WYKORZYSTANIE PODEJŚCIA QUASI-HIERARCHICZNEGO W WIELOKRYTERIALNYM DRZEWIE DECYZYJNYM*

Wielkość: px
Rozpocząć pokaz od strony:

Download "WYKORZYSTANIE PODEJŚCIA QUASI-HIERARCHICZNEGO W WIELOKRYTERIALNYM DRZEWIE DECYZYJNYM*"

Transkrypt

1 Unwersye Ekonomczny w Kaowcach Wydzał Informayk Komunkacj Kaedra Badań Oeracyjnych macej.nowak@ue.kaowce.l WYKORZYSTANIE PODEJŚCIA QUASI-HIERARCHICZNEGO W WIELOKRYTERIALNYM DRZEWIE DECYZYJNYM* Sreszczene: Drzewo decyzyjne jes efekywnym narzędzem osu dynamcznych rocesów decyzyjnych w warunkach ryzyka. Korzysając z nego dąży sę zwykle do wyznaczena rozwązana oymalzującego warość oczekwaną rozważanego kryerum decyzyjnego. Sosunkowo rzadko narzędze o jes wykorzysywane do rozwązywana roblemu welokryeralnego, w kórym decyden jes zaneresowany realzacją klku wzajemne konflkowych celów. W racy rzedsawono meodę ozwalającą na rozwązane roblemu osanego welokryeralnym drzewem decyzyjnym za omocą odejśca quas-herarchcznego. Zakładamy, że decyden jes w sane określć herarchę kryerów oraz określć, w jakm sonu można ogorszyć oymalną warość kryerum o wyższym roryece w celu orawy warośc kryerum o nższej wadze. Sosób dzałana meody zlusrowano rzykładem oarym na danych umownych. Słowa kluczowe: odejmowane decyzj w warunkach ryzyka, drzewo decyzyjne, analza welokryeralna, odejśce quas-herarchczne. Wrowadzene Decyzja zwykle rozumana jes jako koneczność dokonana wyboru jednego z welu możlwych sosobów osęowana. W warunkach rzeczywsych, zwłaszcza gdy waga roblemu jes duża, jes ona wynkem weloeaowego rocesu, w rakce kórego wyracowywane są fragmeny decyzj [Roy, 990]. Co węcej, wele roblemów decyzyjnych z samej swej naury ma charaker * Projek zosał sfnansowany ze środków Narodowego Cenrum Nauk rzyznanych na odsawe decyzj numer DEC-203//B/HS4/047.

2 60 dynamczny. W ch wyadku decyzja ne jes odejmowana jednorazowo, lecz welokrone. Cząskowe wybory są ze sobą wzajemne owązane, gdyż wcześnejsze decyzje wływają na o, jake warany będą mogły być rozważane w kolejnych fazach rocesu. Konsekwencje decyzj ujawnają sę w blższej lub dalszej rzyszłośc, kóra z samej swej naury jes neewna. Precyzyjne oszacowane skuków dokonywanych wyborów zwykle ne jes możlwe. O wele częścej nformacje, kórym dysonuje decyden, są neełne, fragmenaryczne. W akej syuacj ownen on, na le o możlwe, osarać sę oszerzyć swoją wedzę na ema analzowanego roblemu. O le uzyskane danych ozwalających na zasosowane modelu deermnsycznego zazwyczaj ne jes możlwe, o yle wysłk e mogą zaowocować uzyskanem częścowej wedzy ozwalającej na oszacowane rozkładów rawdoodobeńswa rerezenujących oceny rozważanych kryerów ze względu na analzowane kryera. Mamy wówczas do czynena z roblemem określanym w leraurze jako zagadnene odejmowana decyzj w warunkach ryzyka. Wygodnym narzędzem modelowana rozwązywana dynamcznych roblemów odejmowana decyzj w warunkach ryzyka jes drzewo decyzyjne. Dzęk grafcznemu zlusrowanu roblemu nawe skomlkowane zagadnene może być w rzedsawone w czyelny sosób. W klasycznym ujęcu zadane olega na wyznaczenu rozwązana, dla kórego warość oczekwana analzowanego kryerum jes oymalna. Sosunkowo rzadko jes ono naomas wykorzysywane w roblemach welokryeralnych. Jako erws emaykę ę odjęl Hames, L Tulsan [990], kórzy zaroonowal algorym wyznaczana rozwązań srawnych. Welokryeralne drzewo decyzyjne analzował równeż Loosma [997], kóry rzedsawł sosób rozwązana roblemu rzy wykorzysanu dwóch meod welokryeralnych: AHP oraz SMART. Z kole Frn, Guoun Marel [202] rzedsawl algorym, kóry ne wymaga wyznaczana rozwązań srawnych. Zgodne z ch roozycją, w celu wyznaczena rozwązana końcowego należy w każdym węźle decyzyjnym wykorzysać jedną z welokryeralnych meod wsomagana decyzj. W nnejszej racy rzedsawono meodę oarą na odejścu quas- -herarchcznym. Zakłada sę, że decyden jes w sane zdefnować herarchę kryerów oraz określć, w jakm sonu można ogorszyć oymalną warość kryerum o wyższym roryece w celu orawy warośc kryerów o roryece nższym. Poszukując rozwązana końcowego roblemu zaczynamy od wyznaczena rozwązań, dla kórych kryera rzyjmują warośc ne nższe nż warośc rogowe określone rzez decydena. Nasęne wykorzysujemy herarchę kryerów do wyznaczena oymalnego rozwązana roblemu.

3 Wykorzysane odejśca quas-herarchcznego Welokryeralne drzewo decyzyjne Rozważamy roces decyzyjny składający sę z T eaów. W drzewe decyzyjnym wykorzysujemy dwa yy węzłów: decyzyjne (rerezenowane rzez kwadray) oraz losowe (rzedsawane w forme kółek). Krawędze wychodzące z węzłów decyzyjnych rerezenują warany decyzyjne, zaś krawędze zaczynające sę w węzłach losowych odowadają sanom naury, czyl akm waranom rozwoju syuacj, kóre ozosają oza konrolą decydena, a kóre oddzałują na rzebeg rocesu. Zakładamy, że znany jes rozkład rawdoodobeńswa zajśca oszczególnych sanów naury. Każda śceżka w drzewe, zakończona określonym węzłem końcowym, rerezenuje jedną z możlwych realzacj rocesu, na kóry składa sę cąg decyzj odejmowanych rzez decydena oraz sanów naury, kóre zrealzowały sę w kolejnych węzłach losowych. Przyjmjmy nasęujące oznaczena: T lczba eaów, z kórych składa sę analzowany roces decyzyjny, Y zbór węzłów decyzyjnych, w kórych roces może sę znaleźć w eae : T + Y zbór węzłów końcowych: ( y ) Y = { y, K, y }, T + T + T + Y = { y, K, y }, X zbór decyzj, kóre mogą być odjęe w węźle decyzyjnym ( x ) n n T + ( y ) = { x, K, x } X m, Ξ j zbór sanów naury, kóre mogą zajść, gdy w węźle y zosała odjęa decyzja x, j ( ) {, x = ξ K, ξ } Ξ j j j M, P ξ ) rawdoodobeńswo zajśca sanu naury ξ ( j k ( y x ξ ) j j k j j j k ξ =, T,, n j, m j k, M k = y :, rzy czym: Ω,, funkcja rzejśca określająca węzeł decyzyjny lub końcowy, w kórym znajdze sę roces, jeżel w węźle zajdze san naury ξ, j k y zosane odjęa decyzja x j

4 62 Sraegą xˆ nazywamy wekor, kórego składowe określają decyzje, jake ownny być odjęe w oszczególnych węzłach decyzyjnych: 2 2 T x ˆ = [ xˆ, xˆ,..., xˆ, K, xˆ ]. n2 Z unku wdzena decydena sone będą składowe odowadające ym węzłom decyzyjnym, kóre mogą być osągnęe w wynku zasosowana rozważanej sraeg. Podjęce decyzj w eae owoduje bowem, że rzejśce do nekórych węzłów z eau + oraz eaów nasęnych ne jes możlwe. Mogłoby sę zaem wydawać, że nformacja na ema decyzj rzysanych do akch węzłów jes zbędna. Wykorzysamy ją jednak do wyznaczena kolejnych rozwązań rozważanego roblemu. Przez u oznaczymy wekor określający, kóre z węzłów decyzyjnych są osągalne w wynku zasosowana sraeg xˆ : nt 2 2 T u = [ u, u,..., u, K, u ]. n2 Przyjmujemy, że u (erwszy węzeł decyzyjny jes zawsze osągalny). = Warośc ozosałych elemenów wekora u wyznaczamy korzysając z nasęującej formuły: u nt gdy τ τ = τ, y τ ξ j k Ξ ˆ 0 w ozosałych wyadkach τ τ τ τ ( ) y Ω ( ˆ l y x, ξ j k ) x Y l =. Rozwązane roblemu ownno określać decyzje dla ych węzłów, kóre są osągalne w wynku zasosowana rozważanej sraeg. Jes ono zaem defnowane rzez e składowe wekora xˆ, dla kórych odowedna składowa wekora u rzyjmuje warość. Oznacza o, że dwe różne sraege xˆ oraz xˆ q mogą generować o samo rozwązane roblemu. Będze ak wówczas, gdy jednocześne będą sełnone nasęujące warunk:, T, n u = u q oraz u = x T n = x,, q. ˆ ˆ W racy rozważamy roblem welokryeralny. Zakładamy zaem, że rozwązana ocenane są ze względu na K kryerów, rzy czym oceny e są dokonywane na odsawe warośc oczekwanej. Ponado rzyjmujemy, że decyden

5 Wykorzysane odejśca quas-herarchcznego kryera, gdy roces zakończy sę w ym węźle. Przez ( ) referuje wyższe warośc kryerów w sosunku do warośc nższych oraz, że dla każdego węzła końcowego określono warośc, jake uzyskają oszczególne T + f oznaczymy war- T + ość kryerum k uzyskwaną w węźle końcowym y. Chcąc wyznaczyć warość oczekwaną kryerum k dla sraeg xˆ należy oblczyć warośc oczekwane ego kryerum dla każdego węzła decyzyjnego o- G y oznacza warość oczekwa- czynając od węzłów z osanego eau. Nech ( ) ną kryerum k uzyskwaną w węźle k k y y, gdy sosowana jes sraega xˆ. Dla wę- T + T + złów końcowych rzyjmować będzemy, że G k ( y ) = fk ( y ) warośc ( ) k y τ Gk ( y ) = P( ξ j k ) Gk ( yl ),. Do wylczena G dla węzłów decyzyjnych wykorzysamy nasęującą formułę: =. Jako warość kryerum k dla sraeg xˆ rzyj- τ gdze: yl Ω ( y, xˆ, ξ j k ) mujemy ( ) j k ξ Ξ ( xˆ ) G k y. Rozwązane roblemu olega na określenu decyzj, kóre ownny być odjęe w ych węzłach decyzyjnych, w kórych roces może sę znaleźć w kolejnych eaach. W rzyadku jednokryeralnym jego wyznaczene rozoczyna sę od usalena decyzj, jake ownny być odejmowane w węzłach decyzyjnych z osanego eau. Nasęne cofamy sę o jeden ea wsecz dla każdego węzła decyzyjnego z rzedosanego eau określamy decyzje, kóre ozwolą na uzyskane warośc oymalnej, uwzględnając decyzje odejmowane w osanm eae. Procedurę konynuujemy do momenu wyznaczena decyzj oymalnej dla węzła decyzyjnego z eau erwszego. W en sosób orzymujemy sraegę oymalną, kóra dla każdego węzła decyzyjnego określa decyzję oymalną. Rozwązane oymalne określa decyzje oymalne dla ych węzłów decyzyjnych, kóre mogą być osągnęe w rezulace zasosowana sraeg oymalnej. Osany wyżej schema osęowana, określany w leraurze angelskojęzycznej manem foldng-backand-averagng-ou rocedure, może być wykorzysany, gdy kryerum sełna warunk searowalnośc oraz monooncznośc [Trzaskalk, 990]. Gdy rozwązana ocenane są ze względu na wele kryerów, ylko wyjąkowo mamy do czynena z rozwązanam domnującym, czyl akm, kóre oymalzują warośc wszyskch kryerów. W yowym robleme welokryeralnym musmy sę zmerzyć z konflkem kryerów. Częso roonuje sę, by rozwązane roblemu rozocząć od wyznaczena zboru rozwązań srawnych,

6 64 za kóre uznaje sę ake, dla kórych ne jes możlwa orawa warośc kóregokolwek kryerum bez ogorszena warośc rzynajmnej jednego z ozosałych. Algorym wyznaczana rozwązań srawnych dla welokryeralnego drzewa decyzyjnego, w kórym wszyske kryera ocenane są za omocą warośc oczekwanej rzedsawl Hames, L Tulsan [990]. Meoda ozwalająca na wyznaczene rozwązań srawnych, gdy kryera defnowane są ne ylko jako warość oczekwana, ale równeż rawdoodobeńswo zajśca określonego zdarzena lub warunkowa warość oczekwana zosała zaroonowana rzez auora nnejszej racy [Nowak, 203]. Gdy lczba rozwązań srawnych jes newelka, decyden ne ownen meć wększych roblemów z wyborem jednego z nch. W welu wyadkach jednak zbór rozwązań srawnych jes na yle lczny, że dla usalena rozwązana końcowego roblemu koneczne jes skorzysane z określonej rocedury oblczenowej. Jednym z częso sosowanych sosobów rozwązana roblemu welokryeralnego jes meoda quas-herarchczna. Może ona być wykorzysana, gdy decyden jes w sane uorządkować kryera zgodne z ch malejącą wagą, a akże określć, w jakm sonu warość kryerum umeszczonego na wyższym ozome herarch może być ogorszona w celu orawy warośc kryerum o nższym roryece. Podejśce ake wykorzysujemy w nnejszej racy. 2. Wyznaczane rozwązań rawe oymalnych Aby skorzysane z odejśca quas-herarchcznego było możlwe, dla każdego kryerum koneczne jes wyznaczene ne ylko rozwązana oymalnego, ale akże nnych rozwązań sełnających mnmalne wymagana sformułowane rzez decydena, kóre w dalszej częśc racy nazywać będzemy rozwązanam rawe oymalnym. Gdy rozmary roblemu są newelke, wyselekcjonowane akch rozwązań ne srawa wększego roblemu. Jednak gdy rozważamy bardzej skomlkowane zagadnene, analza wszyskch możlwych rozwązań może być kłoolwa. W rzyadku roblemu rzedsawonego w forme drzewa decyzyjnego, ego yu roblem ne był jak doąd szerzej rozważany. Z ego względu onżej rzedsawamy algorym ozwalający na zdenyfkowane rozwązań rawe oymalnych roblemu osanego drzewem decyzyjnym. Przyjmjmy, że decyden określł mnmalny ozom Z k, jak ownna rzyjąć warość oczekwana kryerum k. Zakładamy, że Z k ma warość nższą nż warość uzyskwana dla sraeg oymalnej. Aby wyznaczyć wszyske sraege, dla kórych warość oczekwana jes ne nższa nż Z k, w erwszej kolejnośc należy wy-

7 Wykorzysane odejśca quas-herarchcznego znaczyć sraegę oymalną algorymu:. Dla każdego węzła końcowego xˆ. W ym celu skorzysać można z nasęującego k 2. Przyjmj: = T. 3. Dla każdego węzła decyzyjnego x X y Y rzyjmj: T + T + T + T + ( y ) = f ( y ) G. y Y y oblcz: k wykonaj krok: a) dla każdej decyzj ( j ) τ Fk ( x j ) = P( j k ) Gk ( yl ) τ gdze: y Ω ( y, x, ξ ) b) rzyjmj: l =, j G k j k ( y ) j k ξ Ξ ξ, ( x ) j ( ) = max Fk x j, x X ( y ) j c) Jako F k x j osąga warość maksymalną. 4. Jeżel >, o rzyjmj = rzejdź do kroku (2). 5. Konec rocedury. xˆ rzyjmj decyzję, dla kórej ( ) Dysonując nformacją na ema sraeg oymalnej możemy rzysąć do wyznaczena sraeg rawe oymalnych. Algorym, kóry rzedsawamy onżej, oary jes na dość rosej obserwacj. Zauważmy, że omjając rzyadek rozwązań alernaywnych, modyfkacja sraeg oymalnej orzez zmanę decyzj w kórymkolwek z węzłów decyzyjnych osągalnych rowadz do ogorszena warośc oczekwanej analzowanego kryerum. Aby zaem wyznaczyć sraegę, kóra jes gorsza jedyne od oymalnej, wysarczy rzeanalzować ylko e sraege, kóre różną sę od sraeg oymalnej decyzją rzysaną do jednego z ych węzłów decyzyjnych, kóre są osągalne w wynku jej zasosowana. W rzedsawonym nżej algoryme wykorzysujemy nasęujące zbory: LS lsa sraeg rawe oymalnych, LSB lsa sraeg do rzebadana, czyl akch, kóre mogą być modyfkowane w celu wyznaczena kolejnych sraeg rawe oymalnych. Zbór sraeg rawe oymalnych wyznaczamy w nasęujących krokach:. Przyjmj: LS :=, LSB :=. 2. Wyznacz sraegę xˆ, dla kórej analzowane kryerum osąga warość oymalną.

8 66 3. Zasz sraegę xˆ do zborów LS oraz LSB: = LS { ˆ }, LSB : LSB { ˆ } LS : x =. 4. Jeżel LSB =, o rzejdź do kroku (7). 5. Wyberz dowolną sraegę xˆ ze zboru LSB; usuń ą sraegę ze zboru LSB: { ˆ } LSB := LSB \. 6. Wyznacz wszyske sraege, kóre różną sę od sraeg xˆ decyzją odejmowaną w jednym węźle decyzyjnym, kóry jes osągalny rzy zasosowanu sraeg xˆ. Dla każdej nowej sraeg xˆ srawdź, czy generuje ona rozwązane różne od rozwązań generowanych rzez sraege ze zboru LS. Jeżel ak, o oblcz warość oczekwaną analzowanego kryerum uzyskwaną dzęk zasosowanu sraeg xˆ. Jeżel warość a ne jes nższa nż Z k, o zasz sraegę q x xˆ q do zborów LS oraz LSB: q x = LS { ˆ }, LSB : LSB { ˆ } LS : x q =. Przejdź do kroku (4). 7. Konec rocedury. Powyższy algorym modyfkuje sraege zasane w zborze LSB orzez zmanę decyzj w ylko jednym węźle decyzyjnym o akm, kóry jes osągalny w wynku zasosowana sraeg odlegającej modyfkacj. Zauważmy, że zbór węzłów, kóre są osągalne, gdy sosowana jes zmodyfkowana sraega, może sę różnć od zboru węzłów, kóre są osągalne, gdy sosowana jes sraega odlegająca modyfkacj. Ne ocąga o jednak za sobą żadnych negaywnych konsekwencj, gdyż zgodne z rzyjęą rzez nas konwencją sraega określa decyzje, jake ownny być odejmowane we wszyskch węzłach, czyl równeż ych, kóre ne mogą być osągnęe w rzyadku jej zasosowana. Dla każdej nowej sraeg srawdzamy, czy generuje ona rozwązane odmenne od ych, kóre wcześnej zosały już wyznaczone. Jeżel ak, o wylczamy warość oczekwaną analzowanego kryerum srawdzamy, czy sełna ona warunek sformułowany rzez decydena. Jeżel ak ne jes, o sraega aka ne mus być dalej analzowana, gdyż dalsza jej modyfkacja ne może rowadzć do orawy warośc kryerum. Procedurę kończymy, gdy zbór LSB jes zborem usym. Sosób dzałana algorymu zlusrowano onższym rzykładem. Przykład Rozważamy dwueaowy roblem decyzyjny osany drzewem decyzyjnym rzedsawonym na rys.. x q

9 Wykorzysane odejśca quas-herarchcznego Rys.. Drzewo decyzyjne roblemu rozważanego w rzykładze Należy wyznaczyć wszyske sraege, dla kórych warość oczekwana analzowanego kryerum jes równa co najmnej 6,5. Dla czyelnośc osu, odkreślenem ogrubenem zaznaczać będzemy decyzje rzysane do ych węzłów, kóre mogą być osągnęe w wynku zasosowana rozważanej sraeg. Wyznaczene sraeg rawe oymalnych rzebega nasęująco:. Przyjmujemy: LS :=, LSB :=. 2. Wyznaczamy sraegę oymalną, kóra jes nasęująca: x ˆ = [A, C, F, H, I]. Zgodne z ną w węźle należy odjąć decyzję A, o czym, w zależnośc od rozwoju syuacj decyzję C (w węźle 2) lub F (w węźle 3). Warość oczekwana analzowanego kryerum wynos 8,50. Dla węzłów 4 oraz 5, kóre ne mogą być osągnęe w wynku zasosowana sraeg ˆx jako decyzje oymalne wyznaczono odowedno decyzje H oraz I. 3. Sraegę ˆx zasujemy do zborów LS oraz LSB: LS = LS { }, LSB = LSB { }. ˆx 4. Poneważ zbór LSB ne jes zborem usym, rzechodzmy do kroku (5). 5. Ze zboru LSB oberamy sraegę ˆx : = { ˆ } = LSB : LSB \ x. ˆx

10 68 6. Wyznaczamy wszyske sraege, kóre różną sę od sraeg ˆx decyzją w jednym z węzłów, 2 lub 3: x ˆ 2 = [A, C, E, H, I] warość oczekwana kryerum: 8,2, x ˆ 3 = [A, D, F, H, I] warość oczekwana kryerum: 6,02, x ˆ 4 = [B, C, F, H, I] warość oczekwana kryerum: 7,0. Zbory węzłów decyzyjnych, kóre mogą być osągnęe w wynku zasosowana sraeg ˆx 2 oraz ˆx 3 są ake same jak zbór węzłów osągalnych w wynku zasosowana sraeg ˆx. Naomas zasosowane sraeg ˆx 4 oznacza, że roces może osągnąć węzły, 4 oraz 5. Wszyske rzy sraege generują rozwązana różne od rozwązana generowanego rzez sraegę ˆx. Sraege ˆx 2 oraz ˆx, kóre sełnają warunek sformułowany rzez decydena, zosają zasane 4 do zborów LS oraz LSB: = LS { xˆ, xˆ } = { xˆ, xˆ, }, LSB : LSB { xˆ, xˆ } = { xˆ, x } LS : x ˆ 4 =. ˆ Przechodzmy do kroku (4). 4. Poneważ zbór LSB ne jes zborem usym, rzechodzmy do kroku (5). 5. Ze zboru LSB oberamy sraegę ˆx 2: { xˆ } { } LSB : = LSB \ = x. ˆ Wyznaczamy wszyske sraege, kóre różną sę od sraeg ˆx 2 decyzją w jednym z węzłów, 2 lub 3: x ˆ 5 = [A, C, F, H, I] warość oczekwana kryerum: 8,50, x ˆ 6 = [A, D, E, H, I] warość oczekwana kryerum: 5,60, x ˆ 7 = [B, C, E, H, I] warość oczekwana kryerum: 7,0. Sraega ˆx 5 jes denyczna jak sraega ˆx, naomas sraega ˆx 7 chocaż jes różna od sraeg ˆx 4, o jednak generuje o samo rozwązane (różnca wysęuje jedyne dla węzła 3, kóry ne może być osągnęy dzęk zasosowanu ej sraeg). Sośród rzech nowych sraeg jedyne sraega ˆx 6 generuje nowe rozwązane. Poneważ jednak warość oczekwana analzowanego kryerum uzyskwana rzy ej sraeg ne sełna warunku określonego rzez decydena, równeż ona ne jes brana od uwagę w dalszych oblczenach. Wobec owyższego zbory LB oraz LBS ozosają bez zman. Przechodzmy do kroku (4). 4. Poneważ zbór LSB ne jes zborem usym, rzechodzmy do kroku (5). 5. Ze zboru LSB oberamy sraegę ˆx 4:

11 Wykorzysane odejśca quas-herarchcznego = 4 { ˆ } = LSB : LSB \ x. 6. Wyznaczamy wszyske sraege, kóre różną sę od sraeg ˆx 4 decyzją w jednym z węzłów, 4 lub 5. Są o nasęujące sraege: x ˆ 8 = [B, C, F, H, J] warość oczekwana kryerum: 6,32, x ˆ 9 = [B, C, F, G, I] warość oczekwana kryerum: 6,74, x ˆ0 = [A, C, F, H, I] warość oczekwana kryerum: 8,50. Sraega ˆx 0 jes denyczna jak sraega ˆx, naomas sraege ˆx 8 oraz ˆx 9 generują rozwązana, kóre ne są generowane rzez żadną ze sraeg ze zboru LS. Sośród nch jedyne sraega ˆx 9 sełna warunek sformułowany rzez decydena. Sraegę ę zasujemy do zborów LB oraz LBS: = LS { xˆ } = { xˆ, xˆ, xˆ, }, LSB : LSB { x } = { x } LS : x ˆ 9 = ˆ ˆ 9 9. Przechodzmy do kroku (4). 4. Poneważ zbór LSB ne jes zborem usym, rzechodzmy do kroku (5). 5. Ze zboru LSB oberamy sraegę ˆx 9: = LSB \ 9 { ˆ } = LSB : x. 6. Wyznaczamy wszyske sraege, kóre różną sę od sraeg ˆx 9 decyzją w jednym z węzłów, 4 lub 5. Są o nasęujące sraege: x ˆ = [B, C, F, G, J] warość oczekwana kryerum: 5,96, x ˆ2 = [B, C, F, H, I] warość oczekwana kryerum: 7,0, x ˆ3 = [A, C, F, G, I] warość oczekwana kryerum: 8,50. Sraega ˆx 2 jes denyczna jak sraega ˆx 4, naomas sraega ˆx 3 chocaż jes różna od sraeg ˆx, o jednak generuje o samo rozwązane (różnca wysęuje jedyne dla węzła 4, kóry ne może być osągnęy dzęk zasosowanu ej sraeg). Sośród rzech nowych sraeg jedyne sraega ˆx generuje nowe rozwązane. Poneważ jednak warość oczekwana analzowanego kryerum uzyskwana rzy ej sraeg ne sełna warunku określonego rzez decydena, równeż ona ne jes brana od uwagę w dalszych oblczenach. Wobec owyższego zbory LB oraz LBS ozosają bez zman. Przechodzmy do kroku (4). 4. Poneważ zbór LSB jes zborem usym, rzechodzmy do kroku (7). 7. Kończymy rocedurę. W wynku rocedury wyznaczylśmy czery sraege sełnające warunek sformułowany rzez decydena. Są one nasęujące:

12 70 x ˆ = [A, C, F, H, I] warość oczekwana kryerum: 8,50, x ˆ 2 = [A, C, E, H, I] warość oczekwana kryerum: 8,2, x ˆ 4 = [B, C, F, H, I] warość oczekwana kryerum: 7,0, x ˆ 9 = [B, C, F, G, I] warość oczekwana kryerum: 6, Zasosowane odejśca quas-herarchcznego do rozwązana roblemu welokryeralnego Przyjmjmy, że rozwązana roblemu osanego drzewem decyzyjnym ocenane są ze względu na K kryerów. Ocena każdego waranu ze względu na każde kryerum jes dokonywana na odsawe warośc oczekwanej. Zakładamy, że decyden uorządkował kryera, oczynając od ego, kóre uznaje za najważnejsze. Uznajemy zaem, że w erwszej kolejnośc jes on zaneresowany oymalzacją kryerum nr, nasęne kryerum nr 2, d. Wyznaczene rozwązana za omocą odejśca quas-herarchcznego rzebega według nasęującego scenarusza:. Wyznacz rozwązana oymalne roblemu ze względu na każde z kryerów. 2. Przedsaw decydenow warośc oymalne oszczególnych kryerów. 3. Poroś decydena o określene rogów asracj Z k : warośc, kóre ownny rzyjąć oszczególne kryera w rozwązanu końcowym. 4. Dla każdego kryerum wyznacz zbór rozwązań sełnających wymog określone rzez decydena: LS k. 5. Przyjmj J = K. 6. Wyznacz zbór LS będący częścą wsólną zborów LS k: LS : = I LSk. k, J 7. Jeżel LS, o rzejdź do unku (9). 8. Przyjmj J : = J. Przejdź do unku Sośród rozwązań należących do zboru LS wyberz ake, dla kórego erwsze kryerum rzyjmuje warość najwyższą. Jeżel akch rozwązań jes węcej nż jedno, o rzy wyborze weź od uwagę warośc nasęnych kryerów w kolejnośc zgodnej z herarchą sformułowaną rzez decydena. W rakce rocedury wyznaczamy zbór waranów, kóre sełnają wszyske wymagana określone rzez decydena. W welu wyadkach może sę jednak okazać, że rozwązana ake ne sneją. W akm wyadku saramy sę wyznaczyć rozwązana sełnające wymagana sformułowane dla ych kryerów, kóre decyden uznaje za najważnejsze. Sonowo omjamy zaem wymog sformułowane dla kryerów o najnższej wadze do momenu, gdy zbór

13 Wykorzysane odejśca quas-herarchcznego... 7 LS zawerający rozwązana sełnające wymagana decydena rzesaje być zborem usym. Sośród rozwązań zawarych w ym zborze wyberamy o, dla kórego erwsze kryerum rzyjmuje warość najwyższą. Jeżel rozwązań akch jes węcej nż jedno, o rzy wyborze uwzględnamy warośc kolejnych kryerów zgodne z ch ozycją w herarch zdefnowanej rzez decydena. Sosób wykorzysana roonowanej rocedury lusruje onższy rzykład. Przykład 2 Rozważamy onowne roblem decyzyjny rzedsawony w rzykładze. Tym razem uwzględnamy rzy kryera. Warośc kryerów dla kolejnych węzłów końcowych rzedsawa ab.. Tabela. Warośc kryerów w węzłach końcowych Nr węzła Kryerum Nr węzła Kryerum końcowego 2 3 końcowego W erwszej kolejnośc wyznaczamy sraege oymalne ze względu na każde z kryerów z osobna. Dla erwszego kryerum jes o sraega [A, C, F, H, I], dla kórej warość oczekwana erwszego kryerum wynos 8,50. Sraegą oymalną ze względu na druge kryerum jes sraega [B, D, E, G, J]. Warość oczekwana drugego kryerum dla ej sraeg jes równa 83,20. Ze względu na kryerum rzece oymalna jes sraega [A, D, F, G, I], dla kórej warość oczekwana ego kryerum wynos 56,2. Przyuśćmy, że o zaoznanu sę z owyższym nformacjam decyden określł, że jes zaneresowany akm rozwązanam, dla kórych warośc oczekwane kolejnych kryerów są ne nższe nż: kryerum : 6,50, kryerum 2: 65,00, kryerum 3: 42,00. W ab. 2 rzedsawono sraege sełnające owyższe warunk. Dla rzejrzysośc zasu w ose sraeg rezenowane są decyzje jedyne dla ych węzłów, kóre mogą być osągnęe w wynku ch zasosowana.

14 72 Tabela 2. Sraege sełnające warunk określone rzez decydena Sraege sełnające warunek nałożony na warość oczekwaną kryerum warość sraega kryerum Sraege sełnające warunek nałożony na warość oczekwaną kryerum 2 warość sraega kryerum 2 Sraege sełnające warunek nałożony na warość oczekwaną kryerum 3 warość sraega kryerum 3 [A, C, F, _, _] 8,50 [B, _, _, G, J] 83,20 [A, D, F, _, _] 56,2 [A, C, E, _, _] 8,2 [B, _, _, H, J] 79,60 [A, D, E, _, _] 55,58 [B, _, _, H, I] 7,0 [B, _, _, G, I] 72,40 [A, C, F, _, _] 42,82 [B, _, _, G, I] 6,74 [B, _, _, H, I] 68,80 [A, C, E, _, _] 42,28 [A, D, E, _, _] 67,50 Jak ławo zauważyć, żadna sraega ne sełna wszyskch warunków sformułowanych rzez decydena. Dwe sraege sełnają naomas warunk sformułowane dla kryerów erwszego oraz drugego: [B, _, _, H, I] oraz [B, _, _, G, I]. Poneważ wyższą warość erwszego kryerum uzyskujemy dla erwszej z nch, rzedsawamy ją decydenow do oceny. Warośc oczekwane kryerów, jake są uzyskwane dla ej sraeg, są nasęujące: 7,0; 79,60 oraz 39,28. Jeżel wynk uzyskany dla kryerum 3 zosałby rzez decydena ocenony jako nesaysfakcjonujący, o ownen on zmodyfkować swoje wymagana, a rocedurę wyznaczena rozwązana należałoby owórzyć. Podsumowane Drzewo decyzyjne jes oularnym narzędzem analzy dynamcznych roblemów odejmowana decyzj w warunkach ryzyka. Zwykle jes ono wykorzysywane do denyfkacj rozwązana oymalzującego warość oczekwaną analzowanego kryerum. W racy rzedsawono, w jak sosób może ono być wykorzysane do rozwązana roblemu welokryeralnego. Przyjęo, że decyden jes w sane uorządkować kryera od najbardzej do najmnej ważnego, a akże, że dysonując nformacją na ema rozwązań oymalnych ze względu na oszczególne kryera oraf sformułować warunk, kóre ownny sełnać sraege, by mogły być brane od uwagę, gdy wyznaczane jes rozwązane końcowe roblemu. W racy zakładalśmy, że ocena jakośc oszczególnych rozwązań ze względu na każde z rozważanych kryerów jes dokonywana na odsawe warośc oczekwanej. Ne jes o jedyny możlwy sosób analzy. Do oceny rozwązań można wykorzysać równeż mary oare na rawdoodobeńswe zajśca określonego zdarzena, a akże warunkową warość oczekwaną. W ym drugm wyadku jednak wykorzysane klasycznej meody wyznaczana rozwązana oymalnego jednokryeralnego drzewa decyzyjnego ne jes możlwe. W dalszych racach auor zamerza zaroonować meodę quas-herarchczną uwzględnającą ego yu kryera.

15 Wykorzysane odejśca quas-herarchcznego Leraura Frn A., Guoun A., Marel J.-M. (202), A general decomoson aroach for mul-crera decson rees, Euroean Journal of Oeraonal Research, Vol. 220, s Hames Y., L D., Tulsan V. (990), Mulobjecve decson ree mehod, Rsk Analyss, Vol. 0, s Loosma F.A. (997), Mulcrera decson analyss n a decson ree, Euroean Journal of Oeraonal Research, Vol. 0, s Nowak M. (203), An neracve rocedure for mulle crera decson ree [w:] A.M. Skulmowsk, Lookng no he fuure of creavy and decson suor sysems. Proceedngs of he 8 h Inernaonal Conference on Knowledge, Informaon and Creavy Suor Sysems, Wydawncwo Naukowe Fundacj Progress & Busness, Kraków, s Roy B. (990), Welokryeralne odejmowane decyzj, Wydawncwa Naukowo-Technczne, Warszawa. Trzaskalk T. (990), Welokryeralne dyskrene rogramowane dynamczne; eora zasosowana w rakyce gosodarczej, Wydawncwo Akadem Ekonomcznej, Kaowce. AN APPLICATION OF QUASI-HIERARCHICAL APPROACH IN MULTIPLE CRITERIA DECISION TREE Summary: Decson ree s an effecve ool for descrbng dynamc decson makng rocesses under rsk. I s usually used o denfy he soluon omzng he execed value of he analyzed creron. However, s relavely rarely used when mulle conflcng crera are consdered. In he aer a quas-herarchcal aroach s used o solve a roblem reresened by a mulle crera decson ree. I s assumed ha he decson maker s able o defne a herarchy of he crera and secfy how much he omal value of a more moran creron can be decreased n order o mrove he value of a less moran creron. A numercal examle s resened o show he alcably of he rocedure. Keywords: decson makng under rsk, decson ree, mulle crera analyss, quas- -herarchcal aroach.

Proces narodzin i śmierci

Proces 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 szczegółowo

PARAMETRY ELEKTRYCZNE CYFROWYCH ELEMENTÓW PÓŁPRZEWODNIKOWYCH

PARAMETRY ELEKTRYCZNE CYFROWYCH ELEMENTÓW PÓŁPRZEWODNIKOWYCH ARAMETRY ELEKTRYZNE YFROWYH ELEMENTÓW ÓŁRZEWODNIKOWYH SZYBKOŚĆ DZIAŁANIA wyrażona maksymalną częsolwoścą racy max MO OBIERANA WSÓŁZYNNIK DOBROI D OBIĄŻALNOŚĆ ELEMENTÓW N MAKSYMALNA LIZBA WEJŚĆ M ODORNOŚĆ

Bardziej szczegółowo

Zarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych

Zarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych dr nż Andrze Chylńsk Katedra Bankowośc Fnansów Wyższa Szkoła Menedżerska w Warszawe Zarządzane ryzykem w rzedsęborstwe ego wływ na analzę ołacalnośc rzedsęwzęć nwestycynych w w w e - f n a n s e c o m

Bardziej szczegółowo

Seria: PREPRINTY nr 34/2006. Marek Skowron. Promotor: Dr hab. inŝ. Krystyn Styczeń, prof. PWr. Instytut Informatyki, Automatyki i Robotyki

Seria: PREPRINTY nr 34/2006. Marek Skowron. Promotor: Dr hab. inŝ. Krystyn Styczeń, prof. PWr. Instytut Informatyki, Automatyki i Robotyki Insyu Informayk, Auomayk Roboyk Sera: PREPRINTY nr 34/006 Hybrydowe alorymy ewolucyjnoradenowe dla roblemów oymalneo serowana okresoweo z oranczenam zasobowo-echnolocznym (rozrawa dokorska) Marek Skowron

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny

Bardziej szczegółowo

Szeregi czasowe, modele DL i ADL, przyczynowość, integracja

Szeregi czasowe, modele DL i ADL, przyczynowość, integracja Szereg czasowe, modele DL ADL, rzyczyowość, egracja Szereg czasowy, o cąg realzacj zmeej losowej, owedzmy y, w kolejych okresach czasu: { y } T, co rówoważe możemy zasać: = 1 y = { y1, y,..., y T }. Najogólej

Bardziej szczegółowo

P 1, P 2 - wektory sił wewnętrznych w punktach powierzchni F wokół punktu A

P 1, P 2 - wektory sił wewnętrznych w punktach powierzchni F wokół punktu A TEORI STNU NPRĘŻENI. WEKTOR NPRĘŻENI r x P P P P, P - wektory sł wewnętrznych w unktach owerzchn wokół unktu P P r, P - suma sł wewnętrznych na owerzchn P P P P średna gęstość sł wewnętrznych na owerzchn

Bardziej szczegółowo

Niezawodność elementu nienaprawialnego. nienaprawialnego. 1. Model niezawodnościowy elementu. 1. Model niezawodnościowy elementu

Niezawodność elementu nienaprawialnego. nienaprawialnego. 1. Model niezawodnościowy elementu. 1. Model niezawodnościowy elementu Niezawodność elemenu nienarawialnego. Model niezawodnościowy elemenu nienarawialnego. Niekóre rozkłady zmiennych losowych sosowane w oisie niezawodności elemenów 3. Funkcyjne i liczbowe charakerysyki niezawodności

Bardziej szczegółowo

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

BADANIA 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 szczegółowo

Zaawansowane metody numeryczne

Zaawansowane 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 szczegółowo

Ekonometryczne modele nieliniowe

Ekonometryczne modele nieliniowe Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.

Bardziej szczegółowo

Kier. MTR Programowanie w MATLABie Laboratorium

Kier. MTR Programowanie w MATLABie Laboratorium Ker. MTR Programowane w MATLABe Laboraorum Ćw. Zasosowane bbloecznych funkcj MATLABa do numerycznego rozwązywana równań różnczkowych. Wprowadzene Układy równań różnczkowych zwyczajnych perwszego rzędu

Bardziej szczegółowo

PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK

PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK Założena Nech oznacza ozom (warość) badanego zjawska (zmennej) w kolejnch momenach czasu T0, gdze T 0 0,1,..., n 1 oznacza worz szereg czasow. zbór numerów czasu. Cąg

Bardziej szczegółowo

UBEZPIECZENIE Z FUNDUSZEM KAPITAŁOWYM

UBEZPIECZENIE Z FUNDUSZEM KAPITAŁOWYM MEODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH om XV/3, 214, sr. 86 98 PROPOZYCJA MODYFIKACJI KŁADKI NEO W UBEZPIECZENIACH NA ŻYCIE Z FUNDUZEM KAPIAŁOWYM UWZLĘDNIAJĄCA DODAKOWE RYZYKO FINANOWE Magdalena Homa

Bardziej szczegółowo

PROBLEM ODWROTNY DLA RÓWNANIA PARABOLICZNEGO W PRZESTRZENI NIESKOŃCZENIE WYMIAROWEJ THE INVERSE PARABOLIC PROBLEM IN THE INFINITE DIMENSIONAL SPACE

PROBLEM ODWROTNY DLA RÓWNANIA PARABOLICZNEGO W PRZESTRZENI NIESKOŃCZENIE WYMIAROWEJ THE INVERSE PARABOLIC PROBLEM IN THE INFINITE DIMENSIONAL SPACE JAN KOOŃSKI POBLEM ODWOTNY DLA ÓWNANIA PAABOLICZNEGO W PZESTZENI NIESKOŃCZENIE WYMIAOWEJ THE INVESE PAABOLIC POBLEM IN THE INFINITE DIMENSIONAL SPACE S r e s z c z e n e A b s r a c W arykule skonsruowano

Bardziej szczegółowo

Dyskretny proces Markowa

Dyskretny proces Markowa Procesy sochasyczne WYKŁAD 4 Dyskreny roces Markowa Rozarujemy roces sochasyczny X, w kórym aramer jes ciągły zwykle. Będziemy zakładać, że zbiór sanów jes co najwyżej rzeliczalny. Proces X, jes rocesem

Bardziej szczegółowo

System M/M/1/L. λ = H 0 µ 1 λ 0 H 1 µ 2 λ 1 H 2 µ 3 λ 2 µ L+1 λ L H L+1. Jeli załoymy, e λ. i dla i = 1, 2,, L+1 oraz

System M/M/1/L. λ = H 0 µ 1 λ 0 H 1 µ 2 λ 1 H 2 µ 3 λ 2 µ L+1 λ L H L+1. Jeli załoymy, e λ. i dla i = 1, 2,, L+1 oraz System M/M// System ten w odrónenu do wczenej omawanych systemów osada kolejk. Jednak jest ona ogranczona, jej maksymalna ojemno jest wartoc skoczon

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław 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 szczegółowo

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego

Bardziej szczegółowo

WYBRANE ASPEKTY HARMONOGRAMOWANIA PROCESU MAGAZYNOWEGO

WYBRANE ASPEKTY HARMONOGRAMOWANIA PROCESU MAGAZYNOWEGO PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 64 Transpor 28 Tomasz AMBROZIAK, Konrad LEWCZUK Wydzał Transporu Polechnk Warszawske Zakład Logsyk Sysemów Transporowych ul. Koszykowa 75, -662 Warszawa am@.pw.edu.pl;

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane 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 szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław 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 szczegółowo

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.

Modele 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 szczegółowo

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

) 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 szczegółowo

Eksploracja danych. KLASYFIKACJA I REGRESJA cz. 1. Wojciech Waloszek. Teresa Zawadzka.

Eksploracja danych. KLASYFIKACJA I REGRESJA cz. 1. Wojciech Waloszek. Teresa Zawadzka. Eksploracja danych KLASYFIKACJA I REGRESJA cz. 1 Wojciech Waloszek wowal@ei.pg.gda.pl Teresa Zawadzka egra@ei.pg.gda.pl Kaedra Inżyrii Oprogramowania Wydział Elekroniki, Telekomunikacji i Informayki Poliechnika

Bardziej szczegółowo

DYNAMIKA KONSTRUKCJI

DYNAMIKA KONSTRUKCJI 10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej

Bardziej szczegółowo

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 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 szczegółowo

Bayesowskie testowanie modeli tobitowych w analizie spłaty kredytów detalicznych

Bayesowskie testowanie modeli tobitowych w analizie spłaty kredytów detalicznych Jerzy Marzec, Katedra Ekonometr Badań Oeracyjnych, Unwersytet Ekonomczny w Krakowe 1 Bayesowske testowane model tobtowych w analze słaty kredytów detalcznych Wstę Podstawowym narzędzem wsomagającym racę

Bardziej szczegółowo

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

5. 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 szczegółowo

13. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,1998)

13. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,1998) 3. Dwa modele pooku ruchu (eorokolejkowe) 3. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,998) 3.. Model Hagha Isneje wele prac z la powojennych, w kórych wysępują próby modelowana kolejek ruchowych

Bardziej szczegółowo

XXXV Konferencja Statystyka Matematyczna

XXXV Konferencja Statystyka Matematyczna XXXV Konferencja Saysyka Maeayczna MODEL OTOWOŚCI SYSTEMU TECHNICZNEO Karol J. ANDRZEJCZAK karol.andrzejczak@pu.poznan.pl Polechnka Poznańska hp://www.pu.poznan.pl/ PRORAM REERATU 1. WPROWADZENIE 2. ORMALIZACJA

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław 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 szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Stanisław 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 szczegółowo

Regulamin. udzielania pomocy materialnej o charakterze socjalnym dla uczniów zamieszkaùych na terenie Gminy Wolbórz

Regulamin. udzielania pomocy materialnej o charakterze socjalnym dla uczniów zamieszkaùych na terenie Gminy Wolbórz Zaù¹cznk Nr 1 uchwaùy Nr XXVIII/167/2005 Rady Gmny Wolbórz z dna 30 marca 2005 r. Regulamn udzelana pomocy maeralnej o charakerze socjalnym dla ucznów zameszkaùych na erene Gmny Wolbórz I. Sposób usalana

Bardziej szczegółowo

= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału

= 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 szczegółowo

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Analiza 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 szczegółowo

Zmodyfikowana technika programowania dynamicznego

Zmodyfikowana technika programowania dynamicznego Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 4

Natalia 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 szczegółowo

WikiWS For Business Sharks

WikiWS 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 szczegółowo

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Rozwiązywanie 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 szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Stanisław Cichocki Natalia Nehrebecka. Wykład 2 Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3 Szereg

Bardziej szczegółowo

EKONOMIA MENEDŻERSKA. Wykład 3 Funkcje produkcji 1 FUNKCJE PRODUKCJI. ANALIZA KOSZTÓW I KORZYŚCI SKALI. MINIMALIZACJA KOSZTÓW PRODUKCJI.

EKONOMIA MENEDŻERSKA. Wykład 3 Funkcje produkcji 1 FUNKCJE PRODUKCJI. ANALIZA KOSZTÓW I KORZYŚCI SKALI. MINIMALIZACJA KOSZTÓW PRODUKCJI. EONOMIA MENEDŻERSA Wykład 3 Funkcje rodukcj 1 FUNCJE PRODUCJI. ANAIZA OSZTÓW I ORZYŚCI SAI. MINIMAIZACJA OSZTÓW PRODUCJI. 1. FUNCJE PRODUCJI: JEDNO- I WIEOCZYNNIOWE Funkcja rodukcj określa zależność zdolnośc

Bardziej szczegółowo

(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN)

(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN) W ypowym zadanu z regresj nelnowej mamy nasępujące eapy: Esymacja (uzyskane ocen punkowych paramerów), w ym: 1. Dobór punków sarowych.. Kolejne eracje algorymu Gaussa Newona. 3. Zakończene algorymu Gaussa

Bardziej szczegółowo

BAYESOWSKI MODEL TOBITOWY Z ROZKŁADEM t STUDENTA W ANALIZIE NIESPŁACALNOŚCI KREDYTÓW 1

BAYESOWSKI MODEL TOBITOWY Z ROZKŁADEM t STUDENTA W ANALIZIE NIESPŁACALNOŚCI KREDYTÓW 1 Jerzy Marzec, Kaedra Ekonomerii i Badań Oeracyjnych, Uniwersye Ekonomiczny w Krakowie Jerzy Marzec BAYEOWKI MODEL TOBITOWY Z ROZKŁADEM TUDENTA W ANALIZIE NIEPŁACALNOŚCI KREDYTÓW 1 1. Wrowadzenie Głównym

Bardziej szczegółowo

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1

Rozkład 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 szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Luy 03 PODRĘCZNIKI Wsęp do aalzy błędu pomarowego Joh R. Taylor Wydawcwo Naukowe PWN Warszawa 999 I Pracowa

Bardziej szczegółowo

POLITECHNIKA GDAŃSKA WYDZIAŁ MECHANICZNY. mgr inż. Artur Fiuk

POLITECHNIKA GDAŃSKA WYDZIAŁ MECHANICZNY. mgr inż. Artur Fiuk POLITECHNIKA GDAŃSKA WYDZIAŁ MECHANICZNY mgr nż. Arur Fuk BADANIA WPŁYWU PARAMETRÓW GEOMETRYCZNYCH I TERMOFIZYCZNYCH NA DZIAŁANIE DWUFAZOWEGO TERMOSYFONOWEGO WYMIENNIKA CIEPŁA Rozrawa dokorska Promoor

Bardziej szczegółowo

4. OPTYMALIZACJA WIELOKRYTERIALNA

4. OPTYMALIZACJA WIELOKRYTERIALNA 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

Bardziej szczegółowo

Funkcje i charakterystyki zmiennych losowych

Funkcje 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 szczegółowo

i i i = (ii) TAK sprawdzamy (i) (i) NIE

i i i = (ii) TAK sprawdzamy (i) (i) NIE Egzam uaruszy z aźdzera 009 r. Maemaya Fasowa Zadae ( ) a a& a ( Da) a&& ( Ia) a a&& D I a a&& a a ( ) && ( ) 0 a a a 0 ( ) a 4 0 ( ) a () K srawdzamy () ( ) a& a ( ) a ( ) a&& a&& ( ) a&& ( ) a&& () NIE

Bardziej szczegółowo

Regulamin promocji 14 wiosna

Regulamin 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 szczegółowo

Natalia Nehrebecka. Zajęcia 3

Natalia 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 szczegółowo

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5

MATEMATYKA 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 szczegółowo

Zjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych)

Zjawiska 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 szczegółowo

Laboratorium ochrony danych

Laboratorium 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 szczegółowo

XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadanie teoretyczne

XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadanie teoretyczne XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadane teoretyczne Rozwąż dowolne rzez sebe wybrane dwa sośród odanych nże zadań: ZADANIE T Nazwa zadana: Protony antyrotony A. Cząstk o mase równe mase rotonu, ale

Bardziej szczegółowo

TERMODYNAMIKA TECHNICZNA I CHEMICZNA

TERMODYNAMIKA TECHNICZNA I CHEMICZNA TRMODYNAMIKA TCHNICZNA I CHMICZNA Część IV TRMODYNAMIKA ROZTWORÓW TRMODYNAMIKA ROZTWORÓW FUGATYWNOŚCI I AKTYWNOŚCI a) Wrowadzene Potencjał chemczny - rzyomnene de G n na odstawe tego, że otencjał termodynamczny

Bardziej szczegółowo

Systemy nawigacji satelitarnej. Przemysław Bartczak

Systemy nawigacji satelitarnej. Przemysław Bartczak Sysemy nawgacj saelarnej Przemysław Barczak Częsolwość nośna Wszyske saely GPS emują neprzerwane sygnały na dwóch częsolwoścach nośnych L1 L2 z pograncza mkrofalowych fal L S, kóre z punku wdzena nazemnego

Bardziej szczegółowo

XXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne

XXX 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 szczegółowo

Problem plecakowy (KNAPSACK PROBLEM).

Problem 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 szczegółowo

Statystyka Inżynierska

Statystyka 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 szczegółowo

METODY KOMPUTEROWE 10

METODY KOMPUTEROWE 10 MEODY KOMPUEROWE RÓWNANIA RÓŻNICZKOWE CZĄSKOWE Poechnka Poznańska Mchał Płokowak Adam Łodgowsk Mchał PŁOKOWIAK Adam ŁODYGOWSKI Konsace nakowe dr nż. Wod Kąko Poznań 00/00 MEODY KOMPUEROWE 0 RÓWNANIA RÓŻNICZKOWE

Bardziej szczegółowo

BADANIE NIESPŁACALNOŚCI KREDYTÓW ZA POMOCĄ BAYESOWSKICH MODELI DYCHOTOMICZNYCH - ZAŁOŻENIA I WYNIKI 1. 1. Wprowadzenie.

BADANIE NIESPŁACALNOŚCI KREDYTÓW ZA POMOCĄ BAYESOWSKICH MODELI DYCHOTOMICZNYCH - ZAŁOŻENIA I WYNIKI 1. 1. Wprowadzenie. Jerzy Marzec, Kaedra Ekonomerii i Badań Oeracyjnych, Uniwersye Ekonomiczny w Krakowie Jerzy Marzec BADANIE NIESPŁACALNOŚCI KREDYTÓW ZA POMOCĄ BAYESOWSKICH MODELI DYCHOTOMICZNYCH - ZAŁOŻENIA I WYNIKI 1

Bardziej szczegółowo

Statystyczne metody przetwarzania danych

Statystyczne metody przetwarzania danych Artfcal Intellgence Krzysztof Ślot, 2008 Statystyczne metody rzetwarzana danych Klasyfkacja mnmalnoodległoścowa Krzysztof Ślot Instytut Informatyk Stosowanej Poltechnka Łódzka Artfcal Intellgence Krzysztof

Bardziej szczegółowo

KOOF Szczecin: www.of.szc.pl

KOOF Szczecin: www.of.szc.pl IX OLIMPIADA FIZYCZNA (959/960). Soień III, zadanie doświadczalne D. Źródło: Komie Główny Olimiady Fizycznej; Aniela Nowicka: Olimiady Fizyczne IX i X. PZWS, Warszawa 965 (sr. 6 69). Nazwa zadania: Działy:

Bardziej szczegółowo

Analiza danych DRZEWA DECYZYJNE. Drzewa decyzyjne. Entropia. http://zajecia.jakubw.pl/ test 1 dopełnienie testu 1

Analiza danych DRZEWA DECYZYJNE. Drzewa decyzyjne. Entropia. http://zajecia.jakubw.pl/ test 1 dopełnienie testu 1 Analiza danych Drzewa decyzyjne. Enropia. Jakub Wróblewski jakubw@pjwsk.edu.pl hp://zajecia.jakubw.pl/ DRZEWA DECYZYJNE Meoda reprezenacji wiedzy (modelowania ablic decyzyjnych). Pozwala na przejrzysy

Bardziej szczegółowo

Odtworzenie wywodu metodą wstępującą (bottom up)

Odtworzenie wywodu metodą wstępującą (bottom up) Przeglądane wejśca od lewej strony do prawej L (k) Odtwarzane wywodu prawostronnego Wystarcza znajomosc "k" następnych symbol łańcucha wejścowego hstor dotychczasowych redukcj, aby wyznaczyc jednoznaczne

Bardziej szczegółowo

Konstrukcja gier sprawiedliwych i niesprawiedliwych poprzez. określanie prawdopodobieństwa.

Konstrukcja gier sprawiedliwych i niesprawiedliwych poprzez. określanie prawdopodobieństwa. Fundacja Centrum Edukacj Obyatelskej, ul. Noakoskego 10, 00-666 Warszaa, e-mal: ceo@ceo.org.l; Akadema ucznoska, Tel. 22 825 04 96, e-mal: au@ceo.org.l; ęcej nformacj:.akademaucznoska.l 1 Konstrukcja ger

Bardziej szczegółowo

cz.2 dr inż. Zbigniew Szklarski

cz.2 dr inż. Zbigniew Szklarski Wykład 1: Prąd sały cz. dr nż. Zbgnew Szklarsk szkla@agh.edu.pl hp://layer.uc.agh.edu.pl/z.szklarsk/ Pasma energeyczne pasma energeyczne - 198 Felx Bloch zblżane sę aomów do sebe powoduje rozszczepene

Bardziej szczegółowo

gdzie E jest energią całkowitą cząstki. Postać równania Schrödingera dla stanu stacjonarnego Wprowadźmy do lewej i prawej strony równania Schrödingera

gdzie E jest energią całkowitą cząstki. Postać równania Schrödingera dla stanu stacjonarnego Wprowadźmy do lewej i prawej strony równania Schrödingera San sacjonarny cząsk San sacjonarny - San, w kórym ( r, ) ( r ), gęsość prawdopodobńswa znalzna cząsk cząsk w danym obszarz przsrzn n zalży od czasu. San sacjonarny js charakrysyczny dla sacjonarngo pola

Bardziej szczegółowo

Podstawowe algorytmy indeksów giełdowych

Podstawowe algorytmy indeksów giełdowych Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 25-11-13 Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 2013-11-25 Sps reśc I. Algorymy oblczana warośc ndeksów gełdowych...3 1. Warość beżąca

Bardziej szczegółowo

Całka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona

Całka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona Całka nieoznaczona Andrzej Musielak Sr Całka nieoznaczona Całkowanie o operacja odwrona do liczenia pochodnych, zn.: f()d = F () F () = f() Z definicji oraz z abeli pochodnych funkcji elemenarnych od razu

Bardziej szczegółowo

Dla dzielnej X (dividend) i dzielnika D 0 (divisor) liczby Q oraz R takie, Ŝe

Dla dzielnej X (dividend) i dzielnika D 0 (divisor) liczby Q oraz R takie, Ŝe zelene ekwencyjne zelene la dzelnej X (dvdend) dzelnka (dvor) lczby Q oraz R take, Ŝe X=Q R, R < nazywa ę lorazem Q (uotent) reztą R (remander) z dzelena X rzez. Równane dzelena moŝe meć rozwązana ełnające

Bardziej szczegółowo

Niezawodność i diagnostyka Kierunek AiR, sem. V, rok. ak. 2010/11 STRUKTURY I MIARY PROBABILISTYCZNE SYSTEMÓW METODA DRZEWA (STANÓW) NIEZDATNOŚCI

Niezawodność i diagnostyka Kierunek AiR, sem. V, rok. ak. 2010/11 STRUKTURY I MIARY PROBABILISTYCZNE SYSTEMÓW METODA DRZEWA (STANÓW) NIEZDATNOŚCI Nezawodość dagosyka Keruek, sem. V, rok. ak. 00/ STUKTUY I MIY POILISTYCZNE SYSTEMÓW METOD DZEW STNÓW NIEZDTNOŚCI. Srukury obeków złożoych ch rerezeace Wsółczese obeky sysemy echcze, a szczególe wększe

Bardziej szczegółowo

Rozdział 3. Majątek trwały

Rozdział 3. Majątek trwały Rozdział 3. Mająek rwały Charakerysyka i odział rodzajowy środków rwałych Środki rwałe są rzeczowymi składnikami mająku rwałego o znacznej warości, rwale użykowanymi w jednosce gosodarczej, wykorzysywanymi

Bardziej szczegółowo

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci Zadane. Macerz radoodobeńst rzejśca ojedynczym kroku dla łańcucha Markoa...... o trzech stanach { } jest ostac 0 n 0 0 (oczyśce element stojący -tym erszu j -tej kolumne tej macerzy oznacza P( = j. Wtedy

Bardziej szczegółowo

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.

Bardziej szczegółowo

Wybrane zagadnienia Termodynamiki Technicznej

Wybrane zagadnienia Termodynamiki Technicznej Zdzsław Nagórsk Wybrane zagadnena Termodynamk Techncznej Ewa Fudalej - Kosrzewa Insrukcje do ćwczeń laboraoryjnych Warszawa 0 Polechnka Warszawska Wydzał Samochodów Maszyn Roboczych Kerunek sudów "Edukacja

Bardziej szczegółowo

Zarządzanie Projektami. Wykład 3 Techniki sieciowe (część 1)

Zarządzanie Projektami. Wykład 3 Techniki sieciowe (część 1) Zarządzanie Projekami Wykład 3 Techniki sieciowe (część ) Przedsięwzięcie wieloczynnościowe Przedsięwzięcie wieloczynnościowe skończona liczba wzajemnie ze sobą powiązanych czynności (eapów). Powiązania

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS 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 szczegółowo

Klasyfkator 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 szczegółowo

Stanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3

Stanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3 Stansław Cchock Natala Nehrebecka Katarzyna Rosak-Lada Zajęca 3 1. Dobrod dopasowana równana regresj. Współczynnk determnacj R 2 Dekompozycja warancj zmennej zależnej Współczynnk determnacj R 2 2. Zmenne

Bardziej szczegółowo

PRÓBKOWANIE RÓWNOMIERNE

PRÓBKOWANIE RÓWNOMIERNE CPS 6/7 PRÓKOWANIE RÓWNOMIERNE Próbkowanie równomierne, Ujes rocesem konwersji sygnału analogowego (o czasie ciągłym) do osaci róbeku obieranych w równych odsęach czasu. Próbkowanie rzerowadza się orzez

Bardziej szczegółowo

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.

Zapis 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 szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. 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 szczegółowo

Zasady wyznaczania minimalnej wartości środków pobieranych przez uczestników od osób zlecających zawarcie transakcji na rynku terminowym

Zasady wyznaczania minimalnej wartości środków pobieranych przez uczestników od osób zlecających zawarcie transakcji na rynku terminowym Załązn nr 3 Do zzegółowyh Zasad rowadzena Rozlzeń Transa rzez KDW_CC Zasady wyznazana mnmalne wartoś środów oberanyh rzez uzestnów od osób zleaąyh zaware transa na rynu termnowym 1. Metodologa wyznazana

Bardziej szczegółowo

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A

Analiza 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 szczegółowo

Regulamin promocji zimowa piętnastka

Regulamin 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 szczegółowo

Ćwiczenie 10. Metody eksploracji danych

Ćwiczenie 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 szczegółowo

p Z(G). (G : Z({x i })),

p 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 szczegółowo

TRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE

TRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE POLITHNIKA RZSZOWSKA Katedra Podstaw lektronk Instrkcja Nr4 F 00/003 sem. letn TRANZYSTOR IPOLARNY HARAKTRYSTYKI STATYZN elem ćwczena jest pomar charakterystyk statycznych tranzystora bpolarnego npn lb

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( ) Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa

Bardziej szczegółowo

III. Przetwornice napięcia stałego

III. Przetwornice napięcia stałego III. Przewornce napęca sałego III.1. Wsęp Przewornce: dosarczane pożądanej warośc napęca sałego koszem energ ze źródła napęca G. Możlwość zmnejszana, zwększana, odwracana polaryzacj lb kszałowane pożądanego

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS 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 szczegółowo

Laboratorium komputerowe oraz Ćwiczenia rachunkowe z przedmiotu Metody obliczeniowe Prowadzący: L. Bieniasz

Laboratorium komputerowe oraz Ćwiczenia rachunkowe z przedmiotu Metody obliczeniowe Prowadzący: L. Bieniasz Laboraorum kompuerowe oraz Ćwczena rachunkowe z przedmou Meody oblczenowe Prowadzący: L. Benasz Zagadnena do opanowana przed zajęcam pomocncze zadana rachunkowe do rozwązana na ćwczenach rachunkowych oraz

Bardziej szczegółowo

Prawdopodobieństwo geometryczne

Prawdopodobieństwo 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 szczegółowo

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA

Bardziej szczegółowo

PAŃSTWOWA WYŻSZA SZKOŁA ZAWODOWA W PILE INSTYTUT POLITECHNICZNY. Zakład Budowy i Eksploatacji Maszyn PRACOWNIA TERMODYNAMIKI TECHNICZNEJ INSTRUKCJA

PAŃSTWOWA WYŻSZA SZKOŁA ZAWODOWA W PILE INSTYTUT POLITECHNICZNY. Zakład Budowy i Eksploatacji Maszyn PRACOWNIA TERMODYNAMIKI TECHNICZNEJ INSTRUKCJA PAŃSTWOWA WYŻSZA SZKOŁA ZAWODOWA W PILE INSTYTUT POLITECHNICZNY Zakład Budowy Eksploatacj Maszyn PRACOWNIA TERMODYNAMIKI TECHNICZNEJ INSTRUKCJA Temat ćwczena: PRAKTYCZNA REALIZACJA PRZEMIANY ADIABATYCZNEJ.

Bardziej szczegółowo

D. II ZASADA TERMODYNAMIKI

D. II ZASADA TERMODYNAMIKI . Hofman, Wykłady z Chem fzycznej I, Wydzał Chemczny PW, kerunek: echnologa chemczna, sem. 2017/2018 WYKŁAD D,E D. II zasada termodynamk E. Konsekwencje zasad termodynamk D. II ZAADA ERMODYNAMIKI D.1.

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw 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 szczegółowo