch spółek ma postać następującą: (6.) ( ) = 0, ,0095 (6.3) ( ) 0, , ,0547 0,036 0,5 mn przy ogranczenach: =
12 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna (6.4) = + (6.5), 0 gdze =, ). ( W celu zastosowana funkcj metakryterum musmy najperw znormalzować obe funkcje kryterum zgodne z (6.6). Musmy w tym celu wyznaczyć mnmalne maksymalne wartośc obu funkcj kryterów. Dokonamy tego rozwązując następujące zadana: aby wyznaczyć (zgodne z (6.7)): mn 0, ,0095 mn przy ogranczenach (6.4), (6.5); aby wyznaczyć (zgodne z (6.8)): 0, ,0095 przy ogranczenach (6.4), (6.5); aby wyznaczyć (zgodne z (6.7)): mn 0, , ,0547 0,036 mn przy ogranczenach (6.4), (6.5); aby wyznaczyć (zgodne z (6.8)): 0, , ,0547 przy ogranczenach (6.4), (6.5); 0,036 Rozwązując te zadana otrzymujemy następujące wartośc: mn mn = , = , = , = Funkcja metakryterum będąca średną ważoną funkcj kryterów (przy założenu jednakowych wag równych w =w =0.5) będze mała postać:
13 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna (6.6) , , ( ) + ( 0, , ,0547 0,036) co po uproszczenu daje funkcję: (6.7) ( 0, , ,0547 0,036) ( 0, ,0095) + 0, przy ogranczenach (6.4), (6.5). Rozwązując to zadane otrzymujemy następujące rozwązane: * = 0.509, * = oraz wartość funkcj metakryterum równą Zadane z funkcją metakryterum będącą mnmalzacją odchyleń funkcj kryterów będze mało następującą postać: (6.8) u mn przy ogranczenach: (6.9) , , (6.0) (6.) = ( ) u ( 0, , ,0547 0,036) u + (6.), Rozwązując z kole to zadane otrzymujemy następujące rozwązane: * = 0.648, * = oraz wartość funkcj metakryterum równą g + 3
14 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Innym sposobem rozwązywana zadań z weloma kryteram jest tzw. metoda rozwązań kompromsowych. ajczęścej stosuje sę tzw. normę z parametrem p jako marę kompromsu. Funkcja kompromsu ma postać: p * p mn = przy ogranczenach jak w zadanu PL, gdze, jezel kryterum podlega o maksymalzacj * l = mn, jezel kryterum podlegalo mnmalzacj Jeżel weźmemy pod uwagę znormalzowane postace funkcj kryterów, to funkcja celu ma postać: p ( ) mn = Dla parametru p= otrzymamy: = * p mn lub dla kryterów znormalzowanych = mn Dla parametru p= otrzymamy: = * mn lub dla kryterów znormalzowanych = mn Dla parametru p= otrzymamy: * mn {,..., } lub dla kryterów znormalzowanych mn {,..., } 4
15 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna 4.3 Herarchzacja funkcj kryterów Oprócz stosowana systemu wag stneją równeż nne sposoby wyrażana swoch preferencj. Jednym z nch jest lnowe (całkowte ) uporządkowane funkcj kryterów według ch ważnośc dla decydenta. Weźmy pod uwagę zadane: (6.3) +, (6.4) + 3, przy ogr. (6.5) (6.6 ) (6.7) + 0 0, Załóżmy, że uporządkowane kryterów zgodne jest z wartoścą ndeksu kryterum, tzn. najważnejsze jest kryterum, następne td., a najmnej ważne kryterum k. Można wyróżnć na ogół dwe sytuacje:. ależy przede wszystkm osągnąć maksymalną wartość perwszego (najważnejszego) kryterum, następne drugego td., a w końcu kryterum k. Take zadana nazywać będzemy welokryteralnym zadanam programowana matematycznego z herarchzacją ostrą.. ależy dążyć do osągnęca wartośc maksymalnej kryterum, kolejno najważnejszego, następnego, td., przy czym dopuszczalne jest to, że osągane wartośc poszczególnych funkcj celu różną sę o zadaną welkość od ch możlwych wartośc najwększych (otrzymywanych w wynku procedury rozwązywana zadań z herarchzacją ostrą). Istotne jest tu spełnene kryterum w stopnu dostateczne wysokm. Mów sę wtedy o zadanach welokryteralnych z relaksacją herarchzacj celów. W obu przypadkach zaproponujemy odpowedne algorytmy. 5
16 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna LGORYTM. Herarchzacja ostra. Przyjmj =. ech G { } oznacza zbór warunków ogranczających G {} = { : 0}.. Utwórz zadane Z optymalzacj jednokryteralnej: T c, b, (6.8 ) G {}. 3. Rozwąż zadane (6.8) z funkcją kryterum. 4. Sprawdź, czy zbór rozwązań optymalnych jest weloelementowy. Jeżel tak, to przejdź do kroku 5. jeżel ne (zbór jest jednoelementowy), to przejdź do kroku Utwórz: (6.9) G + * { = }, {} = G * gdze = uzupełnając w ten sposób zbór warunków ogranczających zadana Z +. Sprawdź, czy + k (lczba kryterów). Jeżel tak, to przyjmj =+ przejdź do kroku 3. Jeżel ne, to przejdź do kroku onec procedury przyjmj otrzymane rozwązane za rozwązane optymalne zadana welokryteralnego. Reasumując, można powedzeć, że w przedstawonej procedurze herarchzacja celów mplkuje rozwązywane cągu (co najwyżej k) zadań jednokryteralnych o wzrastającym stopnu złożonośc przez dodawane za każdym razem warunku ogranczającego. Dla zlustrowana tej procedury można sę posłużyć zadanem (6.3)- (6.7) przyjmując, że funkcja (6.3) jest najważnejsza, a następne funkcja (6.4). 6
17 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Zastosowane algorytmu prowadz na początku do rozwązana zadane: +, przy ogr , E D C 7
18 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Wobec faktu, że wartość maksymalna funkcj celu wynos 5 zbór rozwązań optymalnych ne jest jednoelementowy (odcnek CD), w następnym kroku algorytmu rozwązywać będzemy zadane: przy ogr , , , 4. + = 5, 0, + 3, Tym razem rozwązanem optymalnym zadana jest punkt (,3) jest to jedyne rozwązane optymalne. Zatem zgodne z krokem 6 algorytmu ten punkt przyjmujemy jako rozwązane optymalne zadana welokryteralnego z herarchzacją ostrą. 8
19 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Zauważmy, że jeżel zmenmy kolejność kryterów, to ulegne zmane rozwązane (najczęścej). W naszym przykładze najperw rozwązywalbyśmy zadane: przy ogr , 6 6 0, Rozwązanem optymalnym tego zadana jest punkt (0,4) o wartośc funkcj celu. astępne rozwązujemy zadane z drugą funkcją kryterów (co do ważnośc) dodając ogranczene w postac wartośc funkcj celu równej wartośc optymalnej, czyl. 9
20 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Zadane ma postać: +, przy ogr , 4 + 6, + 0, + 3 =, 0, Rozwązanem optymalnym tego zadana jest punkt (0,4) o wartośc funkcj celu (czyl otrzymalśmy to samo rozwązane co dla perwszej funkcj kryterum). 0
21 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna LGORYTM. Relaksacja herarchzacj celów lgorytm rozwązywana zadań z relaksacją herarchzacj celów jest bardzo podobny do poprzednego, z tym, że zamast dodawana nowych warunków w postac równośc, będzemy uzupełnać zbór warunków w postac nerównośc. Podobne jak poprzedno, algorytm przedstawmy w postac kolejnych kroków:. Przyjmj =. ech G { } oznacza zbór warunków ogranczających G { } = { : 0}.. Utwórz zadane Z optymalzacj jednokryteralnej: T c, b, (6.30) G {}. 3. Rozwąż zadane (6.8) z funkcją kryterum c T nech będze jego wartoścą maksymalną. 4. Ustal - akceptowalną wartość progową kryterum {}. ** 5. Utwórz: {} ( ) T G = G c ( ) { ** + }, 6. Sprawdź, czy + k (lczba kryterów).jeżel tak, to przyjmj =+ przejdź do kroku. Jeżel ne, to przejdź do kroku onec procedury przyjmujemy otrzymane rozwązane za rozwązane optymalne zadana welokryteralnego z relaksacją herarchzacj celów. *
22 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Zastosowane tego z kole algorytmu prowadz na początku do rozwązana zadana: +, przy ogr , E D C
23 Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna Wobec faktu, że wartość maksymalna funkcj celu wynos 5 zbór rozwązań optymalnych ne jest jednoelementowy (odcnek CD), w następnym kroku algorytmu rozwązywać będzemy zadane ** * (przyjmując, że = 0.8 = ): przy ogr , , , , 0, + 3 =, Tym razem rozwązanem optymalnym zadana jest punkt (0,4) jest to jedyne rozwązane optymalne. Zatem zgodne z krokem 6 algorytmu ten punkt przyjmujemy jako rozwązane optymalne zadana welokryteralnego z relaksacją herarchzacj celów. 3
8. Optymalizacja decyzji inwestycyjnych
dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.
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 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 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 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 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 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 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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
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 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 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 szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
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 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 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 szczegółowop Z(G). (G : Z({x i })),
3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W
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 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 szczegółowoZASTOSOWANIE MODELU MOTAD DO TWORZENIA PORTFELA AKCJI KLASYFIKACJA WARUNKÓW PODEJMOWANIA DECYZJI
Krzysztof Wsńsk Katedra Statystyk Matematycznej, AR w Szczecne e-mal: kwsnsk@e-ar.pl ZASTOSOWANIE MODELU MOTAD DO TWORZENIA PORTFELA AKCJI Streszczene: W artykule omówono metodologę modelu MOTAD pod kątem
Bardziej szczegółowoStatystyka Opisowa 2014 część 2. Katarzyna Lubnauer
Statystyka Opsowa 2014 część 2 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 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 szczegółowoTEORIA PORTFELA MARKOWITZA
TEORIA PORTFELA MARKOWITZA Izabela Balwerz 28 maj 2008 1 Wstęp Teora portfela została stworzona w 1952 roku przez amerykańskego ekonomstę Harry go Markowtza Opera sę ona na mnmalzacj ryzyka nwestycyjnego
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 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 szczegółowoRyzyko inwestycji. Ryzyko jest to niebezpieczeństwo niezrealizowania celu, założonego przy podejmowaniu określonej decyzji. 3.
PZEDMIIOT : EFEKTYWNOŚĆ SYSTEMÓW IINFOMTYCZNYCH 3. 3. Istota, defncje rodzaje ryzyka Elementem towarzyszącym każdej decyzj, w tym decyzj nwestycyjnej, jest ryzyko. Wynka to z faktu, że decyzje operają
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 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 szczegółowoNatalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Bardziej szczegółowoProgramowanie wielokryterialne
Prgramwane welkryteralne. Pdstawwe defncje znaczena. Matematyczny mdel sytuacj decyzyjnej Załóżmy, że decydent dknując wybru decyzj dpuszczalnej x = [ x,..., xn ] D keruje sę szeregem kryterów f,..., f.
Bardziej szczegółowoALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO
ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
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 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 szczegółowoXXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne
XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca
Bardziej szczegółowoNAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz
NAFTA-GAZ marzec 2011 ROK LXVII Tadeusz Kwlosz Instytut Nafty Gazu, Oddzał Krosno Zastosowane metody statystycznej do oszacowana zapasu strategcznego PMG, z uwzględnenem nepewnośc wyznaczena parametrów
Bardziej szczegółowoROZDZIAŁ 5 OPTYMALIZACJA WIELOKRYTERIALNA W PROBLEMIE INFLACJA BEZROBOCIE
Wesława Bogusławska ROZDZIAŁ 5 OPTYMALIZACJA WIELOKRYTERIALNA W PROBLEMIE INFLACJA BEZROBOCIE 1. Wprowadzene Od początku stnena cywlzacj człowek poszukwał rozwązań które umożlwłyby osągane jak najlepszych
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 szczegółowoPODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH
PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających
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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
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 szczegółowoWyszukiwanie. Wyszukiwanie
ZŁOŻOOŚĆ PROBLEMÓW ALGORYTMICZYCH Dolne górne oszacowana złożonośc problemu Złożoność każdego poprawnego algorytmu znajdującego rozwązane danego problemu ustanawa górne oszacowane złożonośc dla tego problemu.
Bardziej szczegółowoWprowadzenie do Sieci Neuronowych Sieci rekurencyjne
Wprowadzene do Sec Neuronowych Sec rekurencyjne M. Czoków, J. Persa 2010-12-07 1 Powtórzene Konstrukcja autoasocjatora Hopfelda 1.1 Konstrukcja Danych jest m obrazów wzorcowych ξ 1..ξ m, gdze każdy pojedynczy
Bardziej szczegółowoOkreślanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2
T A R C Z A Z E G A R O W A ASTYGMATYZM 1.Pojęca ogólne a) astygmatyzm prosty (najbardzej zgodny z pozomem) - najbardzej płask połudnk tzn. o najmnejszej mocy jest pozomy b) astygmatyzm odwrotny (najbardzej
Bardziej szczegółowoKONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE
Adranna Mastalerz-Kodzs Unwersytet Ekonomczny w Katowcach KONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE Wprowadzene W dzałalnośc nstytucj fnansowych, takch
Bardziej szczegółowoIle wynosi suma miar kątów wewnętrznych w pięciokącie?
1 Ile wynos suma mar kątów wewnętrznych w pęcokące? 1 Narysuj pęcokąt foremny 2 Połącz środek okręgu opsanego na tym pęcokące ze wszystkm werzchołkam pęcokąta 3 Oblcz kąty każdego z otrzymanych trójkątów
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowo1 Metody optymalizacji wielokryterialnej... 1 1.1 Ogólna charakterystyka problemu... 1 1.2 Tradycyjne metody optymalizacji wielokryterialnej...
1 Metody optymalzacj welokryteralnej.... 1 1.1 Ogólna charakterystyka problemu.... 1 1.2 Tradycyjne metody optymalzacj welokryteralnej.... 3 1.2.1 Metoda ważonych kryterów.... 3 1.2.2 Metoda optymalzacj
Bardziej szczegółowo= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału
5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B
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 szczegółowoInstrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne
Instrukca do ćwczeń laboratorynych z przedmotu: Badana operacyne Temat ćwczena: Problemy rozkrou materałowego, zagadnena dualne Zachodnopomorsk Unwersytet Technologczny Wydzał Inżyner Mechanczne Mechatronk
Bardziej szczegółowo0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4
Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (
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 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 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 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 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 szczegółowoWykład IX Optymalizacja i minimalizacja funkcji
Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej
Bardziej szczegółowoRównania rekurencyjne na dziedzinach
Marek Materzok Równana rekurencyjne na dzedznach Pommo, ż poczynłem starana, aby praca ta była możlwe kompletna wolna od błędów, ne mogę zagwarantować, że ne wkradły sę do nej żadne neścsłośc czy pomyłk.
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobeństwo geometryczne Przykład: Przestrzeń zdarzeń elementarnych określona jest przez zestaw punktów (x, y) na płaszczyźne wypełna wnętrze kwadratu [0 x ; 0 y ]. Znajdź p-stwo, że dowolny punkt
Bardziej szczegółowoRegulamin promocji 14 wiosna
promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30
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 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 szczegółowoWYBRANE ZASTOSOWANIA OPTYMALIZACJI ROZMYTEJ W STEROWANIU PROCESAMI ODLEWNICZYMI
47/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznk 5, Nr 17 Archves of Foundry Year 2005, Volume 5, Book 17 PAN - Katowce PL ISSN 1642-5308 WYBRANE ZASTOSOWANIA OPTYMALIZACJI ROZMYTEJ W STEROWANIU PROCESAMI ODLEWNICZYMI
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 . Zmenne dyskretne Kontrasty: efekty progowe, kontrasty w odchylenach Interakcje. Przyblżane model nelnowych Stosowane do zmennych dyskretnych o uporządkowanych
Bardziej szczegółowoMinimalizacja globalna. Algorytmy genetyczne i ewolucyjne.
Mnmalzacja globalna Algorytmy genetyczne ewolucyjne. Lnearyzacja nelnowego operatora g prowadz do przyblżonych metod rozwązywana zagadnena odwrotnego. Wynk takej nwersj jest slne uzależnony od wyboru modelu
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 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 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 szczegółowo1. REFERENCE POINT METHOD APPLIED TO FIND SYMMETRICLY EFFECTIVE DECISIONS IN MULTICRITERIA MODELLING OF TWO-SIDE NEGOTIATIONS PROCESS
Studa Materały Informatyk Stosowanej, Tom 5, Nr 3, 3 str. 9-8 ZASTOSOWANIE METODY PUNKTU ODNIESIENIA DO ZNAJDOWANIA DECYZJI SYMETRYCZNIE EFEKTYCHNYCH W MODELOWANIU WIELOKRYTERIALNYM PROCESU NEGOCJACJI
Bardziej szczegółoworzeczywiste zawart. składn. maksymalne wymagane zawart. w 1 jednostce mieszanki składn. w 1 jednostce mieszanki
P. Kowalk, Laboratorum badań operacyjnych: zadane optymalnej meszank - mnmalzacja kosztu jednostk meszank 4. Zadane optymalnej meszank - mnmalzacja kosztu jednostk meszank Model matematyczny dentyczny
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 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 szczegółowoMinimalizacja globalna, algorytmy genetyczne i zastosowanie w geotechnice
Mnmalzacja globalna, algorytmy genetyczne zastosowane w geotechnce Metoda sejsmczna Metoda geoelektryczna Podstawowy podzał ZAGADNIENIE PROSTE (ang. forward problem) model + parametry modelu dane (ośrodek,
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 szczegółowoDobór zmiennych objaśniających
Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.
Bardziej szczegółowoEKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia
EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnena dr Dorota Cołek Katedra Ekonometr Wydzał Zarządzana UG http://wzr.pl/dorota-colek/ dorota.colek@ug.edu.pl 1 Wpływ skalowana danych na MNK
Bardziej szczegółowoRegulamin promocji upalne lato 2014 2.0
upalne lato 2014 2.0 strona 1/5 Regulamn promocj upalne lato 2014 2.0 1. Organzatorem promocj upalne lato 2014 2.0, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa
Bardziej szczegółowoModel ISLM. Inwestycje - w modelu ISLM przyjmujemy, że inwestycje przyjmują postać funkcji liniowej:
dr Bartłomej Rokck Ćwczena z Makroekonom I Model ISLM Podstawowe założena modelu: penądz odgrywa ważną rolę przy determnowanu pozomu dochodu zatrudnena nwestycje ne mają charakteru autonomcznego, a ch
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 szczegółowoV. TERMODYNAMIKA KLASYCZNA
46. ERMODYNAMIKA KLASYCZNA. ERMODYNAMIKA KLASYCZNA ermodynamka jako nauka powstała w XIX w. Prawa termodynamk są wynkem obserwacj welu rzeczywstych procesów- są to prawa fenomenologczne modelu rzeczywstośc..
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 szczegółowoKształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu
PRACE KOMISJI GEOGRAFII PRZEMY SŁU Nr 7 WARSZAWA KRAKÓW 2004 Akadema Pedagogczna, Kraków Kształtowane sę frm nformatycznych jako nowych elementów struktury przestrzennej przemysłu Postępujący proces rozwoju
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 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 szczegółowoRegulamin promocji zimowa piętnastka
zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna
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 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 szczegółowo(M2) Dynamika 1. ŚRODEK MASY. T. Środek ciężkości i środek masy
(MD) MECHANIKA - Dynamka T. Środek cężkośc środek masy (M) Dynamka T: Środek cężkośc środek masy robert.szczotka(at)gmal.com Fzyka astronoma, Lceum 01/014 1 (MD) MECHANIKA - Dynamka T. Środek cężkośc środek
Bardziej szczegółowoProste modele ze złożonym zachowaniem czyli o chaosie
Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok
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 szczegółowoZASTOSOWANIE ANALIZY HARMONICZNEJ DO OKREŚLENIA SIŁY I DŁUGOŚCI CYKLI GIEŁDOWYCH
Grzegorz PRZEKOTA ZESZYTY NAUKOWE WYDZIAŁU NAUK EKONOMICZNYCH ZASTOSOWANIE ANALIZY HARMONICZNEJ DO OKREŚLENIA SIŁY I DŁUGOŚCI CYKLI GIEŁDOWYCH Zarys treśc: W pracy podjęto problem dentyfkacj cykl gełdowych.
Bardziej szczegółowoNowe europejskie prawo jazdy w celu większej ochrony, bezpieczeństwa i swobodnego przemieszczania się
KOMISJA EUROPEJSKA NOTATKA Bruksela, 18 styczna 2013 r. Nowe europejske prawo jazdy w celu wększej ochrony, bezpeczeństwa swobodnego przemeszczana sę W dnu 19 styczna 2013 r., w ramach wejśca w życe trzecej
Bardziej szczegółowo