Metoda CPM/PERT. dr inż. Mariusz Makuchowski

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Metoda CPM/PERT. dr inż. Mariusz Makuchowski"

Transkrypt

1

2 PM - wstęp PM nazwa metody pochodzi od angielskiego ritical Path Method, jest techniką bazującą na grafowej reprezentacji projektu, używana jest dla deterministycznych danych.

3 PM - modele grafowe projektu Stosowane są dwa typy modeli grafowych: model ON (ang. activity on node) wierzchołki reprezentują operacje (zadania) do wykonania, łuki reprezentują zależności kolejnościowe pomiędzy danymi operacjami; model O (ang. activity on arrow) wierzchołki reprezentują stany wykonania projektu, łuki reprezentują operacje do wykonania.

4 PM - cele stosowania PM Główne cele stosowania PM to: wyliczenie czasu zakończenia projektu, wyznaczenie operacji niekrytycznych, dla których wyznacza się dopuszczalne opóźnienie, które nie będzie skutkowało opóźnieniem całego projektu, wyznaczenie operacji krytycznych, których każde nawet minimalne opóźnienie spowoduje opóźnienie projektu.

5 PM - obliczenia w przód i wstecz PM dokonuje obliczeń w dwóch fazach: obliczenia w przód, najwcześniejsze momenty rozpoczęcia operacji, S (ang. arly Start), najwcześniejsze momenty zakończenia operacji, (ang. arly inish). obliczenia wstecz. LS (ang. Late Start) najpóźniejsze momenty rozpoczęcia operacji, L (ang. Late inish) najpóźniejsze momenty zakończenia operacji.

6 PM - S,, LS, L S czas nazwa LS S jest najwcześniejszym możliwym momentem rozpoczęcia wykonywania operacji, jest najwcześniejszym możliwym momentem zakończenia wykonywania operacji, LS jest najpóźniejszym możliwym momentem rozpoczęcia wykonywania operacji, bez opóźnienia całego projektu, L jest najpóźniejszym możliwym momentem zakończenia wykonywania operacji, bez opóźnienia całego projektu. L

7 MP - przykład: dane czynność poprzednik czas trwania - - 5, 1 6, 4

8 PM - obliczenia S, S = najpóźniejszy z wszystkich poprzedników = S + czas trwania operacji

9 PM - obliczenia S, S = najpóźniejszy z wszystkich poprzedników = S + czas trwania operacji. 1 4 start koniec 5 6

10 PM - obliczenia S, S = najpóźniejszy z wszystkich poprzedników = S + czas trwania operacji.? 1 4 start koniec 5 6

11 PM - obliczenia S, S = najpóźniejszy z wszystkich poprzedników = S + czas trwania operacji. 0?? 1 4 start koniec 5 6

12 PM - obliczenia S, S = najpóźniejszy z wszystkich poprzedników = S + czas trwania operacji. 0?? 1 4 start koniec? 5? 6

13 PM - obliczenia S, S = najpóźniejszy z wszystkich poprzedników = S + czas trwania operacji. 0??? 1? 4 start koniec 0? 5 5? 6

14 PM - obliczenia S, S = najpóźniejszy z wszystkich poprzedników = S + czas trwania operacji. 0?? 5? 1 6? 4 start koniec 0? 5 5?? 6?

15 PM - obliczenia S, S = najpóźniejszy z wszystkich poprzedników = S + czas trwania operacji. 0?? 5? 1 6?? 4? start koniec 0? 5 5? 5? 6 11?

16 PM - obliczenia S, S = najpóźniejszy z wszystkich poprzedników = S + czas trwania operacji. 0?? 5? 1 6? 11? 4 15? start koniec 0? 5 5? 5? 6 11???

17 PM - obliczenia S, S = najpóźniejszy z wszystkich poprzedników = S + czas trwania operacji. 0?? 5? 1 6? 11? 4 15? start?? koniec 0? 5 5? 5? 6 11? 11? 13?

18 PM - obliczenia S, S = najpóźniejszy z wszystkich poprzedników = S + czas trwania operacji. 0?? 5? 1 6? 11? 4 15? start 15? 15? koniec 0? 5 5? 5? 6 11? 11? 13?

19 PM - obliczenia LS, L L = najwcześniejszy z LS wszystkich następników LS = L - czas trwania operacji start ? koniec 15 15

20 PM - obliczenia LS, L L = najwcześniejszy z LS wszystkich następników LS = L - czas trwania operacji start ? 15? koniec 15 15

21 PM - obliczenia LS, L L = najwcześniejszy z LS wszystkich następników LS = L - czas trwania operacji. start ?? ? 15? koniec 15 15

22 PM - obliczenia LS, L L = najwcześniejszy z LS wszystkich następników LS = L - czas trwania operacji. start ?? ? 15? ? 15? koniec 15 15

23 PM - obliczenia LS, L L = najwcześniejszy z LS wszystkich następników LS = L - czas trwania operacji. start ?? ? 11? ? 15? ? 15? koniec 15 15

24 PM - obliczenia LS, L L = najwcześniejszy z LS wszystkich następników LS = L - czas trwania operacji. start ?? ? 11? ? 11? ? 15? ? 15? koniec 15 15

25 PM - obliczenia LS, L L = najwcześniejszy z LS wszystkich następników LS = L - czas trwania operacji. start 0?? ? 5? ? 11? ? 11? ? 15? ? 15? koniec 15 15

26 PM - obliczenia LS, L L = najwcześniejszy z LS wszystkich następników LS = L - czas trwania operacji. start?? 0 8? 10? ? 5? ? 11? ? 11? ? 15? ? 15? koniec 15 15

27 PM - obliczenia LS, L L = najwcześniejszy z LS wszystkich następników LS = L - czas trwania operacji. start 0? 0? 0 8? 10? ? 5? ? 11? ? 11? ? 15? ? 15? koniec 15 15

28 PM - luz operacji o to jest całkowity luz, T (ang.total loat). Luz jest wartością o jaką można opóźnić rozpoczęcie wykonywania operacji albo wydłużyć jej czas trwania, przy jednoczesnym zachowaniu terminu zakończenia projektu. Jak wyznaczyć T? T = LS-S = L- o można powiedzieć o operacji dla której T=0? Operacja taka jest operacją krytyczną, jakiekolwiek opóźnienie tej operacji spowoduje wydłużenie całego projektu.

29 PM - ścieżka krytyczna: przykład start koniec 15 15

30 PM - ścieżka krytyczna: przykład start koniec

31 PM - ścieżka krytyczna: przykład start koniec

32 PM - ścieżka krytyczna: własności Własności ścieżki krytycznej: ścieżkę krytyczną tworzą operacje krytyczne (T=0), ścieżka krytyczna jest najdłuższą ścieżką w grafie, może istnieć wiele ścieżek krytycznych.

33 PRT - wstęp PRT nazwa metody PRT pochodzi od angielskiego Program valuation and Review Technique, jest techniką bazującą na metodzie PM, używana jest dla niedeterministycznych danych; pozwala wyznaczyć prawdopodobieństwo terminowego zakończenia projektu, pozwala wyznaczyć z zadanym prawdopodobieństwem czas trwania projektu.

34 PRT - dane ane projektu: dane są operacje wchodzące w skład projektu, dane są relacje kolejnościowe pomiędzy operacjami projektu, czas operacji podany jest jako trójka: a - optymistyczny, m - najbardziej prawdopodobny, b - pesymistyczny.

35 PRT - oczekiwany czas trwania operacji la każdej operacji wylicza się oczekiwany czas jej trwania oraz jego wariancję t oper = aoper +4moper +boper 6, σoper boper aoper = ( ). 6

36 PRT - użycie PM la wyliczonych oczekiwanych czasów trwania operacji stosujemy metodę PM otrzymując: µ oczekiwany czas realizacji projektu, σ wariancje czasu projektu, która jest sumą wariancji operacji ze ścieżki krytycznej, σ = Σ oper riticalpath (σ oper).

37 PRT - prawdopodobieństwo zakończenia projektu Wartość oczekiwana czasu projektu wynosi µ, a prawdopodobieństwo p(t < µ) zakończenia projektu w czasie nie większym niż µ wynosi 50%. Prawdopodobieństwo p(t < x) zakończenia projektu w terminie nie większym niż x wynosi: p(t < x) = Φ ( x µ ), σ gdzie Φ jest dystrybuantą standardowego rozkładu normalnego.

38 PRT - przykład Jakie jest prawdopodobieństwo realizacji projektu w czasie nieprzekraczającym 17 dni? Jaki czas przeznaczyć na wykonanie projektu aby prawdpodobieństwo realizacji projektu w terminie wynosiło 99%?

39 PRT - przykład: dane czynność poprzednik czas a czas m czas b czas t σ , 4 6 G H I, H 5 7 9

40 PRT - przykład: użycie PM G H I

41 PRT - przykład: czas t i σ czynność poprzednik czas a czas m czas b czas t σ , G H I, H

42 PRT - przykład: użycie PM σ = G σ = 0.44 σ = 0.11 σ = H σ = σ = σ = σ = I σ = 0.44

43 PRT - przykład: użycie PM G σ = 0.11 σ = σ = σ = H σ = σ = σ = σ = I σ = 0.44

44 PRT - przykład: użycie PM G σ = 0.11 σ = σ = σ = H σ = σ = σ = σ = I σ = 0.44

45 PRT - przykład: użycie PM Wyniku działania metody PM otrzymujemy: ścieżkę krytyczną, I, µ = t + t + t + t I = = 18, σ = σ +σ +σ +σi = = 1.10, σ = 1.05.

46 PRT - przykład: rozwiązanie Prawdopodobieństwo zakończenia projektu w ciągu 17 dni: p(t < 17) = Φ( 17 µ σ wynosi 17%. 1 ) = Φ( ) = Φ( 0.95) = % 17 18

47 PRT - przykład: rozwiązanie Projekt na 99% zakończy się: t = µ + σ Φ 1 (0.99) = = 0.45 nie później niż w połowie 1 dnia. 99%

48 ziękuję za uwagę

Zarządzanie projektami. Tadeusz Trzaskalik

Zarządzanie projektami. Tadeusz Trzaskalik Zarządzanie projektami Tadeusz Trzaskalik 7.1. Wprowadzenie Słowa kluczowe Projekt Sieć czynności zynność bezpośrednio poprzedzająca Zdarzenie, zdarzenie początkowe, zdarzenie końcowe Właściwa numeracja

Bardziej szczegółowo

Planowanie przedsięwzięć

Planowanie przedsięwzięć K.Pieńkosz Badania Operacyjne Planowanie przedsięwzięć 1 Planowanie przedsięwzięć Model przedsięwzięcia lista operacji relacje poprzedzania operacji modele operacji funkcja celu planowania K.Pieńkosz Badania

Bardziej szczegółowo

Przykład: budowa placu zabaw (metoda ścieżki krytycznej)

Przykład: budowa placu zabaw (metoda ścieżki krytycznej) Przykład: budowa placu zabaw (metoda ścieżki krytycznej) Firma budowlana Z&Z podjęła się zadania wystawienia placu zabaw dla dzieci w terminie nie przekraczającym 20 dni. Listę czynności do wykonania zawiera

Bardziej szczegółowo

BADANIA OPERACYJNE. dr Adam Sojda Pokój A405

BADANIA OPERACYJNE. dr Adam Sojda  Pokój A405 BADANIA OPERACYJNE dr Adam Sojda adam.sojda@polsl.pl http://dydaktyka.polsl.pl/roz6/asojda/default.aspx Pokój A405 Przedsięwzięcie - zorganizowanie działanie ludzkie zmierzające do osiągnięcia określonego

Bardziej szczegółowo

PROGRAMOWANIE SIECIOWE. METODY CPM i PERT

PROGRAMOWANIE SIECIOWE. METODY CPM i PERT PROGRAMOWANIE SIECIOWE. METODY CPM i PERT Maciej Patan Programowanie sieciowe. 1 WPROWADZENIE Metody programowania sieciowego wprowadzono pod koniec lat pięćdziesiatych Ze względu na strukturę logiczna

Bardziej szczegółowo

Zarządzanie czasem projektu

Zarządzanie czasem projektu Zarządzanie czasem projektu Narzędzia i techniki szacowania czasu zadań Opinia ekspertów Szacowanie przez analogię (top-down estimating) stopień wiarygodności = f(podobieństwo zadań), = f(dostęp do wszystkich

Bardziej szczegółowo

t i L i T i

t i L i T i Planowanie oparte na budowaniu modelu struktury przedsięwzięcia za pomocą grafu nazywa sie planowaniem sieciowym. Stosuje się do planowania i kontroli realizacji założonych przedsięwzięć gospodarczych,

Bardziej szczegółowo

Zarządzanie projektami

Zarządzanie projektami Dr Adam Kucharski Spis treści Podstawowe pojęcia Metoda CPM 3 3 Przykład analizy metodą CPM 5 Podstawowe pojęcia Przedsięwzięcia złożone z wielu czynności spotykane są na każdym kroku. Jako przykład może

Bardziej szczegółowo

ANALIZA SIECIOWA PROJEKTÓW REALIZACJI

ANALIZA SIECIOWA PROJEKTÓW REALIZACJI WYKŁAD 5 ANALIZA SIECIOWA PROJEKTÓW REALIZACJI Podstawowe problemy rozwiązywane z wykorzystaniem programowania sieciowego: zagadnienia transportowe (rozdział zadań przewozowych, komiwojażer najkrótsza

Bardziej szczegółowo

Ograniczenia projektu. Zakres (co?) Czas (na kiedy?) Budżet (za ile?)

Ograniczenia projektu. Zakres (co?) Czas (na kiedy?) Budżet (za ile?) Harmonogram Ograniczenia projektu Zakres (co?) Czas (na kiedy?) Budżet (za ile?) Pojęcia podstawowe Harmonogram: Daty wykonania działań Daty osiągnięcia kamieni milowych Działanie: Element składowy pakietu

Bardziej szczegółowo

Zasady sporządzania modelu sieciowego (Wykład 1)

Zasady sporządzania modelu sieciowego (Wykład 1) Zasady sporządzania modelu sieciowego (Wykład 1) Metody planowania sieciowego są stosowane w budownictwie do planowania i kontroli dużych przedsięwzięć, w których z powodu wielu zależności istnieje konieczność

Bardziej szczegółowo

Analiza sieciowa projektów- metody: CPM, PERT. A. Kasperski, M. Kulej 1

Analiza sieciowa projektów- metody: CPM, PERT. A. Kasperski, M. Kulej 1 Analiza sieciowa projektów- metody: CPM, PERT. A. Kasperski, M. Kulej 1 Określenie projektu Przez projekt rozumie się jednostkowy(najczęściej jednorazowy) proces złożony ze zbioru wzajemnie powiązanych

Bardziej szczegółowo

Szeregowanie zadań. Wykład nr 2. dr Hanna Furmańczyk. 12 października 2014

Szeregowanie zadań. Wykład nr 2. dr Hanna Furmańczyk. 12 października 2014 Wykład nr 2 12 października 2014 Złożoność problemów szeregowania zadań Problemy: wielomianowe NP-trudne otwarte Złożoność problemów szeregowania zadań Problemy: wielomianowe NP-trudne otwarte Jak sobie

Bardziej szczegółowo

ZARZĄDZANIE PROJEKTAMI METODA ŚCIEŻKI KRYTYCZNEJ HARMONOGRAM PROJEKTU

ZARZĄDZANIE PROJEKTAMI METODA ŚCIEŻKI KRYTYCZNEJ HARMONOGRAM PROJEKTU 1 ZARZĄDZANIE PROJEKTAMI METODA ŚCIEŻKI KRYTYCZNEJ HARMONOGRAM PROJEKTU AUTOR: AGENDA LEKCJI 2 CPM wprowadzenie teoretyczne Przykład rozwiązania Zadanie do samodzielnego rozwiązania 3 Critical Path Method

Bardziej szczegółowo

Zarządzanie projektami. mgr inż. Michał Adamczak

Zarządzanie projektami. mgr inż. Michał Adamczak Zarządzanie projektami mgr inż. Michał Adamczak Ćwiczenie 2 mgr inż. Michał Adamczak Agenda spotkania: 1. CPM wprowadzenie 2. Tabela czynności 3. Podstawowe elementy budowy diagramu sieciowego 4. Zasady

Bardziej szczegółowo

Rozdział 7 ZARZĄDZANIE PROJEKTAMI

Rozdział 7 ZARZĄDZANIE PROJEKTAMI Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 7 ZARZĄDZANIE PROJEKTAMI 7.2. Ćwiczenia komputerowe Ćwiczenie 7.1 Wykorzystując

Bardziej szczegółowo

LOGISTYKA DYSTRYBUCJI ćwiczenia 11 i 12 WYKORZYSTANIE METOD SIECIOWYCH W PROJEKTACH LOGISTYKI DYSTRYBUCJI. AUTOR: dr inż.

LOGISTYKA DYSTRYBUCJI ćwiczenia 11 i 12 WYKORZYSTANIE METOD SIECIOWYCH W PROJEKTACH LOGISTYKI DYSTRYBUCJI. AUTOR: dr inż. LOGISTYKA DYSTRYBUCJI ćwiczenia i WYKORZYSTANIE METOD SIECIOWYCH W PROJEKTACH LOGISTYKI DYSTRYBUCJI AUTOR: dr inż. ROMAN DOMAŃSKI Literatura Piotr Cyplik, Danuta Głowacka-Fertsch, Marek Fertsch Logistyka

Bardziej szczegółowo

Ćwiczenia laboratoryjne - 4. Projektowanie i harmonogramowanie produkcji metoda CPM-COST. Logistyka w Hutnictwie Ćw. L. 4

Ćwiczenia laboratoryjne - 4. Projektowanie i harmonogramowanie produkcji metoda CPM-COST. Logistyka w Hutnictwie Ćw. L. 4 Ćwiczenia laboratoryjne - 4 Projektowanie i harmonogramowanie produkcji metoda CPM-COST Ćw. L. 4 Metody analizy sieciowej 1) Deterministyczne czasy trwania czynności są określane jednoznacznie (jedna liczba)

Bardziej szczegółowo

WPŁYW TYPU ROZKŁADU CZASU TRWANIA CZYNNOŚCI NA WYNIKI ANALIZY RYZYKA W PLANOWANIU REALIZACJI PRZEDSIĘWZIĘĆ

WPŁYW TYPU ROZKŁADU CZASU TRWANIA CZYNNOŚCI NA WYNIKI ANALIZY RYZYKA W PLANOWANIU REALIZACJI PRZEDSIĘWZIĘĆ Dane bibliograficzne o artykule: http://mieczyslaw_polonski.users.sggw.pl/mppublikacje mgr inż. Wojciech Bogusz dr hab. inż. Mieczysław Połoński, prof. SGGW mgr inż. Kamil Pruszyński Szkoła Główna Gospodarstwa

Bardziej szczegółowo

Zarządzanie projektami Ćwiczenia 1. Jakub Światłowski

Zarządzanie projektami Ćwiczenia 1. Jakub Światłowski Zarządzanie projektami Ćwiczenia 1 Jakub Światłowski jakub.swiatlowski@wsl.com.pl Tematyka zajęć 1. Metoda ścieŝki krytycznej 2. Krzywa S i jej interpretacja 3. Pięć faz zarządzania projektem 4. Planowanie

Bardziej szczegółowo

Zastosowanie metody łańcucha krytycznego w procesie wdrażania zintegrowanego systemu zarządzania. mgr inż. K. Marek-Kołodziej

Zastosowanie metody łańcucha krytycznego w procesie wdrażania zintegrowanego systemu zarządzania. mgr inż. K. Marek-Kołodziej Zastosowanie metody łańcucha krytycznego w procesie wdrażania zintegrowanego systemu zarządzania mgr inż. K. Marek-Kołodziej Koncepcja metody łańcucha krytycznego Szacowanie czasu trwania zadań Eliminacja

Bardziej szczegółowo

Zapasy czasowe czynności

Zapasy czasowe czynności Zapasy czasowe czynności Na podstawie wyliczonych najwcześniejszych możliwych oraz najpóźniejszych dopuszczalnych momentów zajścia zdarzeń, można wyznaczyć zapasy czasu dla poszczególnych czynności przedsięwzięcia.

Bardziej szczegółowo

g) wartość oczekiwaną (przeciętną) i wariancję zmiennej losowej K.

g) wartość oczekiwaną (przeciętną) i wariancję zmiennej losowej K. TEMAT 1: WYBRANE ROZKŁADY TYPU SKOKOWEGO ROZKŁAD DWUMIANOWY (BERNOULLIEGO) Zadanie 1-1 Prawdopodobieństwo nieprzekroczenia przez pewien zakład pracy dobowego limitu zużycia energii elektrycznej (bez konieczności

Bardziej szczegółowo

Wykład Zarządzanie projektami Zajęcia 3 Zarządzanie czasem w projekcie Zarządzanie kosztami projektu

Wykład Zarządzanie projektami Zajęcia 3 Zarządzanie czasem w projekcie Zarządzanie kosztami projektu Wykład Zarządzanie projektami Zajęcia Zarządzanie czasem w projekcie Zarządzanie kosztami projektu dr Stanisław Gasik s.gasik@vistula.edu.pl www.sybena.pl/uv/014-wyklad-eko-zp-9-pl/wyklad.pdf Zarządzanie

Bardziej szczegółowo

Każde zadanie (ang. task) ma wyróżnione dwa stany:

Każde zadanie (ang. task) ma wyróżnione dwa stany: fie skierowanym (rys 1). Pomiędzy zadaniami rzeczywistymi modelującymi określone działania i stany w realizacji przedsięwzięcia definiuje się zależności, wprowadzając do modelu zadania pozorne. Zadania

Bardziej szczegółowo

Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne.

Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. 6.2. Centralne Twierdzenie Graniczne Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Słabe prawo wielkich liczb przypomnienie Słabe

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

RISK-AWARE PROJECT SCHEDULING

RISK-AWARE PROJECT SCHEDULING RISK-AWARE PROJECT SCHEDULING Z WYKORZYSTANIEM UCT KAROL WALĘDZIK DEFINICJA ZAGADNIENIA RESOURCE-CONSTRAINED PROJECT SCHEDULING (RCPS) Karol Walędzik - RAPS 3 RISK-AWARE PROJECT SCHEDULING (RAPS) 1 tryb

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

ZARZĄDZANIE PROJEKTEM NA PRZYKŁADZIE PRZEDSIĘWZIĘCIA ODLEWNICZEGO

ZARZĄDZANIE PROJEKTEM NA PRZYKŁADZIE PRZEDSIĘWZIĘCIA ODLEWNICZEGO 1/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (1/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (1/2) PAN Katowice PL ISSN 1642-5308 ZARZĄDZANIE PROJEKTEM NA PRZYKŁADZIE PRZEDSIĘWZIĘCIA ODLEWNICZEGO

Bardziej szczegółowo

Zarządzanie projektów

Zarządzanie projektów Zarządzanie projektów Zarządzanie projektów Część 1 Organizacja Kursu Wykład - interaktywna prezentacja (ok. 95% czasu) Test (ok.. 5% czasu) Opracowanie indywidualne lub grupowe związane z zaliczeniem

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności. Dr Anna ADRIAN Paw B5, pok407

Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności. Dr Anna ADRIAN Paw B5, pok407 Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Weryfikacja hipotez dotyczących postaci nieznanego rozkładu -Testy zgodności.

Bardziej szczegółowo

M1 M2 M3 Jednostka produkcyjna W1 6h 3h 10h h/1000szt 2zł W2 8h 4h 5h h/100szt 25zł Max. czas pracy maszyn:

M1 M2 M3 Jednostka produkcyjna W1 6h 3h 10h h/1000szt 2zł W2 8h 4h 5h h/100szt 25zł Max. czas pracy maszyn: Zad. Programowanie liniowe Jakiś zakład produkcyjny, ma 3 różne maszyny i produkuje różne produkty. Każdy z produktów wymaga pewnych czasów każdej z 3ch maszyn (podane w tabelce niżej). Ile jakiego produktu

Bardziej szczegółowo

Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny

Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny 1. Wyprodukowanie określonej liczby wyrobów przez jednego pracownika w ciągu godziny jest zmienną losową o następującym rozkładzie prawdopodobieństwa:

Bardziej szczegółowo

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie

Bardziej szczegółowo

Wykorzystanie algorytmów mrówkowych w dynamicznym problem

Wykorzystanie algorytmów mrówkowych w dynamicznym problem Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 14 czerwca 2013 Przedmiot i cele pracy dyplomowej

Bardziej szczegółowo

x x 0.5. x Przykłady do zadania 4.1 :

x x 0.5. x Przykłady do zadania 4.1 : Rachunek prawdopodobieństwa MAP5 Wydział Elektroniki, rok akad. /, sem. letni Wykładowca: dr hab. A. Jurlewicz Przykłady do listy 4: Wartość oczekiwana, wariancja, mediana, kwartyle rozkładu prawdopodobieństwa.

Bardziej szczegółowo

Zarządzanie projektami. mgr inż. Michał Adamczak

Zarządzanie projektami. mgr inż. Michał Adamczak Zarządzanie projektami mgr inż. Michał Adamczak mgr inż. Michał Adamczak Wyższa Szkoła Logistyki Katedra Systemów Logistycznych ul. Szyperska 3/5 michal.adamczak@wsl.com.pl 2010-10-05 2 mgr inż. Michał

Bardziej szczegółowo

Metody Statystyczne. Metody Statystyczne.

Metody 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 szczegółowo

Estymacja parametrów w modelu normalnym

Estymacja parametrów w modelu normalnym Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia

Bardziej szczegółowo

LABORATORIUM 6 ESTYMACJA cz. 2

LABORATORIUM 6 ESTYMACJA cz. 2 LABORATORIUM 6 ESTYMACJA cz. 2 TEORIA ESTYMACJI I 1. ODRZUCANIE WYNIKÓW WĄTPLIWYCH PRÓBA P (m) (m-elementowa) Obliczenie: ; s bez wyników wątpliwych Odrzucenie wyników z poza przedziału: 3s PRÓBA LOSOWA

Bardziej szczegółowo

Przykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych

Przykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru

Bardziej szczegółowo

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas: ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań

Bardziej szczegółowo

Analiza czasowo-kosztowa

Analiza czasowo-kosztowa Analiza czasowo-kosztowa Aspekt ekonomiczny: należy rozpatrzyć techniczne możliwości skrócenia terminu wykonania całego przedsięwzięcia, w taki sposób aby koszty związane z jego realizacją były jak najniższe.

Bardziej szczegółowo

Wybrane podstawowe rodzaje algorytmów

Wybrane podstawowe rodzaje algorytmów Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych

Bardziej szczegółowo

SYSTEMY WSPOMAGANIA DECYZJI

SYSTEMY WSPOMAGANIA DECYZJI POLITECHNIKA RZESZOWSKA IM. IGNACEGO ŁUKASIEWICZA WYDZIAŁ BUDOWY MASZYN I LOTNICTWA ZAKŁAD INFORMATYKI SYSTEMY WSPOMAGANIA DECYZJI MATERIAŁY DYDAKTYCZNE DO LABORATORIUM LABORATORIUM VII Metoda ścieżki

Bardziej szczegółowo

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 3 ZADANIA - ZESTAW 3

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 3 ZADANIA - ZESTAW 3 ZADANIA - ZESTAW 3 Zadanie 3. L Prawdopodobieństwo trafienia celu w jednym strzale wynosi 0,6. Do celu oddano niezależnie 0 strzałów. Oblicz prawdopodobieństwo, że cel został trafiony: a) jeden raz, b)

Bardziej szczegółowo

Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle

Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Paweł Szołtysek 12 czerwca 2008 Streszczenie Planowanie produkcji jest jednym z problemów optymalizacji dyskretnej,

Bardziej szczegółowo

Proces rozproszony. Plan wykładu. Wykład prowadzą: Jerzy Brzeziński Jacek Kobusiński. Proces rozproszony. Zbiór stanów globalnych (1)

Proces rozproszony. Plan wykładu. Wykład prowadzą: Jerzy Brzeziński Jacek Kobusiński. Proces rozproszony. Zbiór stanów globalnych (1) Proces rozproszony Wykład prowadzą: Jerzy Brzeziński Jacek Kobusiński Pan wykładu Proces rozproszony Wykonanie procesu, historia procesu Stan osiągany Reacja poprzedzania zdarzeń Diagramy przestrzenno-czasowe

Bardziej szczegółowo

Estymacja parametrów rozkładu cechy

Estymacja parametrów rozkładu cechy Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział

Bardziej szczegółowo

Statystyka matematyczna i ekonometria

Statystyka matematyczna i ekonometria Statystyka matematyczna i ekonometria Wykład 11 Anna Skowrońska-Szmer lato 2016/2017 Powtórzenie materiału 2 Zadanie 1 Wykład 1 Eksperyment polega na pojedynczym rzucie symetryczną kostką. Przestrzeń zdarzeń

Bardziej szczegółowo

Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie

Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie Używane struktury danych: V - zbiór wierzchołków grafu, V = {1,2,3...,n} E - zbiór krawędzi grafu, E = {(i,j),...}, gdzie i, j Î V i istnieje

Bardziej szczegółowo

Weryfikacja hipotez statystycznych za pomocą testów statystycznych

Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej

Bardziej szczegółowo

Rozkłady zmiennych losowych

Rozkłady zmiennych losowych Rozkłady zmiennych losowych Dane zbierane podczas pomiarów zawsze układają się w pewien określony sposób. To w jaki, zależy przede wszystkim od zjawiska, które jest obserwowane. Sposób, w jaki układają

Bardziej szczegółowo

MODELOWANIE MATEMATYCZNE SIECI DOSTAW

MODELOWANIE MATEMATYCZNE SIECI DOSTAW Piotr KISIELEWSKI, Kamil WIJAS MODELOWANIE MATEMATYCZNE SIECI DOSTAW W artykule przedstawiono na wybranych przykładach zagadnienie matematycznego modelowania sieci dostaw. WSTĘP Celem artykułu jest przedstawienie

Bardziej szczegółowo

Algorytmy wyznaczania centralności w sieci Szymon Szylko

Algorytmy wyznaczania centralności w sieci Szymon Szylko Algorytmy wyznaczania centralności w sieci Szymon Szylko Zakład systemów Informacyjnych Wrocław 10.01.2008 Agenda prezentacji Cechy sieci Algorytmy grafowe Badanie centralności Algorytmy wyznaczania centralności

Bardziej szczegółowo

Zestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) =

Zestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) = Zestaw : Zmienne losowe. Które z poniższych funkcji są dystrybuantami? Odpowiedź uzasadnij. Wskazówka: naszkicuj wykres. 0, x 0,, x 0, F (x) = x, F (x) = x, 0 x

Bardziej szczegółowo

Sieć (graf skierowany)

Sieć (graf skierowany) Sieć (graf skierowany) Siecia (grafem skierowanym) G = (V, A) nazywamy zbiór wierzchołków V oraz zbiór łuków A V V. V = {A, B, C, D, E, F}, A = {(A, B),(A, D),(A, C),(B, C),...,} Ścieżki i cykle Ciag wierzchołków

Bardziej szczegółowo

Estymacja przedziałowa. Przedział ufności

Estymacja przedziałowa. Przedział ufności Estymacja przedziałowa Przedział ufności Estymacja przedziałowa jest to szacowanie wartości danego parametru populacji, ρ za pomocą tak zwanego przedziału ufności. Przedziałem ufności nazywamy taki przedział

Bardziej szczegółowo

Zmienne losowe ciągłe i ich rozkłady

Zmienne losowe ciągłe i ich rozkłady Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości

Bardziej szczegółowo

Microsoft Project laboratorium zarządzania projektami

Microsoft Project laboratorium zarządzania projektami Microsoft Project laboratorium zarządzania projektami Jędrzej Wieczorkowski Katedra Informatyki Gospodarczej Szkoła Główna Handlowa jedrzej.wieczorkowski@sgh.waw.pl Przykładowa literatura nt. MS Project

Bardziej szczegółowo

ORGANIZACJA I ZARZĄDZANIE

ORGANIZACJA I ZARZĄDZANIE P O L I T E C H N I K A W A R S Z A W S K A WYDZIAŁ BUDOWNICTWA, MECHANIKI I PETROCHEMII INSTYTUT INŻYNIERII MECHANICZNEJ ORGANIZACJA I ZARZĄDZANIE Planowanie przedsięwzięcia metodą CPM Instrukcja do ćwiczeń

Bardziej szczegółowo

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III. Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej

Bardziej szczegółowo

ALGORYTMY WYZNACZANIA ŚCIEŻKI KRYTYCZNEJ I ZAPASÓW CZASU W SIECIACH JEDNOPUNKTOWYCH O ROZSZERZONYCH TYPACH RELACJI MIEDZY ZADANIAMI

ALGORYTMY WYZNACZANIA ŚCIEŻKI KRYTYCZNEJ I ZAPASÓW CZASU W SIECIACH JEDNOPUNKTOWYCH O ROZSZERZONYCH TYPACH RELACJI MIEDZY ZADANIAMI 1 Dane bibliograficzne o artykule: http://mieczyslaw_polonski.users.sggw.pl/mppublikacje Mieczysław POŁOŃSKI 1 ALGORYTMY WYZNACZANIA ŚCIEŻKI KRYTYCZNEJ I ZAPASÓW CZASU W SIECIACH JEDNOPUNKTOWYCH O ROZSZERZONYCH

Bardziej szczegółowo

Statystyka 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 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 szczegółowo

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna. Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Bardziej szczegółowo

Zmienne losowe ciągłe i ich rozkłady

Zmienne losowe ciągłe i ich rozkłady Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu

Bardziej szczegółowo

RISK-AWARE PROJECT SCHEDULING

RISK-AWARE PROJECT SCHEDULING RISK-AWARE PROJECT SCHEDULING SIMPLEUCT CZ. 2 KAROL WALĘDZIK DEFINICJA ZAGADNIENIA RESOURCE-CONSTRAINED PROJECT SCHEDULING (RCPS) Karol Walędzik - RAPS 3 RISK-AWARE PROJECT SCHEDULING (RAPS) 1 tryb wykonywania

Bardziej szczegółowo

Wnioskowanie statystyczne i weryfikacja hipotez statystycznych

Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.

Bardziej szczegółowo

ŚCIEŻKA KRYTYCZNA. W ścieżkach krytycznych kolejne zadanie nie może się rozpocząć, dopóki poprzednie się nie zakończy.

ŚCIEŻKA KRYTYCZNA. W ścieżkach krytycznych kolejne zadanie nie może się rozpocząć, dopóki poprzednie się nie zakończy. ŚCIEŻKA KRYTYCZNA Ciąg następujących po sobie zadań w ramach projektu trwających najdłużej ze wszystkich możliwych ciągów, mających taką własność, że opóźnienie któregokolwiek z nich opóźni zakończenie

Bardziej szczegółowo

Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki

Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe

Bardziej szczegółowo

Kolokwium ze statystyki matematycznej

Kolokwium ze statystyki matematycznej Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę

Bardziej szczegółowo

Na A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)

Na A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n) MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości

Bardziej szczegółowo

Dokładne i graniczne rozkłady statystyk z próby

Dokładne i graniczne rozkłady statystyk z próby Dokładne i graniczne rozkłady statystyk z próby Przypomnijmy Populacja Próba Wielkość N n Średnia Wariancja Odchylenie standardowe 4.2 Rozkład statystyki Mówimy, że rozkład statystyki (1) jest dokładny,

Bardziej szczegółowo

Statystyka matematyczna. Wykład III. Estymacja przedziałowa

Statystyka matematyczna. Wykład III. Estymacja przedziałowa Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności

Bardziej szczegółowo

LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI

LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych

Bardziej szczegółowo

Excel: niektóre rozkłady ciągłe (1)

Excel: niektóre rozkłady ciągłe (1) MS Ecel niektóre rozkłady ciągłe (1) Ecel: niektóre rozkłady ciągłe (1) 1. ROZKŁAD.BETA (tylko dystrybuanta)...1 2. ROZKŁAD.BETA.ODW (kwantyl w rozkładzie beta)...3 3. ROZKŁAD.LIN.GAMMA (to nie jest żaden

Bardziej szczegółowo

Instrukcja. Laboratorium Metod i Systemów Sterowania Produkcją.

Instrukcja. Laboratorium Metod i Systemów Sterowania Produkcją. Instrukcja do Laboratorium Metod i Systemów Sterowania Produkcją. 2010 1 Cel laboratorium Celem laboratorium jest poznanie metod umożliwiających rozdział zadań na linii produkcyjnej oraz sposobu balansowania

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 5. 2 listopada 2009

STATYSTYKA MATEMATYCZNA WYKŁAD 5. 2 listopada 2009 STATYSTYKA MATEMATYCZNA WYKŁAD 5 2 listopada 2009 Poprzedni wykład: przedział ufności dla µ, σ nieznane Rozkład N(µ, σ). Wnioskowanie o średniej µ, gdy σ nie jest znane Testowanie H : µ = µ 0, K : µ

Bardziej szczegółowo

1 Automaty niedeterministyczne

1 Automaty niedeterministyczne Szymon Toruńczyk 1 Automaty niedeterministyczne Automat niedeterministyczny A jest wyznaczony przez następujące składniki: Alfabet skończony A Zbiór stanów Q Zbiór stanów początkowych Q I Zbiór stanów

Bardziej szczegółowo

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów

Bardziej szczegółowo

Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1

Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1 Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, Ŝe 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.

Bardziej szczegółowo

W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:

W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe

Bardziej szczegółowo

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Karl Popper... no matter how many instances of white swans we may have observed, this does not

Bardziej szczegółowo

Harmonogramowanie robót budowlanych z wykorzystaniem metody CCPM Construction schedule using CCPM method

Harmonogramowanie robót budowlanych z wykorzystaniem metody CCPM Construction schedule using CCPM method Kamil PRUSZYŃSKI Katedra Geoinżynierii SGGW w Warszawie Department of Geotechnical Engineering WULS SGGW Harmonogramowanie robót budowlanych z wykorzystaniem metody CCPM Construction schedule using CCPM

Bardziej szczegółowo

Temat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły. Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga. Anna Rajfura, Matematyka

Temat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły. Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga. Anna Rajfura, Matematyka Temat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga 1 Zagadnienia 1. Przypomnienie wybranych pojęć rachunku prawdopodobieństwa. Zmienna losowa. Rozkład

Bardziej szczegółowo

Zmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015

Zmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015 Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20

Bardziej szczegółowo

Zmienne losowe skokowe

Zmienne losowe skokowe Zmienne losowe skokowe 1.1 Rozkład prawdopodobieństwa i dystrybuanta Zad.1 Niech zmienna losowa X przyjmuje wartości równe liczbie wyrzuconych oczek przy pojedynczym rzucie kostką do gry, czyli =1,2,3,,6.

Bardziej szczegółowo

MONITOROWANIE, KONTROLA I ZAMKNIĘCIA PROJEKTU. Dr Jerzy Choroszczak

MONITOROWANIE, KONTROLA I ZAMKNIĘCIA PROJEKTU. Dr Jerzy Choroszczak MONITOROWANIE, KONTROLA I ZAMKNIĘCIA PROJEKTU Dr Jerzy Choroszczak Kontrola w zarządzaniu projektami Kontrola terminów przygotowania i wykonawstwa projektu Kontrola zużycia zasobów Kontrola kosztów przygotowania

Bardziej szczegółowo

Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa

Elementy 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 szczegółowo

PRACA DYPLOMOWA MAGISTERSKA

PRACA DYPLOMOWA MAGISTERSKA Politechnika Poznańska Wydział Budowy Maszyn i Zarządzania PRACA DYPLOMOWA MAGISTERSKA Konstrukcja autonomicznego robota mobilnego Małgorzata Bartoszewicz Promotor: prof. dr hab. inż. A. Milecki Zakres

Bardziej szczegółowo

Pobieranie prób i rozkład z próby

Pobieranie 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 szczegółowo

Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa

Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład

Bardziej szczegółowo

Metody Statystyczne. Metody Statystyczne. #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji

Metody Statystyczne. Metody Statystyczne. #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji gkrol@mail.wz.uw.edu.pl #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji 1 Ryzyko błędu - powtórzenie Statystyka niczego nie dowodzi, czyni tylko wszystko mniej lub bardziej prawdopodobnym

Bardziej szczegółowo

Testowanie hipotez statystycznych. Wnioskowanie statystyczne

Testowanie 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 szczegółowo

Statystyka z elementami badań operacyjnych BADANIA OPERACYJNE - programowanie liniowe -programowanie sieciowe. dr Adam Sojda

Statystyka z elementami badań operacyjnych BADANIA OPERACYJNE - programowanie liniowe -programowanie sieciowe. dr Adam Sojda Statystyka z elementami badań operacyjnych BADANIA OPERACYJNE - programowanie liniowe -programowanie sieciowe dr Adam Sojda Literatura o Kukuła K. (red.): Badania operacyjne w przykładach i zadaniach.

Bardziej szczegółowo

L.Kowalski zadania ze statystyki matematycznej-zestaw 2 ZADANIA - ZESTAW 2

L.Kowalski zadania ze statystyki matematycznej-zestaw 2 ZADANIA - ZESTAW 2 L.Kowalski zadania ze statystyki matematycznej-zestaw ZADANIA - ZESTAW Zadanie.1 Badano maksymalną prędkość pewnego typ samochodów osobowych (cecha X poplacji. W 5 pomiarach tej prędkości otrzymano x 195,8

Bardziej szczegółowo

4,5. Dyskretne zmienne losowe (17.03; 31.03)

4,5. Dyskretne zmienne losowe (17.03; 31.03) 4,5. Dyskretne zmienne losowe (17.03; 31.03) Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje wszystkie

Bardziej szczegółowo

Wydział Matematyki. Testy zgodności. Wykład 03

Wydział Matematyki. Testy zgodności. Wykład 03 Wydział Matematyki Testy zgodności Wykład 03 Testy zgodności W testach zgodności badamy postać rozkładu teoretycznego zmiennej losowej skokowej lub ciągłej. Weryfikują one stawiane przez badaczy hipotezy

Bardziej szczegółowo

WYKŁAD 5 TEORIA ESTYMACJI II

WYKŁAD 5 TEORIA ESTYMACJI II WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak

Bardziej szczegółowo