Testowanie oprogramowania. Wykład 11 inżynieria jakości oprogramowania cz. I podstawy teorii pomiarów metryki rozmiaru: LOC metryki rozmiaru: FP

Wielkość: px
Rozpocząć pokaz od strony:

Download "Testowanie oprogramowania. Wykład 11 inżynieria jakości oprogramowania cz. I podstawy teorii pomiarów metryki rozmiaru: LOC metryki rozmiaru: FP"

Transkrypt

1 Testowanie oprogramowania Adam Roman Instytut Informatyki UJ Wykład 11 inżynieria jakości oprogramowania cz. I podstawy teorii pomiarów metryki rozmiaru: LOC metryki rozmiaru: FP 1/50

2 Zagadnienia inżynierii jakości INŻYNIERIA JAKOŚCI OPROGRAMOWANIA 1. podstawy teorii pomiarów 2. metryki wolumenowe 3. metryki złożoności 4. estymacja pracochłonności 5. defekty i metryki defektów 6. pomiar i predykcja niezawodności oprogramowania 7. czas odpowiedzi i dostęność 8. pomiar postępu 9. benchmarking 10. efektywne prezentowanie dla managementu 2/50

3 Wstęp do inżynierii jakości 3/50

4 Raport CHAOS 2012 statystyki dla projektów IT 4/50

5 Potrzeby Inżynierowie oprogramowania muszą posiadać umiejętności estymacji i pomiaru, tzn.: rozumieć czynności i ryzyka w rozwoju oprogramowania przewidywać i kontrolować działania zarządzać ryzykami dostarczać niezawodności zarządzać proaktywnie aby uniknąć kryzysów Aby przewidywać i dobrze kontrolować musisz mierzyć Aby rozumieć postęp w rozwoju musisz mierzyć Aby zrozumieć i ocenić jakość musisz mierzyć 5/50

6 Co mierzyć? (1) Istnieje wiele charakterystyk oprogramowania. Należy zdefiniować program metryk. Aby to zrobić, należy odpowiedzieć sobie na następujące pytania: kto jest klientem dla tych metryk? jakie są cele klientów dotyczące mierzonego produktu, procesu, zasobów? jakie metryki pokażą czy cel został osiągnięty? 6/50

7 Co mierzyć? (2) Metoda 1: Goal Question Metric (GQM) Metoda podana przez Basiliego (2002), podejście top-down GOAL (cel) zidentyfikuj cel dla produktu / procesu / zasobu. Ten cel chce osiągnąć klient. QUESTION (pytanie) określ pytanie/pytania, które scharakteryzują metodę osiągnięcia celu METRIC (metryka) zdefiniuj metrykę/metryki, które dostarczą ilościowej odpowiedzi na pytanie 7/50

8 Co mierzyć? (3) Metoda 1: Goal Question Metric (GQM) - przykład GOAL (cel) dostarczyć produkt który spełni oczekiwania klienta co do funkcjonalności QUESTION (pytanie) jak bardzo dostarczony program odchyla się od wymagań klienta? METRIC (metryka) liczba defektów polowych, albo: satysfakcja klienta (ankieta) 8/50

9 Co mierzyć? (4) Metoda 1: Goal Question Metric (GQM) rozszerzenie GOAL QUESTION METRIC MECHANISM (mechanizm) kto odpowiedzialny za zbieranie danych i raportowanie, jak często, jaka infrastruktura będzie do tego potrzebna? 9/50

10 Co mierzyć? (5) Metoda 2: Decision Maker Model metoda skupia się na podejmowaniu decyzji projektowych klientem jest osoba podejmująca decyzje określa się potrzeby osoby podejmującej decyzje (mogą się zmieniać w czasie) metoda zgodna z GQM potrzeby informacyjne DECYZJE PROJEKTOWE MIARY PROJEKTOWE produkty informacji (dane) 10/50

11 Co mierzyć? (6) Metoda 3: Metryki oparte na standardach Istnieje wiele generycznych standardów inżynierii oprogramowania dla zbiorów metryk Np. model dojrzałości SEI wykorzystuje metryki: rozmiar systemu czas trwania projektu wysiłek defekty produktywność Inne przykładowe standardy: TL9000 dla telekomunikacji, EIC 60880: dla elektrowni jądrowych itd. Wiele organizacji posiada swoje własne programy metryk (Motorola, IBM). 11/50

12 Dlaczego pomiary są trudne? Modele pomiarów 12/50

13 Dlaczego pomiary są trudne ile linii kodu ma poniższy program? /* Strncat() appends up to count characters from string src to string dest, and then appends a terminating null character. If copying takes place between objects that overlap, the behavior is undefined. */ char *strncat(char *dest, const char *src, size_t count) { char *temp = dest; if (count) { while (*dest) dest++; while ((*dest++ = *src++)) { if (--count == 0) { *dest = \0 ; break; } } } return temp; } 13/50

14 Dlaczego pomiary są trudne ile linii kodu ma poniższy program? /* Strncat() appends up to count characters from string src to string dest, and then appends a terminating null character. If copying takes place between objects that overlap, the behavior is undefined. */ char *strncat(char *dest, const char *src, size_t count) { char *temp = dest; if (count) { while (*dest) zwykle dest++; while ((*dest++ = *src++)) { rozrzut if (--count == 0) { pomiędzy *dest = \0 ; break; 11 a 19 } } } return temp; } 14/50

15 Wyzwania pomiarów wiele rzeczy które chcemy mierzyć wydają się niemierzalne Jak zmierzyć złożoność programu? Co w ogóle oznacza złożoność? Jak zmierzyć produktywność? Jeśli ktoś napisze 100 linii kodu w 2 godziny ale program ma 5 defektów, czy to jest rozsądna produktywność? Czym jest produktywność? A jeśli ktoś ten sam program napisze w jednej linijce, w jedną godzinę, jaka jest jego produktywność? Czyja produktywność jest lepsza? 15/50

16 Modele pomiarów (1) klucz do mierzenia niemierzalnego Model = abstrakcja realnego obiektu badań Typy modeli: tekstowe (słowa) diagramatyczne (rysunki) algorytmiczne (liczby) 16/50

17 Modele pomiarów (2) modele tekstowe Najmniej efektywne, ale najpowszechniejsze. Przykład model rozwoju oprogramowania: wysiłek czas wymagany dla rozwoju produktu, wyrażony jako wzrost czasu rozwoju (np. staff months/hours); generalnie wysiłek jest funkcją rozmiaru i skutkuje kosztem cechy wymagania produktu do stworzenia rozmiar wielkość tworzonego produktu; generalnie rozmiar jest funkcją cech defekty niekompletność produktu; są funkcją rozmiaru i harmonogramu harmonogram łączny czas tworzenia; czasy zakończenia dla głównych kamieni milowych; harmonogram jest funkcją wysiłku i zasobów zasoby liczba deweloperów przydzielonych do rozwoju produktu Każdy element jasny i łatwy do zrozumienia Trudno zwizualizować zależności pomiędzy nimi 17/50

18 Modele pomiarów (3) modele diagramatyczne Mogą być bardzo potężne. Pozwalają modelować encje, zależności między nimi i ich dynamikę. Przykład (prostego) modelu diagramatycznego dla modelu rozwoju oprogramowania: Koszt Cechy Zasoby Wysiłek Rozmiar Harmonogram Defekty 18/50

19 Modele pomiarów (4) modele algorytmiczne Zwane też parametrycznymi. Zwykle bardzo potężne, gdyż w jasny sposób wyrażają ilościowe relacje pomiędzy encjami. Przykłady: Wysiłek = Czas * Zasoby % Defektów Znalezionych w Jednym Cyklu = 30% defektów pozostałych w produkcie Wysiłek = A * (RozmiarProgramu) B + C, gdzie A, B, C to empirycznie wyznaczone stałe 19/50

20 Meta-model dla metryk KONCEPT abstrakcja DEFINICJA świat empiryczny DEFINICJA OPERACYJNA RZECZYWISTY POMIAR 20/50

21 Meta-model dla metryk abstrakcja KONCEPT DEFINICJA czas odpowiedzi średni czas odpowiedzi systemu na wejście świat empiryczny DEFINICJA OPERACYJNA RZECZYWISTY POMIAR średnia z (czas początku odpowiedzi czas naciśnięcia klawisza Enter) średnia z typowej godziny (czas transmisji + czas na serwerze + czas do wyświetlenia) 21/50

22 Wstęp do teorii pomiaru 22/50

23 Wprowadzenie do teorii pomiaru Teoria pomiaru pozwala poprawnie definiować pomiary i metryki oraz używać analizy statystycznej na zmierzonych danych Przykład: wyniki ankiety satysfakcji klienta dotyczącej wsparcia klienta. Możliwe odpowiedzi: 1 bardzo zadowolony 2 zadowolony 3 średnio zadowolony 4 niezadowolony 5 bardzo niezadowolony Średnia = 3.0. Czy to oznacza, że mamy dobre wsparcie klienta? Czy wystarczy poprawić je tylko trochę? 23/50

24 Wprowadzenie do teorii pomiaru Teoria pomiaru pozwala poprawnie definiować pomiary i metryki oraz używać analizy statystycznej na zmierzonych danych Przykład: wyniki ankiety satysfakcji klienta dotyczącej wsparcia klienta. Wyniki ankiety: 1 bardzo zadowolony 10 odpowiedzi (50%) 2 zadowolony 0 odpowiedzi (0 %) 3 średnio zadowolony 0 odpowiedzi (0 %) 4 niezadowolony 0 odpowiedzi (0 %) 5 bardzo niezadowolony 10 odpowiedzi (50%) Średnia = 3.0. Czy to oznacza, że mamy dobre wsparcie klienta? Czy wystarczy poprawić je tylko trochę? Nie. Tu branie średniej nie ma sensu. Teoria pomiaru pozwala zrozumieć wariancję, zakresy, typy błędów itd. używając narzędzi statystycznych 24/50

25 Skale pomiarowe (1) Która waga jest lepsza? 25/50

26 Skale pomiarowe (1) Która waga jest lepsza? Żadna. Każda mierzy INACZEJ (łazienkowa ma skalę absolutną, ale na większy błąd pomiaru) 26/50

27 Skale pomiarowe (2) 1. Skala nominalna 2. Skala porządkowa bardzo zadowolony zadowolony średnio zadowolony niezadowolony bardzo niezadowolony 3. Skala interwałowa 4. Skala stosunkowa 27/50

28 Miary tendencji centralnej Miary tendencji centralnej: średnia (μ) suma pomiarów dzielona przez ich liczbę (I, S) mediana wartość dzieląca posortowany zbiór na połowy (P, I, S) moda wartość występująca najczęściej (N, P, I, S) X = {1, 2, 2, 2, 3, 3, 5, 10} średnia ze zbioru X = ( )/8 = 3.5 mediana = 2.5 moda = 2 mediana to inaczej 50-ty percentyl albo 2-gi kwartyl inna nazwa mody: dominanta, wartość dominująca 28/50

29 Miary zmienności Miary zmienności: rozstęp różnica między wartością największą a najmniejszą odchylenie odległość od średniej wariancja miara rozproszenia, Var = (Deviations 2 )/N odchylenie standardowe (sd) pierwiastek z wariancji indeks wariancji (IV) opisuje pewność pomiaru, IV = sd/μ Moduł A: 10 KLOC, B: 24 KLOC, C: 50 KLOC Rozstęp = (50 10) KLOC = 40 KLOC Odchylenia: 84/3 KLOC = 28 KLOC. Dla A: 18, dla B: 4, dla C: 22 Wariancja = ( )/3=275. Odch std = 16.6 KLOC Indeks wariancji = 16.6/28 = 0.59 Im niższy IV, tym mniejsza wariancja (większa pewnośc pomiaru) 29/50

30 Wariancja przykład częstość rozkład X z mniejszą wariancją rozkład X z większą wariancją 30/50

31 Odpowiedniość i spójność pomiaru 31/50

32 Błąd losowy pomiaru mały błąd losowy duży błąd losowy 32/50

33 Błąd systematyczny pomiaru z błędem systematycznym bez błędu systematycznego 33/50

34 Błąd pomiaru - podsumowanie wartość rzeczywista średnia bias błąd losowy 34/50

35 Pomiar rozmiaru oprogramowania 35/50

36 Po co mierzyć rozmiar programu? Jak duży jest program? Jak duży jest w porównaniu do innych programów? Jak wiele wysiłku musimy włożyć, aby zbudować program? Jak jakość naszego programu wypada na tle innych projektów? Jak produktywni jesteśmy w porównaniu do innych projektów? 36/50

37 Dwa rodzaje rozmiaru oprogramowania ROZMIAR OPROGRAMOWANIA FIZYCZNY FUNKCJONALNY 37/50

38 Pomiar fizyczny LOC (1) Metoda prosta i niezawodna Wspierana narzędziami SEI opublikowało listę kontrolną pozwalającą precyzyjnie opisać metodę zliczania linii kodu Organizacje używają różnych wersji tej metryki, np.: NKLOC (non-commented thousand LOC LLOC (logical lines of code) 38/50

39 Pomiar fizyczny LOC (2) współczynnik produktywności języka Język QSM SLOC/FP min średnia mediana max Access David Consulting Group Assembler C C C# Fortran 210 J2EE Java Powerbuilder SQL /50

40 Pomiar fizyczny LOC (3) reużywany i refaktorowany kod Aby poprawnie mierzyć (i porównywać) produktywność i gęstość defektów, należy określić rozmiar kodu, który jest reużywany i refektorowany Np. klasyfikacja NASA: kod reużyty w sensie dosłownym kod lekko zmodyfikowany (<25%) kod silnie zmodyfikowany (>25%) kod nowy 40/50

41 Pomiar fizyczny LOC (4) długość specyfikacji i projektu Kusząca jest hipoteza, wg której rozmiar dokumentacji jest predyktorem rozmiaru kodu (a więc i wysiłku) Fenton & Pfleeger: korelacja zależy silnie od organizacji Miary: liczba stron liczba shalls ( system powinien ) 41/50

42 Pomiar funkcjonalny FP (1) pośrednia miara rozmiaru funkcjonalnego oprogramowania Problem z LOC: nie ma wiele wspólnego z tym, co program robi; klienta interesuje rozwiązanie, nie język/technologia Pomysł: mierzyć system wg tego co robi, a nie jak wewnętrznie to robi Co można mierzyć? wejścia wyjścia interfejsy bazy danych zapytania METODA PUNKTÓW FUNKCYJNYCH 42/50

43 Pomiar funkcjonalny FP (2) zliczanie punktów funkcyjnych wg IFPUG Adjusted FP Unadjusted FP Value Adjustment Factor AFP = UFP * ( *VAF) Cmpnt Smpl Avg Cplx Input Output Data file Interface Inquiry (0-5) No. Charakterystyka 1 Komunikacja danych 2 Rozproszone dane/przetwarzanie 3 Cele wydajnościowe 14 Łatwość zmian 0 brak wpływu, 5 znaczny wpływ 43/50

44 Pomiar funkcjonalny FP (3) przykład: system bezpieczeństwa dla domu System składa się z 5 kontrolerów (dla: alarmów drzwi i okien; detektorów ruchu; panic buttons ; detektorów ognia; włącznika światła), kontrolera/monitora dla urządzenia (on-off) oraz bezprzewodowego urządzenia z kontrolerem Oszacować wysiłek dla budowy systemu. Załóż produktywność 10 FP/osobomiesiąc z odchyleniem std ±1 osobomiesiąc 44/50

45 Pomiar funkcjonalny FP (4) przykład: system bezpieczeństwa dla domu c.d. Panic button controler Door/Window Alarm 1 input 1 input System Config 1 internal file Main Processor 1 input 1 input 1 output Motion Detector Controller Fire Detector Controller 1 output 1 input/output Wireless Dial-out Device Controller Key Device Controller Light Activator/ Deactivator Ctrlr 45/50

46 Pomiar funkcjonalny FP (5) przykład: system bezpieczeństwa dla domu c.d. Simple Input = 5 Simple Output = 2 Simple Internal Database = 1 Medium Output (to Dial-out Controller) = 1 UFP = 3*5 + 4*2 + 7*1 + 5*1 = = 35 VAF = = 33 AFP = 35*( ) = 35*0.98 = 34.3 Liczba osobomiesięcy = 34.3/10 = 3.4 sd ±1 osobomiesięcy: 34.3/9 = 3.81, 34.3/11 = 3.12 Odpowiedź: Oczekiwany wysiłek: między 3.12 a 3.81 osobo/mc-y 46/50

47 Pomiar funkcjonalny FP (6) konwersja Punktów Funkcyjnych na rozmiar fizyczny Wykorzystuje współczynniki produktywności języka Np.: w przykładzie mieliśmy 35 FP. Ile linii kodu będzie miał program napisany w Javie? (średni SLOC/FP = 60) Odpowiedź: 60*35 = 2100 (2.1 KLOC) Pytanie który współczynnik produktywności wybrać? Np. QSM oparte o większą liczbę danych i nowsze niż te z David Consulting Group 47/50

48 Pomiar funkcjonalny FP (7) szacowanie czasu i zasobów na podstawie FP Modele wg. Jonesa: Czas = FP 0.4 [m-cy kalendarzowych] Zasoby = FP/150 (zasoby = deweloperzy, testerzy, QA, dokumentaliści, project managerowie, administratorzy baz danych) Wysiłek = Czas * Zasoby Dla czasu wykładnik przybiera postać od 0.32 dla prostych projektów do 0.45 dla skomplikowanych projektów. Wartość to czas od wymagań do dostarczenia oprogramowania 48/50

49 Pomiar funkcjonalny FP (8) szacowanie czasu i zasobów na podstawie FP c.d. Dla wcześniejszego przykładu (FP = 35): Czas = = 3.12 m-cy Zasoby = 35/150 = 0.23 osób (!!!) Wysiłek = 3.12 * 0.23 = 0.72 osobomiesiąca Ad. zasoby: dobry przykład szacowań inżynierskich i estymacji Reguła dla zasobów zwykle nie działa dla małych projektów Ale i tak dobra metoda jako punkt wyjścia! 49/50

50 KONIEC 50/50

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

Bardziej szczegółowo

Zasady organizacji projektów informatycznych

Zasady organizacji projektów informatycznych Zasady organizacji projektów informatycznych Systemy informatyczne w zarządzaniu dr hab. inż. Joanna Józefowska, prof. PP Plan Definicja projektu informatycznego Fazy realizacji projektów informatycznych

Bardziej szczegółowo

Tematy seminariów wg Roger S. Pressman, Praktyczne podejście do oprogramowania, WNT, 2004. Zofia Kruczkiewicz

Tematy seminariów wg Roger S. Pressman, Praktyczne podejście do oprogramowania, WNT, 2004. Zofia Kruczkiewicz Tematy seminariów wg Roger S. Pressman, Praktyczne podejście do oprogramowania, WNT, 2004 Zofia Kruczkiewicz 1. Przedstaw znaczenie oprogramowania we współczesnym świecie 2. Jaki wpływ na ludzi, komunikację

Bardziej szczegółowo

Temat: SZACOWANIE NIEPEWNOŚCI POMIAROWYCH

Temat: SZACOWANIE NIEPEWNOŚCI POMIAROWYCH Temat: SZCOWNIE NIEPEWNOŚCI POMIROWYCH - Jak oszacować niepewność pomiarów bezpośrednich? - Jak oszacować niepewność pomiarów pośrednich? - Jak oszacować niepewność przeciętną i standardową? - Jak zapisywać

Bardziej szczegółowo

Statystyka i analiza danych Wstępne opracowanie danych Statystyka opisowa. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl

Statystyka i analiza danych Wstępne opracowanie danych Statystyka opisowa. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Statystyka i analiza danych Wstępne opracowanie danych Statystyka opisowa Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Wprowadzenie Podstawowe cele analizy zbiorów danych Uogólniony opis poszczególnych

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 3: Analiza struktury zbiorowości statystycznej. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.

Statystyka w pracy badawczej nauczyciela Wykład 3: Analiza struktury zbiorowości statystycznej. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin. Statystyka w pracy badawczej nauczyciela Wykład 3: Analiza struktury zbiorowości statystycznej dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Zadania analityczne (1) Analiza przewiduje badanie podobieństw

Bardziej szczegółowo

ANALIZA SPRZEDAŻY: - struktura

ANALIZA SPRZEDAŻY: - struktura KOŁO NAUKOWE CONTROLLINGU UNIWERSYTET ZIELONOGÓRSKI ANALIZA SPRZEDAŻY: - struktura - koncentracja - kompleksowa analiza - dynamika Spis treści Wstęp 3 Analiza struktury 4 Analiza koncentracji 7 Kompleksowa

Bardziej szczegółowo

ANALIZA SYSTEMU POMIAROWEGO (MSA)

ANALIZA SYSTEMU POMIAROWEGO (MSA) StatSoft Polska, tel. 1 484300, 601 414151, info@statsoft.pl, www.statsoft.pl ANALIZA SYSTEMU POMIAROWEGO (MSA) dr inż. Tomasz Greber, Politechnika Wrocławska, Instytut Organizacji i Zarządzania Wprowadzenie

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

Parametry statystyczne

Parametry statystyczne I. MIARY POŁOŻENIA charakteryzują średni lub typowy poziom wartości cechy, wokół nich skupiają się wszystkie pozostałe wartości analizowanej cechy. I.1. Średnia arytmetyczna x = x 1 + x + + x n n = 1 n

Bardziej szczegółowo

Statystyczne metody analizy danych

Statystyczne metody analizy danych Statystyczne metody analizy danych Statystyka opisowa Wykład I-III Agnieszka Nowak - Brzezińska Definicje Statystyka (ang.statistics) - to nauka zajmująca się zbieraniem, prezentowaniem i analizowaniem

Bardziej szczegółowo

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych

Bardziej szczegółowo

Statystyka. Tematyka wykładów. Przykładowe pytania. dr Tomasz Giętkowski www.krajobraz.ukw.edu.pl. wersja 20.01.2013/13:40

Statystyka. Tematyka wykładów. Przykładowe pytania. dr Tomasz Giętkowski www.krajobraz.ukw.edu.pl. wersja 20.01.2013/13:40 Statystyka dr Tomasz Giętkowski www.krajobraz.ukw.edu.pl wersja 20.01.2013/13:40 Tematyka wykładów 1. Definicja statystyki 2. Populacja, próba 3. Skale pomiarowe 4. Miary położenia (klasyczne i pozycyjne)

Bardziej szczegółowo

Testowanie oprogramowania

Testowanie oprogramowania Testowanie oprogramowania Adam Roman Instytut Informatyki UJ Sprawy organizacyjne organizacja zajęć program kursu informacja o egzaminie 1/17 Informacje kontaktowe Adam Roman Instytut Informatyki UJ pokój

Bardziej szczegółowo

Procesowa specyfikacja systemów IT

Procesowa specyfikacja systemów IT Procesowa specyfikacja systemów IT BOC Group BOC Information Technologies Consulting Sp. z o.o. e-mail: boc@boc-pl.com Tel.: (+48 22) 628 00 15, 696 69 26 Fax: (+48 22) 621 66 88 BOC Management Office

Bardziej szczegółowo

SCRUM niełatwe wdrażanie metodyki w praktyce. Adam Krosny

SCRUM niełatwe wdrażanie metodyki w praktyce. Adam Krosny SCRUM niełatwe wdrażanie metodyki w praktyce Adam Krosny 1 Czym się zajmujemy Realizujemy projekty informatyczne średniej wielkości Ilość osób w projekcie 10-50 Architektura SOA, EBA Wiele komponentów

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

Statystyka i opracowanie danych W5: Wprowadzenie do statystycznej analizy danych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl

Statystyka i opracowanie danych W5: Wprowadzenie do statystycznej analizy danych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Statystyka i opracowanie danych W5: Wprowadzenie do statystycznej analizy danych Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Wprowadzenie Podstawowe cele analizy zbiorów danych Uogólniony opis poszczególnych

Bardziej szczegółowo

Wykład 1 Inżynieria Oprogramowania

Wykład 1 Inżynieria Oprogramowania Wykład 1 Inżynieria Oprogramowania Wstęp do inżynierii oprogramowania. Cykle rozwoju oprogramowaniaiteracyjno-rozwojowy cykl oprogramowania Autor: Zofia Kruczkiewicz System Informacyjny =Techniczny SI

Bardziej szczegółowo

Zakład Języków Programowania Instytut Informatyki Uniwersytet Wrocławski

Zakład Języków Programowania Instytut Informatyki Uniwersytet Wrocławski INŻYNIERIA OPROGRAMOWANIA wykład 7: MIARY OPROGRAMOWANIA ( na podstawie wykładów prof. dr hab. K. Subiety, Instytut Informatyki PAN ) dr inż. Leszek Grocholski Zakład Języków Programowania Instytut Informatyki

Bardziej szczegółowo

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:

Bardziej szczegółowo

INFORMATYKA W SELEKCJI

INFORMATYKA W SELEKCJI INFORMATYKA W SELEKCJI INFORMATYKA W SELEKCJI - zagadnienia 1. Dane w pracy hodowlanej praca z dużym zbiorem danych (Excel) 2. Podstawy pracy z relacyjną bazą danych w programie MS Access 3. Systemy statystyczne

Bardziej szczegółowo

Sterowanie procesem i jego zdolność. Zbigniew Wiśniewski

Sterowanie procesem i jego zdolność. Zbigniew Wiśniewski Sterowanie procesem i jego zdolność Zbigniew Wiśniewski Wybór cech do kart kontrolnych Zaleca się aby w pierwszej kolejności były brane pod uwagę cechy dotyczące funkcjonowania wyrobu lub świadczenia usługi

Bardziej szczegółowo

Programowanie obiektowe

Programowanie obiektowe Programowanie obiektowe Wykład 13 Marcin Młotkowski 27 maja 2015 Plan wykładu Trwałość obiektów 1 Trwałość obiektów 2 Marcin Młotkowski Programowanie obiektowe 2 / 29 Trwałość (persistence) Definicja Cecha

Bardziej szczegółowo

Podstawy statystyki dla psychologów. Podręcznik akademicki. Wydanie drugie poprawione. Wiesław Szymczak

Podstawy statystyki dla psychologów. Podręcznik akademicki. Wydanie drugie poprawione. Wiesław Szymczak Podstawy statystyki dla psychologów. Podręcznik akademicki. Wydanie drugie poprawione. Wiesław Szymczak Autor prezentuje spójny obraz najczęściej stosowanych metod statystycznych, dodatkowo omawiając takie

Bardziej szczegółowo

Oszacowanie pracochłonności wykonania systemu metodą punktów funkcyjnych

Oszacowanie pracochłonności wykonania systemu metodą punktów funkcyjnych Oszacowanie pracochłonności wykonania systemu metodą punktów funkcyjnych Data sporządzenia: 29.11.2007 Przygotowana przez: Radosław Hęś, Krzysztof Fligiel 1 1. Wprowadzenie W dokumencie użyto następujących

Bardziej szczegółowo

Monitoring procesów z wykorzystaniem systemu ADONIS

Monitoring procesów z wykorzystaniem systemu ADONIS Monitoring procesów z wykorzystaniem systemu ADONIS BOC Information Technologies Consulting Sp. z o.o. e-mail: boc@boc-pl.com Tel.: (+48 22) 628 00 15, 696 69 26 Fax: (+48 22) 621 66 88 BOC Management

Bardziej szczegółowo

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH 1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza

Bardziej szczegółowo

Wykład 7 Implementacja języka SQL w systemach baz danych Oracle sortowanie, funkcje agregujące i podzapytania.

Wykład 7 Implementacja języka SQL w systemach baz danych Oracle sortowanie, funkcje agregujące i podzapytania. Wykład 7 Implementacja języka SQL w systemach baz danych Oracle sortowanie, funkcje agregujące i podzapytania. Przykładowa RBD o schematach relacji (tzw. płaska postać RBD): N(PRACOWNICY) = {ID_P, IMIĘ,

Bardziej szczegółowo

Metrologia: powtarzalność i odtwarzalność pomiarów. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: powtarzalność i odtwarzalność pomiarów. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: powtarzalność i odtwarzalność pomiarów dr inż. Paweł Zalewski Akademia Morska w Szczecinie Definicje: Pojęciami związanymi z metodami diagnozowania procesów i oceny ich bezpieczeństwa oraz

Bardziej szczegółowo

4.2. Statystyczne opracowanie zebranego materiału

4.2. Statystyczne opracowanie zebranego materiału 4.2. Statystyczne opracowanie zebranego materiału Zebrany i pogrupowany materiał badawczy należy poddać analizie statystycznej w celu dokonania pełnej i szczegółowej charakterystyki interesujących badacza

Bardziej szczegółowo

Wymiarowanie projektu informatycznego

Wymiarowanie projektu informatycznego Kiedy możesz zmierzyć coś o czym mówisz, i wyrazić to w liczbach, wtedy wiesz coś o tym, ale kiedy nie możesz tego zmierzyć, nie możesz wyrazić tego w liczbach, wtedy twoja wiedza jest skąpa i niesatysfakcjonująca.

Bardziej szczegółowo

Klasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,

Klasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L, Klasyfikator Jedną z najistotniejszych nieparametrycznych metod klasyfikacji jest metoda K-najbliższych sąsiadów, oznaczana przez K-NN. W metodzie tej zaliczamy rozpoznawany obiekt do tej klasy, do której

Bardziej szczegółowo

Co to jest jest oprogramowanie? 8. Co to jest inżynieria oprogramowania? 9. Jaka jest różnica pomiędzy inżynierią oprogramowania a informatyką?

Co to jest jest oprogramowanie? 8. Co to jest inżynieria oprogramowania? 9. Jaka jest różnica pomiędzy inżynierią oprogramowania a informatyką? ROZDZIAŁ1 Podstawy inżynierii oprogramowania: - Cele 2 - Zawartość 3 - Inżynieria oprogramowania 4 - Koszty oprogramowania 5 - FAQ o inżynierii oprogramowania: Co to jest jest oprogramowanie? 8 Co to jest

Bardziej szczegółowo

Statystyka opisowa SYLABUS A. Informacje ogólne

Statystyka opisowa SYLABUS A. Informacje ogólne Statystyka opisowa SYLABUS A. Informacje ogólne Elementy składowe sylabusu Nazwa jednostki prowadzącej kierunek Nazwa kierunku studiów Poziom kształcenia Profil studiów Forma studiów Kod Język Rodzaj Rok

Bardziej szczegółowo

AskAnything 5.06.2006. Plan Przedsięwzięcia Plan Testów

AskAnything 5.06.2006. Plan Przedsięwzięcia Plan Testów AskAnything Plan Przedsięwzięcia Plan Testów Rzut oka na harmonogram Organizacja Rozwijanie aplikacji Zespół deweloperski 6 osób w zespole koordynator projektant i programista WWW projektant baz danych

Bardziej szczegółowo

METODY STATYSTYCZNE W BIOLOGII

METODY STATYSTYCZNE W BIOLOGII METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

Wyznaczanie minimalnej odważki jako element kwalifikacji operacyjnej procesu walidacji dla wagi analitycznej.

Wyznaczanie minimalnej odważki jako element kwalifikacji operacyjnej procesu walidacji dla wagi analitycznej. Wyznaczanie minimalnej odważki jako element kwalifikacji operacyjnej procesu walidacji dla wagi analitycznej. Andrzej Hantz Dyrektor Centrum Metrologii RADWAG Wagi Elektroniczne Pomiary w laboratorium

Bardziej szczegółowo

Monitoring procesów z wykorzystaniem systemu ADONIS. Krok po kroku

Monitoring procesów z wykorzystaniem systemu ADONIS. Krok po kroku z wykorzystaniem systemu ADONIS Krok po kroku BOC Information Technologies Consulting Sp. z o.o. e-mail: boc@boc-pl.com Tel.: (+48 22) 628 00 15, 696 69 26 Fax: (+48 22) 621 66 88 BOC Management Office

Bardziej szczegółowo

Inżynieria Programowania Zarządzanie projektem

Inżynieria Programowania Zarządzanie projektem Inżynieria Programowania Zarządzanie projektem Katedra Informatyki, Politechnika Świętokrzyska w Kielcach Kielce, 12 października 2015 Plan wykładu 1 2 3 4 5 Plan wykładu 1 2 3 4 5 Plan wykładu 1 2 3 4

Bardziej szczegółowo

Zarządzanie testowaniem wspierane narzędziem HP Quality Center

Zarządzanie testowaniem wspierane narzędziem HP Quality Center Zarządzanie testowaniem wspierane narzędziem HP Quality Center studium przypadku Mirek Piotr Szydłowski Ślęzak Warszawa, 17.05.2011 2008.09.25 WWW.CORRSE.COM Firma CORRSE Nasze zainteresowania zawodowe

Bardziej szczegółowo

RAPORT Z POLSKIEGO BADANIA PROJEKTÓW IT 2010

RAPORT Z POLSKIEGO BADANIA PROJEKTÓW IT 2010 RAPORT Z POLSKIEGO BADANIA PROJEKTÓW IT 2010 Odpowiada na pytania: Jaka część projektów IT kończy się w Polsce sukcesem? Jak wiele projektów sponsorowanych jest przez instytucje publiczne? Czy kończą się

Bardziej szczegółowo

Web frameworks do budowy aplikacji zgodnych z J2EE

Web frameworks do budowy aplikacji zgodnych z J2EE Web frameworks do budowy aplikacji zgodnych z J2EE Jacek Panachida promotor: dr Dariusz Król Przypomnienie Celem pracy jest porównanie wybranych szkieletów programistycznych o otwartym kodzie źródłowym

Bardziej szczegółowo

Zarządzanie projektami zadaniowymi w oparciu o metodykę PMI

Zarządzanie projektami zadaniowymi w oparciu o metodykę PMI Zarządzanie projektami zadaniowymi w oparciu o metodykę PMI Opis Zarządzanie przedsięwzięciami należy do jednych z najefektywniejszych metod organizacyjnych operowania zasobami firmy. Jest jednocześnie

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD EMPIRYCZNY

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD EMPIRYCZNY WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD EMPIRYCZNY Liczebności i częstości Liczebność liczba osób/respondentów/badanych, którzy udzielili tej konkretnej odpowiedzi. Podawana w osobach. Częstość odsetek,

Bardziej szczegółowo

Modelowanie i Programowanie Obiektowe

Modelowanie i Programowanie Obiektowe Modelowanie i Programowanie Obiektowe Wykład I: Wstęp 20 październik 2012 Programowanie obiektowe Metodyka wytwarzania oprogramowania Metodyka Metodyka ustandaryzowane dla wybranego obszaru podejście do

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

1. Opis tabelaryczny. 2. Graficzna prezentacja wyników. Do technik statystyki opisowej można zaliczyć:

1. Opis tabelaryczny. 2. Graficzna prezentacja wyników. Do technik statystyki opisowej można zaliczyć: Wprowadzenie Statystyka opisowa to dział statystyki zajmujący się metodami opisu danych statystycznych (np. środowiskowych) uzyskanych podczas badania statystycznego (np. badań terenowych, laboratoryjnych).

Bardziej szczegółowo

Etapy modelowania ekonometrycznego

Etapy modelowania ekonometrycznego Etapy modelowania ekonometrycznego jest podstawowym narzędziem badawczym, jakim posługuje się ekonometria. Stanowi on matematyczno-statystyczną formę zapisu prawidłowości statystycznej w zakresie rozkładu,

Bardziej szczegółowo

Analiza i projektowanie oprogramowania. Analiza i projektowanie oprogramowania 1/32

Analiza i projektowanie oprogramowania. Analiza i projektowanie oprogramowania 1/32 Analiza i projektowanie oprogramowania Analiza i projektowanie oprogramowania 1/32 Analiza i projektowanie oprogramowania 2/32 Cel analizy Celem fazy określania wymagań jest udzielenie odpowiedzi na pytanie:

Bardziej szczegółowo

Optymalizacja Automatycznych Testów Regresywnych

Optymalizacja Automatycznych Testów Regresywnych Optymalizacja Automatycznych Testów Regresywnych W Organizacji Transformującej do Agile Adam Marciszewski adam.marciszewski@tieto.com Agenda Kontekst projektu Typowe podejście Wyzwania Cel Założenia Opis

Bardziej szczegółowo

Inżynieria Programowania Zarządzanie projektem. Plan wykładu. Motto. Motto 2. Notatki. Notatki. Notatki. Notatki.

Inżynieria Programowania Zarządzanie projektem. Plan wykładu. Motto. Motto 2. Notatki. Notatki. Notatki. Notatki. Inżynieria Programowania Zarządzanie projektem Arkadiusz Chrobot Katedra Informatyki, Politechnika Świętokrzyska w Kielcach Kielce, 3 października 2013 Plan wykładu 1. Wstęp 2. Czynności zarządzania 3.

Bardziej szczegółowo

Zarządzanie zadaniami w projektach informatycznych na przykładzie systemu Trac. Integracja z Eclipse.

Zarządzanie zadaniami w projektach informatycznych na przykładzie systemu Trac. Integracja z Eclipse. Zarządzanie zadaniami w projektach informatycznych na przykładzie systemu Trac. Integracja z Eclipse. Adam Szarecki, Przemysław Wesołek Instytut Informatyki Politechnika Poznańska 2008 Podstawowe problemy

Bardziej szczegółowo

Plan wynikowy klasa 3

Plan wynikowy klasa 3 Plan wynikowy klasa 3 Przedmiot: matematyka Klasa 3 liceum (technikum) Rok szkolny:........................ Nauczyciel:........................ zakres podstawowy: 28 tyg. 3 h = 84 h (78 h + 6 h do dyspozycji

Bardziej szczegółowo

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów

Bardziej szczegółowo

InPro BMS InPro BMS SIEMENS

InPro BMS InPro BMS SIEMENS InPro Siemens OPC InPro BMS Produkt InPro BMS jest w sprzedaży od 2000 roku. W ostatnich kilku latach staliśmy się liderem wśród dostawców informatycznych rozwiązań dla systemów bezpieczeństwa. Oferowane

Bardziej szczegółowo

Testy nieparametryczne

Testy nieparametryczne Testy nieparametryczne Testy nieparametryczne możemy stosować, gdy nie są spełnione założenia wymagane dla testów parametrycznych. Stosujemy je również, gdy dane można uporządkować według określonych kryteriów

Bardziej szczegółowo

Kurs wybieralny: Zastosowanie technik informatycznych i metod numerycznych w elektronice

Kurs wybieralny: Zastosowanie technik informatycznych i metod numerycznych w elektronice Kurs wybieralny: Zastosowanie technik informatycznych i metod numerycznych w elektronice Opis kursu Przygotowanie praktyczne do realizacji projektów w elektronice z zastosowaniem podstawowych narzędzi

Bardziej szczegółowo

Sterowanie jakością badań i analiza statystyczna w laboratorium

Sterowanie jakością badań i analiza statystyczna w laboratorium Sterowanie jakością badań i analiza statystyczna w laboratorium CS-17 SJ CS-17 SJ to program wspomagający sterowanie jakością badań i walidację metod badawczych. Może działać niezależnie od innych składników

Bardziej szczegółowo

Krakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2012/2013

Krakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2012/2013 Krakowska Akademia im. Andrzeja Frycza Modrzewskiego Karta przedmiotu obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 01/01 Wydział Prawa, Administracji i Stosunków Miedzynarodowych Kierunek

Bardziej szczegółowo

Oszacowanie i rozkład t

Oszacowanie i rozkład t Oszacowanie i rozkład t Marcin Zajenkowski Marcin Zajenkowski () Oszacowanie i rozkład t 1 / 31 Oszacowanie 1 Na podstawie danych z próby szacuje się wiele wartości w populacji, np.: jakie jest poparcie

Bardziej szczegółowo

Projektowanie oprogramowania

Projektowanie oprogramowania Wrocław, 27.09.2010 1. Warunki wstępne Projektowanie oprogramowania Warunkiem uczestnictwa w zajęciach jest zaliczenie przedmiotu: Podstawy inżynierii oprogramowania (ćwiczenia) Zajęcia składają się z

Bardziej szczegółowo

I. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE. Nie dotyczy. podstawowy i kierunkowy

I. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE. Nie dotyczy. podstawowy i kierunkowy 1.1.1 Statystyka opisowa I. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE STATYSTYKA OPISOWA Nazwa jednostki organizacyjnej prowadzącej kierunek: Kod przedmiotu: P6 Wydział Zamiejscowy w Ostrowie Wielkopolskim

Bardziej szczegółowo

Analiza Statystyczna

Analiza Statystyczna Lekcja 5. Strona 1 z 12 Analiza Statystyczna Do analizy statystycznej wykorzystać można wbudowany w MS Excel pakiet Analysis Toolpak. Jest on instalowany w programie Excel jako pakiet dodatkowy. Oznacza

Bardziej szczegółowo

EFEKTYWNOŚĆ STOSOWANIA TESTÓW W BIZNESIE. dr Victor Wekselberg Dyrektor Działu Doradztwa Organizacyjnego w Instytucie Rozwoju Biznesu

EFEKTYWNOŚĆ STOSOWANIA TESTÓW W BIZNESIE. dr Victor Wekselberg Dyrektor Działu Doradztwa Organizacyjnego w Instytucie Rozwoju Biznesu EFEKTYWNOŚĆ STOSOWANIA TESTÓW W BIZNESIE dr Victor Wekselberg Dyrektor Działu Doradztwa Organizacyjnego w Instytucie Rozwoju Biznesu ZAWARTOŚĆ PREZENTACJI 1. Kilka wyników z badania ankietowego Instytutu

Bardziej szczegółowo

SCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie.

SCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie. SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:

Bardziej szczegółowo

STATYSTYKA Statistics. Inżynieria Środowiska. II stopień ogólnoakademicki

STATYSTYKA Statistics. Inżynieria Środowiska. II stopień ogólnoakademicki Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/13 STATYSTYKA

Bardziej szczegółowo

Badania marketingowe. Badania marketingowe. Materiały do wykładu 120110-0186. Prowadzący: dr Krzysztof Hejduk Szkoła Główna Handlowa w Warszawie

Badania marketingowe. Badania marketingowe. Materiały do wykładu 120110-0186. Prowadzący: dr Krzysztof Hejduk Szkoła Główna Handlowa w Warszawie Badania marketingowe Materiały do wykładu 120110-0186 Prowadzący: dr Krzysztof Hejduk Szkoła Główna Handlowa w Warszawie Witam serdecznie: poznajmy się! Cel zajęć 1) Przedstawienie i analiza roli, funkcji,

Bardziej szczegółowo

Państwowa Wyższa Szkoła Techniczno-Ekonomiczna w Jarosławiu

Państwowa Wyższa Szkoła Techniczno-Ekonomiczna w Jarosławiu Załącznik nr 1 do Uchwały nr 9/12 Rady Instytutu Inżynierii Technicznej PWSTE w Jarosławiu z dnia 30 marca 2012r Państwowa Wyższa Szkoła Techniczno-Ekonomiczna w Jarosławiu EFEKTY KSZTAŁCENIA DLA KIERUNKU

Bardziej szczegółowo

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW ODRZUCANIE WYNIKÓW OJEDYNCZYCH OMIARÓW W praktyce pomiarowej zdarzają się sytuacje gdy jeden z pomiarów odstaje od pozostałych. Jeżeli wykorzystamy fakt, że wyniki pomiarów są zmienną losową opisywaną

Bardziej szczegółowo

Analiza ryzyka w farmacji dla procesów pomiaru masy

Analiza ryzyka w farmacji dla procesów pomiaru masy RADWAG WAGI ELEKTRONICZNE Analiza ryzyka w farmacji dla procesów pomiaru masy Wstęp W rzeczywistości nie ma pomiarów idealnych, każdy pomiar jest obarczony błędem. Niezależnie od przyjętej metody nie możemy

Bardziej szczegółowo

SPIS TREŚCI CZĘŚĆ I : PRZEZNACZENIE, PROCES I PODSTAWY METODOLOGICZNE BADAŃ MARKETINGOWYCH...17

SPIS TREŚCI CZĘŚĆ I : PRZEZNACZENIE, PROCES I PODSTAWY METODOLOGICZNE BADAŃ MARKETINGOWYCH...17 SPIS TREŚCI WSTĘP..13 CZĘŚĆ I : PRZEZNACZENIE, PROCES I PODSTAWY METODOLOGICZNE BADAŃ MARKETINGOWYCH...17 1. TREŚĆ, PRZEZNACZENIE I PROCES BADAŃ MARKETINGOWYCH....19 1.1. Dlaczego badania marketingowe

Bardziej szczegółowo

Wprowadzenie 2010-10-20

Wprowadzenie 2010-10-20 PODSTAWY STATYSTYKI Dr hab. inż. Piotr Konieczka piotr.konieczka@pg.gda.pl 1 Wprowadzenie Wynik analityczny to efekt przeprowadzonego pomiaru(ów). Pomiar to zatem narzędzie wykorzystywane w celu uzyskania

Bardziej szczegółowo

Analiza punktów funkcyjnych Miara wielkość funkcjonalnej oprogramowania

Analiza punktów funkcyjnych Miara wielkość funkcjonalnej oprogramowania Analiza punktów funkcyjnych Miara wielkość funkcjonalnej oprogramowania Tomasz Koszlajda Instytut Informatyki Politechniki Poznańskiej Potrzeby określenia wielkości oprogramowania Dane wejściowe dla estymacji

Bardziej szczegółowo

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie: ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość

Bardziej szczegółowo

Koniec problemów z zarządzaniem stacjami roboczymi BigFix. Włodzimierz Dymaczewski, IBM

Koniec problemów z zarządzaniem stacjami roboczymi BigFix. Włodzimierz Dymaczewski, IBM Koniec problemów z zarządzaniem stacjami roboczymi BigFix Włodzimierz Dymaczewski, IBM Dlaczego zarządzanie stacjami roboczymi sprawia tyle problemów? Na ogół duŝa ilość Brak standardu konfiguracji Wielka

Bardziej szczegółowo

Algorytm. a programowanie -

Algorytm. a programowanie - Algorytm a programowanie - Program komputerowy: Program komputerowy można rozumieć jako: kod źródłowy - program komputerowy zapisany w pewnym języku programowania, zestaw poszczególnych instrukcji, plik

Bardziej szczegółowo

Statystyczne sterowanie procesem

Statystyczne sterowanie procesem Statystyczne sterowanie procesem SPC (ang. Statistical Process Control) Trzy filary SPC: 1. sporządzenie dokładnego diagramu procesu produkcji; 2. pobieranie losowych próbek (w regularnych odstępach czasu

Bardziej szczegółowo

Liczba zadań a rzetelność testu na przykładzie testów biegłości językowej z języka angielskiego

Liczba zadań a rzetelność testu na przykładzie testów biegłości językowej z języka angielskiego Ewaluacja biegłości językowej Od pomiaru do sztuki pomiaru Liczba zadań a rzetelność testu na przykładzie testów biegłości językowej z języka angielskiego Tomasz Żółtak Instytut Badań Edukacyjnych oraz

Bardziej szczegółowo

Dzisiejszy wykład. Wzorce projektowe. Visitor Client-Server Factory Singleton

Dzisiejszy wykład. Wzorce projektowe. Visitor Client-Server Factory Singleton Dzisiejszy wykład Wzorce projektowe Visitor Client-Server Factory Singleton 1 Wzorzec projektowy Wzorzec nazwana generalizacja opisująca elementy i relacje rozwiązania powszechnie występującego problemu

Bardziej szczegółowo

Dlaczego należy uwzględniać zarówno wynik maturalny jak i wskaźnik EWD?

Dlaczego należy uwzględniać zarówno wynik maturalny jak i wskaźnik EWD? EWD co to jest? Metoda EWD to zestaw technik statystycznych pozwalających oszacować wkład szkoły w końcowe wyniki egzaminacyjne. Wkład ten nazywamy właśnie edukacyjną wartością dodaną. EWD jest egzaminacyjnym

Bardziej szczegółowo

ZAKRES TEMATYCZNY EGZAMINU LICENCJACKIEGO

ZAKRES TEMATYCZNY EGZAMINU LICENCJACKIEGO Wydział Nauk Ekonomicznych i Zarządzania Kierunek Analityka Gospodarcza Studia stacjonarne I stopnia ZAKRES TEMATYCZNY EGZAMINU LICENCJACKIEGO Zagadnienia ogólnoekonomiczne 1. Aktualna sytuacja na europejskim

Bardziej szczegółowo

Walidacja metod analitycznych Raport z walidacji

Walidacja metod analitycznych Raport z walidacji Walidacja metod analitycznych Raport z walidacji Małgorzata Jakubowska Katedra Chemii Analitycznej WIMiC AGH Walidacja metod analitycznych (według ISO) to proces ustalania parametrów charakteryzujących

Bardziej szczegółowo

KARTA INFORMACYJNA PRZEDMIOTU

KARTA INFORMACYJNA PRZEDMIOTU Uniwersytet Rzeszowski WYDZIAŁ KIERUNEK Matematyczno-Przyrodniczy Fizyka techniczna SPECJALNOŚĆ RODZAJ STUDIÓW stacjonarne, studia pierwszego stopnia KARTA INFORMACYJNA PRZEDMIOTU NAZWA PRZEDMIOTU WG PLANU

Bardziej szczegółowo

ĆWICZENIE Lody na drodze Ent-teach Rozdział 6 Zarządzanie Projektami

ĆWICZENIE Lody na drodze Ent-teach Rozdział 6 Zarządzanie Projektami ĆWICZENIE Lody na drodze Ent-teach Rozdział 6 Zarządzanie Projektami Opis ćwiczenia W poniższym zadaniu, uczestnicy muszą zaplanować tydzień sprzedaży lodów na ulicy w ich rodzinnym mieście (centrum).

Bardziej szczegółowo

Certyfikowany tester Pytania przykładowe do poziomu podstawowego

Certyfikowany tester Pytania przykładowe do poziomu podstawowego ertyfikowany tester International Sotware Testing Qualifications oard ertyfikowany tester Pytania przykładowe do poziomu podstawowego Wersja dokumentu 2.0 Wersja sylabusu 1.00 Polish Testing oard International

Bardziej szczegółowo

PLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT WERSJA

PLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT <NAZWA PROJEKTU> WERSJA <NUMER WERSJI DOKUMENTU> Załącznik nr 4.4 do Umowy nr 35-ILGW-253-.../20.. z dnia... MINISTERSTWO FINANSÓW DEPARTAMENT INFORMATYKI PLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT WERSJA numer wersji

Bardziej szczegółowo

Satysfakcja z życia rodziców dzieci niepełnosprawnych intelektualnie

Satysfakcja z życia rodziców dzieci niepełnosprawnych intelektualnie Satysfakcja z życia rodziców dzieci niepełnosprawnych intelektualnie Zadanie Zbadano satysfakcję z życia w skali 1 do 10 w dwóch grupach rodziców: a) Rodzice dzieci zdrowych oraz b) Rodzice dzieci z niepełnosprawnością

Bardziej szczegółowo

Przedmiot statystyki. Graficzne przedstawienie danych. Wykład-26.02.07. Przedmiot statystyki

Przedmiot statystyki. Graficzne przedstawienie danych. Wykład-26.02.07. Przedmiot statystyki Przedmiot statystyki. Graficzne przedstawienie danych. Wykład-26.02.07 Statystyka dzieli się na trzy części: Przedmiot statystyki -zbieranie danych; -opracowanie i kondensacja danych (analiza danych);

Bardziej szczegółowo

Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów

Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów Eksploracja danych Piotr Lipiński Informacje ogólne Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów UWAGA: prezentacja to nie

Bardziej szczegółowo

Jak patrzymy na testy czyli Jak punkt widzenia zależy od punktu siedzenia. Click Piotr Kałuski to edit Master subtitle style

Jak patrzymy na testy czyli Jak punkt widzenia zależy od punktu siedzenia. Click Piotr Kałuski to edit Master subtitle style Jak patrzymy na testy czyli Jak punkt widzenia zależy od punktu siedzenia Click Piotr Kałuski to edit Master subtitle style Punkty widzenia Zespół Testów Manager Projektu Użytkownik końcowy Zespół Testów

Bardziej szczegółowo

Zakład Ubezpieczeń Społecznych Departament Statystyki i Prognoz Aktuarialnych

Zakład Ubezpieczeń Społecznych Departament Statystyki i Prognoz Aktuarialnych Zakład Ubezpieczeń Społecznych Departament Statystyki i Prognoz Aktuarialnych Struktura wysokości emerytur i rent wypłacanych przez ZUS po waloryzacji w marcu 2015 roku. Warszawa 2015 Opracowała: Ewa Karczewicz

Bardziej szczegółowo

Wykład 3. Metody opisu danych (statystyki opisowe, tabele liczności, wykresy ramkowe i histogramy)

Wykład 3. Metody opisu danych (statystyki opisowe, tabele liczności, wykresy ramkowe i histogramy) Wykład 3. Metody opisu danych (statystyki opisowe, tabele liczności, wykresy ramkowe i histogramy) Co na dzisiejszym wykładzie: definicje, sposoby wyznaczania i interpretacja STATYSTYK OPISOWYCH prezentacja

Bardziej szczegółowo

Zarządzanie i realizacja projektów systemu Microsoft SharePoint 2010

Zarządzanie i realizacja projektów systemu Microsoft SharePoint 2010 Zarządzanie i realizacja projektów systemu Microsoft SharePoint 2010 Geoff Evelyn Przekład: Natalia Chounlamany APN Promise Warszawa 2011 Spis treści Podziękowania......................................................

Bardziej szczegółowo

NAUKOWA I AKADEMICKA SIEĆ KOMPUTEROWA Jak usprawnić pracę w zespole IT? Wykorzystanie narzędzi do pracy grupowej na przykładzie zespołu Polska.pl Agnieszka Kukałowicz-Kolaszyńska, Starszy Specjalista IT

Bardziej szczegółowo

Application Security Verification Standard. Wojciech Dworakowski, SecuRing

Application Security Verification Standard. Wojciech Dworakowski, SecuRing Application Security Verification Standard Wojciech Dworakowski, SecuRing login: Wojciech Dworakowski OWASP Poland Chapter Leader OWASP = Open Web Application Security Project Cel: Podnoszenie świadomości

Bardziej szczegółowo

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty

Bardziej szczegółowo

Wytwarzanie, integracja i testowanie systemów informacyjnych

Wytwarzanie, integracja i testowanie systemów informacyjnych Wytwarzanie, integracja i testowanie systemów informacyjnych Wykład 13 i 14: Jakość, złożoność i miary oprogramowania Kazimierz Subieta Podziękowanie W prezentacji wykorzystano materiały przygotowane przez

Bardziej szczegółowo

Graficzna prezentacja danych statystycznych

Graficzna prezentacja danych statystycznych Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych Katowice, 12 i 26 czerwca 2014 r. Dopasowanie narzędzia do typu zmiennej Dobór narzędzia do

Bardziej szczegółowo

Statystyczne Zarządzanie Jakością

Statystyczne Zarządzanie Jakością Statystyczne Zarządzanie Jakością Opis Obecnym wyzwaniem dla większości procesów produkcyjnych jest utrzymanie powtarzalnej jakość zgodnie z oczekiwaniami klientów nie dla partii pięciu sztuk ale dla serii

Bardziej szczegółowo