ZASTOSOWANIE METODY MONTE CARLO DO WYZNACZANIA PRAWDOPODOBIEŃSTWA TRAFIENIA CELU POWIETRZNEGO
|
|
- Dawid Krawczyk
- 7 lat temu
- Przeglądów:
Transkrypt
1 Dr inż. Konrad SIENICKI Dr inż. Krzysztof MOTYL Wojskowa Akademia Techniczna ZASTOSOWANIE METODY MONTE CARLO DO WYZNACZANIA PRAWDOPODOBIEŃSTWA TRAFIENIA CELU POWIETRZNEGO Streszczenie: Pod pojęciem efektywności środka bojowego rozumie się miarę stopnia realizacji zadań, do wykonania których środek ten jest przeznaczony. Efektywnością sprzętu bojowego jest zbiór parametrów charakteryzujących stopień wykonania zadań bojowych przy jego użyciu, zgodnie z przeznaczeniem. W artykule przedstawiono metodę Monte Carlo, która została zastosowana do określania dokładności strzelania z przeciwlotniczego zestawu artyleryjskiego do celu powietrznego. APPLICATION OF THE MONTE CARLO METHOD FOR APPOINTING OF THE AIR TARGET HIT PROBABILITY Abstract: The effectiveness of the battle unit is mean the measure of a tasks execution degree according to it s destination. An effectiveness of the battle equipment is a set of parameters characterized a combat task realization degree according to it s destination. In the article the Monte Carlo method, which was applied for determining the accuracy of soaring from the anti-aircraft artillery set to the air target was presented. 1. WPROWADZENIE Pod pojęciem efektywności środka bojowego rozumie się miarę stopnia realizacji zadań, do wykonania których środek ten jest przeznaczony. Efektywnością sprzętu bojowego jest zbiór parametrów charakteryzujących stopień wykonania zadań bojowych przy jego użyciu, zgodnie z przeznaczeniem. Efektywność uzbrojenia można określać dużą ilością różnorodnych kryteriów ilościowych, do których przykładowo możemy zaliczyć: prawdopodobieństwo wykonania zadania bojowego w określonej sytuacji bojowej; prawdopodobieństwo trafienia celu jednym pociskiem, prawdopodobieństwo rażenia określonej liczby celów; wartość oczekiwaną ilości rażonych celów; wartość oczekiwaną zużytych środków bojowych na wykonanie zadania; wartość oczekiwaną czasu niezbędnego do wykonania zadania; wartość oczekiwaną strat przeciwnika; wartość oczekiwaną strat własnych. Wybór kryteriów zależy od celu prowadzonych badań, charakterystyk porównywanych wariantów uzbrojenia oraz od ich przeznaczenia. Powinny one wynikać z parametrów typu uzbrojenia. Jednym z najważniejszych parametrów charakteryzujących walory bojowe przeciwlotniczego systemu artyleryjskiego jest prawdopodobieństwo trafienia (porażenia) 895
2 celu powietrznego, gwarantującego wykonanie zadania bojowego. Prawdopodobieństwo trafienia celu powietrznego zależy od wielu czynników, które wnoszą do systemu błędy systematyczne i przypadkowe mające bezpośredni wpływ na prawidłowe wyznaczanie punktu wyprzedzonego. Do tych czynników zaliczamy: proces pomiarowy dostarczający dane o parametrach ruchu celu, proces przetwarzania danych pomiarowych, moduł obliczeń balistycznych, wysterowanie środków ogniowych na punkt wyprzedzony oraz czynniki zewnętrzne wpływające na tor lotu pocisku. Prawdopodobieństwo trafienia celu powietrznego jest przedmiotem analizy podczas dokonywania oceny skuteczności zautomatyzowanego systemu obrony przeciwlotniczej rozproszonej baterii lub dywizjonu armat 35 mm. 2. STOSOWANE METODY OKREŚLANIA DOKŁADNOŚCI STRZELANIA Z PRZECIWLOTNICZEGO SYSTEMU ARTYLERYJSKIEGO Dokładność strzelania stanowi obiektywną charakterystykę jakościową uzbrojenia. Nieprzypadkowo każdy nowy rodzaj uzbrojenia, zanim zostanie wprowadzony na wyposażenie wojsk, podlega najpierw szczegółowym badaniom, w których między innymi ocenia się dokładność jego działania. Pod pojęciem dokładności strzelania z przeciwlotniczego systemu artyleryjskiego rozumie się przede wszystkim jej celność i skupienie. Celność broni ocenia się na podstawie odchyleń wartości oczekiwanej torów lotu od środka celu, a skupienie broni na podstawie odchyleń poszczególnych torów (punktów upadku, uderzenia, trafienia) od wartości oczekiwanej toru. Rozróżnia się następujące metody określania charakterystyk dokładności strzelania: metoda doświadczalna, bezpośrednio związana ze strzelaniem pociskami artyleryjskimi lub rakietami i polegająca na opracowaniu wyników strzelań. Metoda ta szeroko jest stosowana w lufowej artylerii przeciwlotniczej; metoda teoretyczno-doświadczalna, w której bierze się pod uwagę uproszczone zależności teoretyczne w postaci wzorów interpolacyjnych w celu rozprzestrzenienia danych doświadczalnych na inne warunki strzelania; metoda modelowania statystycznego, opierająca się na statystycznej analizie materiałów z doświadczeń laboratoryjnych i symulowanych startów rakiet, przy czym charakterystyki dokładności wyznacza się drogą elektronicznej symulacji ruchu rakiety, powtarzanej wielokrotnie; metoda analityczna, polegająca na obliczeniu charakterystyk dokładności strzelania. Nie ulega wątpliwości, że dwie ostatnie metody pod względem dokładności mają wyraźną przewagę, ponieważ pozwalają na uwzględnienie znacznie większej liczby czynników, mających wpływ na strzelanie. Materiał statystyczny jest w tych przypadkach znacznie bogatszy. W trakcie rozwiązywania wielu zadań o charakterze wojskowo-technicznym celowe i niezbędne staje się stosowanie metod modelowania. Istnieją trzy zasadnicze metody modelowania procesów: matematyczna, fizyczna i mieszana (rys. 1). Modele matematyczne odróżniają się od oryginału strukturą fizyczną, a zbieżność ich z rzeczywistością wyrażona jest za pomocą równań matematycznych. Modele fizyczne natomiast, co do swej natury i formy, bliskie są oryginałowi, a różnią się od niego wymiarami, prędkością przebiegu procesu i innymi właściwościami. Metoda mieszana stanowi połączenie obu poprzednich metod, przy czym modelowanie fizyczne stosuje się do tych części procesu, które matematycznie są najtrudniejsze do uchwycenia. 896
3 Zaletą modeli matematycznych jest uniwersalność metod i stosowanej aparatury badawczej, możliwość badania dowolnych procesów, nie wyłączając nawet tych, które współcześnie nie dają się jeszcze fizycznie urzeczywistnić, szerokie i wszechstronne możliwości i prostota uzyskiwania rozwiązań optymalnych. Zaletą modelowania fizycznego jest możliwość badania dowolnych procesów niezależnie od tego, czy dają się one opisać matematycznie, czy też nie oraz duża poglądowość uzyskiwanych rezultatów. Do modelowania fizycznego zaliczyć można ćwiczenia i gry wojenne, a także różnego rodzaju badania poligonowe (z wyjątkiem tych, które odzwierciedlają rzeczywiste procesy). Metody badań Naturalne Modelowanie Fizyczne Matematyczne Mieszane Modele analityczne Modele statystyczne Określenie wartości oczekiwanej Określenie wariancji Określenie prawdopodobieństwa Weryfikacje hipotez Odnośnie wartości oczekiwanych Odnośnie wariancji Odnośnie prawdopodobieństwa Odnośnie korelacji Rys. 1. Zasadnicze metody modelowania zadań o charakterze wojskowo-technicznym Bardzo ważną zaletą modelowania fizycznego jest udział w nim człowieka, którego zachowanie się w różnorodnych sytuacjach jest bardzo trudno opisać za pomocą algorytmów. Nie ulega wątpliwości, że wyjątkowo dużą korzyść dać może łączenie modelowania fizycznego z modelowaniem matematycznym, które może następować etapami (model matematyczny, sprawdzenie wyników w toku ćwiczeń, poprawienie modelu matematycznego) lub stanowić kombinację modelu matematycznego i fizycznego (włączenie człowieka do modelu matematycznego). Obecnie modelowanie matematyczne znajduje szerokie zastosowanie do analizy różnorodnych procesów dynamicznych dzięki rozwojowi matematyki i szybkiemu postępowi elektronicznej techniki obliczeniowej, które stwarzają możliwości budowy i rozwiązywania modeli bardzo złożonych. Jednocześnie postęp techniczny w dziedzinie uzbrojenia i wyposażenia wojsk oraz wzrost jego kosztów dyktują potrzebę znacznie jeszcze szerszego stosowania metod matematycznych. Model matematyczny sprowadza się do układu równań matematycznych i relacji logicznych, za pomocą których przy przyjętych parametrach wyjściowych można wyznaczać wartości liczbowe kryteriów dla każdego wybranego wariantu rozwiązania. Modele matematyczne dzielą się na dwa zasadnicze rodzaje: 897
4 statystyczne i analityczne. Modelowanie statystyczne polega na uzyskaniu wielu losowych realizacji kryteriów, które należy statystycznie opracować. Modelowanie analityczne umożliwia wyznaczenie wartości oczekiwanej kryteriów oraz ich wariancji za pomocą form analitycznych. 3. METODA MONTE CARLO I JEJ ZASTOSOWANIE DO OKREŚLANIA DOKŁADNOŚCI STRZELANIA Z PRZECIWLOTNICZEGO SYSTEMU ARTYLERYJSKIEGO Metodą Monte Carlo nazywamy dowolną procedurę, w której znalezienie przybliżonego rozwiązania jakiegoś zadania matematycznego lub fizycznego oparte jest na zasadach statystycznego pobierania próbek. Metoda Monte Carlo ma zastosowanie do: badania procesów stochastycznych (przy czym zakłada się, że matematyczny lub fizyczny model tego procesu został już skonstruowany), rozwiązywania zadań deterministycznych (przez analogię między równaniami, które opisują takie zadania i równaniami opisującymi procesy stochastyczne). W badaniach efektywności uzbrojenia dość często zachodzi potrzeba posługiwania się pierwszą odmianą tej metody. Stosunkowo łatwo można sformułować złożone modele, zawierające prawdopodobieństwa związane z różnymi elementami przypadkowymi, takie jak: prawdopodobieństwo niezawodnej pracy wszystkich elementów systemu uzbrojenia, prawdopodobieństwo trafienia w cel, prawdopodobieństwo zniszczenia celu itp. Zbadanie tak złożonego modelu metodami analitycznymi jest bardzo trudne, a nawet niemożliwe. Dlatego też w wielu wypadkach metody Monte Carlo okazały się jedynymi, przydatnymi do praktycznego zastosowania metodami badawczymi. Rozpatrzymy zastosowanie metody Monte Carlo na prostym przykładzie. Przypuśćmy, że mamy obliczyć prawdopodobieństwo P trafienia pocisku w cel powietrzny, posiadający kształt koła o promieniu r. Zadanie to rozwiązuje się analitycznie, korzystając ze wzoru: gdzie: (1) Niewielkie skomplikowanie tego zadania sprawia, że uzyskanie dokładnego rozwiązania analitycznego staje się niemożliwe i wówczas zastosowanie metody Monte Carlo staje się celowe również dla praktycznych obliczeń. Aby wyliczyć prawdopodobieństwo P metodą Monte Carlo, należy przeprowadzić serię prób n: 1. Określić współrzędne punktu trafienia pocisku y n i z n. 2. Obliczyć odległość punktu trafienia od współrzędnych punktu celu: (2) (3) 3. Porównać r n i r. Jeżeli r n <r, to mamy trafienie w cel. Niech liczba takich przypadków będzie równa m. Jeżeli r n >r, to trafienia nie ma. 4. Obliczyć prawdopodobieństwo trafienia w cel: 898
5 Istota metody Monte Carlo tkwi w tym, że zakres jej stosowania nie ma jakichś zasadniczych ograniczeń, a praktycznie może być tylko ograniczony zużyciem czasu na dokonanie obliczeń. Szeroki rozwój komputerowych technik obliczeniowych uwalnia nas w znacznej mierze również i od tego ograniczenia, tak że metoda Monte Carlo staje się dokładną metodą rozwiązywania złożonych problemów z zakresu określania dokładności strzelania zestawów przeciwlotniczych. Pozytywną własność metody stanowi prostota jej praktycznego wykorzystania. Jeśli badany proces daje się opisać za pomocą układu dowolnych równań czy praw logicznych, to zastosowanie metody Monte Carlo nie przedstawia żadnych zasadniczych trudności, nie nakłada żadnych ograniczeń na te równania, czy prawa i nie wymaga ich uproszczenia. (4) 4. ANALIZA NUMERYCZNA WYZNACZANIA PRAWDOPODOBIEŃSTWA TRAFIENIA CELU PRZY WYKORZYSTANIU METODY MONTE CARLO Dokładność strzelania określa się zwykle sposobem doświadczalnym. Jednakże wysokie koszty doświadczalnego sposobu określania dokładności strzelania, konieczność przeprowadzenia dużej liczby takich doświadczeń w celu niezawodnego określenia dokładności strzelania w różnych warunkach, zmuszają do poszukiwania teoretycznych sposobów określania dokładności strzelania. Jednym z obiektywnych sposobów jest modelowanie statystyczne lotu pocisku z uwzględnieniem zakłóceń, działających na pocisk w czasie lotu. Wyznaczenie dokładności strzelania przy wykorzystaniu metody Monte Carlo przebiega w następujących etapach: określenie zakłóceń, określenie układu równań, opisujących proces ruchu pocisku, przeprowadzenie prób statystycznych i określenie w rezultacie każdej próbki uchylenia pocisku od celu, przeprowadzenie opracowania statystycznego otrzymanych danych i ocena dokładności uzyskanych wyników. Podczas modelowania statystycznego należy przeprowadzić próby lotu dostatecznie dużej liczby pocisków. Dla każdego układu warunków i zbioru parametrów pocisku należy wykonać dużą liczbę rozwiązań, aby można było uwzględnić zmiany wielkości losowych od jednego lotu do drugiego. Modelowanie lotu pocisków i rakiet można wykonywać zarówno za pomocą metod numerycznych techniką komputerową, jak i modeli analogowych. Modele analogowe stosowane są do analizy zagadnień stosunkowo prostych. Dużą wadą modeli analogowych jest mniejsza dokładność uzyskanych wyników, spowodowana koniecznością przekształcenia równań różniczkowych w równania różnicowe, oraz ograniczenie złożoności zadania w odniesieniu do układów nieliniowych. Symulacja komputerowa lotu pocisku charakteryzuje się wysoką dokładnością i szerokimi możliwościami rozwiązywania złożonych układów równań, a ich wykorzystanie ograniczone jest głównie zużyciem czasu obliczeniowego i czasu na programowanie. 899
6 4.1. Model symulacyjny procesu strzelania pociskiem przeciwlotniczym do celu powietrznego w pakiecie Mathcad Stochastyczny model symulacyjny procesu strzelania do celu powietrznego opracowano w pakiecie MATHCAD. Na podstawie opracowanego modelu fizycznego pocisku oraz modelu matematycznego procesu strzelania opracowano algorytm stochastycznej symulacji strzelań. W oparciu o algorytm przedstawiony na rysunku 2 opracowano w pakiecie MATHCAD program komputerowy pozwalający na dokonanie symulacji strzelań 35 mm pociskiem przeciwlotniczym typu TP-T i FAPDS-T. W każdej symulacji założono liczność prób na poziomie realizacji. W ogólnym przypadku wybrane wielkości wejściowe symulacji traktuje się jako zmienne losowe i dla każdej próby losuje się pewną ich realizację, co powoduje losowy rozkład współrzędnych punktów trafienia pocisku w płaszczyznę celu. Rozkład ten przyjęto opisywać funkcją gęstości dwuwymiarowego normalnego rozkładu prawdopodobieństwa. Do analiz przyjęto odchylenia prawdopodobne następujących parametrów E i : E V prędkości wylotowej V 0 ; E m masy pocisku m p ; E kąta wizowania celu w elewacji 0 ; E kąta wizowania celu w azymucie 0; E Vwb prędkości wiatru bocznego V wb. Dla wybranych danych wejściowych do symulacji przeprowadzana jest próba polegająca na numerycznym rozwiązaniu równań opisujących ruch przestrzenny pocisku do celu powietrznego. START Określenie liczności próby Losowanie warunków początkowych, traktowanych jako zmienne losowe Rozwiązanie równań modelu matematycznego oraz określenie współrzędnych punktu trafienia pocisku w cel powietrzny Czy została osiągnięta założona liczba prób? Estymacja parametrów rozkładu punktów trafienia pocisku Wyznaczenie prawdopodobieństwa trafienia i porażenia celu powietrznego T KONIEC Rys. 2. Algorytm stochastycznej symulacji strzelań do celu powietrznego N Po zakończeniu cyklu prób, przelicza się współrzędne punktów trafień w nowym układzie współrzędnych cy r z r, o początku w środku celu i wzajemnie prostopadłych osiach y r, z r. Na podstawie tak określonych współrzędnych estymuje się następujące parametry rozkładu punktów trafień (rys. 3): średnia statystyczna wartość oczekiwanej zmiennej losowej Y, średnia statystyczna wartość oczekiwanej zmiennej losowej Z, średnia statystyczna dyspersji dla zmiennej losowej Y, średnia statystyczna dyspersji dla zmiennej losowej Z, średnia statystyczna kowariancji, średnie statystyczne odchylenie standardowe dla zmiennej losowej Y, średnie statystyczne odchylenie standardowe dla zmiennej losowej Z, współczynnik korelacji. 900
7 Rys. 3. Przykładowy rozkład punktów trafień pocisku TP-T uzyskany z symulacji komputerowej dla odległości strzelania 1000 m 4.2. Wyniki badań numerycznych wyznaczania prawdopodobieństwa trafienia pociskiem w cel powietrzny amunicją TP-T i FAPDS-T Poniżej przedstawiono wyniki badań symulacyjnych procesu strzelania pociskiem TP-T i FAPDS-T w nieruchomą i ruchomą zastępczą sylwetkę celu powietrznego przedstawioną na rysunku 4 na odległościach strzelania od m i dla kąta wizowania celu 200 tysięcznych. y zastępcze pole rażenia (sylwetka samolotu w kształcie prostokąta) 2 m x 10 m Rys. 4. Zastępcze pole rażenia samolotu w kształcie prostokąta o wymiarach 2 x 10 m Mając wyznaczone estymatory rozkładu punktów trafień na płaszczyźnie celu powietrznego, wyznaczono: prawdopodobieństwo trafienia pociskiem TP-T w nieruchomą i ruchomą zastępczą sylwetkę celu powietrznego, prawdopodobieństwo trafienia pociskiem FAPDS-T w nieruchomą i ruchomą zastępczą sylwetkę celu powietrznego. Wyznaczenie prawdopodobieństwa trafienia pociskiem w nieruchomy i ruchomy cel powietrzny dla pocisków TP-T i FAPDS-T przeprowadzono dla wybranych parametrów z tabel do strzelań przeciwlotniczych przedstawionych w tabelach 1 i 2 oraz 3 i
8 prawdopodobieństwo Tabela 1. Tabela do strzelań przeciwlotniczych pociskiem TP-T dla kąta wizowania celu 200 mils Odległość do celu r [m] Kąt celownika [mils] Czas lotu t [s] Zboczenie 1 [mils] Wysokość celu h [m] Prędkość uderzenia w cel v u [m/s] ,13 0,957 0,1 195,1 917, ,17 2,216 0,1 390,2 688, ,31 3,924 0,2 585,3 499, ,12 6,305 0,3 780,4 354,9 Tabela 2. Tabela do strzelań przeciwlotniczych pociskiem FAPDS-T dla kąta wizowania celu 200 mils Odległość do celu r [m] Kąt celownika [mils] Czas lotu t [s] Zboczenie 1 [mils] Wysokość celu h [m] Prędkość uderzenia w cel v u [m/s] ,5 0,735 0,0 195,1 1282, ,4 1,555 0,1 390,2 1149, ,9 2,484 0,1 585,3 1030, ,0 3,516 0,2 780,4 922,8 Tabela 3. Wartości liczbowe wybranych parametrów wejściowych dla pocisku TP-T i celu Lp. Dane wejściowe do programu Wartości liczbowe 1. Masa pocisku [kg] 0, Prędkość początkowa pocisku [m/s] Kaliber pocisku [m] 0, Prędkość celu [m/s] 100 Tabela 4. Wartości liczbowe wybranych parametrów wejściowych dla pocisku FAPDS-T i celu Lp. Dane wejściowe do programu Wartości liczbowe 1. Masa pocisku [kg] 0,38/0, Prędkość początkowa pocisku [m/s] Kaliber pocisku [m] Prędkość celu [m/s] TP-T FAPDS-T Rys. 5. Prawdopodobieństwo trafienia pociskiem w cel nieruchomy w funkcji odległości strzelania dla pocisku TP-T i FAPDS-T D [m] 902
9 prawdopodobieństwo prawdopodobieństwo TP-T FAPDS-T Rys. 6. Prawdopodobieństwo trafienia w cel poruszający się z prędkością Vc = 100 m/s w funkcji odległości strzelania pociskiem TP-T i FAPDS-T (lot celu na parametrze, tylna półsfera) D [m] TP-T FAPDS-T D [m] Rys. 7. Prawdopodobieństwo trafienia w cel poruszający się z prędkością Vc = 100 m/s w funkcji odległości strzelania pociskiem TP-T i FAPDS-T (lot celu na parametrze, przednia półsfera) 5. PODSUMOWANIE I WNIOSKI KOŃCOWE 1. Model matematyczny procesu strzelania do celu powietrznego i program symulacyjny opracowany w pakiecie MATHCAD został oparty na stochastycznym algorytmie wyznaczania prawdopodobieństwa trafienia pociskiem TP-T i FAPDS-T w zastępczą sylwetkę celu powietrznego. 2. Do wyznaczenia prawdopodobieństwa trafienia pociskiem w cel nieruchomy i ruchomy zastosowano metodę Monte Carlo, która w zagadnieniach dotyczących określania dokładności strzelania ma bardzo szerokie zastosowanie. 3. Dla wybranych danych wejściowych do symulacji, takich jak: prędkość wylotowa V 0 (±2%), masa pocisku m p (±2%), kąt wizowania celu w elewacji 0 (±0.02 ), kąt wizowania celu w azymucie 0 (±0.02 ), przeprowadzana jest próba polegająca na numerycznym rozwiązaniu równań opisujących ruch przestrzenny pocisku w układzie współrzędnych 0y r z r, o początku w środku celu i wzajemnie prostopadłych osiach y r, z r. 903
10 4. Wybrane wielkości wejściowe symulacji traktuje się jako zmienne losowe i dla każdej próby losuje się pewną ich realizację, co powoduje losowy rozkład współrzędnych punktów trafienia pocisku w płaszczyznę celu. 5. Na podstawie tak określonych współrzędnych estymuje się parametry rozkładu punktów trafień, wykorzystując metodę największej wiarygodności. Mając wyznaczone estymatory rozkładu punktów trafień na płaszczyźnie celu powietrznego, można przystąpić do wyznaczenia prawdopodobieństwa trafienia (porażenia) celu powietrznego. *** Praca naukowa finansowana ze środków na naukę w latach jako projekt badawczy rozwojowy nr R LITERATURA [1] Podstawy badań operacyjnych w technice wojskowej, Wydawnictwo Ministerstwa Obrony Narodowej, [2] Gacek J., Sznuk K.: Teoria i zasady strzelania, WAT, Warszawa [3] Tomaszek H., Wróblewski M.: Podstawy oceny efektywności eksploatacji systemów uzbrojenia lotniczego, WAT, Warszawa [4] Radomski M.: Ocena skuteczności zestawów małokalibrowych armat automatycznych przeznaczonych do zwalczania celów powietrznych, Mat. III Międzynarodowego Sympozjum Rozwój Techniki Wojskowej, Systemy dowodzenia, Gdynia 1995, s [5] Papoulis A.: Prawdopodobieństwo, zmienne losowe i procesy stochastyczne, WNT, Warszawa [6] Pogorzelski F.: Teoria strzelania artylerii naziemnej, WAT, Warszawa [7] Szapiro J.: Balistyka zewnętrzna, MON, Warszawa
MODELOWANIE PRAWDOPODOBIEŃSTWA PORAŻENIA CELU AMUNICJĄ ROZCALANĄ PROGRAMOWO
Dr inż. Konrad SIENICKI Dr inż. Krzysztof MOTYL Wojskowa Akademia Techniczna MODELOWANIE PRAWDOPODOBIEŃSTWA PORAŻENIA CELU AMUNICJĄ ROZCALANĄ PROGRAMOWO Streszczenie: Jednym z głównych parametrów charakteryzujących
Bardziej szczegółowoSYMULACYJNE BADANIE SKUTECZNOŚCI AMUNICJI ODŁAMKOWEJ
Dr inż. Maciej PODCIECHOWSKI Dr inż. Dariusz RODZIK Dr inż. Stanisław ŻYGADŁO Wojskowa Akademia Techniczna SYMULACYJNE BADANIE SKUTECZNOŚCI AMUNICJI ODŁAMKOWEJ Streszczenie: W referacie przedstawiono wyniki
Bardziej szczegółowoSpis 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 szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
Bardziej szczegółowoTeoria błędów. Wszystkie wartości wielkości fizycznych obarczone są pewnym błędem.
Teoria błędów Wskutek niedoskonałości przyrządów, jak również niedoskonałości organów zmysłów wszystkie pomiary są dokonywane z określonym stopniem dokładności. Nie otrzymujemy prawidłowych wartości mierzonej
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoMETODY 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 szczegółowoStatystyka 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 szczegółowoMikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 6 Mikołaj Czajkowski Wiktor Budziński Metody symulacyjne Monte Carlo Metoda Monte-Carlo Wykorzystanie mocy obliczeniowej komputerów, aby poznać charakterystyki zmiennych losowych poprzez
Bardziej szczegółowoSterowanie wielkością zamówienia w Excelu - cz. 3
Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 6 Model matematyczny elementu naprawialnego Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia:
Bardziej szczegółowoInformatyka I stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny) podstawowy (podstawowy / kierunkowy / inny HES)
KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoS Y L A B U S P R Z E D M I O T U
"Z A T W I E R D Z A M" Dziekan Wydziału Mechatroniki i Lotnictwa podpis prof. dr hab. inż. Radosław TRĘBIŃSKI Warszawa, dnia... NAZWA PRZEDMIOTU: Kod przedmiotu: Podstawowa jednostka organizacyjna (PJO):
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Z MATEMATYKI 2016/2017 (zakres podstawowy) klasa 3abc
WYMAGANIA EDUKACYJNE Z MATEMATYKI 2016/2017 (zakres podstawowy) klasa 3abc 1, Ciągi zna definicję ciągu (ciągu liczbowego); potrafi wyznaczyć dowolny wyraz ciągu liczbowego określonego wzorem ogólnym;
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCHY KOMPETENCJI EFEKTY KSZTAŁCENIA
I. KARTA PRZEDMIOTU. Nazwa przedmiotu: MATEMATYKA STOSOWANA 2. Kod przedmiotu: Ms 3. Jednostka prowadząca: Wydział Nawigacji i Uzbrojenia Okrętowego 4. Kierunek: Nawigacja 5. Specjalność: Nawigacja morska
Bardziej szczegółowoRÓWNOWAŻNOŚĆ METOD BADAWCZYCH
RÓWNOWAŻNOŚĆ METOD BADAWCZYCH Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska Równoważność metod??? 2 Zgodność wyników analitycznych otrzymanych z wykorzystaniem porównywanych
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: przedmiot obowiązkowy w ramach treści kierunkowych, moduł kierunkowy ogólny Rodzaj zajęć: wykład, ćwiczenia I KARTA PRZEDMIOTU CEL PRZEDMIOTU
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1 Konrad Miziński, nr albumu 233703 1 maja 2015 Zadanie 1 Parametr λ wyestymowano jako średnia z próby: λ = X n = 3.73 Otrzymany w
Bardziej szczegółowoMetrologia: organizacja eksperymentu pomiarowego
Metrologia: organizacja eksperymentu pomiarowego (na podstawie: Żółtowski B. Podstawy diagnostyki maszyn, 1996) dr inż. Paweł Zalewski Akademia Morska w Szczecinie Teoria eksperymentu: Teoria eksperymentu
Bardziej szczegółowoKryteria oceniania z matematyki Klasa III poziom podstawowy
Kryteria oceniania z matematyki Klasa III poziom podstawowy Potęgi Zakres Dopuszczający Dostateczny Dobry Bardzo dobry oblicza potęgi o wykładnikach wymiernych; zna prawa działań na potęgach i potrafi
Bardziej szczegółowoKryteria oceniania z matematyki Klasa III poziom rozszerzony
Kryteria oceniania z matematyki Klasa III poziom rozszerzony Zakres Dopuszczający Dostateczny Dobry Bardzo dobry Funkcja potęgowa - zna i stosuje tw. o potęgach - zna wykresy funkcji potęgowej o dowolnym
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoPodstawowy (podstawowy / kierunkowy / inny HES) Obowiązkowy (obowiązkowy / nieobowiązkowy) Semestr 2. Semestr letni (semestr zimowy / letni)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012 r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Matematyka 2 Nazwa modułu w języku angielskim Mathematics 2 Obowiązuje od
Bardziej szczegółowoS Y L A B U S P R Z E D M I O T U
"Z A T W I E R D Z A M Prof. dr hab. inż. Radosław TRĘBIŃSKI Dziekan Wydziału Mechatroniki i Lotnictwa Warszawa, dnia... NAZWA PRZEDMIOTU: Wersja anglojęzyczna: Kod przedmiotu: S Y L A B U S P R Z E D
Bardziej szczegółowoWeryfikacja modelu matematycznego lotu 35 mm pocisku przeciwlotniczego na podstawie tabel strzelniczych
PROBLEMY MECHATRONIKI. UZBROJENIE, LOTNICTWO, INŻYNIERIA BEZPIECZEŃSTWA ISSN 081 5891 (), 010, 35-49 Weryfikacja modelu matematycznego lotu 35 mm pocisku przeciwlotniczego na podstawie tabel strzelniczych
Bardziej szczegółowoGEODEZJA I KARTOGRAFIA I stopień (I stopień / II stopień) Ogólnoakademicki (ogólnoakademicki / praktyczny)
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Matematyka II Nazwa modułu w języku angielskim Mathematics II Obowiązuje od roku akademickiego 2012/2013 A. USYTUOWANIE MODUŁU W SYSTEMIE STUDIÓW
Bardziej szczegółowoWeryfikacja 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 szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoS Y L A B U S P R Z E D M I O T U
"Z A T W I E R D Z A M Prof. dr hab. inż. Radosław TRĘBIŃSKI Dziekan Wydziału Mechatroniki i Lotnictwa Warszawa, dnia... NAZWA PRZEDMIOTU: Wersja anglojęzyczna: Kod przedmiotu: S Y L A B U S P R Z E D
Bardziej szczegółowoS YLABUS MODUŁU (PRZEDMIOTU) I nformacje ogólne. Nie dotyczy
S YLABUS MODUŁU (PRZEDMIOTU) I nformacje ogólne Nazwa modułu: Moduł B - Statystyka z elementami matematyki Rodzaj modułu/przedmiotu Wydział PUM Kierunek studiów Specjalność Poziom studiów Forma studiów
Bardziej szczegółowoElektrotechnika II stopień ogólnoakademicki. stacjonarne. przedmiot specjalnościowy. obowiązkowy polski semestr II semestr letni. tak. Laborat. 30 g.
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Metody estymacji parametrów i sygnałów Estimation methods of parameters
Bardziej szczegółowoAnaliza błędów obliczania nastaw działowych przy zastosowaniu algorytmu zmiennego w czasie
BIULETYN WAT VOL. LVII, NR 1, 2008 Analiza błędów obliczania nastaw działowych przy zastosowaniu algorytmu zmiennego w czasie WŁODZIMIERZ BOROWCZYK, WOJCIECH KACZMAREK Wojskowa Akademia Techniczna, Wydział
Bardziej szczegółowoZastosowanie rachunku wyrównawczego do uwiarygodnienia wyników pomiarów w układzie cieplnym bloku energetycznego siłowni parowej
Marcin Szega Zastosowanie rachunku wyrównawczego do uwiarygodnienia wyników pomiarów w układzie cieplnym bloku energetycznego siłowni parowej (Monografia habilitacyjna nr 193. Wydawnictwo Politechniki
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoĆwiczenie z fizyki Doświadczalne wyznaczanie ogniskowej soczewki oraz współczynnika załamania światła
Ćwiczenie z fizyki Doświadczalne wyznaczanie ogniskowej soczewki oraz współczynnika załamania światła Michał Łasica klasa IIId nr 13 22 grudnia 2006 1 1 Doświadczalne wyznaczanie ogniskowej soczewki 1.1
Bardziej szczegółowoI. Potęgi. Logarytmy. Funkcja wykładnicza.
WYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY TRZECIEJ LICEUM OGÓLNOKSZTAŁCĄCEGO ZAKRES PODSTAWOWY I. Potęgi. Logarytmy. Funkcja wykładnicza. dobrą, bardzo - oblicza potęgi o wykładnikach wymiernych; - zna
Bardziej szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowoZastosowanie symulacji Monte Carlo do zarządzania ryzykiem przedsięwzięcia z wykorzystaniem metod sieciowych PERT i CPM
SZKOŁA GŁÓWNA HANDLOWA w Warszawie STUDIUM MAGISTERSKIE Kierunek: Metody ilościowe w ekonomii i systemy informacyjne Karol Walędzik Nr albumu: 26353 Zastosowanie symulacji Monte Carlo do zarządzania ryzykiem
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoĆwiczenie nr 2: ZaleŜność okresu drgań wahadła od amplitudy
Wydział PRACOWNIA FIZYCZNA WFiIS AGH Imię i nazwisko 1. 2. Temat: Rok Grupa Zespół Nr ćwiczenia Data wykonania Data oddania Zwrot do popr. Data oddania Data zaliczenia OCENA Ćwiczenie nr 2: ZaleŜność okresu
Bardziej szczegółowoZALICZENIA. W celu uzyskania zaliczenia należy wybrać jeden z trzech poniższych wariantów I, II lub III
ZALICZENIA W celu uzyskania zaliczenia należy wybrać jeden z trzech poniższych wariantów I, II lub III 1 Wariant I. PROBLEM WŁASNY Sformułować własne zadanie statystyczne związane z własną pracą badawczą
Bardziej szczegółowoMetody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne
Metody numeryczne materiały do wykładu dla studentów 7. Całkowanie numeryczne 7.1. Całkowanie numeryczne 7.2. Metoda trapezów 7.3. Metoda Simpsona 7.4. Metoda 3/8 Newtona 7.5. Ogólna postać wzorów kwadratur
Bardziej szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Rok szkolny 2018/2019
WYMAGANIA EDUKACYJNE Rok szkolny 2018/2019 Przedmiot Klasa Nauczyciele uczący Poziom matematyka 4e Łukasz Jurczak rozszerzony 2. Elementy analizy matematycznej ocena dopuszczająca ocena dostateczna ocena
Bardziej szczegółowoMechatronika i inteligentne systemy produkcyjne. Modelowanie systemów mechatronicznych Platformy przetwarzania danych
Mechatronika i inteligentne systemy produkcyjne Modelowanie systemów mechatronicznych Platformy przetwarzania danych 1 Sterowanie procesem oparte na jego modelu u 1 (t) System rzeczywisty x(t) y(t) Tworzenie
Bardziej szczegółowoIlustracja metody Monte Carlo obliczania pola obszaru D zawartego w kwadracie [a,b]x[a,b]
Ilustracja metody Monte Carlo obliczania pola obszaru D zawartego w kwadracie [a,b]x[a,b] Dagna Bieda, Piotr Jarecki, Tomasz Nachtigall, Jakub Ciesiółka, Marek Kubiczek Metoda Monte Carlo Metoda Monte
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoDWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI
DWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI mgr Marcin Pawlak Katedra Inwestycji i Wyceny Przedsiębiorstw Plan wystąpienia
Bardziej szczegółowo1. Potęgi. Logarytmy. Funkcja wykładnicza
1. Potęgi. Logarytmy. Funkcja wykładnicza Tematyka zajęć: WYMAGANIA EDUKACYJNE NA POSZCZEGÓLNE OCENY KL. 3 POZIOM PODSTAWOWY Potęga o wykładniku rzeczywistym powtórzenie Funkcja wykładnicza i jej własności
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
KIERUNKOWE EFEKTY KSZTAŁCENIA Wydział: Matematyki Kierunek studiów: Matematyka i Statystyka (MiS) Studia w j. polskim Stopień studiów: Pierwszy (1) Profil: Ogólnoakademicki (A) Umiejscowienie kierunku
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoLABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Bardziej szczegółowoCałkowanie numeryczne
Całkowanie numeryczne Poniżej omówione zostanie kilka metod przybliżania operacji całkowania i różniczkowania w szczególności uzależnieniu pochodnej od jej różnic skończonych gdy równanie różniczkowe mamy
Bardziej szczegółowoANALIZA SKUTECZNOŚCI ZWALCZANIA POCISKÓW MANEWRUJĄCYCH PRZY UŻYCIU AMUNICJI AHEAD
Prof. dr hab. inż. Józef GACEK Dr inż. Konrad SIENICKI Dr inż. Krzysztof MOTYL Wojskowa Akademia Techniczna ANALIZA SKUTECZNOŚCI ZWALCZANIA POCISKÓW MANEWRUJĄCYCH PRZY UŻYCIU AMUNICJI AHEAD Streszczenie:
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoMATEMATYKA Z PLUSEM DLA KLASY VII W KONTEKŚCIE WYMAGAŃ PODSTAWY PROGRAMOWEJ. programowej dla klas IV-VI. programowej dla klas IV-VI.
MATEMATYKA Z PLUSEM DLA KLASY VII W KONTEKŚCIE WYMAGAŃ PODSTAWY PROGRAMOWEJ TEMAT LICZBA GODZIN LEKCYJNYCH WYMAGANIA SZCZEGÓŁOWE Z PODSTAWY PROGRAMOWEJ UWAGI. LICZBY I DZIAŁANIA 6 h Liczby. Rozwinięcia
Bardziej szczegółowoWprowadzenie 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 szczegółowoRachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych
Rachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych Autorzy: Marta Rotkiel, Anna Konik, Bartłomiej Parowicz, Robert Rudak, Piotr Otręba Spis treści: Wstęp Cel
Bardziej szczegółowoIlustracja metody Monte Carlo do obliczania pola obszaru D zawartego w kwadracie [a, b] [a, b].
Rachunek Prawdopodobienstwa MAEW104 Wydział Elektroniki, rok akad. 2008/09, sem. letni wykład: dr hab. Agnieszka Jurlewicz Temat projektu: Ilustracja metody Monte Carlo do obliczania pola obszaru D zawartego
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobieństwo geometryczne Krzysztof Jasiński Wydział Matematyki i Informatyki UMK, Toruń V Lieceum Ogólnokształące im. Jana Pawała II w Toruniu 13.03.2014 Krzysztof Jasiński (WMiI UMK) Prawdopodobieństwo
Bardziej szczegółowoMETODY 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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoMESKO Spółka Akcyjna Ul. Legionów 122, Skarżysko-Kamienna
MESKO Spółka Akcyjna 1 PRZEZNACZENIE PRODUKTU 23x151 mm naboje z pociskiem przeciwpancerno-zapalająco-smugowym BZT przeznaczone są do rażenia samolotów oraz śmigłowców z: armaty ZU-23; armaty ZSU-23-4;
Bardziej szczegółowoBADANIA SYMULACYJNE PROCESU HAMOWANIA SAMOCHODU OSOBOWEGO W PROGRAMIE PC-CRASH
BADANIA SYMULACYJNE PROCESU HAMOWANIA SAMOCHODU OSOBOWEGO W PROGRAMIE PC-CRASH Dr inż. Artur JAWORSKI, Dr inż. Hubert KUSZEWSKI, Dr inż. Adam USTRZYCKI W artykule przedstawiono wyniki analizy symulacyjnej
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY 7SP. V. Obliczenia procentowe. Uczeń: 1) przedstawia część wielkości jako procent tej wielkości;
WYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY 7SP Liczby. TEMAT Rozwinięcia dziesiętne liczb wymiernych. Zaokrąglanie liczb. Szacowanie wyników. Dodawanie i odejmowanie liczb dodatnich. Mnożenie i dzielenie
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoMetody symulacji komputerowych Modelowanie systemów technicznych
Metody symulacji komputerowych Modelowanie systemów technicznych dr inż. Ryszard Myhan Katedra Inżynierii Procesów Rolniczych Program przedmiotu Lp. Temat Zakres 1. Wprowadzenie do teorii systemów Definicje
Bardziej szczegółowoTomasz Tobiasz PLAN WYNIKOWY (zakres podstawowy)
Tomasz Tobiasz PLAN WYNIKOWY (zakres podstawowy) klasa 3. PAZDRO Plan jest wykazem wiadomości i umiejętności, jakie powinien mieć uczeń ubiegający się o określone oceny na poszczególnych etapach edukacji
Bardziej szczegółowoMESKO Spółka Akcyjna Ul. Legionów 122, Skarżysko-Kamienna
1 2 PRZEZNACZENIE PRODUKTU 23x151 mm naboje z pociskiem przeciwpancerno-zapalająco-smugowym BZT przeznaczone są do rażenia samolotów oraz śmigłowców z: armaty ZU-23; armaty ZSU-23-4; armaty ZSU-23-4M;
Bardziej szczegółowoSzczegółowy rozkład materiału dla klasy 3b poziom rozszerzny cz. 1 - liceum
Szczegółowy rozkład materiału dla klasy b poziom rozszerzny cz. - liceum WYDAWNICTWO PAZDRO GODZINY Lp. Tematyka zajęć Liczba godzin I. Funkcja wykładnicza i funkcja logarytmiczna. Potęga o wykładniku
Bardziej szczegółowoMETODY 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 szczegółowoDrgania poprzeczne belki numeryczna analiza modalna za pomocą Metody Elementów Skończonych dr inż. Piotr Lichota mgr inż.
Drgania poprzeczne belki numeryczna analiza modalna za pomocą Metody Elementów Skończonych dr inż. Piotr Lichota mgr inż. Joanna Szulczyk Politechnika Warszawska Instytut Techniki Lotniczej i Mechaniki
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoTechnologia informacyjna Algorytm Janusz Uriasz
Technologia informacyjna Algorytm Janusz Uriasz Algorytm Algorytm - (łac. algorithmus); ścisły przepis realizacji działań w określonym porządku, system operacji, reguła komponowania operacji, sposób postępowania.
Bardziej szczegółowo1.Funkcja logarytmiczna
Kryteria oceniania z matematyki dla klasy IV TI poziom podstawowy, na podstawie programu nauczania DKOS- 5002-05/08 1.Funkcja logarytmiczna -potrafi obliczyć logarytm liczby dodatniej; -zna i potrafi stosować
Bardziej szczegółowoMatematyka - Statystyka matematyczna Mathematical statistics 2, 2, 0, 0, 0
Nazwa przedmiotu: Kierunek: Matematyka - Statystyka matematyczna Mathematical statistics Inżynieria materiałowa Materials Engineering Rodzaj przedmiotu: Poziom studiów: forma studiów: obowiązkowy studia
Bardziej szczegółowoĆWICZENIE nr 3. Badanie podstawowych parametrów metrologicznych przetworników analogowo-cyfrowych
Politechnika Łódzka Katedra Przyrządów Półprzewodnikowych i Optoelektronicznych WWW.DSOD.PL LABORATORIUM METROLOGII ELEKTRONICZNEJ ĆWICZENIE nr 3 Badanie podstawowych parametrów metrologicznych przetworników
Bardziej szczegółowoWYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU
Zał. nr do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim BADANIA OPERACYJNE Nazwa w języku angielskim Operational research Kierunek studiów (jeśli dotyczy): Matematyka
Bardziej szczegółowoRozkład materiału z matematyki dla II klasy technikum zakres podstawowy I wariant (38 tyg. 2 godz. = 76 godz.)
Rozkład materiału z matematyki dla II klasy technikum zakres podstawowy I wariant (38 tyg. godz. = 76 godz.) I. Funkcja i jej własności.4godz. II. Przekształcenia wykresów funkcji...9 godz. III. Funkcja
Bardziej szczegółowoWYMAGANIA EDUKACYJNE NIEZBĘDNE DO OTRZYMANIA PRZEZ UCZNIA POSZCZEGÓLNYCH ŚRÓDROCZNYCH I ROCZNYCH OCEN KLASYFIKACYJNYCH Z MATEMATYKI
WYMAGANIA EDUKACYJNE NIEZBĘDNE DO OTRZYMANIA PRZEZ UCZNIA POSZCZEGÓLNYCH ŚRÓDROCZNYCH I ROCZNYCH OCEN KLASYFIKACYJNYCH Z MATEMATYKI (zakres podstawowy) Rok szkolny 2018/2019 - klasa 3a, 3b, 3c 1, Ciągi
Bardziej szczegółowoModelowanie i obliczenia techniczne. dr inż. Paweł Pełczyński
Modelowanie i obliczenia techniczne dr inż. Paweł Pełczyński ppelczynski@swspiz.pl Literatura Z. Fortuna, B. Macukow, J. Wąsowski: Metody numeryczne, WNT Warszawa, 2005. J. Awrejcewicz: Matematyczne modelowanie
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA
RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA LISTA 10 1.Dokonano 8 pomiarów pewnej odległości (w m) i otrzymano: 201, 195, 207, 203, 191, 208, 198, 210. Wiedząc,że błąd pomiaru ma rozkład normalny
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoSTATYCZNA PRÓBA ROZCIĄGANIA
Mechanika i wytrzymałość materiałów - instrukcja do ćwiczenia laboratoryjnego: STATYCZNA PRÓBA ROZCIĄGANIA oprac. dr inż. Jarosław Filipiak Cel ćwiczenia 1. Zapoznanie się ze sposobem przeprowadzania statycznej
Bardziej szczegółowoMetody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej szczegółowoInżynierskie metody analizy numerycznej i planowanie eksperymentu / Ireneusz Czajka, Andrzej Gołaś. Kraków, Spis treści
Inżynierskie metody analizy numerycznej i planowanie eksperymentu / Ireneusz Czajka, Andrzej Gołaś. Kraków, 2017 Spis treści Od autorów 11 I. Klasyczne metody numeryczne Rozdział 1. Na początek 15 1.1.
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoO 2 O 1. Temat: Wyznaczenie przyspieszenia ziemskiego za pomocą wahadła rewersyjnego
msg M 7-1 - Temat: Wyznaczenie przyspieszenia ziemskiego za pomocą wahadła rewersyjnego Zagadnienia: prawa dynamiki Newtona, moment sił, moment bezwładności, dynamiczne równania ruchu wahadła fizycznego,
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoEstymacja parametrów, przedziały ufności etc
Estymacja parametrów, przedziały ufności etc Liniowa MNK przypomnienie Wariancja parametrów Postulat Bayesa: rozkłady p-stwa dla parametrów Przypadek nieliniowy Przedziały ufności Rozkłady chi-kwadrat,
Bardziej szczegółowo