SYSTEM WSPOMAGANIA DECYZJI W WARUNKACH RYZYKA PRZY UŻYCIU OPTYMALIZACJI WIELOKRYTERIALNEJ
|
|
- Zdzisław Stankiewicz
- 4 lat temu
- Przeglądów:
Transkrypt
1 ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 208 Sera: ORGANIZACJA I ZARZĄDZANIE z. 8 SYSTEM WSPOMAGANIA DECYZJI W WARUNKACH RYZYKA PRZY UŻYCIU OPTYMALIZACJI WIELOKRYTERIALNEJ Andrzej ŁODZIŃSKI Szkoła Główna Gospodarstwa Wejskego w Warszawe; andrzej_lodznsk@sggw.pl Streszczene: W prac przedstawono etodę wspoagana deczj w warunkach rzka opartą na optalzacj welokrteralnej. Deczje w warunkach rzka wrażają preferencje ne tlko w odnesenu do ożlwch rezultatów deczj ale stopna nepewnośc co do uzskana takch wnków. Wspoagane podejowane deczj w warunkach rzka odeluje sę prz pooc specjalnego zadana optalzacj welokrteralnej. Jest to zadane z uporządkowan nealejąco funkcja. Metoda wspoagana deczj polega na nteraktwn prowadzenu procesu podejowana deczj tzn. wbór deczj dokonuje sę przez rozwązwane zadana z paraetra sterując które określają aspracje decdenta ocene otrzwanch rozwązań. Praca zawera przkład wspoagana wboru deczj w warunkach rzka proble wboru nwestcj fnansowej. Słowa kluczowe: deczje w warunkach rzka optalzacja welokrteralna deczja setrczne efektwna funkcja skalarzjąca etoda wboru deczj. DECISION SUPPORT SYSTEM UNDER RISK WITH THE USE MULTI-CRITERIA OPTIMIZATION Abstract: The paper presents a ethod of decson support under rsk based on ult-crtera optzaton. Decsons under rsk epress preferences not onl n relaton to the possble results of the decson but also the degree of uncertant as to obtanng such results. The decson akng process s odeled usng a specal ult-crtera optzaton proble. It s a proble wth functonall ordered functons. The decson support ethod nvolves nteractve decson akng e the decson s ade b solvng the proble wth control paraeters that deterne the decson aker's aspratons and the evaluaton of the solutons receved. The work contans an eaple of decson support under rsk the proble of choosng a fnancal nvestent. Kewords: decson under rsk ult-cttera optzaton setrcall effcent decson scalarzng functon ethod of decson selecton.
2 352 A. Łodzńsk. Wprowadzane Dzałane w warunkach rzka dotcz podejowana deczj dotczącch zdarzeń które ogą wstąpć z określon prawdopodobeństwe. Każde przedsęwzęce jest bowe obarczone rzke. Rzko oznacza ożlwość osągnęca wnku deczj różnącej sę od tego co sę oczekuje Z dośwadczena znan tlko przeszłość obserwuje teraźnejszość próbuje przewdzeć przszłość. Przewdwane jest zwązane z konstruowane prawdopodobnch scenarusz opartch na analze statstcznej danch przeszłośc tak ab znaleźć przesłank o przszłośc przewdzeć ją jak najlepej. W prac przedstawono etodę wspoagana wboru deczj w warunkach rzka opartą na optalzacj welokrteralnej. Rzko jest odelowane za poaca zboru scenarusz o określonch prawdopodobeństwach. Scenarusze są to wstąpena neprzewdzanch okolcznośc lub cznnków zakłócającch. Są one powodowane przez cznnk nezależne od decdenta a ające stotn wpłw na wnk deczj. Jednocześne każd scenarusz określa jednoznaczne realzację wnków dla poszczególnch deczj. Podejując deczje ne jest w stane ustalć z całą pewnoścą do którego wnku doprowadz każde z dzałań potraf natoast przpsać prawdopodobeństwo teu że dan wnk wstąp (Helpen 200; Luce and Raffa 966; Sauelson. and Mark 998). Podejowane deczj w warunkach rzka odeluje sę prz pooc specjalnego zadana optalzacj welokrteralnej. Jest to zadane z uporządkowan nealejąco funkcja. Decdent pownen dokonwać wboru deczj prz pooc nteraktwnego ssteu koputerowego. Sste tak uożlwa sterowan przegląd zboru rozwązań. Na podstawe podawanch przez decdenta wartośc paraetrów sterującch rozwązwane jest zadane sste przedstawa do analz rozwązane odpowadające beżąc wartośco tch paraetrów. 2. Modelowane stuacj deczjnej w warunkach rzka Podejowane deczj w warunkach rzka jest wted gd stneje węcej nż jeden ożlw wnk dla każdej deczj. Każda deczja prowadz do wnku z pewnego określonego zboru ożlwch wnków z którch każd a znane prawdopodobeństwo pojawena sę. Prawdopodobeństwa te są znane podejująceu deczję. Proble wboru deczj w warunkach rzka odeluje wprowadzając do probleu wboru deczj scenarusze które reprezentują ożlwe stan otoczena. Dla scenarusz dan jest ch rozkład prawdopodobeństwa. Jeżel założ że prawdopodobeństwa wstąpena poszczególnch scenarusz są lczba wern to ożna przez welokrotne
3 Sste wspoagana deczj 353 powtarzane odpowednch scenarusz doprowadzć do stuacj gdze prawdopodobeństwo wstąpena każdego scenarusza jest take sao. Lczba wstąpeń określonego scenarusza odpowada przpsaneu u prawdopodobeństwu. Określon scenaruszo odpowadają odpowedne realzacje funkcj ocen preferowana jest wększa wartość funkcj ocen. Rozpatruje stuację w której dla każdej deczj ożlwch wnków jednakowe wnoszą S... f ( ).... Prz każd scenaruszu X 0 pojawa sę jeden z f ( ).... Prawdopodobeństwa tch wnków są p /. Proble wboru deczj w warunkach rzka odeluje sę jako zadane optalzacj welokrteralnej: gdze: a{( f( )... f( )) : X 0} () X 0 deczja należąca do zboru deczj dopuszczalnch S... scenarusze (stan otoczena) n X R 0 f ( f... f ) funkcja wektorowa która przporządkowuje każdeu wektorow zennch deczjnch X 0 wektor ocen f () ; poszczególne współrzędne f ( )... reprezentują skalarne funkcje ocen wnk deczj prz zajścu scenarusza S... X 0 zbór deczj dopuszczalnch. Jest to zadane optalzacj welokrteralnej sprowadzone do jednakowo prawdopodobnch scenarusz. Wnk są tak sao prawdopodobne każda współrzędna funkcj ocen a taką saą wagę. Funkcja wektorowa f () przporządkowuje każdeu wektorow zennch deczjnch wektor ocen Y0 któr erz jakość deczj z punktu wdzena ustalonego układu wskaźnków jakośc.... Obraz zboru dopuszczalnego dla funkcj f stanow zbór osągalnch wektorów ocen. Zadane to oże bć zapsane w równoważnej fore w przestrzen ocen tzn. rozpatruje sę następujące zadane: gdze: wektor zennch deczjnch Y 0 a{(... ) : Y0} (2) (... ) wektorow wskaźnk jakośc poszczególne współrzędne f ( ).. reprezentują pojedncze skalarne krtera Y zbór osągalnch wektorów ocen. 0 X 0
4 354 A. Łodzńsk Wektor ocen (... ) w problee welokrteraln (2) reprezentuje wnk deczj w postac wektora o jednakowo prawdopodobnch współrzędnch... p / 3. Rozwązana setrczne efektwne Podejowane deczj w warunkach rzka odeluje sę jako specjalne zadane optalzacj welokrteralnej z relacją preferencj spełnającą własność anonowośc. Ne rozróżna sę wnków które różną sę uporządkowane współrzędnch. Rozwązane probleu wboru deczj jest deczja setrczne efektwna. Jest to deczja efektwna która spełna dodatkową własność własność anonowośc relacj preferencj. Rozwązana nezdonowane (Pareto-optalne) są defnowane prz pooc relacj preferencj która odpowada na ptane któr z danej par danch wektorów ocen jest lepsz. Jest to następująca relacja: j j j 2 R. (3) Wektor ocen ˆ Y0 jest nezdonowan wektore ocen jeśl ne stneje tak wektor Y 0 któr donuje. W przestrzen deczj określa sę odpowedne deczje dopuszczalne. Deczję ˆ X 0 nazwa sę deczją efektwną (Pareto-optalną) jeśl odpowadając u wektor ocen ˆ f ( ˆ ) jest wektore nezdonowan. W problee welokrteraln () któr służ do podejowana deczj w warunkach ŷ rzka prz dan zestawe funkcj ocen ważn jest tlko rozkład wartośc osągnętch przez te funkcje a ne jest ważne która funkcja jaką wartość przjęła. Ne rozróżna sę wnków które różną sę uporządkowane. Wagane to forułuje sę jako własność anonowośc (bezstronnośc) relacj preferencj. Relację nazwa sę relacją anonową wted gd dla każdego wektora ocen ( 2... ) R dla dowolnej perutacj zboru {... } zachodz następująca własność:... ) (... ). (4) ( P( ) P(2) P( ) 2 Wektor ocen ające te sae współrzędne ale w nnej kolejnośc są utożsaane. Relacje preferencj spełnającą dodatkow warunek anonowośc nazwa sę anonową relacją preferencj. Wektor nezdonowan spełnając własność anonowośc nazwa sę wektore setrczne nezdonowan. Zbór wektorów setrczne nezdonowanch oznacza sę Yˆ 0 S. W przestrzen deczj określa sę deczję setrczne efektwną. Deczję ˆ X 0 nazwa sę deczją setrczne efektwną jeśl odpowadając u wektor ocen ˆ f ( ˆ ) jest wektore P
5 Sste wspoagana deczj 355 setrczne nezdonowan. Zbór deczj setrczne efektwnch oznacza sę (Ogrczak 2002). Relację setrcznej donacj ożna wrazć jako relację nerównośc dla wektorów ocen którch współrzędne są uporządkowane w porządku nealejąc. Relację tę ożna zapsać z użce przekształcena wektorów ocen czl wektor Xˆ 0S T : R R porządkującego nealejąco współrzędne T() jest wektore z uporządkowan nealejąco współrzędn wektora tzn. T ) ( T ( ) T ( )... T ( )) gdze: T ( 2 dla ) T ( )... T ( ) oraz stneje perutacja P.. Wektor ocen warunek:. Relacja setrcznej donacj ( 2 zboru donuje setrczne preferuje wektor 2 2 {... } 2 taka że T ( ) P ( ) jeśl spełnon jest a T( ) T( ). (5) uporządkowanch nealejąco wektorów (Ogrczak 2002). a jest zwkłą donacją wektorową dla 4. Technk generacj rozwązań setrczne efektwnch Dla wznaczena rozwązań setrczne efektwnch zadana welokrteralnego () rozwązuje sę szczególne zadane welokrteralne. Jest to zadane z uporządkowan w kolejnośc nealejącej współrzędn wektora ocen tzn. następujące zadane: gdze:... ) wektor ocen T ( 2 ( 2 a{( T ( ) T2 ( )... T ( )) : Y0} (6) ) ( T ( ) T ( )... T ( )) gdze: T ) T ( )... T ( ) uporządkowan nealejąco wektor ocen Y 0 zbór osągalnch wektorów ocen. ( 2 Rozwązane efektwne zadana optalzacj welokrteralnej (6) jest setrczne efektwn rozwązane zadana welokrteralnego (). Ab wznaczć rozwązane zadana welokrteralnego (6) rozwązuje sę skalarzację tego zadana z funkcją skalarzującą: s : Y R : a{ s( ) : X 0} (7)
6 356 A. Łodzńsk gdze:... ) wektor ocen ( 2... ) wektor paraetrów sterującch. ( 2 Jest to zadane optalzacj jednokrteralnej specjalne utworzonej funkcj skalarzującej dwóch zennch wektora ocen wektora paraetrów sterującch R Y 0 o wartośc rzeczwstej tzn. funkcj s : Y0 R. Paraetr ( 2... ) jest w dspozcj decdenta co uożlwa u przeglądane zboru rozwązań setrczne efektwnch. Rozwązane optalne zadana (7) pownno bć rozwązane zadana welokrteralnego (6). Funkcja skalarzująca pownna eć dwe własnośc: własność zupełnośc za poocą odpowednch zan paraetru ożna osągnąć dowoln rezultat ˆ ˆ. Y0S własność wstarczalnośc dla każdego paraetru sterującego skalarzacj (7) jest rozwązane setrczne efektwn tzn. rozwązane zadana ˆ ˆ Y0S Zupełną wstarczającą paraetrzację zboru rozwązań setrczne efektwnch otrzuje sę stosując etodę punktu odnesena do zadana (6). Metoda ta użwa jako paraetrów sterującch pozoów aspracj. Pozo aspracj są tak wartośca funkcj ocen które satsfakcjonują decdenta. gdze: Funkcja skalarzującą w etodze punktu odnesena a następującą postać:... ) wektor ocen T ( 2 s( ) n( T ( ) T ( ) ) ( T ( ) T ( ) ) (8) ) ( T ( ) T ( )... T ( )) gdze: T ) T ( )... T ( ) uporządkowan ( 2 nealejąco wektor ocen ( 2... T ) wektor pozoów aspracj ( 2 ( 2 ) ( T ( ) T ( )... T ( )) gdze: T ) T ( )... T ( ) uporządkowan nealejąco wektor pozoów aspracj arbtralne ał dodatn paraetr regularzacjn. ( 2. Yˆ 0S Taka funkcja skalarzującą nazwa sę funkcją osągnęca. Funkcja ta erz blskość danego rozwązana od pozou aspracj. Dąż sę do znalezena rozwązana które zblża sę tak blsko jak to ożlwe do spełnena określonch wagań pozoów aspracj. Maksalzacja takej funkcj ze względu wznacza rozwązane setrczne efektwne ŷ generującą je deczję setrczne efektwną ˆ. Wznaczone rozwązane
7 Sste wspoagana deczj 357 setrczne efektwne ˆ zależ od wartośc pozoów aspracj Werzbck989; Łodzńsk 2007; Werzbck Makowsk and Wessels 2000). (Lewandowsk and 5. Metoda wspoagana wboru deczj setrczne efektwnch Rozwązane zadana optalzacj welokrteralnej jest cał zbór rozwązań. Narzędze do przeglądana zboru rozwązań jest funkcja (8). Maksu tej funkcj zależ od paraetru którego decdent użwa do wboru rozwązana. W etodze punktu odnesena decdent wkorzstuje punkt aspracj które określają jego preferencje dla każdej funkcj ocen... oraz aksalzację funkcj osągneca w celu organzacj nterakcj z sstee. Wartośc pozoów aspracj jako paraetrów sterującch są łatwo rozuane przez decdenta jako welkośc rzeczwste charakterzujące jego preferencje. Metoda wboru deczj jest etodą teracjną polegającą na przeenn wkonwanu: oblczeń dającch kolejne rozwązana setrczne efektwne dalogu z decdente będąc źródłe dodatkowej nforacj o preferencjach decdenta. Metoda wspoagana wboru deczj jest przestawona jest na rsunku (rsunek ). decdent ŷ Model procesu deczjnego a{( f( )... f( )): X0} Rsunek. Metoda wspoagana wboru deczj. Tak sposób wspoagana wboru deczj ne narzuca decdentow żadnego sztwnego scenarusza analz probleu deczjnego dopuszcza ożlwość odfkacj jego preferencj w trakce analz probleu. W t sposobe podejowana deczj decdent spełna rolę nadrzędną.
8 358 A. Łodzńsk 6. Przkład proble wboru nwestcj Dla lustracj wspoagana wboru deczj w warunkach rzka pokazan jest proble wboru nwestcj (Portalfk.pl 208). Fra posada określoną kwotę środków fnansowch które chce przeznaczć na nwestcje. W t celu opracowano pęć wzajene wkluczającch sę projektów nwestcjnch dla którch oszacowano osobno ch wartość obecną netto (ang. Net Present Value NPV). Dla każdego projektu przeprowadzono analzę scenaruszową zakładając trz stan konunktur cen surowca tj. S spadek cen S 2 stablzacja cen Prawdopodobeństwa wstąpena poszczególnch scenarusz są następujące: P P S 3 wzrost cen. P 035. różną sę od sebe na tle że dla jednego projektu spadek (wzrost) cen surowca wpłwa na zwększene (znejszene) wartośc NPV zaś dla nnch odwrotne. Dla każdego projektu każdego scenarusza oszacowano wartość obecną netto (NPV) którch wartośc są w tabel. Tabela. Scenarusze pęcu projektów nwestcjnch nwestcjn NPV (ln zł) według określonego scenarusza Spadek cen Stablzacja Wzrost cen Wartość beżąca netto (NPV) jest dobr krteru ocen fnansowej opłacalnośc projektów nwestcjnch. Wartość ta wraża w penądzu nadwżkę zdskontowanch na oent beżąc dodatnch przepłwów penężnch netto nad wartoścą obecną ponesonch nakładów nwestcjnch przepłwów ujench. Wększ wartośco NPV odpowada lepsza ocena danego projektu nwestcjnego setrczne nejsz wartośco NPV odpowada gorsza ocena. Zadane nwestora w fre jest wbór jednego z pęcu wzajene wkluczającch sę projektów nwestcjnch prz trzech ożlwch przszłch scenaruszach. Poneważ ne wadoo jak układ warunków zrealzuje sę w czase nwestcj zadane to jest wbore w warunkach rzka.
9 Sste wspoagana deczj 359 Proble deczjn przjuje postać zadana welokrteralnego: : { } a (9) gdze wnk poszczególnch deczj są następując wektora: (305070) dla projektu 2 ( ) dla projektu 2 3 (664537) dla projektu 3 4 ( ) dla projektu 4 5 (657548) dla projektu 5 w którch poszczególne współrzędne wektorów ocen wstępują z prawdopodobeństwa P 035 P P Zadane polega na wborze takej deczj dla której wektor ocen jest aksaln w sense setrcznej donacj. Powtarzając odpowedne scenarusze doprowadza do stuacj gdze prawdopodobeństwo każdego scenarusza jest take sao wnos P / 20. Otrzuje sę zadane równoważne zadanu wjścoweu w której wnka dla każdego projektu są następujące wektor ocen o jednakowo prawdopodobnch współrzędnch: 5 ( ) 2 ( ) 3 ( ) 4 ( ) 5 ( ). Ab óc porównwać wektor w sense setrcznej donacj porządkuje sę współrzędne wektorów nealejąco otrzuje sę następujące wektor ocen dla każdej deczj: T( ) ( ) T( 2 ) ( ) T( 3 ) ( ) T( 4 ) ( ) T( 5 ) ( ).
10 360 A. Łodzńsk ˆ Zbór wektorów setrczne nezdonowanch jest następując Y os { }. Trz deczje projekt 2 projekt 4 projekt 5 są deczja setrczne efektwn. Dokonując wboru należ węc wberać ędz n a deczje projekt projekt należ odrzucć nezależne od ndwdualnch preferencj. Te trz deczje są neporównwalne względe setrcznej relacj preferencj. Wbór ędz n zależ od ndwdualnch preferencj decdenta. Do wznaczana rozwązań zadana (9) stosuje sę etodę punktu odnesena dla zadana z uporządkowan w kolejnośc nealejącej współrzędn wektora ocen. Inwestor steruje wbore deczj podając pożądane wartośc pozou aspracj dla każdego scenarusza: 2 3 ( 3 2 ) gdze: wartość pozou aspracj dla scenarusza perwszego wartość pozou aspracj dla scenarusza drugego wartość pozou aspracj dla scenarusza trzecego. Przebeg analz welokrteralnej przedstawa tabela 2. Tabela 2. Interaktwne poszukwane satsfakcjonującego rozwązana Iteracja. Pozo aspracj Deczja ˆ 2. Pozo aspracj Deczja ˆ 3. Pozo aspracj Deczja ˆ 4. Pozo aspracj Deczja ˆ 5. Pozo aspracj Deczja ˆ 6. Pozo aspracj Deczja ˆ Źródło Oblczene własne. ( ) 4 ( ) 2 ( ) 2 ( ) 2 ( ) 4 (607050) 5 Na początku wboru nwestor określa pozo aspracj jako najlepsze wartośc jake ożna osągnąć dla każdego scenarusza oddzelne w kolejnch teracjach zena pozo aspracj w zależnośc od swoch preferencj. W perwszej teracj nwestor określa swoje preferencje jako pozo aspracj równ wektorow ( ) uzskuje jako deczję projekt 4. W następnej teracj nwestor znejsza wagana dla wszstkch trzech scenarusz jako pozo aspracj 3
11 Sste wspoagana deczj 36 podaje wektor ( ) otrzuje jako deczję projekt 2. Inwestor w dalsz cągu znejsza wagana dla wszstkch scenarusz jako pozo aspracj podaje wektor ( ) otrzuje jako deczję w dalsz cągu projekt 2. Inwestor w dalsz cągu znejsza wagana dla wszstkch scenarusz jako pozo aspracj podaje wektor ( ) otrzuje jako deczję w dalsz cągu projekt Inwestor ne zena wagań dla perwszego drugego scenarusza a zwększa wagana dla trzecego jako pozo aspracj podaje wektor ( ) otrzuje jako deczję projekt 4. Inwestor zwększa wagana dla perwszego scenarusza bardzo znejsza wagana dla trzecego scenarusza S 3 jako pozo aspracj podaje wektor (607050) otrzuje jako deczję projekt Metoda wspoagana wboru deczj pozwala decdentow na wbór dowolnego rozwązana setrczne efektwnego. Ostateczn wbór specfcznego rozwązana zależ od preferencj decdenta. Przedstawon przkład pokazuje że tak sposób pozwala decdentow poznać swoje ożlwośc deczjne w trakce analz nteraktwnej prowadzć poszukwana satsfakcjonującego rozwązana Zakończene W prac przedstawono etodę wspoagana wboru deczj w warunkach rzka. Rzko odelowane jest za poocą zboru scenarusz o określonch prawdopodobeństwach. Wbór deczj dokonuje sę prz pooc specjalnego zadana optalzacj welokrteralnej. Metoda podaje cał zbór rozwązań setrczne efektwnch. Analza nteraktwna oparta na etodze punktu odnesena pozwala na wznaczane rozwązań efektwnch do zgodnch z zadawan przez decdenta aspracja. Tak sposób wspoagana deczj ne zastępuje decdenta w podejowanu deczj. Cał procese podejowana deczj steruje decdent. Bblografa. Cabała P. (204). Podejowane deczj w warunkach nepełnej nforacj. Kraków: Wdawnctwa Unwerstetu Ekonocznego. 2. Goodwn P. and Wrght G. (20). Analza deczj. Warszawa: Wolters Kluwer.
12 362 A. Łodzńsk 3. Helpen S. (200). Podejowane deczj w warunkach rzka. Wrocław: Akadea Ekonoczna. 4. Kaczarek T.T. (2005). Rzko zarządzane rzke ujęce nterdscplnarne. Warszawa: Dfn. 5. Keene L. and Raffa H. (993). Decsons wth Multple Objectves. Preferences and Value Tradeoffs. Cabrdge-New York: Cabrdge Unverst Press. 6. Kselnck J. and Sroka H. (2005). Sste nforacjne bznesu. Inforatka dla zarządzana. Warszawa: Agencja Wdawncza Placet. 7. Lewandowsk A. and Werzbck A. (Eds.) (989). Aspraton Based Decson Support Sstes. Lecture Notes n Econocs and Matheatcal Sstes 33. Berln-Hedelberg: Sprnger Verlag. 8. Luce D. and Raffa H. (966). Gr deczje. Warszawa: PWN. 9. Łodzńsk A. (2007). Sste wspoagana decdenta w podejowanu deczj zadawalającch. Zagadnena technczno-ekonoczne. Kraków: Uczelnane Wdawnctwo Naukowo-Ddaktczne AGH. 0. Łodzńsk A. (2008). Interaktwna sposób analz podejowana deczj welokrteralnch. Warszawa: Zeszt Naukowe Poltechnk Warszawskej.. Ogrczak W. (2002). Multcrtera Optzaton and Decsons under Rsk. Control and Cbernetcs 3. Warszawa. 2. Penc J. (2002). Deczje w zarządzanu. Kraków: Wdawnctwo Profesjonalnej Szkoł Bznesu Sauelson W.F. and Marks S.G. (998). Ekonoa enedżerska. Warszawa: PWE. 5. Sura J. (2009). Busness Intellgence. Sste wspoagana deczj bznesowch. Warszawa: PWN. 6. Szt M. (2003). Inforatka w zarządzanu. Warszawa: Dfn. 7. Tarczńsk W. and Mojsewcz M. (200). Zarządzane rzke. Warszawa: PWE. 8. Trzaskalk T. (204). Welokrteralne wspoagane deczj. Metod zastosowana. Warszawa: PWN. 9. Werzbck A. Makowsk N. and Wessels J. (2000). Model Based Decson Support Metholog wth Envronental Applcatons. Laenburg Dordrecht: IIASA Kluwer.
OPTYMALIZACJA WIELOKRYTERIALNA DLA WYBORU DECYZJI W PROCESIE NEGOCJACJI
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 6 Sera: ORGANIZACJA I ZARZĄDZANIE z. 88 Nr kol. 948 Andrzej ŁODZIŃSKI Szkoła Główna Gospodarstwa Wejskego w Warszawe Wdzał Zastosowań Inforatk Mateatk andrzej_lodznsk@sggw.pl
Bardziej szczegółowoMODELOWANIE PREFERENCJI UśYTKOWNIKA W SYSTEMIE WSPOMAGANIA DECYZJI
MODELOWANIE PREFERENCJI UśYTKOWNIKA W SYSTEMIE WSPOMAGANIA DECYZJI Andrzej Łodzńsk Szkoła Główna Gospodarstwa Wejskego Katedra Ekonoetr Inforatyk e-al: alodznsk@ors.sggw.waw.pl Streszczene W pracy przedstawono
Bardziej szczegółowoINTERAKTYWNE WSPOMAGANIE WIELOKRYTERIALNEGO WYBORU DECYZJI. Streszczenie
INTERAKTYWNE WSPOMAGANIE WIELOKRYTERIALNEGO WYBORU DECYZJI ANDRZEJ ŁODZI SKI SGGW Streszczene W pracy przedstawono etod nteraktywnego wspoagana decydenta w podejowanu decyzj welokryteralnych. Proces decyzyjny
Bardziej szczegółowo1. REFERENCE POINT METHOD APPLIED TO FIND SYMMETRICLY EFFECTIVE DECISIONS IN MULTICRITERIA MODELLING OF TWO-SIDE NEGOTIATIONS PROCESS
Studa Materały Informatyk Stosowanej, Tom 5, Nr 3, 3 str. 9-8 ZASTOSOWANIE METODY PUNKTU ODNIESIENIA DO ZNAJDOWANIA DECYZJI SYMETRYCZNIE EFEKTYCHNYCH W MODELOWANIU WIELOKRYTERIALNYM PROCESU NEGOCJACJI
Bardziej szczegółowoMETODA WSPOMAGANIA PODEJMOWANIA DECYZJI GRUPOWEJ OPARTA NA OPTYMALIZACJI WIELOKRYTERIALNEJ
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 4 Sera: ORGANIZACJA I ZARZĄDZANIE z. 68 Nr ol. 95 Andrzej ŁODZIŃSKI Szoła Główna Gospodarstwa Wejsego Wdzał Zastosowań Informat Matemat METODA WSPOMAGANIA PODEJMOWANIA
Bardziej szczegółowoProblem nośności granicznej płyt żelbetowych w ujęciu aktualnych przepisów normowych. Prof. dr hab. inż. Piotr Konderla, Politechnika Wrocławska
Proble nośnośc grancznej płt żelbetowch w ujęcu aktualnch przepsów norowch Prof. dr hab. nż. Potr Konderla Poltechnka Wrocławska 1. Wprowadzene Przedote analz jest płta żelbetowa zbrojona ortogonalne paraetrzowana
Bardziej szczegółowoKOMPUTEROWY SYSTEM WYBORU DECYZJI WIELOKRYTERIALNEJ
KOMPUTEROWY SYSTEM WYBORU DECYZJI WIELOKRYTERIALNEJ Andrzej Łodziński Katedra Ekonoetrii i Inforatyki SGGW Warszawa Streszczenie: W pracy przedstawiono koputerowy syste wyboru decyzji wielokryterialnej.
Bardziej szczegółowoINTERAKTYWNE WSPOMAGANIE WYBORU DECYZJI W WARUNKACH RYZYKA
Scientific Bulletin of Chełm Section of Mathematics and Computer Science No. 1/2009 INTERAKTYWNE WSPOMAGANIE WYBORU DECYZJI W WARUNKACH RYZYKA ANDRZEJ ŁODZIŃSKI Szkoła Główna Gospodarstwa Wiejskiego Streszczenie.
Bardziej szczegółowotermodynamika fenomenologiczna p, VT V, teoria kinetyczno-molekularna <v 2 > termodynamika statystyczna n(v) to jest długi czas, zachodzi
fzka statstczna stan makroskopow układ - skończon obszar przestrzenn (w szczególnośc zolowan) termodnamka fenomenologczna p, VT V, teora knetczno-molekularna termodnamka statstczna n(v) stan makroskopow
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowoZad 2 Dynamika zatrudnienia mierzona indeksami łańcuchowymi w ostatnich pięciu latach kształtowały się następująco: Lata Indeksy ( w %)
Analza dnamk Zad. 1 Indeks lczb studującch studentów w województwe śląskm w kolejnch pęcu latach przedstawał sę następująco: Lata 1 2 3 4 5 Indeks jednopodstawowe z roku t = 1 100,0 115,7 161,4 250,8 195,9
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoPODSTAWOWE POJĘCIA OPTYMALIZACJI [M. Ostwald: Podstawy optymalizacji konstrukcji, Wyd. Politechniki Poznańskiej, 2005]
PODSTAWOWE POJĘCIA OPTYMALIZACJI [M. Ostwald: Podstaw optmalizacji konstrukcji, Wd. Politechniki Poznańskiej, 2005] POW Problem optmalnego wboru PWOW Problem wielokrterialnego wboru OW Optmalizacja wielokrterialna
Bardziej szczegółowoMODELOWANIE PREFERENCJI UŻYTKOWNIKA W SYSTEMIE WSPOMAGANIA DECYZJI
Scientific Bulletin of Che lm Section of Mathematics and Computer Science No. 1/2008 MODELOWANIE PREFERENCJI UŻYTKOWNIKA W SYSTEMIE WSPOMAGANIA DECYZJI ANDRZEJ ŁODZIŃSKI Wydział Zastosowań Informatyki
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowoPomiar bezpośredni przyrządem wskazówkowym elektromechanicznym
. Rodzaj poiaru.. Poiar bezpośredni (prost) W przpadku poiaru pojednczej wielkości przrząde wskalowan w jej jednostkach wartość niedokładności ± określa graniczn błąd przrządu analogowego lub cfrowego
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoEFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA
EFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA Nekedy zachodz koneczność zany okesu kapt. z ównoczesny zachowane efektów opocentowane. Dzeje sę tak w nektóych zagadnenach ateatyk fnansowej np.
Bardziej szczegółowo3. Dynamika ruchu postępowego
. Dnaka ruchu postępowego Zasad dnak Newtona Zasad dnak Newtona opsują zagadnena echank klascznej. Zasad te pozwalają w szczególnośc znaleźć wszstke paraetr opsujące ruch cała, take jak położene, prędkość
Bardziej szczegółowoWspółczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych
Współcznnk korelacj lnowej oraz funkcja regresj lnowej dwóch zmennch S S r, cov współcznnk determnacj R r Współcznnk ndetermnacj ϕ r Zarówno współcznnk determnacj jak ndetermnacj po przemnożenu przez 00
Bardziej szczegółowoZESTAW ZADAŃ Z INFORMATYKI
(Wpsue zdaąc przed rozpoczęcem prac) KOD ZDAJĄCEGO ZESTAW ZADAŃ Z INFORMATYKI CZĘŚĆ II (dla pozomu rozszerzonego) GRUDZIEŃ ROK 004 Czas prac 50 mnut Instrukca dla zdaącego. Proszę sprawdzć, cz zestaw zadań
Bardziej szczegółowoWielokryterialny Trójwymiarowy Problem Pakowania
Łukasz Kacprzak, Jarosław Rudy, Domnk Żelazny Instytut Informatyk, Automatyk Robotyk, Poltechnka Wrocławska Welokryteralny Trójwymarowy Problem Pakowana 1. Wstęp Problemy pakowana należą do klasy NP-trudnych
Bardziej szczegółowoPodstawy opisu dynamiki punktu materialnego
Podstaw opisu dnaiki punktu aterialnego Ruch ałego obiektu, któr oże przbliżać koncepcjnie jako punkt obdarzon asą (tzw. punkt aterialn) będzie opiswać podając wektor położenia tego punktu jako funkcję
Bardziej szczegółowoWikiWS For Business Sharks
WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoWybrane aspekty optymalnego sterowania portfelem inwestycyjnym akcji na rynku kapitałowym
Jerz Tiński Wdział Zarządzania Wższa Szkoła Gospodarki Krajowej w Kutnie Wbrane aspekt optalnego sterowania portfele inwestcjn akcji na rnku kapitałow Wstęp Rnek kapitałow zskuje na znaczeniu w iarę rozwoju
Bardziej szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoMETODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.
Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoRozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Bardziej szczegółowoProblemy 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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wkład wstępn. Teora prawdopodobeństwa element kombnatork. Zmenne losowe ch rozkład 3. Populacje prób danch, estmacja parametrów 4. Testowane hpotez statstcznch 5. Test parametrczne
Bardziej szczegółowomax Wydział Elektroniki studia I st. Elektronika III r. EZI Technika optymalizacji Dr inż. Ewa Szlachcic
Zadane rograowana lnowego PL dla ogranczeń neszoścowch rz ogranczenach: a f c A b d =n, d c=n, d A =[ n], d b =, Postać anonczna zadana PL a c X : A b, Postać anonczna acerzowa zadana PL a Lczba zennch
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoaij - wygrana gracza I bij - wygrana gracza II
M.Mszczsk KBO UŁ, Badana operacjne I (cz.) (wkład B 7) GRY KONFLIKTOWE GRY -OSOBOWE O SUMIE WYPŁT ZERO I. DEFINICJE TWIERDZENI Konflktowe gr dwuosobowe opsuje macerz wpłat ( a ) [ ] mxn j,b j gdze: aj
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoPortfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowoI. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoMinimalizacja globalna. Algorytmy genetyczne i ewolucyjne.
Mnmalzacja globalna Algorytmy genetyczne ewolucyjne. Lnearyzacja nelnowego operatora g prowadz do przyblżonych metod rozwązywana zagadnena odwrotnego. Wynk takej nwersj jest slne uzależnony od wyboru modelu
Bardziej szczegółowo5. OPTYMALIZACJA GRAFOWO-SIECIOWA
. OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,
Bardziej szczegółowoDr inż. Robert Smusz Politechnika Rzeszowska im. I. Łukasiewicza Wydział Budowy Maszyn i Lotnictwa Katedra Termodynamiki
Dr nż. Robert Smusz Poltechnka Rzeszowska m. I. Łukasewcza Wydzał Budowy Maszyn Lotnctwa Katedra Termodynamk Projekt jest współfnansowany w ramach programu polskej pomocy zagrancznej Mnsterstwa Spraw Zagrancznych
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoRACHUNEK NIEPEWNOŚCI POMIARU
Mędznarodowa Norma Ocen Nepewnośc Pomaru(Gude to Epresson of Uncertant n Measurements - Mędznarodowa Organzacja Normalzacjna ISO) RACHUNEK NIEPEWNOŚCI http://phscs.nst./gov/uncertant POMIARU Wrażane Nepewnośc
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoWYZNACZENIE ODKSZTAŁCEŃ, PRZEMIESZCZEŃ I NAPRĘŻEŃ W ŁAWACH FUNDAMENTOWYCH NA PODŁOŻU GRUNTOWYM O KSZTAŁCIE WYPUKŁYM
Budownctwo 7 Mkhal Hrtsuk, Rszard Hulbo WYZNACZNI ODKSZTAŁCŃ, PRZMISZCZŃ I NAPRĘŻŃ W ŁAWACH FNDAMNTOWYCH NA PODŁOŻ GRNTOWYM O KSZTAŁCI WYPKŁYM Wprowadzene Prz rozwązanu zagadnena przmuem, że brła fundamentowa
Bardziej szczegółowoTreść zadań 1 8 odnosi się do poniższego diagramu przestrzenno-czasowego.
Treść zadań 8 odnos sę do ponższego dagramu przestrzenno-czasowego. P e e e e e e P e P P e e e e. Jaka będze wartość zmennej clock (zegara skalarnego) po zajścu zdarzena e w procese P zakładając że wartość
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej szczegółowoPodejmowanie decyzji w warunkach niepełnej informacji. Tadeusz Trzaskalik
Podejmowanie deczji w warunkach niepełnej informacji Tadeusz Trzaskalik 5.. Wprowadzenie Słowa kluczowe Niepełna informacja Stan natur Macierz wpłat Podejmowanie deczji w warunkach rzka Podejmowanie deczji
Bardziej szczegółowoFizyka 1- Mechanika. Wykład 7 16.XI Zygmunt Szefliński Środowiskowe Laboratorium Ciężkich Jonów
zyka - Mechanka Wykład 7 6.XI.07 Zygunt Szeflńsk Środowskowe Laboratoru Cężkch Jonów szef@fuw.edu.pl http://www.fuw.edu.pl/~szef/ Zasada zachowana pędu Układ zolowany Każde cało oże w dowolny sposób oddzaływać
Bardziej szczegółowoV. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH
Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów
Bardziej szczegółowoMinimalizacja globalna, algorytmy genetyczne i zastosowanie w geotechnice
Mnmalzacja globalna, algorytmy genetyczne zastosowane w geotechnce Metoda sejsmczna Metoda geoelektryczna Podstawowy podzał ZAGADNIENIE PROSTE (ang. forward problem) model + parametry modelu dane (ośrodek,
Bardziej szczegółowoMODEL ROZMYTY WYBORU SAMOCHODU W NAJWYŻSZYM STOPNIU SPEŁNIAJĄCEGO PREFERENCJE KLIENTA
ZESZYTY NAUKWE PLITECHNIKI ŚLĄSKIEJ 2013 Sera: RGANIZACJA I ZARZĄDZANIE z. 64 Nr ol. 1894 Dorota GAWRŃSKA Poltechna Śląsa Wydzał rganzacj Zarządzana Instytut Eono Inforaty MDEL RZMYTY WYBRU SAMCHDU W NAJWYŻSZYM
Bardziej szczegółowoPOLITECHNIKA ŚLĄSKA. WYDZIAŁ ORGANIZACJI I ZARZĄDZANIA. Katedra Podstaw Systemów Technicznych - Mechanika Stosowana. y P 1. Śr 1 (x 1,y 1 ) P 2
POLITECHNIKA ŚLĄSKA. WYDZIAŁ ORGANIZACI I ZARZĄDZANIA. Katedra Podstaw Sstemów Technicznch Płaska geometria mas c c 3c Dla zadanego pola przekroju wznaczć: - połoŝenie środka cięŝkości S( s, s ) - moment
Bardziej szczegółowoPlanowanie eksperymentu pomiarowego I
POLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA ENERGETYKI INSTYTUT MASZYN URZĄDZEŃ ENERGETYCZNYCH Plaowae eksperymetu pomarowego I Laboratorum merctwa (M 0) Opracował: dr ż. Grzegorz Wcak
Bardziej szczegółowo= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału
5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B
Bardziej szczegółowot t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o
Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz na podsawe ego odelu ożna wcągać wnos doczące badanego zjawsa
Bardziej szczegółowoPokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych
Bardziej szczegółowoMetody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,
Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą
Bardziej szczegółowoZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012
ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW (88)/01 Hubert Sar, Potr Fundowcz 1 WYZNACZANIE ASOWEGO OENTU BEZWŁADNOŚCI WZGLĘDE OSI PIONOWEJ DLA SAOCHODU TYPU VAN NA PODSTAWIE WZORU EPIRYCZNEGO 1. Wstęp asowy moment
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoOPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POBLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU GENETYCZNEGO
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 81 Electrcal Engneerng 015 Mkołaj KSIĄŻKIEWICZ* OPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU
Bardziej szczegółowoZAJĘCIA 3. Pozycyjne miary dyspersji, miary asymetrii, spłaszczenia i koncentracji
ZAJĘCIA Pozycyjne ary dyspersj, ary asyetr, spłaszczena koncentracj MIARY DYSPERSJI: POZYCYJNE, BEZWZGLĘDNE Rozstęp dwartkowy (ędzykwartylowy) Rozstęp dwartkowy określa rozpętośd tej częśc obszaru zennośc
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoformularzy opisowych, ankiet lub innych dokumentów stanowi nieuporządkowany statystyczny, stanowi on podstawę dalszych
Zebran materał statstczn w forme sprawozdań, formularz opsowch, anket lub nnch dokumentów stanow neuporządkowan surow materał statstczn, neprzdatn jeszcze do bezpośrednej analz, porównań wnosków. Materał
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoWektory. P. F. Góra. rok akademicki
Wektor P. F. Góra rok akademicki 009-0 Wektor zwiazan. Wektorem zwiazanm nazwam parę punktów. Jeżeli parę tę stanowią punkt,, wektor przez nie utworzon oznaczm. Graficznie koniec wektora oznaczam strzałką.
Bardziej szczegółowoGrafika 2D. Przekształcenia geometryczne 2D. opracowanie: Jacek Kęsik
Grafika 2D Przekształcenia geometrczne 2D opracowanie: Jacek Kęsik Wkład obejmuje podstawowe przekształcenia geometrczne stosowane w grafice komputerowej. Opisane są w nim również współrzędne jednorodne
Bardziej szczegółowoRÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI
RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI Wojcech BOŻEJKO, Marusz UCHROŃSKI, Meczysław WODECKI Streszczene: W pracy rozpatrywany jest ogólny problem kolejnoścowy
Bardziej szczegółowoRekonstrukcja zderzenia dwóch samochodów osobowych podstawowe zasady i praktyka ich stosowania
Mrosław Gdlews esze Jeoł Reonstrucja zderzena dwóch saochodów osobowch podstawowe zasad prata ch stosowana treszczene RóŜnorodność złoŝoność wpadów drogowch polegającch na zderzenu dwóch saochodów sprawają,
Bardziej szczegółowoProjekt Era inżyniera pewna lokata na przyszłość jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego
Materiał ddaktczne na zajęcia wrównawcze z matematki dla studentów pierwszego roku kierunku zamawianego Inżnieria Środowiska w ramach projektu Era inżniera pewna lokata na przszłość Projekt Era inżniera
Bardziej szczegółowoSystem Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik
Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA
Bardziej szczegółowoD Archiwum Prac Dyplomowych - Instrukcja dla studentów
Kraków 01.10.2015 D Archwum Prac Dyplomowych - Instrukcja dla studentów Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu Rolnczego m. H. Kołłątaja
Bardziej szczegółowoRegulamin promocji 14 wiosna
promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30
Bardziej szczegółowoROZDZIAŁ 3 INTERPRETACJA PARADOKSU ALLAISA ZA POMOCĄ MODELU KONFIGURALNIE WAŻONEJ UŻYTECZNOŚCI
Elżbeta Babula Anna Blajer-Gołębewska ROZDZIAŁ 3 INTERPRETACJA PARADOKSU ALLAISA ZA POMOCĄ MODELU KONFIGURALNIE WAŻONEJ UŻYTECZNOŚCI Wprowadzene Jednym z podstawowych założeń ekonom jest postulat racjonalnośc
Bardziej szczegółowoInstrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne
Instrukca do ćwczeń laboratorynych z przedmotu: Badana operacyne Temat ćwczena: Problemy rozkrou materałowego, zagadnena dualne Zachodnopomorsk Unwersytet Technologczny Wydzał Inżyner Mechanczne Mechatronk
Bardziej szczegółowoMonitorowanie i Diagnostyka w Systemach Sterowania
Montoroane Dagnostka Sstemach Steroana Katedra Inżner Sstemó Steroana Dr nż. Mchał Grochosk Montoroane Dagnostka Sstemach Steroana na studach II stopna specjalnośc: Sstem Steroana Podejmoana Deczj Maszn
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoWSPOMAGANIE KOOPERACJI Z WYKORZYSTANIEM TEORII GIER I ANALIZY WIELOKRYTERIALNEJ
Macej Wolny WPOMAGANIE KOOPERACJI Z WYKORZYTANIEM TEORII GIER I ANALIZY WIELOKRYTERIALNEJ Wprowadzene Kooperacja mędzy organzacjam ma stotne znaczene w życu gospodarczym. Podmoty gospodarcze lub ch poszczególne
Bardziej szczegółowoSELEKCJA: JAK JEDNA POPULACJA (STRATEGIA) WYPIERA INNĄ
W stronę bolog: dnama oulacj Martn. owa Evolutonar Dnamcs elna Press 6 SELEKCJ: JK JED POPULCJ (STRTEGI) WYPIER IĄ Model determnstczn ( a ) ( b ) : Dodając stronam mam a b czl średne dostosowane (ftness).
Bardziej szczegółowoBADANIE NIEZAWODNOŚCI DIAGNOZ
ZAKŁA EKSOATACJI SYSTEMÓW EEKTOICZYCH ISTYTUT SYSTEMÓW EEKTOICZYCH WYZIAŁ EEKTOIKI WOJSKOWA AKAEMIA TECHICZA -------------------------------------------------------------------------------------------------------------------------------
Bardziej szczegółowoOPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE OPTIMAL INVESTMENT STRATEGY FUNDAMENTAL ANALYSIS
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Sera: ORGANIZACJA I ZARZĄDZANIE z. 68 Nr kol. 1905 Adranna MASTALERZ-KODZIS Unwersytet Ekonomczny w Katowcach OPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowoASPEKT SYTUACJI STATUS QUO WE WSPOMAGANIU WIELOKRYTERIALNEGO WYBORU BAZUJĄCEGO NA TEORII GIER
Macej Wolny ASPEKT SYTUACJI STATUS QUO WE WSPOMAGANIU WIELOKRYTERIALNEGO WYBORU BAZUJĄCEGO NA TEORII GIER Wprowadzene Zagadnena welokryteralne dotyczą sytuacj, w których rozpatruje sę elementy zboru dopuszczalnych
Bardziej szczegółowoSprawozdanie powinno zawierać:
Sprawozdane pownno zawerać: 1. wypełnoną stronę tytułową (gotowa do ćw. nr 0 na strone drugej, do pozostałych ćwczeń zameszczona na strone 3), 2. krótk ops celu dośwadczena, 3. krótk ops metody pomaru,
Bardziej szczegółowot t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o ˆ
Eonoera Ćwczena Werfacja odelu eonoercznego Maerał poocncze Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz
Bardziej szczegółowop Z(G). (G : Z({x i })),
3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W
Bardziej szczegółowo0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4
Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 5. SZTUCZNE SIECI NEURONOWE REGRESJA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wdzał Elektrczn Poltechnka Częstochowska PROBLEM APROKSYMACJI FUNKCJI Aproksmaca funkc przblżane
Bardziej szczegółowo