METODA USTALANIA LICZBY POWTÓRZE EKSPERYMENTU SYMULACYJNEGO O SKO CZONYM HORYZONCIE CZASOWYM

Wielkość: px
Rozpocząć pokaz od strony:

Download "METODA USTALANIA LICZBY POWTÓRZE EKSPERYMENTU SYMULACYJNEGO O SKO CZONYM HORYZONCIE CZASOWYM"

Transkrypt

1 METODA USTALANIA LICZBY POWTÓRZE EKSPERYMENTU SYMULACYJNEGO O SKOCZONYM HORYZONCIE CZASOWYM KRZYSZTOF JURCZYK, WOJCIECH WONIAK Streszczeie Symulacja komputerowa staowi doskoałe arzdzie słuce aalizie złooych procesów czy systemów logistyczych. Zajduje zastosowaie w sytuacjach, gdy zawodz dostpe metody aalitycze jedoczeie dostarczajc jak ajwikszej liczby iformacji o aalizowaym procesie. Ze wzgldu a aaliz wyików uzyskaych z eksperymetów symulacyjych rozróia si dwie kategorie symulacji symulacj o skoczoym horyzocie czasowym oraz symulacj o ieskoczoym czasie trwaia. W iiejszej pracy zwrócoo uwag a problem ustalaia liczby powtórze eksperymetu symulacyjego w skoczoym horyzocie czasowym. Stosujc metody bezwzgldej oraz wzgldej precyzji ustaloo liczb powtórze przykładowego eksperymetu. Poadto zapropoowao autorski sposób ustalaia liczby powtórze polegajcy a odrzucaiu kolejych obserwacji majcych zikomy wpływ a uredioe wyiki kocowe. Słowa kluczowe: aaliza daych wyjciowych, harmoogramowaie, symulacja Wprowadzeie Wród ajczciej stosowaych w praktyce arzdzi wspomagajcych procesy podejmowaia decyzji zwizaych z idetyfikacj, aaliz oraz optymalizacj i plaowaiem systemów logistyczych metody bazujce a modelowaiu symulacyjym bez wtpieia staowi ajwikszy udział. Symulacja komputerowa ma zastosowaie w sytuacjach, gdy dokłade zbadaie wybraego procesu czy systemu przy wykorzystaiu metod matematyczych czy arzdzi aalityczych z obszaru bada operacyjych jest zbyt uciliwe i skomplikowae [4]. Celem symulacji jest dostarczeie jak ajwikszej liczby iformacji o aalizowaym procesie oraz umoliwieie dokoaia aalizy wraliwoci tego procesu a zmiay parametrów im sterujcych. Łatwo wysu wiosek, e arzdzie jakim jest symulacja komputerowa wymagało bdzie od modelujcego wprowadzeia preceyzyjych daych wejciowych. Problem te szeroko opisao w dostpej literaturze przedmiotu. Doskoał taksoomi modeli daych wejciowych przedstawił L.M. Leemis w [7] oraz w [8]. Ie aspekty zwizae z przygotowaiem daych do modeli symulacyjych, tz. aspekty zwizae z odpowiedim doborem, poprawoci, spójoci czy kompletoci daych wejciowych do modeli symulacyjych poruszaj w swoich pracach chociaby N. Robertso i T. Perera w [r], S. Robiso w [11], A. Skoogh i i. w [1] i [13], czy P. Haczar i i. w [3]. W pracy M. Karkuli i i. zwrócoo z kolei uwag a uwzgldieie czyików iedetermiistyczych w modelach symulacyjych procesów logistyczych [5]. W iiejszym artykule uwag skupioo jedak a kompleksowej aalizie wyików uzyskaych z eksperymetów symulacyjych dla symulacji o skoczoym horyzocie czasowym. 78

2 Studies & Proceedigs of Polish Associatio for Kowledge Maagemet Nr 78, Sposoby ustalaia liczby powtórze eksperymetów symulacyjych Aaliza daych wyjciowych podobie jak aaliza daych wejciowych do modeli symulacyjych musi by przeprowadzoa przy wykorzystaiu odpowiedich techik walidacyjych i statystyczych, tak aby w oparciu o uzyskae rezultaty moa było podejmowa odpowiedie decyzje. Na problem te zwracaj uwag w swoich pracach m. i. C. Alexopoulas i A. Seila w [1], N. Nakayama w [9], A. Law w [6], czy M. Karkula w [4]. Ostati z wymieioych autorów, podobie jak Ch.A. Chug w [] zwracaja uwag ustaleie liczby powtórze eksperymetu symulacyjego. Poiej zaprezetowao procedur ustalaia liczby powtórze eksperymetów symulacyjych przedstawio w [4]. Eksperymet symulacyjy powiie zosta powtórzoy okrelo liczb razy. Liczba powtórze powia zosta ustaloa w taki sposób, aby zapewi wymagay przez modelujcego poziom wiarygodoci modelu. Wstpe ustaleie liczby powtórze eksperymetu symulacyjego oraz aaliza uzyskaych w te sposób wyików pozwala stwierdzi, czy koiecze jest zwikszeie liczby iteracji czy te ie. Zbyt mała wyjciowa liczba powtórze zwiksza ryzyko uzyskaia iewystarczajcych iformacji, z kolei zbyt dua liczba iepotrzebych powtórze eksperymetu wydłua czas potrzeby a zakoczeie przedsiwzicia i podosi jego koszty. Pierwszym etapem ustaleia liczby powtórze eksperymetu symulacyjego jest obliczeie wartoci rediej oraz odchyleia stadardowego wyików uzyskaych z iezaleych powtórze eksperymetu ( ozacza ustalo wyjciow liczb powtórze). Załómy, e wykoao iezaleych powtórze eksperymetu symulacyjego o skoczoym horyzocie czasowym i uzyskao iezaleych rozwiza X i, gdzie i ozacza ideks daego powtórzeia. Nastpie wg wzorów opisaych rówaiami 1 oraz obliczoo wartoredi oraz odchyleie stadardowe tych wyików: X i i= X ( ) = 1 (1) [ X X ( ) ] i i= 1 S( ) = () 1 Obliczoewartoci rediej oraz odchyleia stadardowego słu ustaleiu przedziału ufoci dla wartoci oczekiwaej. Wykorzystuje si statystyk t odczytywa z tablic rozkładu t-studeta z -1 stopiami swobody przy załooym poziomie istotoci. Prawdopodobiestwo tego, e uzyskay wyik mieci si w zadaym przedziale wyosi 100(1 ) %: S ( ) S ( ) PX ( ) t < X < X ( ) + t = α α α 1 1 /, 1 k 1 /, 1 (3) Warto błdu stadardowego SE jakom obarczoe s wyiki eksperymetu wysacza si astpie według rówaia 4. SE S ( ) t1 α /, 1 (4) = 79

3 Krzysztof Jurczyk, Wojciech Woiak Metoda ustalaia liczby powtórze eksperymetu symulacyjego o skoczoym horyzocie czasowym Istiej dwa podstawowe sposoby ustaleia liczby powtórze eksperymetu symulacyjego: metoda bezwzgldej precyzji oraz metoda wzgldej precyzji. W przypadku metody bezwzgldej precyzji [9] aley ustali akceptowaly poziom błdu SE. Liczba iteracji potrzeba do osigicia zakładaego poziomu precyzji jest obliczaa wg wzoru opisaego rówaiem: ( ) S t 1 α /, 1 i = AP (5) gdzie AP ozacza przyjty poziom precyzji. Alteratyw metod jest metoda wzgldej precyzji. Polega a ustaleiu, ie jak w przypadku metody bezwzgldej precyzji akceptowalego poziomu błdu SE, ale a przyjciu dopuszczalej wartoci błdu procetowego PE: t1 α /, 1 PE = X Liczb iteracji oblicza si astpie wg wzoru: t i = 1 α /, 1 X RP S ( ) S ( ) gdzie RP ozacza przyjty wzgldy poziom precyzji.. Przykłady eksperymetów symulacyjych i ich aaliza Rozwamy sytuacj, w której jede podajik obsługuje dwa staowiska motaowe dedykowae dla dwóch róych kompoetów, które ozaczymy jako A oraz B. Czasy midzy przybyciami oraz czasy motau kadego z kompoetów s liczbami losowymi o rozkładzie jedostajym i parametrach: dla kompoetu A odpowiedio 10 i 390 sekud oraz 10 i 360 sekud oraz dla kompoetu B odpowiedio 16 i 34 sekud oraz 138 i 318 sekud. Czasy trasportu kompoetów przez podajik z wejcia systemu a staowisko motaowe oraz ze staowiska motaowego do wyjcia podlegaj rówie rozkładowi jedostajemu, którego parametry wyosz odpowiedio 10 i 156 sekud oraz 84 i 96 sekud. Przeaalizowae zosta dwa wariaty w pierwszym mamy do czyieia z sytuacj, w której kompoety pojawiajce si a wejciu systemu układaj si w jede strumie wejciowy, atomiast w wariacie drugim utworzoo osobe strumieie wejciowe dla kadego z kompoetów A oraz B. Omawiae wariaty obrazuje rysuek 1. (6) (7) 80

4 Studies & Proceedigs of Polish Associatio for Kowledge Maagemet Nr 78, 016 ródło: opracowaie włase. Rysuek 1. Wariaty aalizowaego eksperymetu symulacyjego Badaia rozpoczto od wykoaia pojedyczego eksperymetu symulacyjego dla obu przedstawioych wariatów dla przykładowej liczby 0 kompoetów wejciowych (10 typu A oraz 10 typu B). Jako zmiee wyjciowe zdefiiowao sumaryczy astpujce charakterystyki: redi czas oczekiwaia kompoetu a podajik T ocz, redi czas przebywaia kompoetu w systemie T prz, całkowit długo harmoogramu produkcyjego T sum oraz sumaryczy czas bezczyoci podajika T bcz. Zestawieie wyików zamieszczoo w tabeli 1, atomiast a rysuku zaprezetowao harmoogramy obsługi kolejych kompoetów. Zmiea wyjciowa Tabela 1. Wyiki pierwszego eksperymetu symulacyjego T ocz Wariat I 1543 s s. 606 s s. Wariat II 1478 s. 191 s. 539 s. 89 s. ródło: opracowaie włase. 81

5 Krzysztof Jurczyk, Wojciech Woiak Metoda ustalaia liczby powtórze eksperymetu symulacyjego o skoczoym horyzocie czasowym Rysuek. Harmoogramy produkcyje sporzdzoe a podstawie wyików pierwszego eksperymetu symulacyjego ródło: opracowaie włase. Łatwo zauway, e zastosowaie osobych strumiei wejciowych dla kompoetów A i B wpływa a otrzymae rezultaty, w szczególoci a długo harmoogramu oraz sumaryczy czas bezczyoci podajika. Naley si jedak zastaowi, czy uzyskae wyiki s poprawe. Powtarzajc eksperymet symulacyjy koleje 8 razy uzyskujemy zupełie ie i zaczco od siebie odbiegajce rozwizaia, które zestawioo w tabeli. Wariat I II Tabela. Wyiki pierwszego eksperymetu symulacyjego Koleje powtórzeie ródło: opracowaie włase. Tocz 8 Zmiea wyikowa s s. 606 s s s s. 644 s s s. 160 s. 684 s. 76 s s s s. 181 s s. 139 s. 693 s. 85 s s s s. 078 s s. 01 s s s s. 53 s s. 333 s s. 191 s. 539 s. 89 s. 116 s s s. 788 s s s s s s s s. 91 s s s s s s s s. 115 s s s s s s s. 550 s. 97 s.

6 Studies & Proceedigs of Polish Associatio for Kowledge Maagemet Nr 78, 016 Symulowae harmoogramy produkcyje te bd si midzy sob rói w zaleoci od kolejego powtórzeia eksperymetu. Pojawia si zatem pytaie, który z otrzymaych wyików jest prawidłowy. Eksperymet symulacyjy powiie zosta powtórzoy okrelo liczb razy co zazaczoo a wstpie iiejszej pracy. W aalizowaym przypadku wstpa liczba powtórze eksperymetu symulacyjego została ustaloa jako 100. Rozkłady uzyskaych w te sposób rozwiza zamieszczoo a rysuku 3. Rysuek 3. Histogramy obrazujce rozkłady wyików stu pierwszych powtórze eksperymetu symulacyjego ródło: opracowaie włase. Kolejy etap bada polegał a obliczeiu wartoci redich (rówaie 1) oraz odchyle stadardowych (rówaie ) uzyskaych wyików, a astpie wyzaczeiu przedziałów ufoci dla wartoci oczekiwaych a poziomie istotoci = 0,05 (rówaie 3) oraz wartoci błdów stadardowych (rówaie 4) i procetowych (rówaie 6) jakimi s obarczoe wyiki eksperymetów, co zobrazowao tabelami 3 i 4. Tabela 3. Wybrae miary statystycze wyików uzyskaych z przeprowadzoych eksperymetów symulacyjych wariat I Metryka T ocz 83 Zmiea wyikowa redia 1503 s s s. 094 s. Odchyleie stadardowe 14 s. 130 s. 31 s. 307 s. Dola graica przedziału ufoci 1483 s s. 664 s. 064 s. Góra graica przedziału ufoci 153 s s s. 16 s. Warto błdu stadardowego SE 0 s. 0 s. 31 s. 31 s. Warto błdu procetowego PE 1,33 % 1,0 % 0,47 % 1,48 % ródło: opracowaie włase.

7 Krzysztof Jurczyk, Wojciech Woiak Metoda ustalaia liczby powtórze eksperymetu symulacyjego o skoczoym horyzocie czasowym Tabela 4. Wybrae miary statystycze wyików uzyskaych z przeprowadzoych eksperymetów symulacyjych wariat II Metryka T ocz Zmiea wyikowa redia 183 s s. 567 s s. Odchyleie stadardowe 118 s. 19 s. 35 s. 31 s. Dola graica przedziału ufoci 164 s. 174 s s s. Góra graica przedziału ufoci 130 s s s s. Warto błdu stadardowego SE 19 s. 0 s. 7 s. 7 s. Warto błdu procetowego PE 1,48 % 1,15 % 0,48 %,53 % ródło: opracowaie włase. Nastpie obliczoo liczb powtórze eksperymetu symulacyjego stosujc przytoczoe a wstpie metody bezwzgldej oraz wzgldej precyzji uzyskujc wyiki jak w tabeli 5. Tabela 5. Obliczoa liczba powtórze w zaleoci od aalizowaych zmieych wyikowych oraz przyjtych poziomów precyzji Wariat W iiejszym podrozdziale zaprezetowao alteratywe podejcie do problemu ustalaia liczby powtórze eksperymetu symulacyjego. Propoowae podejcie polega a sukcesywym zwikszaiu liczby iteracji, a do mometu, w którym kady kolejy wyik ie bdzie miał zaczcego wpływu a rozkład wczeiejszych wyików. Od modelujcego zaley zdefiiowaie dokładoci oczekiwaych rezultatów w aalizowaym przypadku załooo stopie dokładoci a poziomie rówym 1%. Na rysuku 4 zaprezetowao zmiay redich wartoci aalizowaych zmieych wyikowych w zaleoci od wykoaej liczby powtórze eksperymetu symulacyjego. 84 Tocz Zmiea wyikowa Przyjty poziom precyzji AP 10 s. 10 s. 10 s. 10 s. Liczba powtórze wg metody bezwzgldej precy I Przyjty poziom precyzji RP 0,01 0,01 0,01 0,01 Liczba powtórze wg metody wzgldej precyzji Przyjty poziom precyzji AP 10 s. 10 s. 10 s. 10 s. Liczba powtórze wg metody bezwzgldej precy II Przyjty poziom precyzji RP 0,01 0,01 0,01 0,01 Liczba powtórze wg metody wzgldej precyzji ródło: opracowaie włase. W przypadku metody bezwzgldej precyzji obliczoa liczba powtórze wyiesie 961, atomiast w przypadku metody wzgldej precyzji bd to 54 powtórzeia. 3. Metoda ustaleia liczby powtórze eksperymetu symulacyjego

8 Studies & Proceedigs of Polish Associatio for Kowledge Maagemet Nr 78, 016 Rysuek 4. Zmiay redich wartoci aalizowaych zmieych wyikowych w zaleoci od wykoaej liczby powtórze eksperymetu symulacyjego ródło: opracowaie włase. Na podstawie przeprowadzoych bada ustaloo, e wymagaa liczba powtórze aalizowaego eksperymetu symulacyjego wyoisi 71 i jest determiowaa przez zmie T bcz. Kade koleje powtórzeie ie ma zaczcego wpływu a rozkład uzyskaych wyików (tabela 6). Tabela 6. Obliczoa liczba powtórze w zaleoci od aalizowaych zmieych wyikowych Wariat ródło: opracowaie włase. 4. Podsumowaie Tocz Zmiea wyikowa Zastosowaie osobych strumiei wejciowych dla dwóch róych rodzajów kompoetów w systemie dwóch staowisk motaowych obsługiwaych przez jede podajik zaczco wpływa a skróceie wartoci takich parametrów jak długo harmoogramu produkcyjego, czas bezczyoci podajika, czas oczekiwaia kompoetu a podajik oraz czas przebywaia kompoetu w systemie. Zbudowaie odpowiediego modelu symulacyjego i aaliza wyików uzyskaych z przeprowadzoych eksperymetów umoliwiła dokłade porówaie obu aalizowaych wariatów. redi czas oczekiwaia kompoetu a podajik w systemie z jedym strumieiem wejciowym jest o 17,15 % dłuszy i w przypadku systemu z osobymi strumieiami wejciowymi. 85 I II

9 Krzysztof Jurczyk, Wojciech Woiak Metoda ustalaia liczby powtórze eksperymetu symulacyjego o skoczoym horyzocie czasowym redi czas przebywaia kompoetu w systemie z jedym strumieiem wejciowym jest o 1,6 % dłuszy i w przypadku systemu z osobymi strumieiami wejciowymi. Podobie wygldaj wyiki dotyczce rediej długoci harmoogramu i całkowitego czasu bezczyoci podajika. W systemie z jedym strumieiem wejciowym wartoci tych parametrów s wiksze o odpowiedio 18,7 % i 96,5 % i w przypadku systemu z osobymi strumieiami wejciowymi. Takie miarodaje rezultaty mogły zosta uzyskae tylko pod warukiem powtórzeia eksperymetu symulacyjego okrelo liczb razy a co zwrócoo uwag w iiejszym artykule. Bibliografia [1] Alexopoulas C., Seila A., Advaced methods for simulatio output aalysis. Proceedigs of the 1998 Witer Simulatio Coferece, 1998, s [] Chug Ch.A., Simulatio modelig hadbook: a practical approach. CRC Press, Boca Rato, 004. [3] Haczar P. i i., Quatititative methods i logistics maagemet. AGH, Kraków 014. [4] Karkula M., Modelowaie i symulacja procesów logistyczych. AGH, Kraków 013. [5] Karkula M., Jurczyk K., Bukowski L., Nodetermiistic factors i simulatio models of logistics processes. CLC 01: Carpathia Logistics Cogress, November 7th-9th 01, Jaseik, Czech Republic, Cogress proceedigs (reviewed versio), TANGER Ltd., Ostrava, Czech Republic, 013, s [6] Law A., Statistical aalysis of simulatio output data: the practical state of art. Proceedigs of the 010 Witer Simulatio Coferece, 010, s [7] Leemis L.M., Buildig credible iput models. Proceedigs of the 004 Witer Simulatio Coferece, 004, s [8] Leemis L.M., Seve habits of highly successful iput modelers. Proceedigs of the 1997 Witer Simulatio Coferece, 1997, s [9] Nakayama N., Statistical aalysis of simulatio output. Proceedigs of the 008 Witer Simulatio Coferece, 008, s [10] Robertso N., Perera T., Automated data collectio for simulatio? Simulatio Practice ad Theory, Vol. 9, 00, s [11] Robiso S., Simulatio: The practice of Model Developmet ad Use. Joh Wiley & Sos Ltd., Chicester, 004. [1] Skoogh A., Johasso B., A methodology for iput data maagemet i discrete evet simulatio projects. Proceedigs of the 008 Witer Simulatio Coferece, 008, s [13] Skoogh A., Perera T., Johasso B., Iput data maagemet i simulatio Idustrial practices ad future treds. Simuatio Modellig Practice ad Theory, Vol. 9, 01, s

10 Studies & Proceedigs of Polish Associatio for Kowledge Maagemet Nr 78, 016 METHOD OF DETERMINATION OF NUMBER OF REPLICATIONS OF TERMINATING SIMULATION EXPERIMENTS Summary Computer simulatio is a excellet tool for the aalysis of complex logistics processes ad systems. It ca be used i situatios where the available aalytical methods ca ot be implemeted. There ca be listed two mai categories of simulatio termiatig simulatio ad steady state simulatio. I this study the problem of determiatio of umber of replicatios of simulatio experimet i a fiite time horizo has bee highlighted. Usig the methods of absolute ad relative precisio the umber of replicatios of the exemplary experimet has bee determied. Moreover, the origial method of determiatio of umber of replicatios has bee itroduced. Keywords: output data aalysis, schedulig, simulatio Praca realizowaa i fiasowaa w ramach gratu dziekaskiego r Krzysztof Jurczyk Katedra Iyierii Zarzdzaia Wydział Zarzdzaia AGH Akademia Góriczo-Huticza im. Staisława Staszica w Krakowie Ul. Gramatyka 10, Kraków kjurczyk@zarz.agh.edu.pl Wojciech Woiak Katedra Iyierii Zarzdzaia Wydział Zarzdzaia AGH Akademia Góriczo-Huticza im. Staisława Staszica w Krakowie Ul. Gramatyka 10, Kraków wojciech.woziak.93@zarz.agh.edu.pl 87

Metodyka szacowania niepewnoci rozszerzonej. Opracował: mgr Mikołaj Kirpluk

Metodyka szacowania niepewnoci rozszerzonej. Opracował: mgr Mikołaj Kirpluk Metodyka szacowaia ieewoci rozszerzoej Oracował: mgr Mikołaj Kirluk Jest to szacowaie ieewoci o asymetryczych graicach rzedziału ufoci wzgldem wartoci rediej, co wyika z faktu okrelaia wartoci rediej jako

Bardziej szczegółowo

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o 1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady

Bardziej szczegółowo

Lista 6. Estymacja punktowa

Lista 6. Estymacja punktowa Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?

Bardziej szczegółowo

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów

Bardziej szczegółowo

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością

Bardziej szczegółowo

Analiza wyników symulacji i rzeczywistego pomiaru zmian napięcia ładowanego kondensatora

Analiza wyników symulacji i rzeczywistego pomiaru zmian napięcia ładowanego kondensatora Aaliza wyików symulacji i rzeczywistego pomiaru zmia apięcia ładowaego kodesatora Adrzej Skowroński Symulacja umożliwia am przeprowadzeie wirtualego eksperymetu. Nie kostruując jeszcze fizyczego urządzeia

Bardziej szczegółowo

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych Temat: Poprawo całkowita i czciowa algorytmu. Złooo obliczeiowa algorytmu. Złooo czasowa redia i pesymistycza. Rzd fukcji. I. Literatura 1. L. Baachowski, K. Diks, W. Rytter Algorytmy i struktury daych.

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

STATYSTYKA I ANALIZA DANYCH

STATYSTYKA I ANALIZA DANYCH TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica

Bardziej szczegółowo

BOOTSTRAPOWA WERYFIKACJA HIPOTEZ O WARTO CI OCZEKIWANEJ POPULACJI O ROZK ADZIE ASYMETRYCZNYM

BOOTSTRAPOWA WERYFIKACJA HIPOTEZ O WARTO CI OCZEKIWANEJ POPULACJI O ROZK ADZIE ASYMETRYCZNYM A C T A U N I V E R S I T A T I S L O D Z I E N S I S FOLIA OECONOMICA 27, 22 OOTSTRAPOWA WERYFIKACJA HIPOTEZ O WARTOCI OCZEKIWANEJ POPULACJI O ROZKADZIE ASYMETRYCZNYM Streszczeie. W pracy przedstawioa

Bardziej szczegółowo

PODSTAWY BIOSTATYSTYKI ĆWICZENIA

PODSTAWY BIOSTATYSTYKI ĆWICZENIA PODSTAWY BIOSTATYSTYKI ĆWICZENIA FILIP RACIBORSKI FILIP.RACIBORSKI@WUM.EDU.PL ZAKŁAD PROFILAKTYKI ZAGROŻEŃ ŚRODOWISKOWYCH I ALERGOLOGII WUM ZADANIE 1 Z populacji wyborców pobrao próbkę 1000 osób i okazało

Bardziej szczegółowo

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych.

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych. Temat: Poprawo całkowita i czciowa algorytmu. Złooo obliczeiowa algorytmu. Złooo czasowa redia i pesymistycza. Rzd fukcji. I. Literatura 1. A. V. Aho, J.E. Hopcroft, J. D. Ullma - Projektowaie i aaliza

Bardziej szczegółowo

STATYSTKA I ANALIZA DANYCH LAB II

STATYSTKA I ANALIZA DANYCH LAB II STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.

Bardziej szczegółowo

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407 Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie

Bardziej szczegółowo

Testowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15

Testowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15 Testowaie hipotez ZałoŜeia będące przedmiotem weryfikacji azywamy hipotezami statystyczymi. KaŜde przypuszczeie ma swoją alteratywę. Jeśli postawimy hipotezę, Ŝe średica pia jedoroczych drzew owej odmiay

Bardziej szczegółowo

2.1. Studium przypadku 1

2.1. Studium przypadku 1 Uogóliaie wyików Filip Chybalski.. Studium przypadku Opis problemu Przedsiębiorstwo ŚRUBEX zajmuje się produkcją wyrobów metalowych i w jego szerokim asortymecie domiują różego rodzaju śrubki i wkręty.

Bardziej szczegółowo

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU Przedmiot: Iformatyka w logistyce Forma: Laboratorium Temat: Zadaie 2. Automatyzacja obsługi usług logistyczych z wykorzystaiem zaawasowaych fukcji oprogramowaia Excel. Miimalizacja pustych przebiegów

Bardziej szczegółowo

Pojcie estymacji. Metody probabilistyczne i statystyka Wykład 9: Estymacja punktowa. Własnoci estymatorów. Rozkłady statystyk z próby.

Pojcie estymacji. Metody probabilistyczne i statystyka Wykład 9: Estymacja punktowa. Własnoci estymatorów. Rozkłady statystyk z próby. Pojcie estymacji Metody probabilistycze i statystyka Wykład 9: Estymacja puktowa. Własoci estymatorów. Rozkłady statystyk z próby. Szacowaie wartoci parametrów lub rozkładu zmieej losowej w populacji geeralej

Bardziej szczegółowo

lim a n Cigi liczbowe i ich granice

lim a n Cigi liczbowe i ich granice Cigi liczbowe i ich graice Cigiem ieskoczoym azywamy dowol fukcj rzeczywist okrelo a zbiorze liczb aturalych. Dla wygody zapisu, zamiast a() bdziemy pisa a. Elemet a azywamy -tym wyrazem cigu. Cig (a )

Bardziej szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,

Bardziej szczegółowo

Jak obliczać podstawowe wskaźniki statystyczne?

Jak obliczać podstawowe wskaźniki statystyczne? Jak obliczać podstawowe wskaźiki statystycze? Przeprowadzoe egzamiy zewętrze dostarczają iformacji o tym, jak ucziowie w poszczególych latach opaowali umiejętości i wiadomości określoe w stadardach wymagań

Bardziej szczegółowo

Nieklasyczne modele kolorowania grafów

Nieklasyczne modele kolorowania grafów 65 Nieklasycze modele kolorowaia grafów 66 Kolorowaie sprawiedliwe Def. Jeli wierzchołki grafu G moa podzieli a k takich zbiorów iezaleych C,...,C k, e C i C j dla wszystkich i,j,...,k, to mówimy, e G

Bardziej szczegółowo

KLUCZ ODPOWIEDZI I ZASADY PUNKTOWANIA PRÓBNEGO EGZAMINU MATURALNEGO Z MATEMATYKI POZIOM PODSTAWOWY

KLUCZ ODPOWIEDZI I ZASADY PUNKTOWANIA PRÓBNEGO EGZAMINU MATURALNEGO Z MATEMATYKI POZIOM PODSTAWOWY KLUCZ ODPOWIEDZI I ZASADY PUNKTOWANIA PRÓBNEGO EGZAMINU MATURALNEGO Z MATEMATYKI POZIOM PODSTAWOWY Nr zadaia Odpowiedzi Pukty Badae umiejtoci Obszar stadardu 1. B 0 1 plauje i wykouje obliczeia a liczbach

Bardziej szczegółowo

ZADANIA NA ĆWICZENIA 3 I 4

ZADANIA NA ĆWICZENIA 3 I 4 Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą

Bardziej szczegółowo

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA Ćwiczeie ETYMACJA TATYTYCZNA Jest to metoda wioskowaia statystyczego. Umożliwia oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej

Bardziej szczegółowo

EGZAMIN MATURALNY 2012 MATEMATYKA

EGZAMIN MATURALNY 2012 MATEMATYKA etrala Komisja Egzamiacyja EGZAMIN MATURALNY 01 MATEMATYKA POZIOM PODSTAWOWY Kryteria oceiaia odpowiedzi ZERWIE 01 Zadaie 1. (0 1) Obszar stadardów i iterpretowaie iformacji Opis wymaga Usuwaie iewymieroci

Bardziej szczegółowo

RAP pa¹dziernika S n = S 0 + i=1. p r q l = p r q l r. N n(a,b)

RAP pa¹dziernika S n = S 0 + i=1. p r q l = p r q l r. N n(a,b) RAP 4 5 pa¹dzierika 008 Wykªad : PSL metoda zliczaia ±cie»ek Wykªadowca: Adrzej Ruci«ski Pisarz:Bartosz Naskr cki i Marek Kaluba Wst p B dziemy dalej studiowa zachowaia osobika, którego gr zajmowali±my

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej

Bardziej szczegółowo

1 Testy statystyczne. 2 Rodzaje testów

1 Testy statystyczne. 2 Rodzaje testów 1 Testy statystycze Podczas sprawdzaia hipotez statystyczych moga¾ wystapić ¾ dwa rodzaje b ¾edów. Prawdopodobieństwo b ¾edu polegajacego ¾ a odrzuceiu hipotezy zerowej (H 0 ), gdy jest oa prawdziwa, czyli

Bardziej szczegółowo

Elastyczno silników FIAT

Elastyczno silników FIAT ARCHIWU OTORYZACJI 4, pp. 319-35 (009) Elastyczo silików FIAT JANUSZ YSŁOWSKI, WAWRZYNIEC GOŁBIEWSKI Zachodiopomorski Uiwersytet Techologiczy W artykule przedstawioo elastyczo silików FIAT. Pierwszym aspektem

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE. Strona 1

KURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE.  Strona 1 KURS STATYSTYKA Lekcja 3 Parametrycze testy istotości ZADANIE DOMOWE www.etrapez.pl Stroa Część : TEST Zazacz poprawą odpowiedź (tylko jeda jest prawdziwa). Pytaie Statystykę moża rozumieć jako: a) próbkę

Bardziej szczegółowo

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b

Bardziej szczegółowo

Lista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym

Lista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym Lista 5 Zadaia a zastosowaie ierówosci Markowa i Czebyszewa. Zadaie 1. Niech zmiea losowa X ma rozkład jedostajy a odciku [0, 1]. Korzystając z ierówości Markowa oszacować od góry prawdopodobieństwo, że

Bardziej szczegółowo

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im

Bardziej szczegółowo

Zmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,

Zmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7, Matematyka ubezpieczeń majątkowych.0.008 r. Zadaie. r, Zmiea losowa N ma rozkład ujemy dwumiaowy z parametrami (, q), tz.: Pr( N k) (.5 + k) (.5) k! Γ Γ * Niech k ozacza taką liczbę aturalą, że: * k if{

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy

Bardziej szczegółowo

LABORATORIUM METROLOGII

LABORATORIUM METROLOGII AKADEMIA MORSKA W SZCZECINIE Cetrum Iżyierii Ruchu Morskiego LABORATORIUM METROLOGII Ćwiczeie 5 Aaliza statystycza wyików pomiarów pozycji GNSS Szczeci, 010 Zespół wykoawczy: Dr iż. Paweł Zalewski Mgr

Bardziej szczegółowo

EGZAMIN MATURALNY Z MATEMATYKI

EGZAMIN MATURALNY Z MATEMATYKI Miejsce a aklejk z kodem szkoy dysleksja EGZAMIN MATURALNY Z MATEMATYKI MMA-RAP-06 POZIOM ROZSZERZONY Czas pracy 0 miut Istrukcja dla zdajcego Sprawd, czy arkusz egzamiacyjy zawiera 4 stro (zadaia ) Ewetualy

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz

Bardziej szczegółowo

Przejście światła przez pryzmat i z

Przejście światła przez pryzmat i z I. Z pracowi fizyczej. Przejście światła przez pryzmat - cz. II 1. Przejście światła przez pryzmat. Kąt odchyleia. W paragrafie 8.10 trzeciego tomu e-podręczika opisao bieg światła moochromatyczego w pryzmacie.

Bardziej szczegółowo

Struktura czasowa stóp procentowych (term structure of interest rates)

Struktura czasowa stóp procentowych (term structure of interest rates) Struktura czasowa stóp procetowych (term structure of iterest rates) Wysokość rykowych stóp procetowych Na ryku istieje wiele różorodych stóp procetowych. Poziom rykowej stopy procetowej (lub omialej stopy,

Bardziej szczegółowo

Numeryczny opis zjawiska zaniku

Numeryczny opis zjawiska zaniku FOTON 8, iosa 05 7 Numeryczy opis zjawiska zaiku Jerzy Giter ydział Fizyki U Postawieie problemu wielu zagadieiach z różych działów fizyki spotykamy się z astępującym problemem: zmiay w czasie t pewej

Bardziej szczegółowo

Wytwarzanie energii odnawialnej

Wytwarzanie energii odnawialnej Adrzej Nocuñ Waldemar Ostrowski Adrzej Rabszty Miros³aw bik Eugeiusz Miklas B³a ej yp Wytwarzaie eergii odawialej poprzez współspalaie biomasy z paliwami podstawowymi w PKE SA W celu osi¹giêcia zawartego

Bardziej szczegółowo

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy. MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,

Bardziej szczegółowo

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2 Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%

Bardziej szczegółowo

16 Przedziały ufności

16 Przedziały ufności 16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])

Bardziej szczegółowo

Wybór systemu klasy ERP metod AHP

Wybór systemu klasy ERP metod AHP BIULETYN INSTYTUTU SYSTEMÓW INFORMATYCZNYCH 5 3-22 (200) Wybór systemu klasy ERP metod AHP A. CHOJNACI, O. SZWEDO e-mail: adrzej.chojacki@wat.edu.pl Wydzia Cyberetyki WAT ul. S. aliskiego 2, 00-908 Warszawa

Bardziej szczegółowo

Planowanie organizacji robót budowlanych na podstawie analizy nakładów pracy zasobów czynnych

Planowanie organizacji robót budowlanych na podstawie analizy nakładów pracy zasobów czynnych Budowictwo i Architektura 12(1) (2013) 39-46 Plaowaie orgaizacji robót budowlaych a podstawie aalizy akładów pracy zasobów czyych Roma Marcikowski 1 1 Istytut Budowictwa, Wydział Budowictwa Mechaiki i

Bardziej szczegółowo

POLITECHNIKA OPOLSKA

POLITECHNIKA OPOLSKA POLITCHIKA OPOLSKA ISTYTUT AUTOMATYKI I IFOMATYKI LABOATOIUM MTOLOII LKTOICZJ 7. KOMPSATOY U P U. KOMPSATOY APIĘCIA STAŁO.. Wstęp... Zasada pomiaru metodą kompesacyją. Metoda kompesacyja pomiaru apięcia

Bardziej szczegółowo

ANALIZA DRGAŃ POPRZECZNYCH PŁYTY PIERŚCIENIOWEJ O ZŁOŻONYM KSZTAŁCIE Z UWZGLĘDNIENIEM WŁASNOŚCI CYKLICZNEJ SYMETRII UKŁADU

ANALIZA DRGAŃ POPRZECZNYCH PŁYTY PIERŚCIENIOWEJ O ZŁOŻONYM KSZTAŁCIE Z UWZGLĘDNIENIEM WŁASNOŚCI CYKLICZNEJ SYMETRII UKŁADU Dr iż. Staisław NOGA oga@prz.edu.pl Politechika Rzeszowska ANALIZA DRGAŃ POPRZECZNYCH PŁYTY PIERŚCIENIOWEJ O ZŁOŻONYM KSZTAŁCIE Z UWZGLĘDNIENIEM WŁASNOŚCI CYKLICZNEJ SYMETRII UKŁADU Streszczeie: W publikacji

Bardziej szczegółowo

Klasyfikacja inwestycji materialnych ze względu na ich cel:

Klasyfikacja inwestycji materialnych ze względu na ich cel: Metodologia obliczeia powyższych wartości Klasyfikacja iwestycji materialych ze względu a ich cel: mające a celu odtworzeie środków trwałych lub ich wymiaę w celu obiżeia kosztów produkcji, rozwojowe:

Bardziej szczegółowo

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,. Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,

Bardziej szczegółowo

Model ciągły wyceny opcji Blacka Scholesa - Mertona. Wzór Blacka - Scholesa na wycenę opcji europejskiej.

Model ciągły wyceny opcji Blacka Scholesa - Mertona. Wzór Blacka - Scholesa na wycenę opcji europejskiej. Model ciągły wycey opcji Blacka Scholesa - Mertoa Wzór Blacka - Scholesa a wyceę opcji europejskiej. Model Blacka Scholesa- Mertoa Przełomowe prace z zakresu wycey opcji: Fischer Black, Myro Scholes The

Bardziej szczegółowo

Statystyka opisowa. () Statystyka opisowa 24 maja / 8

Statystyka opisowa. () Statystyka opisowa 24 maja / 8 Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów

Bardziej szczegółowo

INWESTYCJE MATERIALNE

INWESTYCJE MATERIALNE OCENA EFEKTYWNOŚCI INWESTYCJI INWESTCJE: proces wydatkowaia środków a aktywa, z których moża oczekiwać dochodów pieiężych w późiejszym okresie. Każde przedsiębiorstwo posiada pewą liczbę możliwych projektów

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0, Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi

Bardziej szczegółowo

Kolorowanie Dywanu Sierpińskiego. Andrzej Szablewski, Radosław Peszkowski

Kolorowanie Dywanu Sierpińskiego. Andrzej Szablewski, Radosław Peszkowski olorowaie Dywau ierpińskiego Adrzej zablewski, Radosław Peszkowski pis treści stęp... Problem kolorowaia... Róże rodzaje kwadratów... osekwecja atury fraktalej...6 zory rekurecyje... Przekształcaie rekurecji...

Bardziej szczegółowo

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1). TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ

Bardziej szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to

Bardziej szczegółowo

TEST SYMETRYCZNO CI LI

TEST SYMETRYCZNO CI LI A C T A U N I V E R S I T A T I S L O D Z I E N S I S FOLIA OECONOMICA 7, 0 Aleksadra Baszczyska TEST SYMETRYCZNOCI LI Streszczeie. Test symetryczoci rozkadu zmieej losowej zapropooway przez Li w 997 roku

Bardziej szczegółowo

Ocena zdolności procesów o dużej asymetrii względem granic tolerancji

Ocena zdolności procesów o dużej asymetrii względem granic tolerancji ARCHIVES of FOUNDRY ENGINEERING Published quarterly as the orga of the Foudry Commissio of the Polish Academy of Scieces ISSN (897-330) Volume 0 Special Issue 3/00 63 68 3/3 Ocea zdolości procesów o dużej

Bardziej szczegółowo

Równoliczno zbiorów. Definicja 3.1 Powiemy, e niepuste zbiory A i B s równoliczne jeeli istnieje. Piszemy wówczas A~B. Przyjmujemy dodatkowo, e ~.

Równoliczno zbiorów. Definicja 3.1 Powiemy, e niepuste zbiory A i B s równoliczne jeeli istnieje. Piszemy wówczas A~B. Przyjmujemy dodatkowo, e ~. 16 Rówoliczo zbiorów Defiicja 3.1 Powiemy, e iepuste zbiory A i B s rówolicze jeeli istieje f : A B. Piszemy wówczas A~B. Przyjmujemy dodatkowo, e ~. Twierdzeie 3.1 (podstawowa właso rówoliczoci zbiorów)

Bardziej szczegółowo

Wykład. Inwestycja. Inwestycje. Inwestowanie. Działalność inwestycyjna. Inwestycja

Wykład. Inwestycja. Inwestycje. Inwestowanie. Działalność inwestycyjna. Inwestycja Iwestycja Wykład Celowo wydatkowae środki firmy skierowae a powiększeie jej dochodów w przyszłości. Iwestycje w wyiku użycia środków fiasowych tworzą lub powiększają majątek rzeczowy, majątek fiasowy i

Bardziej szczegółowo

Matematyka finansowa 06.10.2008 r. Komisja Egzaminacyjna dla Aktuariuszy. XLVII Egzamin dla Aktuariuszy z 6 października 2008 r.

Matematyka finansowa 06.10.2008 r. Komisja Egzaminacyjna dla Aktuariuszy. XLVII Egzamin dla Aktuariuszy z 6 października 2008 r. Komisja Egzamiacyja dla Aktuariuszy XLVII Egzami dla Aktuariuszy z 6 paździerika 2008 r. Część I Matematyka fiasowa WERSJA TESTU A Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut . Kredytobiorca

Bardziej szczegółowo

SYMULACJA MIKROSKOPOWA RUCHU W MODELU OBSZAROWYM SIECI DROGOWEJ

SYMULACJA MIKROSKOPOWA RUCHU W MODELU OBSZAROWYM SIECI DROGOWEJ PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 86 Trasport 202 Staisaw Krawiec, Ireeusz Celiski Wydzia Trasportu, Politechika lska SYMULACJA MIKROSKOPOWA RUCHU W MELU OBSZAROWYM SIECI DROGOWEJ Rkopis dostarczoo,

Bardziej szczegółowo

TESTY LOSOWOŚCI. Badanie losowości próby - test serii.

TESTY LOSOWOŚCI. Badanie losowości próby - test serii. TESTY LOSOWOŚCI Badaie losowości próby - test serii. W wielu zagadieiach wioskowaia statystyczego istotym założeiem jest losowość próby. Prostym testem do weryfikacji tej własości jest test serii. 1 Dla

Bardziej szczegółowo

Obligacje indeksowane do inflacji

Obligacje indeksowane do inflacji Szkoła Główa Hadlowa w Warszawie Studium Dyplomowe Kieruek: Fiase i Bakowo Piotr urawski Nr Albumu: 2400 Obligacje ideksowae do iflacji Praca magisterska apisaa w Katedrze Skarbowoci pod kierukiem aukowym

Bardziej szczegółowo

Wykład 11 ( ). Przedziały ufności dla średniej

Wykład 11 ( ). Przedziały ufności dla średniej Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;

Bardziej szczegółowo

ZASTOSOWANIE METODY LOSOWANIA LHS W BADANIACH SYMULACYJNYCH MODELI SIECIOWYCH. Sławomir BIRUK, Piotr JAŚKOWSKI

ZASTOSOWANIE METODY LOSOWANIA LHS W BADANIACH SYMULACYJNYCH MODELI SIECIOWYCH. Sławomir BIRUK, Piotr JAŚKOWSKI ZASTOSOWANIE METODY LOSOWANIA LHS W BADANIACH SYMULACYJNYCH MODELI SIECIOWYCH Sławomir BIRUK, Piotr JAŚKOWSKI Wydział Budowictwa i Architektury, Politechika Lubelska, ul. Nadbystrzycka 0, 0-68 Lubli Streszczeie:

Bardziej szczegółowo

O liczbach naturalnych, których suma równa się iloczynowi

O liczbach naturalnych, których suma równa się iloczynowi O liczbach aturalych, których suma rówa się iloczyowi Lew Kurladczyk i Adrzej Nowicki Toruń UMK, 10 listopada 1998 r. Liczby aturale 1, 2, 3 posiadają szczególą własość. Ich suma rówa się iloczyowi: Podobą

Bardziej szczegółowo

1 Układy równań liniowych

1 Układy równań liniowych Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b

Bardziej szczegółowo

n n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc

n n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc 5.3. Zagadieia estymacji 87 Rozważmy teraz dokładiej zagadieie szacowaia wartości oczekiwaej m zmieej losowej X o rozkładzie ormalym N(m, F), w którym odchyleie stadardowe F jest zae. Niech X, X,..., X

Bardziej szczegółowo

Analiza potencjału energetycznego depozytów mułów węglowych

Analiza potencjału energetycznego depozytów mułów węglowych zaiteresowaia wykorzystaiem tej metody w odiesieiu do iych droboziaristych materiałów odpadowych ze wzbogacaia węgla kamieego ależy poszukiwać owych, skutecziej działających odczyików. Zdecydowaie miej

Bardziej szczegółowo

Prognozowanie wielkości sprzedaży z wykorzystaniem sztucznych sieci neuronowych na przykładzie przedsiębiorstwa branży kwiatowej

Prognozowanie wielkości sprzedaży z wykorzystaniem sztucznych sieci neuronowych na przykładzie przedsiębiorstwa branży kwiatowej Krzysztof Jurczyk 1 AGH Akademia Góriczo-Huticza Agata Kutyba 2 AGH Akademia Góriczo-Huticza Progozowaie wielkości sprzedaży z wykorzystaiem sztuczych sieci euroowych a przykładzie przedsiębiorstwa braży

Bardziej szczegółowo

STATYSTYCZNA OCENA WYNIKÓW POMIARÓW.

STATYSTYCZNA OCENA WYNIKÓW POMIARÓW. Statytycza ocea wyików pomiaru STATYSTYCZNA OCENA WYNIKÓW POMIARÓW CEL ĆWICZENIA Celem ćwiczeia jet: uświadomieie tudetom, że każdy wyik pomiaru obarczoy jet błędem o ie zawze zaej przyczyie i wartości,

Bardziej szczegółowo

ZSTA LMO Zadania na ćwiczenia

ZSTA LMO Zadania na ćwiczenia ZSTA LMO Zadaia a ćwiczeia Efektywość estymatorów ieobciążoych Zadaie 1. Zakładamy, że badaa cecha X populacji ma rozkład Poissoa πλ, gdzie λ > 0 jest parametrem. Poadto, iech X = X 1, X,..., X będzie

Bardziej szczegółowo

PODSTAWY MATEMATYKI FINANSOWEJ

PODSTAWY MATEMATYKI FINANSOWEJ PODSTAWY MATEMATYKI INANSOWEJ WZORY I POJĘCIA PODSTAWOWE ODSETKI, A STOPA PROCENTOWA KREDYTU (5) ODSETKI OD KREDYTU KWOTA KREDYTU R R- rocza stopa oprocetowaia kredytu t - okres trwaia kredytu w diach

Bardziej szczegółowo

(X i X) 2. n 1. X m S

(X i X) 2. n 1. X m S Wykład 8. Przedziały ufości i testowaie hipotez A gdy ie zamy wariacji σ 2? Załóżmy, że X ma rozkład ormaly, ale ie zamy wartości ai m ai σ 2. Jak wtedy szacować wartość średią m? Przypomijmy, że Wtedy

Bardziej szczegółowo

LUBELSKA PRÓBA PRZED MATURĄ 2015 poziom podstawowy. Liczba punktów Wyznaczenie pierwszej współrzędnej wierzchołka paraboli: x.

LUBELSKA PRÓBA PRZED MATURĄ 2015 poziom podstawowy. Liczba punktów Wyznaczenie pierwszej współrzędnej wierzchołka paraboli: x. LUBELSKA PRÓBA PRZED MATURĄ 05 poziom podstawowy ZESTAW A ZADANIA ZAMKNIĘTE 5 6 7 8 9 0 5 6 7 8 9 0 A B D D A D B D A B C D C B A C A C B C A B D C ZADANIA OTWARTE KRÓTKIEJ ODPOWIEDZI zadaia 5 6 7 puktów

Bardziej szczegółowo

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień.

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień. Metoda aalizy hierarchii Saaty ego Ważym problemem podejmowaia decyzji optymalizowaej jest często występująca hierarchiczość zagadień. Istieje wiele heurystyczych podejść do rozwiązaia tego problemu, jedak

Bardziej szczegółowo

Wykªad 2. Szeregi liczbowe.

Wykªad 2. Szeregi liczbowe. Wykªad jest prowadzoy w oparciu o podr czik Aaliza matematycza 2. Deicje, twierdzeia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 2. Szeregi liczbowe. Deicje i podstawowe twierdzeia Deicja Szeregiem liczbowym

Bardziej szczegółowo

Opracowanie danych pomiarowych. dla studentów realizujących program Pracowni Fizycznej

Opracowanie danych pomiarowych. dla studentów realizujących program Pracowni Fizycznej Opracowaie daych pomiarowych dla studetów realizujących program Pracowi Fizyczej Pomiar Działaie mające a celu wyzaczeie wielkości mierzoej.. Do pomiarów stosuje się przyrządy pomiarowe proste lub złożoe.

Bardziej szczegółowo

Przedziaªy ufno±ci a testowanie hipotez statystycznych Konspekt do zaj : Statystyczne metody analizy danych

Przedziaªy ufno±ci a testowanie hipotez statystycznych Konspekt do zaj : Statystyczne metody analizy danych Przedziaªy ufo±ci a testowaie hipotez statystyczych Kospekt do zaj : Statystycze metody aalizy daych Agieszka Nowak-Brzezi«ska 26 listopada 2009 1 Wprowadzeie Celem zaj ma by omówieie podstawowych zagadie«i

Bardziej szczegółowo

Tw. 1. Je»eli ci g {a n } ma granic a i ci g {b n } ma granic b, to ci g {a n b n } ma granic a b. Tw. 2. b n. Tw. 3. Tw. 4.

Tw. 1. Je»eli ci g {a n } ma granic a i ci g {b n } ma granic b, to ci g {a n b n } ma granic a b. Tw. 2. b n. Tw. 3. Tw. 4. Tw.. Je»eli ci g {a } ma graic a i ci g {b } ma graic b, to ci g {a + b } ma graic a+b. Tw.. Je»eli ci g {a } ma graic a i ci g {b } ma graic b, to ci g {a b } ma graic a-b. Tw.. Je»eli ci g {a } ma graic

Bardziej szczegółowo

Oszacowanie warto ci charakterystycznej wytrzyma o ci betonu na ciskanie wed ug aktualnych zalece normowych

Oszacowanie warto ci charakterystycznej wytrzyma o ci betonu na ciskanie wed ug aktualnych zalece normowych Budowictwo i Architektura 1(3) (013) 193-00 Oszacowaie wartoci charakterystyczej wytrzymaoci betou a ciskaie wedug aktualych zalece ormowych Izabela Skrzypczak 1 1 Katedra Geodezji i Geotechiki, Wydzia

Bardziej szczegółowo

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1, 1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =

Bardziej szczegółowo

Zeszyty naukowe nr 9

Zeszyty naukowe nr 9 Zeszyty aukowe r 9 Wyższej Szkoły Ekoomiczej w Bochi 2011 Piotr Fijałkowski Model zależości otowań giełdowych a przykładzie otowań ołowiu i spółki Orzeł Biały S.A. Streszczeie Niiejsza praca opisuje próbę

Bardziej szczegółowo

METODA ANALIZY JAKOCI PROCESÓW TECHNOLOGICZNYCH PRZY ZASTOSOWANIU KOMPUTEROWEGO WSPOMAGANIA

METODA ANALIZY JAKOCI PROCESÓW TECHNOLOGICZNYCH PRZY ZASTOSOWANIU KOMPUTEROWEGO WSPOMAGANIA 19/21 ARCHIWUM ODLEWNICTWA Rok 2006, Roczik 6, Nr 21(1/2) ARCHIVES OF FOUNDARY Year 2006, Volume 6, Nº 21 (1/2) PAN Katowice PL ISSN 1642-5308 METODA ANALIZY JAKOCI PROCESÓW TECHNOLOGICZNYCH PRZY ZASTOSOWANIU

Bardziej szczegółowo

Jarosław Wróblewski Analiza Matematyczna 1, zima 2016/17

Jarosław Wróblewski Analiza Matematyczna 1, zima 2016/17 Egzami, 18.02.2017, godz. 9:00-11:30 Zadaie 1. (22 pukty) W każdym z zadań 1.1-1.10 podaj w postaci uproszczoej kresy zbioru oraz apisz, czy kresy ależą do zbioru (apisz TAK albo NIE, ewetualie T albo

Bardziej szczegółowo

(a) Jednowarstwowa sieć Hopfielda, z n neuronami (źródło [2]) (b) Bipolarna funkcja przejścia

(a) Jednowarstwowa sieć Hopfielda, z n neuronami (źródło [2]) (b) Bipolarna funkcja przejścia Sieci rekurecyje Przedmiot: Sieci euroowe i ich zastosowaie Sieci rekurecyje posiadają sprzężeie zwrote, co ma istoty wpływ a ich możliwości uczeia. Mają symulować asocjacyjy charakter ludzkiej pamięci.

Bardziej szczegółowo

METODY APROKSYMACJI MATEUSZ WAGA. Gimnazjum im. Jana Matejki w Zabierzowie

METODY APROKSYMACJI MATEUSZ WAGA. Gimnazjum im. Jana Matejki w Zabierzowie METODY APROKSYMACJI MATEUSZ WAGA Gimazjum im. Jaa Matejki w Zabierzowie SPIS TREŚCI 1 WSTĘP... 2 2 MODEL MATEMATYCZNY... 3 3 UOGÓLNIENIE MODELU MATEMATYCZNEG... 6 4 MODEL INFORMATYCZNY... 7 5 PRZYKŁADY

Bardziej szczegółowo

Metody badania zbieżności/rozbieżności ciągów liczbowych

Metody badania zbieżności/rozbieżności ciągów liczbowych Metody badaia zbieżości/rozbieżości ciągów liczbowych Ryszard Rębowski 14 grudia 2017 1 Wstęp Kluczowe pytaie odoszące się do zagadieia badaia zachowaia się ciągu liczbowego sprowadza się do sposobu opisu

Bardziej szczegółowo

ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO

ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO Agieszka Jakubowska ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO. Wstęp Skąplikowaie współczesego życia gospodarczego powoduje, iż do sterowaia procesem zarządzaia

Bardziej szczegółowo

1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.

1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n. Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematycza dla leśików Wydział Leśy Kieruek leśictwo Studia Stacjoare I Stopia Rok akademicki 0/0 Wykład 5 Testy statystycze Ogóle zasady testowaia hipotez statystyczych, rodzaje hipotez, rodzaje

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej 3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi

Bardziej szczegółowo