Proces decyzyjny: 1. 6IRUPXáXMMDVQRSUREOHPGHF\]\MQ\ 2. :\OLF]ZV]\VWNLHPR*OLZHdecyzje. 3. =LGHQW\ILNXMZV]\VWNLHPR*OLZHstany natury.

Wielkość: px
Rozpocząć pokaz od strony:

Download "Proces decyzyjny: 1. 6IRUPXáXMMDVQRSUREOHPGHF\]\MQ\ 2. :\OLF]ZV]\VWNLHPR*OLZHdecyzje. 3. =LGHQW\ILNXMZV]\VWNLHPR*OLZHstany natury."

Transkrypt

1 Proces decyzyny: 1. 6IRUPXáXMMDVQRSUREOHPGHF\]\MQ\ 2. :\OLF]ZV]\VWNLHPR*OLZHdecyze. 3. =LGHQW\ILNXMZV]\VWNLHPR*OLZHstany natury. 4. 2NUHOZ\SáDW GODZV]\VWNLFKPR*OLZ\FKV\WXDFML ( tzn. kombnac decyza / stan natury ). 5. Wyberz stosowny model matematyczny problemu decyzynego. 6. =DVWRVXMZ\EUDQ\PRGHOLSRGHMPLMGHF\]M

2 =ELyUPR*OLZ\FKGHF\]MLDNFMLDOWHUQDW\Z A = { 2 a1, a, } =ELyUVWDQyZQDWXU\]ELyUVWDQyZZLDWD]HZQWU]QHJR Θ = { 2 θ1, θ, } :\SáDWDNRU]\ü w = w(, θ ) a 7DEOLFDZ\SáDWPDFLHU]Z\SáDW θ θ 1 2 θm a1 w11 w12 w 1 m a2 w21 w22 w 2 m an wn 1 n2 w wnm

3 3U]\NáDG John 7KRPSVRQ]DVWDQDZLDVLF]\]EXGRZDüQRZ IDEU\N 5R]ZD*DWU]\PR*OLZRFL 1. ]EXGRZDüGX* IDEU\N 2. ]EXGRZDüPDá IDEU\N 3. QLHEXGRZDüQRZHMIDEU\NL Pan 7KRPSVRQ]LGHQW\ILNRZDáGZDPR*OLZHVWDQ\QDWXU\ 1. NRU]\VWQHZDUXQNLQDU\QNXEG]LHSRS\WQDQRZHWRZDU\ 2. nekorzystne warunk na rynku (brak popytu). Pan 7KRPSVRQRV]DFRZDáHZHQWXDOQHNRU]\FLZ\SáDW\ RGSRZLDGDMFHUy*Q\PPR*OLZ\PV\WXDFMRP korzystne ($) nekorzystne ($) GX* IDEU\N PDá IDEU\N fabryk 0 0

4 6WUDWDPR*OLZRFL Przy danym stane natury θ VWUDWDPR*OLZRFL]ZL]DQD]GHF\]M a RNUHORQDMHVWSU]H]Uy*QLF PLG]\PDNV\PDOQ PR*OLZ Z\SáDW GOD WHJRVWDQXQDWXU\DZ\SáDW decyz a. w RGSRZLDGDMF -temu stanow natury Ogólne: s = ( max w ) w. k k 3U]\NáDG 7DEOLFDVWUDWPR*OLZRFL korzystne ($) nekorzystne ($) GX* IDEU\N PDá IDEU\N fabryk

5 Decyza ak domnue GHF\]M a (est ne gorsza od a MH*HOL w( a, θ) w( a, θ) GODND*GHJRθ Θ. k Decyza ak FLOHGRPLQXMH GHF\]M oraz a (est lepsza od a MH*HOL w( a, θ) w( a, θ) GODND*GHJRθ Θ k w( a, θ') > w( a, θ') dla pewnego θ' Θ. k Decyza ak est UyZQRZD*QD decyz a MH*HOL w( a, θ) = w( a, θ) GODND*GHJRθ Θ. k Decyza ak GRPLQXMFD est dopuszczalna MH*HOL QLH LVWQLHMH GHF\]MD FLOH M Decyza ak GRPLQXMFD est nedopuszczalna MH*HOL LVWQLHMH GHF\]MD FLOH M

6 3U]\NáDG θ θ 1 2 θ3 θ4 a a a a a a Decyza a2 FLOH GRPLQXMH GHF\]M a6 D ZLF GHF\]MD a6 est nedopuszczalna. a 1, a 2, a 3, a 4, a5 V GRSXV]F]DOQH

7 3RGHMPRZDQLHGHF\]MLZZDUXQNDFKSHZQRFL Θ = { θ 0 } Decyza optymalna = decyza, które odpowada PDNV\PDOQDZ\SáDWD 3U]\NáDG korzystne ($) GX* IDEU\N PDá IDEU\N fabryk 0 6WGGHF\]MDRSW\PDOQD]EXGRZDüGX* IDEU\N

8 Podemowane decyz w warunkach ryzyka 3RGHMPXMFHPX GHF\]MH ]QDQ\ MHVW UR]NáDG SUDZGRSRGRELHVWZD Z\VWSLHQLDSRV]F]HJyOQ\FKVWDQyZQDWXU\5R]NáDGWHQPR*HPLHü Uy*Q JHQH] PR*HZ\QLNDü]WHRUHW\F]Q\FK]DáR*H PR*H E\ü UR]NáDGHP HPSLU\F]Q\P REVHUZRZDQ\P Z SU]HV]áRFL PR*HZ\QLNDü]VXELHNW\ZQHMRFHQ\SRGHMPXMFHJRGHF\]M FR GRV]DQV\Z\VWSLHQLDSRV]F]HJyOQ\FKVWDQyZQDWXU\ Krytera wyboru decyz optymalne: PDNV\PDOL]DFMDRF]HNLZDQHMZ\SáDW\ PLQLPDOL]DFMDRF]HNLZDQHMVWUDW\PR*OLZRFL

9 3RGHMPRZDQLHGHF\]MLZZDUXQNDFKQLHSHZQRFL 3RGHMPXMF\ GHF\]M QLH G\VSRQXMH *DGQ\PL LQIRUPDFMDPL RSUDZGRSRGRELHVWZLHUHDOL]DFMLSRV]F]HJyOQ\FKVWDQyZQDWXU\ Krytera wyboru decyz optymalne: kryterum maksymaksowe (Maxmax) kryterum maksymnowe (Maxmn) kryterum Laplace'a kryterum Hurwcza kryterum Savage'a (mnmaksowe, Mnmax).

10 Kryterum maksymaksowe (Maxmax) Decyza optymalna = decyza, które odpowada PDNV\PDOQDZ\SáDWD d = arg max(max w Max max ) ( kryterum skrane optymstyczne ) 3U]\NáDG korzystne ($) nekorzystne ($) max GX* IDEU\N PDá IDEU\N fabryk 0 0 0

11 Kryterum maksymnowe (Maxmn) Decyza optymalna = decyza, które odpowada PDNV\PDOQD]PLQLPDOQ\FKZ\SáDW d = arg max(mn w Max mn ) 3U]\NáDG korzystne ($) nekorzystne ($) mn GX* IDEU\N PDá IDEU\N fabryk 0 0 0

12 Kryterum Laplace'a =DáR*HQLHZV]\VWNLHVWDQ\QDWXU\V MHGQDNRZRSUDZGRSRGREQH Decyza optymalna = decyza, które odpowada PDNV\PDOQDRF]HNLZDQDZ\SáDWD d L = arg max( 1 m m = 1 w ) 3U]\NáDG korzystne ($) nekorzystne ($) UHGQLD GX* IDEU\N PDá IDEU\N fabryk 0 0 0

13 Kryterum Hurwcza =DáR*HQLH SRGHMPXMF\ GHF\]M RNUHOD ZDUWRü SHZQHJR ZVSyáF]\QQLNDα MHJRVWRSLH RSW\PL]PXJG]LH α [0,1]. Ocena Hurwcza decyz a : H ( a ) = α (max w ) + (1 α) (mn w ) Decyza optymalna = decyza, które odpowada maksymalna ocena Hurwcza d = arg max H ( a H ) 3U]\NáDG GODZVSyáF]\QQLNDα = 0. 8): korzystne ($) nekorzystne ($) H GX* IDEU\N PDá IDEU\N fabryk 0 0 0

14 Kryterum Savage'a (Mnmax) Decyza optymalna = decyza, które odpowada mnmalna z maksymalnych VWUDWPR*OLZRFL d = arg mn(max s Mn max ) 3U]\NáDG korzystne ($) nekorzystne ($) max GX* IDEU\N PDá IDEU\N fabryk

15 .U\WHULXPRF]HNLZDQHMZ\SáDW\ =DáR*HQLH]QDQ\MHVWUR]NáDGSUDZGRSRGRELHVWZDZ\VWSLHQLD poszczególnych stanów natury, tzn. dla zboru stanów natury Θ = θ,, θ } znamy P = p,, p }, gdze p { 1 m { 1 m = θ ), p = 1, 0 p 1 dla = 1,, m. P( m = 1 2F]HNLZDQDZ\SáDWDRGSRZLDGDMFDGHF\]ML value): a (expected monetary EMV ( a ) = m = 1 w p Decyza optymalna = decyza, które odpowada PDNV\PDOQDRF]HNLZDQDZ\SáDWD d = arg max EMV ( a EMV )

16 3U]\NáDG =Dáy*P\*HSUDZGRSRGRELHVWZRGX*HJRSRS\WXNRU]\VWQHZDUXQNL Z\QRVLQDWRPLDVWSUDZGRSRGRELHVWZRZ\VWSLHQLD nekorzystnych warunków wynos 0.4. korzystne ($) nekorzystne ($) EMV GX* IDEU\N PDá IDEU\N fabryk 0 0 0

17 .U\WHULXPRF]HNLZDQHMVWDUW\PR*OLZRFL =DáR*HQLH]QDQ\MHVWUR]NáDGSUDZGRSRGRELHVWZDZ\VWSLHQLD poszczególnych stanów natury. 2F]HNLZDQDVWUDWDPR*OLZRFLRGSRZLDGDMFDGHF\]ML opportunty loss): a (expected EOL( a ) = m = 1 s p Decyza optymalna = decyza, które odpowada mnmalna oczekwana strata PR*OLZRFL 3U]\NáDG d = arg mn EOL( a EOL ) korzystne ($) nekorzystne ($) EOL GX* IDEU\N PDá IDEU\N fabryk

18 3U]\NáDG =Dáy*P\*HSUDZGRSRGRELHVWZRGX*HJRSRS\WXNRU]\VWQHZDUXQNL wynos p, gdze p [0,1] QDWRPLDVWSUDZGRSRGRELHVWZR Z\VWSLHQLDQLHNRU]\VWQ\FKZDUXQNyZZ\QRVL1 p. korzystne nekorzystne EMV GX* IDEU\N p PDá IDEU\N p fabryk Zatem P p < Decyza optymalna IDEU\NL < p < 0.62 PDá IDEU\N p > 0.62 GX* IDEU\N

19 2F]HNLZDQDZ\SáDWD SU]\Z\NRU]\VWDQLXGRVNRQDáHMLQIRUPDFML (expected value wth perfect nformaton) EVwPI = m = 1 (max w k k ) p Interpretaca: EVwPI UHGQLDZ\SáDWDNWyUHMPR*QDVL VSRG]LHZDü JG\E\ ]DZV]HSU]HGSRGMFLHP GHF\]ML Z\VWSRZDáDSHZQRüFR GR Z\VWSLHQLDNRQNUHWQHJRVWDQXQDWXU\ 2F]HNLZDQDZDUWRüGRVNRQDáHMLQIRUPDFML (expected value of perfect nformaton) EVPI = EVwPI max EMV ( a ) Interpretaca: EVPI PDNV\PDOQD NZRWD MDN GHF\]M RSáDFDVL Z\GDüDE\X]\VNDüGRVNRQDá LQIRUPDFM SRGHMPXMFHPX

20 3U]\NáDG =Dáy*P\*HSUDZGRSRGRELHVWZRGX*HJRSRS\WXNRU]\VWQHZDUXQNL Z\QRVLQDWRPLDVWSUDZGRSRGRELHVWZRZ\VWSLHQLD nekorzystnych warunków wynos 0.4. korzystne ($) nekorzystne ($) EMV GX* IDEU\N PDá IDEU\N fabryk WG a zatem EVwPI = = EVPI = =

Proces decyzyjny: 1. Sformułuj jasno problem decyzyjny. 2. Wylicz wszystkie możliwe decyzje. 3. Zidentyfikuj wszystkie możliwe stany natury.

Proces decyzyjny: 1. Sformułuj jasno problem decyzyjny. 2. Wylicz wszystkie możliwe decyzje. 3. Zidentyfikuj wszystkie możliwe stany natury. Proces decyzyny: 1. Sformułu sno problem decyzyny. 2. Wylcz wszyste możlwe decyze. 3. Zdentyfu wszyste możlwe stny ntury. 4. Oreśl wypłtę dl wszystch możlwych sytuc, ( tzn. ombnc decyz / stn ntury ). 5.

Bardziej szczegółowo

WPROWADZENIE DO TEORII DECYZJI STATYSTYCZNYCH

WPROWADZENIE DO TEORII DECYZJI STATYSTYCZNYCH Ćwczene nr 1 Statystyczne metody wspomagana decyzj Teora decyzj statystycznych WPROWADZENIE DO TEORII DECYZJI STATYSTYCZNYCH Problem decyzyjny decyzja pocągająca za sobą korzyść lub stratę. Proces decyzyjny

Bardziej szczegółowo

EVPI - maksymalna kwota, jaka podejmujacemu decyzje oplaca sie wydac, aby uzyskac doskonala informacje

EVPI - maksymalna kwota, jaka podejmujacemu decyzje oplaca sie wydac, aby uzyskac doskonala informacje Saysyczne wspomagane decyz 00-07-09 Oczekwana warosc doskonale nformac EVPI = EVwPI max EMV ( a ) EVPI - maksymalna kwoa, aka podemuacemu decyze oplaca se wydac, aby uzyskac doskonala nformace Podemowane

Bardziej szczegółowo

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

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp

Bardziej szczegółowo

n liczba zmiennych decyzyjnych c współczynniki funkcji celu a współczynniki przy zmienych decyzyjnych w warunkach

n liczba zmiennych decyzyjnych c współczynniki funkcji celu a współczynniki przy zmienych decyzyjnych w warunkach Problem decyzyny cel różne sposoby dzałana (decyze) warunk ogranczaące (determnuą zbór decyz dopuszczalnych) kryterum wyboru: umożlwa porównane efektywnośc różnych decyz dopuszczalnych z punktu wdzena

Bardziej szczegółowo

1.1 Analiza decyzji- tablica decyzyjna, klasyfikacja

1.1 Analiza decyzji- tablica decyzyjna, klasyfikacja A. Kaspersk, M. Kule BO- Analza decyz, drzewa decyzyne, elementy teor ger1 ANALIZA DECYZJI(AD) 1.1 Analza decyz- tablca decyzyna, klasyfkaca problemów W celu formalzac klasyfkac problemów decyzynych wprowadzmy

Bardziej szczegółowo

ń ę ń ę ń ę ń ę ę ę ę ę ź ń ź Ś ę Ł ń ę ę ń ę ń ę ę ę ę ę ę ź ę ę Ż ę ŚĆ ę Ż ń ń ę ń ę ę ę ę ę ź ę ę Ś Ś Ś Ś ź ę ń ę ę Ź ń Ś Ś ę ń ę ę ę ę ę ź ń ŚĆ Ś ń ń ń Ą ń ę ę ŚĆ ę Ż ę ń ę ę ę ę ę ź ń Ś Ś ź Ś Ł ę

Bardziej szczegółowo

o partnerstwie publiczno-prywatnym.

o partnerstwie publiczno-prywatnym. SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA Warszawa, dnia 20 czerwca 2005 r. Druk nr 984 0$56=$à(. 6(-08 RZECZYPOSPOLITEJ POLSKIEJ Pan Longin PASTUSIAK 0$56=$à(. 6(1$78 RZECZYPOSPOLITEJ POLSKIEJ =JRGQLH

Bardziej szczegółowo

Podstawowym założeniem teorii gier jest racjonalne działanie wszystkich podmiotów decyzyjnych (graczy).

Podstawowym założeniem teorii gier jest racjonalne działanie wszystkich podmiotów decyzyjnych (graczy). Fdr Gra to dowolna sytuacja konflktowa, gracz natomast to dowolny jej uczestnk każda strona wybera pewną strategę postępowana, po czym zależne od strateg własnej oraz nnych uczestnków każdy gracz otrzymuje

Bardziej szczegółowo

Pattern Classification

Pattern 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 szczegółowo

Wielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki

Wielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki Welokategoralne systemy uząe sę h zastosowane w bonformatye Rafał Grodzk Welokategoralny system uząy sę (multlabel learnng system) Zbór danyh weśowyh: d X = R Zbór klas (kategor): { 2 } =...Q Zbór uząy:

Bardziej szczegółowo

RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH

RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Stansław KOWALIK e-mal: skowalk@wsb.edu.pl Wyższa Szkoła Bznesu Dąbrowa Górncza RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Streszczene Praca dotyczy nekooperacynych sekwencynych ger dwuosobowych o sume

Bardziej szczegółowo

3URMHNWRZDQLHVFKHPDWyZ UHODF\MQ\FKED]GDQ\FK± 1RUPDOL]DFMD. =E\V]NR.UyOLNRZVNL ,QVW\WXW,QIRUPDW\NL3ROLWHFKQLNL3R]QDVNLHM 3R]QDXO3LRWURZR

3URMHNWRZDQLHVFKHPDWyZ UHODF\MQ\FKED]GDQ\FK± 1RUPDOL]DFMD. =E\V]NR.UyOLNRZVNL ,QVW\WXW,QIRUPDW\NL3ROLWHFKQLNL3R]QDVNLHM 3R]QDXO3LRWURZR 3URMHNWRZDQLHVFKHPDWyZ UHODF\MQ\FKED]GDQ\FK± 1RUPDOL]DFMD =E\V]NR.UyOLNRZVNL,QVW\WXW,QIRUPDW\NL3ROLWHFKQLNL3R]QDVNLHM 3R]QDXO3LRWURZR HPDLO=E\V]NR.UyOLNRZVNL#FVSXWSR]QDSO 1LHZáDFLZH]DSURMHNWRZDQLHVFKHPDWyZ

Bardziej szczegółowo

6. ANALIZA POST-OPTYMALIZACYJNA analiza wrażliwości rozwiązania optymalnego

6. ANALIZA POST-OPTYMALIZACYJNA analiza wrażliwości rozwiązania optymalnego 6. ANALIZA POST-OPTYMALIZACYJNA analiza wrażliwości rozwiązania optymalnego Analiza wrażliwości est studium analizy wpływu zmian wartości różnych parametrów modelu PL na rozwiązanie optymalne. Na optymalne

Bardziej szczegółowo

(Dantzig G. B. (1963))

(Dantzig G. B. (1963)) (Dantzig G.. (1963)) Uniwersalna metoda numeryczna dla rozwiązywania zadań PL. Ideą metody est uporządkowany przegląd skończone ilości rozwiązań bazowych układu ograniczeń, które możemy utożsamiać, w przypadku

Bardziej szczegółowo

Quantile hedging. czyli jak tanio i dobrze zabezpieczyć opcję. Michał Krawiec, Piotr Piestrzyński

Quantile hedging. czyli jak tanio i dobrze zabezpieczyć opcję. Michał Krawiec, Piotr Piestrzyński czyli jak tanio i dobrze zabezpieczyć opcję Michał Krawiec Piotr Piestrzyński Koło Naukowe Probabilistyki i Statystyki Matematycznej Uniwersytet Wrocławski Niedziela, 19 kwietnia 2015 Przykład (opis problemu)

Bardziej szczegółowo

BADANIA OPERACYJNE ANALITYKA GOSPODARCZA

BADANIA OPERACYJNE ANALITYKA GOSPODARCZA BADANIA OPERACYJNE ANALITYKA GOSPODARCZA Egzamin pisemny 8.4.7 piątek, salae-6, godz. 8:-9:3 OBECNOŚĆ OBOWIĄZKOWA!!! Układ egzaminu. TEST z teorii: minut (test wielostronnego wyboru; próg 75%). ZADANIA:

Bardziej szczegółowo

Przedsiębiorczość i Podejmowanie Ryzyka. Zajęcia 2

Przedsiębiorczość i Podejmowanie Ryzyka. Zajęcia 2 Przedsiębiorczość i Podejmowanie Ryzyka Zajęcia 2 Reguły podejmowania decyzji w warunkach niepewności Wybór spośród A1, A2,, Am alternatyw (decyzji dopuszczalnych, opcji, działań), gdzie relatywna użyteczność

Bardziej szczegółowo

Cele i zadania gospodarki leśnej na tle struktury Państwowego Gospodarstwa Leśnego Lasy Państwowe

Cele i zadania gospodarki leśnej na tle struktury Państwowego Gospodarstwa Leśnego Lasy Państwowe Cele i zadania gospodarki leśnej na tle struktury Państwowego Gospodarstwa Leśnego Lasy Państwowe Dr inŝ. Marian Pigan Dyrekcja Generalna Lasów Państwowych Spis treści 1. Pojęcie ryzyka 2. Źródła i kategorie

Bardziej szczegółowo

Zapis stenograficzny (1537) 188. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 30 listopada 2004 r.

Zapis stenograficzny (1537) 188. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 30 listopada 2004 r. ISSN 1643-2851 SENAT RZECZYPOSPOLITEJ POLSKIEJ Zapis stenograficzny (1537) 188. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 30 listopada 2004 r. V kadencja 3RU]GHN REUDG,QIRUPDFMD QD WHPDW SUREOHPX

Bardziej szczegółowo

Problemy oceny alternatyw w warunkach niepewności

Problemy oceny alternatyw w warunkach niepewności Problemy oceny alternatyw w warunkach niepewności Statystyczne metody oceny alternatyw Rozpatrzmy sytuacje, w których decyzja pociąga za sobą korzyść lub stratę Tę sytuację nazywać będziemy problemem decyzyjnym,

Bardziej szczegółowo

,1)<1,(56.,(%$=<'$1<&+'/$0$à<&+35=('6, %,2567: ENGINEERING DATA BASES FOR SMALL ENTERPRISES

,1)<1,(56.,(%$=<'$1<&+'/$0$à<&+35=('6, %,2567: ENGINEERING DATA BASES FOR SMALL ENTERPRISES 53 M>D J. Wróbel Institute of Machine Design Fundamentals, Warsaw University of Technology, Poland,1)

Bardziej szczegółowo

Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008

Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008 Przemysław Klusik Instytut Matematyczny, Uniwersytet Wrocławski Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008 (UWr) Zagadnienia Aktuarialne -

Bardziej szczegółowo

1 Analiza decyzji- tablica decyzyjna, klasyfikacja problemów

1 Analiza decyzji- tablica decyzyjna, klasyfikacja problemów A. Kaspersk, M. Kule BO- Analza decyz, drzewa decyzyne, elementy teor ger1 1 Analza decyz- tablca decyzyna, klasyfkaca problemów W celu formalzac klasyfkac problemów decyzynych wprowadzmy tzw tablcę decyzyną.

Bardziej szczegółowo

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

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4. Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można

Bardziej szczegółowo

Ryzyko. Ekonomika i organizacja produkcji. Materiały do zajęć z EiOP - L. Wicki Niebezpieczeństwo. Hazard. Zarządzanie ryzykiem

Ryzyko. Ekonomika i organizacja produkcji. Materiały do zajęć z EiOP - L. Wicki Niebezpieczeństwo. Hazard. Zarządzanie ryzykiem Szkoła Główna Gospodarstwa Wiejskiego Katedra Ekonomiki i Organizacji Przedsiębiorstw Ekonomika i organizacja produkcji Ryzyko Zarządzanie ryzykiem Dr inż. Ludwik Wicki Pojęcia występujące w ubezpieczeniowej

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka

Bardziej szczegółowo

SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA. Warszawa, dnia 21 kwietnia 2004 r. SPRAWOZDANIE. (wraz z zestawieniem wniosków)

SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA. Warszawa, dnia 21 kwietnia 2004 r. SPRAWOZDANIE. (wraz z zestawieniem wniosków) SENAT RZECZYPOSPOLITEJ POLSKIEJ V KADENCJA Warszawa, dnia 21 kwietnia 2004 r. Druk nr 685 Z SPRAWOZDANIE KOMISJI 32/,7

Bardziej szczegółowo

liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.

liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym. =DGDQLHSROHJDMFHQDSRV]XNLZDQLXPDNV\PDOQHMOXEPLQLPDOQHMZDUWRFLIXQNFMLZLHOX ]PLHQQ\FKSU]\MHGQRF]HVQ\PVSHáQLHQLXSHZQHMLORFLQDáR*RQ\FKZDUXQNyZ UyZQDOXE QLHUyZQRFLQRVLQD]Z]DGDQLDRSW\PDOL]DF\MQHJROXE]DGDQLDSURJUDPRZDQLD

Bardziej szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. Definicje ogólne 0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj

Bardziej szczegółowo

Poszukiwanie optymalnego wyrównania harmonogramu zatrudnienia metodą analityczną

Poszukiwanie optymalnego wyrównania harmonogramu zatrudnienia metodą analityczną Mieczysław POŁOŃSKI Wydział Budownictwa i Inżynierii Środowiska, Szkoła Główna Gospodarstwa Wieskiego, Warszawa, ul. Nowoursynowska 159 e-mail: mieczyslaw_polonski@sggw.pl Poszukiwanie optymalnego wyrównania

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010

STATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010 STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego

Bardziej szczegółowo

KWIT WYWOZOWY/PODWOZOWY (KW)

KWIT WYWOZOWY/PODWOZOWY (KW) KWIT WYWOZOWY/PODWOZOWY (KW).ZLW Z\ZR]RZ\SRGZR]RZ\ MHVW GRNXPHQWHP VWDQRZLF\P SRGVWDZ SU]HPLHV]F]HQLD Z\URELRQ\FKLRGHEUDQ\FKPDWHULDáyZGU]HZQ\FKSU]\X*\FLXNRQQ\FKLPHFKDQLF]Q\FKURGNyw WUDQVSRUWRZ\FKDSRSRGSLVDQLXSU]H]RGELRUFVWDQRZLGRZyGGRVWDZ\RNUHORQHMZQLPPDV\

Bardziej szczegółowo

ANALIZA HARMONOGRAMÓW POWYKONAWCZYCH W BUDOWNICTWIE

ANALIZA HARMONOGRAMÓW POWYKONAWCZYCH W BUDOWNICTWIE ANALIZA HARMONOGRAMÓW POWYKONAWCZYCH W BUDOWNICTWIE Wocech BOŻEJKO Zdzsław HEJDUCKI Marusz UCHROŃSKI Meczysław WODECKI Streszczene: W pracy przedstawono metodę wykorzystana harmonogramów powykonawczych

Bardziej szczegółowo

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

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4 Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =

Bardziej szczegółowo

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej

Bardziej szczegółowo

Piotr 7U\EDáD. Leasing 3RUDGQLN3U]HGVLELRU \

Piotr 7U\EDáD. Leasing 3RUDGQLN3U]HGVLELRU \ Piotr 7U\EDáD Leasing 3RUDGQLN3U]HGVLELRU \ Autor Piotr 7U\EDáD Redakcja i korekta Ewa Skrzypkowska Copyright by 3ROVND $JHQFMD 5R]ZRMX 3U]HGVLELRUF]RFL Projekt serii Tadeusz Korobkow 3URMHNW RNáDGNL Andrzej

Bardziej szczegółowo

Badania operacyjne w logistyce i zarządzaniu produkcją

Badania operacyjne w logistyce i zarządzaniu produkcją Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu Badana operacyne w logstyce zarządzanu produkcą cz. I Andrze Woźnak Nowy Sącz Komtet Redakcyny doc. dr Zdzsława Zacłona przewodncząca, prof. dr hab. nż. Jarosław

Bardziej szczegółowo

QUASI- KLASYCZNA ANALIZA DECYZJI ZŁOŻONYCH

QUASI- KLASYCZNA ANALIZA DECYZJI ZŁOŻONYCH QUASI- KLASYCZNA ANALIZA DECYZJI ZŁOŻONYCH Mace WOLNY Wydzał Organzac Zarządzana Poltechnka Śląska ul. Roosevelta 26-28,41-800 Zabrze mal: mwolny@polsl.glwce.pl Streszczene. Artykuł prezentue koncepcę

Bardziej szczegółowo

1. Relacja preferencji

1. Relacja preferencji dr Mchał Koopczyńsk EKONOMIA MATEMATYCZNA Wykłady, 2, 3 (a podstawe skryptu r 65) Relaca preferec koszyk towarów: przestrzeń towarów: R + = { x R x 0} x = ( x,, x ) X X R+ x 0 x 0 =, 2,, x~y xf y x y x

Bardziej szczegółowo

7. Wykład VII: Warunki Kuhna-Tuckera

7. Wykład VII: Warunki Kuhna-Tuckera Wocech Grega, Metody Optymalzac 7 Wykład VII: Warunk Kuhna-Tuckera 7 Warunk koneczne stnena ekstremum Rozważane est zadane z ogranczenam nerównoścowym w postac: mn F( x ) x X X o F( x ), o { R x : h n

Bardziej szczegółowo

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe

Bardziej szczegółowo

UMOWA NR RAP/130/2010

UMOWA NR RAP/130/2010 UMOWA NR RAP/130/2010 Zawarta w dniu.. 2010 r ZH:URFáDZLXSRPLG]\ 8QLZHUV\WHWHP3U]\URGQLF]\PZH:URFáDZLX 50-:URFáDZul. C. K. Norwida 25/27 NIP: 896 000 53 54, Regon: 000001867 reprezentowanym przez: mgr

Bardziej szczegółowo

Świętochłowice, dn r. WYKONAWCY

Świętochłowice, dn r. WYKONAWCY Śwętochłowce, dn. 20.05.2016 r. WYKONAWCY Dzałając na podstawe art. 92 ust. 1 Ustawy z dna 29 styczna 2004 r. Prawo Zamóweń Publcznych (Dz. U. z 2015 r., poz. 2164 j.t.) Zespół Opek Zdrowotnej w Śwętochłowcach

Bardziej szczegółowo

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

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

Bardziej szczegółowo

STACJE ELEKTROENERGETYCZNE

STACJE ELEKTROENERGETYCZNE :$/'(0$5'2à *$ STACJE ELEKTROENERGETYCZNE 2),&

Bardziej szczegółowo

1. PARAMETRY TECHNICZNE WAG NAJAZDOWYCH.

1. PARAMETRY TECHNICZNE WAG NAJAZDOWYCH. .ZLHFLH 2 1. PARAMETRY TECHNICZNE WAG NAJAZDOWYCH. Typ wagi 2EFL*HQLH maksymalne Max [kg] WPT/4N 400H WPT/4N 800H WPT/4N 1500H 400 800 1500 2EFL*HQLH PLQLPDOQH Min [kg] 4 10 10 'RNáDGQRü RGF]\WX d [g]

Bardziej szczegółowo

Optymalizacja struktury produkcji na przykładzie kopalni

Optymalizacja struktury produkcji na przykładzie kopalni 1) Dr hab inż.; Wydział Górnictwa i Geoinżynierii, AGH University of Science and Technology, Kraków, Mickiewicza 30, 30-059, Poland; tel.: 48 12 617 21 00, email: t-zak@agh.edu.pl 2) Dr inż.; Wydział Górnictwa

Bardziej szczegółowo

Portfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego

Portfele 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 szczegółowo

MUMIO Lab 6 (składki, kontrakt stop-loss)

MUMIO Lab 6 (składki, kontrakt stop-loss) MUMIO Lab 6 (składki, kontrakt stop-loss) 1. (6p.) Niech X oznacza ryzyko (zmienn a losow a o własności P (X 0) = 1), a H( ) niech oznacza formułȩ kalkulacji składki (przyporz adkowuj ac a każdemu ryzyku

Bardziej szczegółowo

MIRAGRID GX110/30 PES

MIRAGRID GX110/30 PES MIRAGRID GX110/30 EN ISO 10319 [kn/m] 116,00 30,00 s - 5,80-5,00 MIRAGRID GX140/140 (9.1) EN ISO 10319 [kn/m] 145,00 145,00 EN ISO 10319 [%] 10,00 10,00 s - 7,00-7,00 g +/- 2,10 +/- 2,10 MIRAGRID GX160/30

Bardziej szczegółowo

I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji.

I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji. I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji. Niech x 0 R i niech f będzie funkcją określoną przynajmniej na

Bardziej szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 Metody estymacji. Estymator największej wiarygodności Zad. 1 Pojawianie się spamu opisane jest zmienną losową y o rozkładzie zero-jedynkowym

Bardziej szczegółowo

Wykład 2: Uczenie nadzorowane sieci neuronowych - I

Wykład 2: Uczenie nadzorowane sieci neuronowych - I Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za

Bardziej szczegółowo

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

= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału 5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B

Bardziej szczegółowo

Irena Zubel..V]WDáWRZDQLHVWUXNWXUSU]HVWU]HQQ\FK w krzemie PHWRGWUDZLHQLDDQL]RWURSRZHJR GR]DVWRVRZDZPLNURHOHNWUonice

Irena Zubel..V]WDáWRZDQLHVWUXNWXUSU]HVWU]HQQ\FK w krzemie PHWRGWUDZLHQLDDQL]RWURSRZHJR GR]DVWRVRZDZPLNURHOHNWUonice Irena Zubel.V]WDáWRZDQLHVWUXNWXUSU]HVWU]HQQ\FK w krzemie PHWRGWUDZLHQLDDQL]RWURSRZHJR GR]DVWRVRZDZPLNURHOHNWUonice Oficyna Wydawnicza Politechniki WURFáDZVNLHM WURFáDZ 2004 Recenzenci Keshra Sangwal Jerzy

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo 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 szczegółowo

Integracja technik eksploracji danych ]V\VWHPHP]DU]G]DQLDED]GDQ\FK QDSU]\NáDG]LH2UDFOHi Data Mining

Integracja technik eksploracji danych ]V\VWHPHP]DU]G]DQLDED]GDQ\FK QDSU]\NáDG]LH2UDFOHi Data Mining Integracja technik eksploracji danych ]V\VWHPHP]DU]G]DQLDED]GDQ\FK QDSU]\NáDG]LH2UDFOHi Data Mining 0LNRáDM0RU]\ Marek Wojciechowski Instytut Informatyki PP Eksploracja danych 2GNU\ZDQLHZ]RUFyZZGX*\FK

Bardziej szczegółowo

1. SPRAWDZENIE WYSTEPOWANIA RYZYKA KONDENSACJI POWIERZCHNIOWEJ ORAZ KONDENSACJI MIĘDZYWARSTWOWEJ W ŚCIANIE ZEWNĘTRZNEJ

1. SPRAWDZENIE WYSTEPOWANIA RYZYKA KONDENSACJI POWIERZCHNIOWEJ ORAZ KONDENSACJI MIĘDZYWARSTWOWEJ W ŚCIANIE ZEWNĘTRZNEJ Ćwczene nr 1 cz.3 Dyfuzja pary wodnej zachodz w kerunku od środowska o wyższej temperaturze do środowska chłodnejszego. Para wodna dyfundująca przez przegrody budowlane w okrese zmowym napotyka na coraz

Bardziej szczegółowo

Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak

Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy

Bardziej szczegółowo

Rachunek Różniczkowy

Rachunek Różniczkowy Rachunek Różniczkowy Sąsiedztwo punktu Liczby rzeczywiste będziemy teraz nazywać również punktami. Dla ustalonego punktu x 0 i promienia r > 0 zbiór S(x 0, r) = (x 0 r, x 0 ) (x 0, x 0 + r) nazywamy sąsiedztwem

Bardziej szczegółowo

dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2.

dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej μ, wariancji momencie centralnym μ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X μ k Pr > μ + t σ ) 0. k k t σ *

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

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

Bardziej szczegółowo

Teoria preferencji i jej alternatywy

Teoria preferencji i jej alternatywy Dariusz Zawisza Instytut Matematyki UJ 10 maj 2012 Racjonalność Racjonalny decydent: rzetelnie pozyskuje informacje i właściwie je interpretuje - decydent zna możliwe konsekwencje swoich decyzji, na podstawie

Bardziej szczegółowo

TEORIA GIER W NAUKACH SPOŁECZNYCH. Gry macierzowe, rybołówstwo na Jamajce, gry z Naturą

TEORIA GIER W NAUKACH SPOŁECZNYCH. Gry macierzowe, rybołówstwo na Jamajce, gry z Naturą TEORIA GIER W NAUKACH SPOŁECZNYCH Gry macierzowe, rybołówstwo na Jamajce, gry z Naturą Przypomnienie Gry w postaci macierzowej i ekstensywnej Gry o sumie zerowej i gry o sumie niezerowej Kryterium dominacji

Bardziej szczegółowo

Opis systemu. BillNet S.A. 1

Opis systemu. BillNet S.A. 1 Opis systemu BillNet S.A. 1 6SLVWUHFL 1. OPIS SYSTEMU BILLNET...3 1.1 U)

Bardziej szczegółowo

Sterowanie optymalne

Sterowanie optymalne Sterowanie optymalne Sterowanie Procesami Ciągłymi 2017 Optymalizacja statyczna funkcji Funkcja celu/kryterialna/kosztów Ograniczenie Q(x) min x x = arg min Q(x) x x X, gdzie X zbiór rozwiązań dopuszczalnych

Bardziej szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji

Bardziej szczegółowo

Programowanie liniowe metoda sympleks

Programowanie liniowe metoda sympleks Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2012 Mirosław Sobolewski (UW) Warszawa, 2012 1 / 12

Bardziej szczegółowo

ZAWIADOMIENIE O WYBORZE NAJKORZYSTNIEJSZEJ OFERTY

ZAWIADOMIENIE O WYBORZE NAJKORZYSTNIEJSZEJ OFERTY Śwdnk, 24 wrześna 2012 r. Sąd Rejonowy Lubln Wschód w Lublne z sedzbą w Śwdnku ul. Kard. S. Wyszyńskego 18 21-040 Śwdnk sprawa: LWZP-2401-14-65/12 ZAWIADOMIENIE O WYBORZE NAJKORZYSTNIEJSZEJ OFERTY Dotyczy:

Bardziej szczegółowo

Plan wykładu. Dlaczego wzrost gospodarczy? Model wzrostu Harroda-Domara.

Plan wykładu. Dlaczego wzrost gospodarczy? Model wzrostu Harroda-Domara. Plan wykładu Dlaczego wzrost gospodarczy? Model wzrostu Harroda-Domara. Model wzrostu Solowa. Krytyka podejścia klasycznego wstęp do endogenicznych podstaw wzrostu gospodarczego. Potrzeba analizy wzrostu

Bardziej szczegółowo

Wybór optymalnej technologii produkcji

Wybór optymalnej technologii produkcji ZARZĄDZANIE PRODUCJĄ I UŁUGAMI Ćwiczenie Wybór optymalne technologii produkci Jak wybrać nakorzystnieszy sposób produkci? posoby działalności pecyfika różnych przedsięwzięć gospodarczych umożliwia m.in.

Bardziej szczegółowo

Zarządzanie produkcją i usługami

Zarządzanie produkcją i usługami Wyższa zkła Oficerska Wsk Lądwych ierunek: Zarządzanie Zarządzanie prdukcą i usługami Ćwiczenia audytryne Dr inż. Plitechnika Wrcławska Wydział Infrmatyki i Zarządzania Instytut Organizaci i Zarządzania

Bardziej szczegółowo

Ń Ż Ó Ó Ó Ż Ę Ó Ś Ó Ę Ś Ś Ó ż Ó Ó Ż Ś Ś Ó Ó Ś Ś Ś Ó Ść Ó ż Ść Ę Ó Ń Ś Ó Ś Ó Ż Ż Ż ć Ż Ó Ó Ż Ś Ó Ś ć Ń ć Ó Ó Ś ż Ś Ż Ż Ść Ó Ś ż ćż ć Ó Ż Ś Ć Ó Ż Ó Ó Ż Ś Ó Ó Ś Ó ż Ó Ż Ź Ś ż Ń Ó Ó Ś ż Ś Ó Ó Ś ż Ś Ś Ś Ć Ż

Bardziej szczegółowo

METODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.

METODA 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

ZASTOSOWANIE ZBIORÓW ROZMYTYCH W JEDNOETAPOWYM PROCESIE PODEJMOWANIA DECYZJI PRZEZ JEDNEGO DECYDENTA

ZASTOSOWANIE ZBIORÓW ROZMYTYCH W JEDNOETAPOWYM PROCESIE PODEJMOWANIA DECYZJI PRZEZ JEDNEGO DECYDENTA Mrosław Klawk ZSTOSOWNIE ZIORÓW ROZMYTYCH W JEDNOETPOWYM PROCESIE PODEJMOWNI DECYZJI PRZEZ JEDNEGO DECYDENT Wstęp Podemowane odpowednch decyz est zależnone od stopna wedzy decydenta o stanach natry oraz

Bardziej szczegółowo

Zapis stenograficzny (1653) 27. posiedzenie Komisji Spraw Unii Europejskiej w dniu 25 lutego 2005 r.

Zapis stenograficzny (1653) 27. posiedzenie Komisji Spraw Unii Europejskiej w dniu 25 lutego 2005 r. ISSN 1643-2851 SENAT RZECZYPOSPOLITEJ POLSKIEJ Zapis stenograficzny (1653) 27. posiedzenie Komisji Spraw Unii Europejskiej w dniu 25 lutego 2005 r. V kadencja Zapis stenograficzny jest tekstem nieautoryzowanym.

Bardziej szczegółowo

Ubezpieczenia majątkowe

Ubezpieczenia majątkowe Funkcje użyteczności a składki Uniwersytet Przyrodniczy we Wrocławiu Instytut Nauk Ekonomicznych i Społecznych 2016/2017 Funkcja użyteczności Niech ω wielkość majątku decydenta wyrażona w j.p., u (ω) stopień

Bardziej szczegółowo

Estymatory regresji rangowej oparte na metodzie LASSO

Estymatory regresji rangowej oparte na metodzie LASSO Estymatory regresji rangowej oparte na metodzie LASSO Wojciech Rejchel UMK Toruń Wisła 2013 Z = (X, Y ), Z = (X, Y ) - niezależne wektory losowe o tym samym rozkładzie P X, X X R m, Y, Y R Z = (X, Y ),

Bardziej szczegółowo

aij - wygrana gracza I bij - wygrana gracza II

aij - 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 szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym

Bardziej szczegółowo

Opinia o senackim projekcie ustawy o zmianie ustawy. (druk senacki nr 805)

Opinia o senackim projekcie ustawy o zmianie ustawy. (druk senacki nr 805) Prof. dr hab. Marek Szewczyk :\G]LDá 3UDZD L $GPLQLVWUDFML Uniwersytetu im. Adama Mickiewicz w Poznaniu Opinie i Ekspertyzy nr 19 OE 19/2004 Opinia o senackim projekcie ustawy o zmianie ustawy o gospodarce

Bardziej szczegółowo

Zapis stenograficzny (1532) 187. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 25 listopada 2004 r.

Zapis stenograficzny (1532) 187. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 25 listopada 2004 r. ISSN 1643-2851 SENAT RZECZYPOSPOLITEJ POLSKIEJ Zapis stenograficzny (1532) 187. posiedzenie.rplvml3rolw\nl6sráhf]qhml=gurzld w dniu 25 listopada 2004 r. V kadencja 3RU]GHN REUDG 1. Rozpatrzenie ustawy

Bardziej szczegółowo

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ Zalety: nie wprowadzają żadnych ograniczeń na sformułowanie problemu optymalizacyjnego. Funkcja celu może być wielowartościowa i nieciągła, obszar

Bardziej szczegółowo

WSPOMAGANIE PODEJMOWANIA DECYZJI W FIRMIE PRODUKUJ CEJ OPROGRAMOWANIE Z UWZGL DNIENIEM INFORMACJI NIEPEWNEJ

WSPOMAGANIE PODEJMOWANIA DECYZJI W FIRMIE PRODUKUJ CEJ OPROGRAMOWANIE Z UWZGL DNIENIEM INFORMACJI NIEPEWNEJ WSPOMAGANIE PODEJMOWANIA DECYZJI W FIMIE PODUKUJ CEJ OPOGAMOWANIE Z UWZGL DNIENIEM INFOMACJI NIEPEWNEJ JOANNA BANA SZYMON KOZIOŁ Zachodnopomorsk Unwersytet echnologczny w Szczecne Streszczene W artykule

Bardziej szczegółowo

&]HVáDZ'RPDVNL 8QLZHUV\WHW àyg]nl. Zastosowanie testów serii znaków w statystycznej kontroli procesu

&]HVáDZ'RPDVNL 8QLZHUV\WHW àyg]nl. Zastosowanie testów serii znaków w statystycznej kontroli procesu DYNAMICZNE MODELE EKONOMETRYCZNE,,, JyOQRSROVNLH HPLQDULXP DXNRZH ZU]HQLD Z RUXQLX.DWHGUD (NRQRPHWULL L WDW\VW\NL QLZHUV\WHW 0LNRãDMD.RSHUQLND Z RUXQLX &]HVáDZRPDVNL QLZHUV\WHW àyg]nl Zastosowanie testów

Bardziej szczegółowo

Jan Bień. Modelowanie obiektów mostowych w procesie ich eksploatacji

Jan Bień. Modelowanie obiektów mostowych w procesie ich eksploatacji Jan Bień Modelowanie obiektów mostowych w procesie ich eksploatacji Oficyna Wydawnicza Politechniki Wrocławskiej Wrocław 2002 63,675(&, 1. SYSTEMOWE WSPOMAGANIE EKSPLOATACJI OBIEKTÓW MOSTOWYCH... 7 1.1.

Bardziej szczegółowo

-]\NPRGHORZDQLDGDQ\FK80/ {ewag@ipipan.waw.pl, ewag@pjwstk.waw.pl} Ewa Stemposz. Instytut Podstaw Informatyki PAN

-]\NPRGHORZDQLDGDQ\FK80/ {ewag@ipipan.waw.pl, ewag@pjwstk.waw.pl} Ewa Stemposz. Instytut Podstaw Informatyki PAN -]\NPRGHORZDQLDGDQ\FK80/ Ewa Stemposz {ewag@ipipan.waw.pl, ewag@pjwstk.waw.pl} Instytut Podstaw Informatyki PAN Polsko--DSRVND:\*V]D6]NRáD7HFKQLN.RPSXWHURZ\FK Zagadnienia Krótka charakterystyka UML Diagramy

Bardziej szczegółowo

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

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5 MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając

Bardziej szczegółowo

Definicja problemu programowania matematycznego

Definicja problemu programowania matematycznego Definicja problemu programowania matematycznego minimalizacja lub maksymalizacja funkcji min (max) f(x) gdzie: x 1 x R n x 2, czyli: x = [ ] x n przy ograniczeniach (w skrócie: p.o.) p.o. g i (x) = b i

Bardziej szczegółowo

INSTRUKCJA OBSŁUGI I INSTALOWANIA ZMYWARKI DO NACZYŃ MODEL: STX2C

INSTRUKCJA OBSŁUGI I INSTALOWANIA ZMYWARKI DO NACZYŃ MODEL: STX2C INSTRUKCJA OBSŁUGI I INSTALOWANIA ZMYWARKI DO NACZYŃ MODEL: STX2C Wyłączny Przedstawiciel na Polskę: DOM BANCO Sp. z o.o., al. Krakowska 5, 05-090 Raszyn k/warszawy Tel.: 0 22 720 11 99, fax: 0 22 720

Bardziej szczegółowo

Spis treœci WSTÊP... 3 KLUCZ ODPOWIEDZI... 138 BIBLIOGRAFIA... 210

Spis treœci WSTÊP... 3 KLUCZ ODPOWIEDZI... 138 BIBLIOGRAFIA... 210 Spis treœci WSTÊP... 3 I. 8NáDG NU*HQLD L XNáDG RGSRUQRFLRZ\ F]áRZLHND poziom podstawowy... 9 II. 8NáDG NU*HQLD L XNáDG RGSRUQRFLRZ\ F]áRZLeka poziom rozszerzony... 14 III. 8NáDG QHUZRZ\ F]áRZLHND poziom

Bardziej szczegółowo

Stochastyczne zagadnienie rozdziału z dyskretnym rozkładem popytu

Stochastyczne zagadnienie rozdziału z dyskretnym rozkładem popytu Stochastyczne zagadnienie rozdziału z dyskretnym rozkładem popytu Marcin Anholcer Uniwersytet Ekonomiczny w Poznaniu 19 marca 2013, Ustroń Marcin Anholcer Stochastyczne zagadnienie rozdziału 1/ 15 1 Zagadnienie

Bardziej szczegółowo

Zapis stenograficzny (1530) 162. posiedzenie.rplvml6dpru]gx7hu\wruldoqhjr i AdmiQLVWUDFML3DVWZRZHM w dniu 25 listopada 2004 r.

Zapis stenograficzny (1530) 162. posiedzenie.rplvml6dpru]gx7hu\wruldoqhjr i AdmiQLVWUDFML3DVWZRZHM w dniu 25 listopada 2004 r. ISSN 1643-2851 SENAT RZECZYPOSPOLITEJ POLSKIEJ Zapis stenograficzny (1530) 162. posiedzenie.rplvml6dpru]gx7hu\wruldoqhjr i AdmiQLVWUDFML3DVWZRZHM w dniu 25 listopada 2004 r. V kadencja 3RU]GHN REUDG 5R]SDWU]HQLH

Bardziej szczegółowo

MODELOWANIE UKŁADÓW MECHANICZNYCH Z NIEPEWNYMI PARAMETRAMI

MODELOWANIE UKŁADÓW MECHANICZNYCH Z NIEPEWNYMI PARAMETRAMI Smlaca Andrze POWNUK Katedra Mecan Teoretczne Wdzał Bdownctwa Poltecna Śląsa w Glwcac MODELOWANIE UKŁADÓW MECHANICZNYCH Z NIEPEWNYMI PARAMETRAMI Streszczene. Wszste parametr ładów mecancznc są znane z

Bardziej szczegółowo

Analiza matematyczna i algebra liniowa Pochodna funkcji

Analiza matematyczna i algebra liniowa Pochodna funkcji Analiza matematyczna i algebra liniowa Pochodna funkcji Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje:

Bardziej szczegółowo

Ś Ę Ś Ą Ł Ę Ę Ę Ą ć Ę Ę ź ź Ń Ń Ę Ń Ń ź ź Ą ć Ą ć Ę Ą Ń Ń Ą Ę Ę ć Ą Ę ź Ą ć ć Ęć ć Ń ć ć ć ć ć Ś ć Ą ć ć ć Ń Ę Ś Ę Ę Ę ć Ę ć ć Ł ć Ń Ń Ęć Ę ź ć Ą Ę ź ć Ę Ę ź Ę Ą Ę Ą ć ź ź Ę ź Ę Ń ć ź ć ź Ę Ń Ę Ł Ę Ę ć

Bardziej szczegółowo

maj 2014 Politechnika Gdańska Wydział Oceanotechniki i Okrętownictwa St. II stop., sem. I

maj 2014 Politechnika Gdańska Wydział Oceanotechniki i Okrętownictwa St. II stop., sem. I Poltechnka Gdańska Wydzał Oceanotechnk Okrętownctwa St. II stop., sem. I Podstawy teor optymalzac Wykład 11 M. H. Ghaem ma 2014 Podstawy teor optymalzac Oceanotechnka, II stop., sem. I 85 Optymalzaca welokryteralna

Bardziej szczegółowo

Podstawy teorii falek (Wavelets)

Podstawy teorii falek (Wavelets) Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc

Bardziej szczegółowo