OPTYMALNY SYSTEM REKRUTACJI KANDYDATÓW DO SZKÓŁ. 1. Wstęp

Wielkość: px
Rozpocząć pokaz od strony:

Download "OPTYMALNY SYSTEM REKRUTACJI KANDYDATÓW DO SZKÓŁ. 1. Wstęp"

Transkrypt

1 B A D A N I A O P E R A C Y J N E I D E C Y Z J E Nr Zbgnew ŚWITALSKI* OPTYMALNY SYSTEM REKRUTACJI KANDYDATÓW DO SZKÓŁ Przedstawono uogólnene algorytmu Gale a Shapleya, wyznaczaącego optymalny sposób rekrutac do szkół [4] na przypadek, gdy preference szkół są określone za pomocą tzw. funkc odrzuceń. Sformułowano warunk (addytywnośc, nezależnośc asymetr), przy których uogólnony algorytm G S prowadz do rozwązań stablnych optymalnych. Słowa kluczowe: system rekrutac, dwustronne zagadnene skoarzena, algorytm Gale a Shapleya 1. Wstęp Problemy zwązane z organzacą funkconowanem systemu rekrutac kandydatów do szkół średnch, które uawnły sę w Polsce w latach skłanaą do zastanowena sę nad problemem optymalnego funkconowana tego rodzau systemów. Dobry system rekrutac pownen, z edne strony, w ak nawększym stopnu uwzględnać preference kandydatów (każdy kandydat chcałby sę dostać do * Katedra Badań Operacynych, Akadema Ekonomczna, al. Nepodległośc 10, Poznań. zbgnew.swtalsk@ae.poznan.pl 1 W roku 2000 wprowadzono w Polsce system rekrutac do szkół średnch, oparty na zewnętrznych testach kompetenc. Każdy kandydat mógł składać podane tylko do edne szkoły. W wynku tego welu kandydatów, którzy ne dostal sę do dobrych szkół zostało na lodze, gdyż pozostały dla nch tylko nagorsze szkoły, zupełne neodpowadaące ch aspracom (zob. [5]). W roku 2002 kandydac mogl składać podana do dowolne lczby szkół. Oczywśce w perwsze turze rekrutac wększość mesc we wszystkch szkołach zaęl naleps kandydac (którzy znaleźl sę na welu lstach), a pozostal (była ch zdecydowana wększość) musel sę zadowolć mescam na lstach rezerwowych. Nastąpł nerwowy okres oczekwana na zwolnene sę mesc, zablokowanych przez nalepszych kandydatów możlwość prześca z lsty rezerwowe na lstę właścwą. Dopero od 2003 roku rozpoczęto wprowadzane na szerszą skalę systemów komputerowych, które lkwdowały tego rodzau patologe.

2 86 Z. ŚWITALSKI ak nalepsze, ze swoego punktu wdzena, szkoły), a z druge preference szkół (każda szkoła chcałaby meć ak nalepszych kandydatów). Problem est węc ze swoe natury welokryteralny ako tak trudny do ednoznacznego rozwązana. Okazue sę ednak, że przy uwzględnenu pewnego warunku sprawedlwośc (wymagaącego, aby dobrzy kandydac mel wększe szanse na dostane sę do dobrych szkół nż kandydac gors ) stnee ednoznaczne rozwązane tego problemu. Zostało to po raz perwszy udowodnone przez Gale a Shapleya w pracy z 1962 roku [4]. Gale Shapley sformalzowal warunek sprawedlwośc, który nazwal warunkem stablnośc udowodnl, że wśród rozwązań stablnych (rozwązanem nazywamy przydzał kandydatów do szkół) stnee dokładne edno rozwązane optymalne przy czym przez optymalność rozumemy tuta Pareto-optymalność, ale uwzględnaącą tylko preference kandydatów (preference szkół są pośredno uwzględnone w warunku stablnośc). Gale Shapley zakładal, że preference szkół są ostrym lnowym porządkam (tzn. że każda szkoła est w stane ednoznaczne określć, który z dwóch kandydatów est lepszy, a który gorszy) oraz że szkoły maą sztywne lmty przyęć (lczba przyętych kandydatów ne może przekraczać ustalonego z góry lmtu q). W praktyce ednak (np. podczas rekrutac do szkół średnch w Polsce) stosue sę naczęśce punktacę osągnęć kandydatów. Welu kandydatów otrzymue w te sytuac tę samą lczbę punktów, a węc są on przez daną szkołę nerozróżnaln. Równeż lmty przyęć mogą meć charakter mękk. Jeśl na przykład na końcu lsty przyętych małoby sę znaleźć welu kandydatów z tą samą lczbą punktów, to często szkoła est gotowa neco zwększyć lmt q, tak aby wszyscy kandydac z granczną lczbą punktów mogl zostać przyęc. Mmo ogromne lczby prac pośwęconych różnym zastosowanom uogólnenom metody Gale a Shapleya (w skróce: metody G S), na ogół ne uwzględna sę w tych pracach nerozróżnalnośc kandydatów mękkch lmtów (ednym z newelu wyątków est praca [3], daleko dące uogólnene metody G S zostało podane w pracy [1]). W artykule przedstawamy uogólnene metody Gale a Shapleya na przypadek, gdy preference lmty szkół są określone w bardzo ogólny sposób. Zakładamy manowce, że dla każde szkoły est określona tzw. funkca odrzuceń, która każdemu zborow kandydatów L przyporządkowue zbór kandydatów odrzuconych ze zboru L oznaczany symbolem O(L). Jeśl węc L est zborem kandydatów, którzy zgłosl sę do te szkoły, to szkoła gotowa est przyąć kandydatów ze zboru L\O(L), ne przymue natomast kandydatów ze zboru O(L). Take podeśce umożlwa uwzględnene zarówno tradycynych kryterów porządkowych (wówczas np. O(L) składa sę ze wszystkch kandydatów oprócz q nalepszych), ak wszelkch nnych metod, za pomocą których szkoły mogą tworzyć lsty przyętych szczególne metod uwzględnaących nerozróżnalność kandydatów mękke lmty. Wprowadzene ogólnych funkc odrzuceń wymaga odpowednego sformułowana warunku stablnośc, a także warunków, które muszą być nałożone na funkce

3 Optymalny system rekrutac O(L) które będą gwarantowały stnene rozwązań stablnych optymalnych. Warunk te (nezależność, addytywność asymetra) formułuemy w punkce 2. pracy. W punkce 3. defnuemy rozwązana stablne optymalne dla uogólnonych model G S, a w punkce 4. udowadnamy twerdzene o stnenu takch rozwązań dla uogólnonego algorytmu G S. 2. Formalny model systemu rekrutac Model, który przedstawamy może obemować zagadnena rekrutac kandydatów do szkół, pracownków do frm, koarzene małżeństw, koarzene frm tp. Od strony formalne mamy tuta do czynena z tzw. dwustronnym zagadnenem skoarzena (two sded matchng problem). W pracy ogranczamy sę ednak (bez zmneszana ogólnośc) do ęzyka problematyk rekrutac kandydatów do szkół (podobne ak w pracach [2], [4]). Zakładamy, że dany est skończony nepusty zbór kandydatów K = k, k,..., k } { 1 2 n oraz skończony nepusty zbór szkół S = { s 0, s 1, s 2,..., s m}. Każdy kandydat chcałby zostać przyęty do dokładne edne szkoły. Każda szkoła gotowa est przyąć pewną lczbę kandydatów (ne mus być ona z góry ustalona). Szkoły nterpretuemy w sposób możlwe ogólny mogą to być też np. klasy o określonym proflu w poszczególnych szkołach, do których prowadzona est osobna rekrutaca. Szkoła s 0 nterpretowana est ako szkoła fkcyna przymuąca wszystkch kandydatów, którzy ne dostal sę do nnych szkół (z powodu braku mesc). Dla każdego kandydata k K określamy nepusty zbór szkół przez nego akceptowanych S( k ) S. Kandydat k gotowy est podąć naukę w edne ze szkół ze zboru S ( k ) ne chcałby sę uczyć w żadne szkole spoza zboru S ( k ). Zakładamy, że s0 S( k ) że S ( k ) zawera przynamne edną szkołę oprócz s 0. Symbolem P ( k ) oznaczamy preference kandydata k w zborze S ( k ). Zakładamy, że P ( k ) est ostrym lnowym porządkem, tzn. że dla dowolnych dwóch szkół s, sk kandydat k est w stane określć, która z nch est (dla nego) lepsza, a która gorsza. Zaps k : s 1 s 2... s p s 0 będze oznaczał, że kandydatow k nabardze odpowada szkoła s 1, następne s 2 td. Cąg s s... s s 1 2 p 0 będzemy nazywać lstą preferenc kandydata k (zakładamy, że szkoła s 0 znadue sę na końcu każde lsty preferenc).

4 88 Z. ŚWITALSKI Preference szkoły -te ( = 0,1,..., m) przedstawmy za pomocą tzw. funkc odrzuceń, tzn. funkc O ( K ) Π ( K ) : Π, ( Π (K) est zborem wszystkch podzborów zboru K), spełnaące warunek O ( L) L dla dowolnego L K. Zbór O (L) nterpretuemy ako zbór kandydatów, których szkoła s odrzuc, eśl zbór kandydatów, którzy sę do ne zgłosl est równy L. Na funkcę O będzemy nakładal różne warunk, które będą wykorzystywane w dalsze częśc pracy. Zakładamy po perwsze, że dla dowolnego L K, O 0( L ) =. Oznacza to, że szkoła s 0 zawsze przymue wszystkch kandydatów, którzy sę do ne zgłoszą. Następne warunk przedstawmy za pomocą kolenych defnc. Defnca 1. Mówmy, że funkca O spełna warunek monotoncznośc, eśl dla dowolnych zborów L, M K zachodz L M O ( L) O ( M ). (1) Monotonczność oznacza, że każdy kandydat odrzucony z mneszego zboru kandydatów mus być równeż odrzucony z wększego zboru. Defnca 2. Funkca O spełna warunek addytywnośc, eśl dla dowolnych L, M K zachodz L \ O ( L) M O ( L M ) = O ( L) O ( M ). (2) Funkca O est węc addytywna, eśl spełnony est warunek z prawe strony mplkac (2), ale tylko dla takch zborów L, M, że zbór M zawera zbór wszystkch kandydatów przyętych ze zboru L. Zauważmy, że warunek addytywnośc est slneszy od warunku monotoncznośc, tzn. z (2) wynka (1). Jeśl bowem L M, to L \ O ( L) M oraz L M = M, a węc z warunku (2) otrzymuemy O ( L M ) = O ( M ) = O ( L) O ( M ), skąd O ( L) O ( M ). Defnca 3. Funkca O spełna warunek nezależnośc, eśl dla dowolnych L, M K zachodz M O ( L) O ( L) \ M O ( L \ M ). (3) Warunek nezależnośc oznacza, że kandydac odrzucan ze zboru L, którzy ne należą do zboru M, są równeż odrzucan ze zboru L \ M. Innym słowy to, czy kan-

5 Optymalny system rekrutac dydat (spoza zboru M) będze odrzucony ze zboru L czy ne, ne zależy od tego, czy uwzględnamy zbór M, czy ne. Zauważmy, że z warunku monotoncznośc wynka slnesza postać warunku nezależnośc, a manowce: M O ( L) O ( L) \ M O ( L \ M ). (4) = Z monotoncznośc wynka bowem O ( L \ M ) O ( L). Poneważ ednak O ( L \ M ) L \ M (z defnc funkc O ), ostateczne węc otrzymuemy O ( L \ M ) O ( L) \ M, czyl zawerane przecwne do zawerana z prawe strony mplkac (3). W celu określena następnego warunku zdefnuemy teraz pewną relacę w zborze kandydatów (zwązaną z funkcą O ). Defnca 4. Nech k, kl K. Relacą preferenc > zwązaną z funkcą O nazywamy relacę w zborze K, określoną następuąco: Relaca k > k : k L k O ( L) k O ( L). l l L K k > k oznacza, że stnee zbór kandydatów L tak, że szkoła s gotowa est przyąć kandydata k ze zboru L ednocześne odrzuca kandydata k l z tego samego zboru. Można węc powedzeć, że w pewnym sense kandydat k okazał sę lepszy od kandydata k l (przynamne ze względu na zbór L). Defnca 5. Funkca O spełna warunek asymetr, eśl relaca > est asymetryczna w zborze K. Warunek asymetr oznacza, że dla dowolnych k, k K k > k ( k > k ). l ~ l l l Innym słowy, eśl z akegoś zboru L szkoła s wybera kandydata k odrzuca kandydata k l, to ne może być tak, że z akegoś nnego zboru ta sama szkoła wybera kandydata k l odrzuca kandydata k. Przedstawmy teraz dwa nabardze typowe przykłady funkc odrzuceń. 1. Sztywne lmty przyęć (podobne ak w modelu Gale a Shapleya [4]) Szkoła s posada lmt przyęć równy q. Wszyscy kandydac są uporządkowan zgodne z punktacą wyznaczoną na podstawe testów ocen na śwadectwe. Jeśl dwa kandydac otrzymal tę samą lczbę punktów, to szkoła stosue dodatkowe krytera w tak sposób, aby rozróżnć tych kandydatów (tzn. aby móc stwerdzć, który z nch est lepszy, a który gorszy). W zborze K w każdym ego podzborze est węc określony ostry lnowy porządek. Jeśl L K, to określamy O (L) ako podzbór zboru L złożony z tych wszystkch kandydatów, którzy są gors od q nalepszych kan-

6 90 Z. ŚWITALSKI dydatów (a eśl L zawera kandydatów, to (L) = ). Łatwo udowodnć, że tak q określona funkca odrzuceń spełna warunk addytywnośc, nezależnośc asymetr. 2. Mękke lmty przyęć Szkoła s określa lmt q, ale w tym przypadku est on traktowany mękko. Brane są pod uwagę tylko punkty z testów ocen na śwadectwe. Nektórzy kandydac mogą węc meć tę samą lczbę punktów. Nech J 1, J 2,..., J p będą klasam równoważnośc w zborze kandydatów L (tzn. dwa kandydac są w te same klase, eśl maą tę samą lczbę punktów; zakładamy, że eśl <, to kandydac z klasy J maą węce punktów nż kandydac z klasy J ). Nech t będze namneszą lczbą (w zborze { 1, 2,..., p }) taką, że O J J... J t q 1 ( A oznacza lczbę elementów zboru A, zakładamy tuta, że L q ). Defnuemy wówczas: 2 O (L) = Ø, eśl L < q oraz O ( L) = Jt+ 1 Jt J p, eśl L < q. Szkoła s przymue węc taką lczbę kandydatów, która w możlwe namneszym stopnu przekracza lmt q, przy czym mus być spełnony warunek, że eśl akś kandydat zostae przyęty, to równeż zostae przyęty każdy nny kandydat z tą samą (lub wększą) lczbą punktów. W tym przypadku można równeż udowodnć, że funkca O spełna warunk addytywnośc, nezależnośc asymetr. 3. Optymalny przydzał kandydatów Załóżmy, że dany est zbór kandydatów K, zbór szkół S, preference kandydatów P k ) oraz funkce odrzuceń O. Nech P = P( k )} ( = 1, 2,..., n) będze zborem ( { wszystkch relac preferenc, O = O } ( = 1, 2,..., m) zborem wszystkch funkc { odrzuceń. Czwórkę ( K, S, P, O) będzemy nazywal sytuacą rekrutacyną. Defnca 6. Przydzałem kandydatów do szkół w sytuac ( K, S, P, O) nazywamy funkcę f : K S taką, że dla dowolnego kandydata k dowolne szkoły s spełnone są warunk:

7 Optymalny system rekrutac f k ) S( k ), O ( f ( )) =. ( s Zdefnowane przydzału oznacza węc, że każdy kandydat k znalazł sę w akceptowane przez sebe szkole (warunek perwszy). Warunek drug oznacza, że wszyscy kandydac, którzy znaleźl sę w szkole s są akceptowan przez tę szkołę (żaden z nch ne est odrzucony przez szkołę s ). Wśród wszystkch przydzałów będzemy poszukwać przydzałów sprawedlwych optymalnych. Neformalne sprawedlwość oznacza, że kandydat, który z punktu wdzena dane szkoły est lepszy (np. otrzymał węce punktów) od drugego, pownen meć wększą szansę na dostane sę do te szkoły. Gale Shapley zdefnowal ako warunek sprawedlwośc tzw. warunek stablnośc. W termnach funkc odrzuceń warunek ten można zdefnować następuąco: Defnca 7. Przydzał f : K S est stablny, eśl ne stneą kandydac L K tak, że k L est przymo- k, kl K oraz szkoły s, sp S take, że: 1) k znalazł sę w s, tzn. f ( k ) = s, 2) k l znalazł sę w s p, tzn. f ( k l ) = sp, 3) k l wol s od s p, tzn. s P( kl ) s p, 4) ~ ( k > kl ). Warunek 4) oznacza, że ne znadze sę zbór wany przez szkołę s, a zborze L, eśl k est przymowany przez szkołę s, to równeż k l est przymowany przez tę szkołę. Spełnene warunków 1 4 oznacza nestablność systemu rekrutac. Jest to bowem sytuaca, w które kandydat k l wolałby znaleźć sę w szkole s nż w szkole s p, w które sę znalazł, a z kole szkoła s, która przyęła k gotowa byłaby równeż przyąć k l (co wynka z warunku 4)). Można powedzeć, że szkoła s kandydat k l są gotow do skoarzena, ale funkca f blokue to skoarzene. Sytuacę taką można nterpretować ako nesprawedlwość systemu rekrutac (przy punktowanu kandydatów kandydat k l małby w szkole s co namne tyle samo punktów co k ). Zauważmy, że w podanym modelu przydzały stablne zawsze stneą. Przydzałem takm est na przykład umeszczene wszystkch kandydatów w szkole fkcyne s 0. Wśród przydzałów stablnych (których może być bardzo dużo) będzemy teraz poszukwać przydzałów optymalnych. Naperw musmy umeć odróżnać przydzały lepsze od gorszych. Przydzały będzemy porównywać borąc pod uwagę tylko preference kandydatów. Podobne ak Gale Shapley uznaemy bowem, że preference kandydatów są ważnesze nż preference szkół (preference szkół są pośredno uwzględnone w warunku stablnośc). Defnca 8. Mówmy, że przydzał k l L est odrzucany przez tę szkołę. Innym słowy, w każdym f : K S est ne gorszy od przydzału g : K S, eśl dla dowolnego kandydata k K spełnony est warunek

8 92 Z. ŚWITALSKI f k ) P( k ) g( k ) lub f k ) = g( k ). ( ( Podany warunek oznacza, że szkoła, w które znalazł sę kandydat k w wynku przydzału f est ne gorsza od szkoły, w które znalazł sę on w wynku przydzału g. Defnca 9. Mówmy, że przydzał stablny f : K S est optymalny, eśl est ne gorszy od każdego nnego przydzału stablnego. Zauważmy, że wprowadzone poęce optymalnośc (analogczne do poęca wprowadzonego w pracy [4]) dotyczy tylko przydzałów stablnych. Zauważmy też, że est ono slnesze od standardowego poęca Pareto-optymalnośc. Defnca 9 gwarantue stnene co nawyże ednego przydzału optymalnego. Gdyby bowem stnały dwa przydzały optymalne f g, wtedy f byłby ne gorszy od g ednocześne g byłby ne gorszy od f. Poneważ relace preferenc kandydatów są ostrym porządkam, wynkałoby stąd, że f = g. 4. Istnene przydzału optymalnego Gale Shapley udowodnl, że w przypadku sztywnych lmtów q zawsze stnee dokładne eden przydzał optymalny. Przydzał ten można otrzymać w wynku dzałana algorytmu opsanego w pracy [4]. Uogólnmy teraz wynk Gale a Shapleya udowadnaąc, że dla dowolnych funkc odrzuceń spełnaących warunk addytywnośc, nezależnośc asymetr, uogólnony algorytm Gale a Shapleya (przedstawony ponże) prowadz zawsze do rozwązana optymalnego (będze to oczywśce, na mocy defnc 9, edyne rozwązane optymalne). Zakładamy, że dana est sytuaca ( K, S, P, O). Uogólnony algorytm Gale a Shapleya (będzemy go nazywać algorytmem UGS) dzała następuąco: Krok 0. Podstawamy k : = 1, P1 : = P. Krok k. Tworzymy funkcę f k : K S, przydzelaąc każdego kandydata do szkoły, która znadue sę na perwszym mescu ego lsty preferenc (przy danych preferencach P k ). Funkcę f k nazywamy k-tym próbnym przydzałem ( f k ne mus być przydzałem w sense defnc 6). 1. Jeśl dla każde szkoły s spełnony est warunek O ( f ( s )) =, to stop. Funkca f k est uż przydzałem w sense defnc 6 traktuemy ten przydzał ako końcowy przydzał kandydatów do szkół. 2. Jeśl stnee take, że O ( fk ( s )), to zmenamy preference wszystkch kandydatów w zborze k

9 Optymalny system rekrutac ( O ( f k ( s )) k U O ( f ( s )). est zborem wszystkch kandydatów odrzuconych przez szkołę s w kroku k). Zmana następue przez usunęce z lst preferenc tych kandydatów szkoły, która znadue sę na perwszym mescu każde lsty (czyl kandydatom ze zboru O ( fk ( s )) usuwamy szkołę s z ch lst preferenc). Nowe preference (z uwzględnenem nezmenonych preferenc kandydatów przyętych przez szkoły przy przydzale f k ) oznaczamy przez P k Przechodzmy do kroku k + 1 z preferencam P k + 1. Twerdzene 1. W dowolne sytuac ( K, S, P, O) algorytm UGS wyznacza przydzał kandydatów po skończone lczbe kroków. Dowód. W każdym kroku algorytmu odrzucana est pewna lczba kandydatów. Poneważ każdy z kandydatów może być przez daną szkołę odrzucony tylko raz, węc lczba wszystkch możlwych odrzuceń (poszczególnych kandydatów przez poszczególne szkoły) est skończona. Wynka stąd, że w którymś z kroków algorytmu nkt ne est odrzucony, a węc algorytm sę kończy. Inacze: nech r oznacza lczbę szkół znaduących sę na lśce preferenc kandydata k (oprócz s 0 ). Kandydat k może węc być odrzucony co nawyże r razy (każda szkoła odrzuca go co nawyże raz). Jeśl w k-tym kroku odrzuconych est t k kandydatów, to k k = 1 t r + r r. 1 Stąd wynka, że dla pewnego k, t k = 0, a węc algorytm kończy sę po s krokach, gdze s = mn{ k : tk = 0}. Do udowodnena następnych dwóch twerdzeń potrzebne będą dwa technczne lematy (lemat 1 będze wykorzystany w dowodze twerdzena 2, a lemat 2 w dowodze twerdzena 3). Lemat 1. Nech L t oznacza zbór kandydatów, którzy w kroku t algorytmu UGS maą szkołę s na perwszym mescu swoe lsty preferenc. Załóżmy, że funkca O spełna warunek addytywnośc. Wówczas dla dowolnych lczb k s, dla których zbory L k, Lk + 1,..., Lk + s są określone, zachodz O ( Lk k + 1 k + s k k + 1 k + s 2 L... L ) = O ( L ) O ( L )... O ( L ). (5) Dowód. Przeprowadzmy dowód ndukcyny względem s. Dla s = 0 (5) est oczywśce prawdzwe. Załóżmy, że est to prawda dla akegoś s 0 że określony est zbór L k +s+ 1 (tzn. że algorytm UGS est realzowany w co namne k + s + 1 krokach). Zauważmy, że n

10 94 Z. ŚWITALSKI L k s \ [ O ( Lk )... O ( Lk + s )] Lk + s+ 1. (6) Jeśl bowem akś kandydat ma szkołę s na perwszym mescu swoe lsty preferenc w kroku k + u ne zostae przez tę szkołę odrzucony an w kroku k + u, an w następnych krokach (aż do k + s ), to w kroku k + s + 1 w dalszym cągu ma ą na perwszym mescu swoe lsty preferenc. Ze wzoru (6) oraz z założena ndukcynego (5) wynka, że L k s \[ O ( Lk s )] Lk + s+ 1. Z kole z warunku addytywnośc (2) z założena ndukcynego (5) wynka, że O ( Lk s + s + 1) = O ( Lk s ) O ( Lk + s ) O L ) O ( L )... O ( L ) O ( L ). = ( k k+ 1 k+ s k+ s+ 1 Otrzymalśmy węc warunek (5) dla s + 1, co kończy dowód lematu 1. Lemat 2. Załóżmy, że wszystke funkce odrzuceń spełnaą warunk monotoncznośc, nezależnośc asymetr. Załóżmy też, że kandydat k K został odrzucony przez szkołę s S w kroku t algorytmu UGS. Wówczas ne stnee przydzał stablny, przy którym k zostane przyęty przez szkołę s (tzn. ne stnee przydzał stablny f : K S tak, że f ( k ) = s ). Dowód. Zastosuemy ndukcę. Dowód prowadzmy ednocześne dla przypadków, gdy t = 1 oraz t > 1 (w drugm przypadku zakładamy, że lemat est prawdzwy dla kroków 1, 2,..., t ). Nech L będze zborem kandydatów, którzy zgłosl sę do szkoły s w kroku t algorytmu UGS (tzn. maą szkołę s na perwszym mescu swoe lsty preferenc). Mamy L = P O, gdze P est zborem kandydatów przyętych do szkoły s w kroku t, a O zborem kandydatów odrzuconych (tzn. O = O ( ft ( s )) ). Z założena k O. Przymmy M = O \{ k}. Poneważ M O, węc korzystaąc z warunku nezależnośc (3) otrzymuemy: stąd O \ M = { k } O ( L \ M ) = O ( P { k }), k O P { k }). (7) ( Szkoła s odrzuca węc kandydata k ne tylko ze zboru L, ale równeż ze zboru P { k }. Udowodnmy, że przy dowolnym przydzale f, do szkoły s ne mogą być ednocześne przyęc wszyscy kandydac ze zboru P kandydat k. Gdyby bowem tak było, melbyśmy wówczas =

11 Optymalny system rekrutac s P { k } f ( ), (8) a z monotoncznośc funkc O z warunku (7) otrzymalbyśmy k O ( P { k }) O ( f ( s )), co est sprzeczne z warunkem drugm w defnc 6. Załóżmy, że f est przydzałem stablnym, przy którym kandydat k zostae przyęty przez szkołę s. Poneważ (8) ne może być prawdą, stnee węc kandydat, oznaczmy go przez k l, który należy do zboru P ne zostae przyęty, przy przydzale f, przez szkołę s (tzn. kl f ( s ) ). Udowodnmy, że k l, przy przydzale f, ne może zostać przyęty równeż przez żadną szkołę lepszą (z punktu wdzena ego preferenc) od szkoły s. Jeśl t = 1, to est to oczywste, bo k l P, czyl szkoła s est na perwszym mescu początkowe lsty preferenc kandydata k l. Załóżmy, że t >1 kandydat k l zostane przyęty, przy przydzale f, przez szkołę lepszą od s nech to będze szkoła s p. Poneważ k l P, węc k l został przyęty, w kroku t algorytmu UGS, do szkoły s. Musał węc być odrzucony przez szkołę s p w którymś z kroków 1, 2,..., t. Na mocy ndukc ne stnee przydzał stablny, przy którym k l zostane przyęty przez s p. W szczególnośc ne zostane on przyęty do s p przy przydzale f. Wynka stąd, że k l zostane przyęty, przy przydzale f, do szkoły s p gorsze od s. Przydzał f ne może węc być stablny, poneważ przy tym przydzale kandydat k zostae przyęty do s, kandydat k l do s p, s est lepsza od s p dla k l oraz ( k > k ) ~ l (bo kl P, k O, stąd k l > k, a węc na mocy asymetr ~ ( k > kl ) ). Twerdzene 2. Jeśl wszystke funkce odrzuceń O spełnaą warunek addytywnośc (2), to przydzał wyznaczony przez algorytm UGS est stablny. Dowód. Załóżmy, że f est przydzałem wyznaczonym przez algorytm UGS. Rozważmy dowolnych kandydatów k k l oraz szkoły s s p take, że f ( k ) = s, f ( k l ) = s p kandydat k l wol s od s p. Udowodnmy, że stnee zbór L tak, że k, kl L, k O (L), k l O (L) (czyl k > kl ). Będze to znaczyło, że nemożlwe est ednoczesne spełnene warunków 1 4 z defnc 7, a węc, że przydzał f est stablny. Nech L t oznacza zbór tak ak w lemace 1, tzn. zbór kandydatów, którzy w kroku t algorytmu maą szkołę s na perwszym mescu swoe lsty preferenc. Poneważ kandydat k w wynku dzałana algorytmu UGS zostae przyęty przez szkołę s, muszą być węc spełnone warunk:

12 96 Z. ŚWITALSKI a) r t r, k Lt, b) t, k O ( Lt ). Inacze mówąc, kandydat k ma zawsze, począwszy od pewnego kroku r, szkołę s na perwszym mescu swoe lsty preferenc oraz w żadnym kroku ne zostae on odrzucony przez szkołę s. Z kole kandydat k l zostae przyęty przez szkołę s p, chocaż wol od ne szkołę s, a węc w którymś kroku algorytmu, powedzmy w kroku k, zostae on odrzucony przez szkołę s. Stąd k O L ). (9) l ( k Kandydat k ne mus należeć do L k, ale z warunku a) wynka, że należy do któregoś ze zborów L t dla t k. Nech s 0 będze namneszą lczbą taką, że Z warunku (10) wynka, że 0 k L k + s 0. (10) k Lk s0 a z (9) z monotoncznośc funkc O wynka, że, (11) k l k k + 1 k + s 0 O ( L L... L ). (12) Z kole na podstawe warunku b) oraz lematu 1 mamy O ( L ) O ( L )... O ( L ) = O ( L L... L ). (13) k k k + 1 k + s0 k k + 1 k + s0 Jeśl węc L = Lk s, to na podstawe (11), (12) (13) mamy 0 k, kl L, k O (L), k l O (L), stąd k > kl, a węc warunek 4 w defnc 7 ne est spełnony, czyl przydzał f est stablny. Następne twerdzene określa warunk, przy których algorytm UGS dae rozwązane optymalne. Twerdzene 3. Jeśl wszystke funkce odrzuceń O spełnaą warunk monotoncznośc, nezależnośc asymetr, to przydzał otrzymany za pomocą algorytmu UGS est ne gorszy od dowolnego przydzału stablnego. Dowód. Załóżmy, że w wynku dzałana algorytmu UGS kandydat k został przyęty do szkoły s. Jeśl szkoła s p est lepsza od s dla kandydata k, to w którymś z kroków algorytmu odrzucła ona kandydata k, a węc na mocy lematu 2 w żadnym przydzale stablnym kandydat k ne może zostać przyęty przez szkołę s p. Wynka

13 Optymalny system rekrutac stąd, że w każdym przydzale stablnym kandydat k zostane przyęty albo do szkoły s, albo do szkoły gorsze od s, a węc przydzał tak est na pewno gorszy lub co nawyże tak samo dobry ak przydzał otrzymany w wynku dzałana algorytmu UGS. Jako wnosek z twerdzeń 2 3 otrzymuemy następuące końcowe twerdzene: Twerdzene 4. Jeśl wszystke funkce odrzuceń spełnaą warunk addytywnośc, nezależnośc asymetr, to przydzał otrzymany za pomocą algorytmu UGS est optymalny. 5. Uwag końcowe Udowodnlśmy, że uogólnony algorytm Gale a Shapleya, w którym wykorzystuemy funkce odrzuceń spełnaące trzy warunk: addytywnośc, nezależnośc asymetr, zawsze prowadz do optymalnego przydzału kandydatów do szkół. Poawa sę wele pytań zwązanych z poruszaną problematyką: Jake rodzae funkc odrzuceń (oprócz funkc wyznaczonych przez sztywne mękke lmty przyęć) odpowadaą kryterom przyęć stosowanym w praktyce czy spełnaą one podane w pracy warunk (a węc w akch przypadkach w praktyce może być stosowany algorytm UGS)? Czy podane warunk są nezależne (czy np. któryś z nch ne wynka z nnego)? Czy możlwe są nne układy warunków dla funkc odrzuceń, gwarantuące poprawne dzałane algorytmu UGS (tzn. gwarantuące, że algorytm ten prowadz do rozwązana optymalnego)? Czy podane warunk są koneczne, czy tylko wystarczaące dla poprawnego dzałana algorytmu UGS? Udzelene (chocażby częścowe) odpowedz na te pytana może ułatwć analzę optymalzacę funkconuących proektowanych systemów rekrutac kandydatów do szkół lub nnych podobnych systemów (np. systemów rekrutac pracownków do frm). Bblografa [1] ALKAN A., GALE D., Stable schedule matchng under revealed preference, Journal of Economc Theory, 2003, nr 112, s [2] BALINSKI M., SÖNMEZ T., A Tale of Two Mechansms: Student Placement, Journal of Economc Theory, 1999, nr 84, s [3] EHLERS L., Monotonc and mplementable solutons n generalzed matchng problems, Journal of Economc Theory, 2004, nr 114, s [4] GALE D., SHAPLEY S., College admssons and the stablty of marrage, Amercan Mathematcal Monthly, 1962, nr 69, s [5] PAWŁOWSKI J., Żeby w wynku naboru nkt ne poczuł sę nabrany. Rodzcelske reflekse po egzamnach do szkół średnch, Informatyka w szkole Buletyn Informacyny, 31(2000), (

14 98 Z. ŚWITALSKI Optmal recrutment system of canddates to schools We generalze a well-known Gale Shapley algorthm [4] concernng optmal assgnment of canddates to schools. In the classcal Gale Shapley model we consder a set of schools (colleges) S, a set of canddates K, canddates preferences n S and schools preferences n the set K (represented by strct lnear orders). We assume that each school has a quota q,.e. q, s the maxmal number of canddates whch t can admt. We want to assgn canddates to schools n such a way that some condton of stablty (defned n [4]) s satsfed. In our generalzed model schools preferences are represented by the socalled reecton functons. We ntroduce a generalzed stablty condton and formulate condtons under whch the generalzed G S algorthm leads to stable and optmal assgnments. Our results can be appled n practce, e.g., they can help n constructng computerzed recrutment systems, n whch we want to ncorporate soft quotas and tes between canddates. Keywords: recrutment system, two-sded matchng problem, Gale Shapley algorthm

7. Wykład VII: Warunki Kuhna-Tuckera

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

Bardziej szczegółowo

Problem plecakowy (KNAPSACK PROBLEM).

Problem plecakowy (KNAPSACK PROBLEM). Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne

Bardziej szczegółowo

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej. /22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni. Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :

Bardziej szczegółowo

Podstawy teorii falek (Wavelets)

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Wykład 2: Uczenie nadzorowane sieci neuronowych - I

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

Bardziej szczegółowo

RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH

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

Bardziej szczegółowo

Wykład 1 Zagadnienie brzegowe liniowej teorii sprężystości. Metody rozwiązywania, metody wytrzymałości materiałów. Zestawienie wzorów i określeń.

Wykład 1 Zagadnienie brzegowe liniowej teorii sprężystości. Metody rozwiązywania, metody wytrzymałości materiałów. Zestawienie wzorów i określeń. Wykład Zagadnene brzegowe lnowe teor sprężystośc. Metody rozwązywana, metody wytrzymałośc materałów. Zestawene wzorów określeń. Układ współrzędnych Kartezańsk, prostokątny. Ose x y z oznaczono odpowedno

Bardziej szczegółowo

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych

Bardziej szczegółowo

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne Instrukca do ćwczeń laboratorynych z przedmotu: Badana operacyne Temat ćwczena: Problemy rozkrou materałowego, zagadnena dualne Zachodnopomorsk Unwersytet Technologczny Wydzał Inżyner Mechanczne Mechatronk

Bardziej szczegółowo

Wykład 2: Uczenie nadzorowane sieci neuronowych - I

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

Bardziej szczegółowo

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie. Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane

Bardziej szczegółowo

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

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

Bardziej szczegółowo

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim 5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,

Bardziej szczegółowo

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam

Bardziej szczegółowo

ZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO

ZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO Studa Materały. Mscellanea Oeconomcae Rok 6, Nr 2/22 Wydzał Zarządzana Admnstrac Unwersytetu Jana Kochanowskego w Kelcach Z a r z ą d z a n e f n a n s e Rafał Prońko ZASTOSOWANIE KLASYCZNEGO ALGORYTMU

Bardziej szczegółowo

Algorytmy szukania równowag w grach dwumacierzowych

Algorytmy szukania równowag w grach dwumacierzowych Rozdzał 2 Algorytmy szukana równowag w grach dwumacerzowych 2. Algorytm Lemke-Howsona Dzseszy wykład pośwęcony będze temu, ak szukać równowag w grach dwumacerzowych. Poneważ temu były uż w wększośc pośwęcone

Bardziej szczegółowo

MIKROEKONOMIA Prof. nadzw. dr hab. Jacek Prokop jproko@sgh.waw.pl

MIKROEKONOMIA Prof. nadzw. dr hab. Jacek Prokop jproko@sgh.waw.pl MIKROEKONOMIA Prof. nadzw. dr hab. Jacek Proko roko@sgh.waw.l Statyka dynamka olgoolstyczne struktury rynku. Modele krótkookresowe konkurenc cenowe w olgoolu.. Model ogranczonych mocy rodukcynych ako wyaśnene

Bardziej szczegółowo

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja) Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz

Bardziej szczegółowo

Sortowanie szybkie Quick Sort

Sortowanie szybkie Quick Sort Sortowane szybke Quck Sort Algorytm sortowana szybkego opera sę na strateg "dzel zwycęża" (ang. dvde and conquer), którą możemy krótko scharakteryzować w trzech punktach: 1. DZIEL - problem główny zostae

Bardziej szczegółowo

p Z(G). (G : Z({x i })),

p Z(G). (G : Z({x i })), 3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Badania operacyjne w logistyce i zarządzaniu produkcją

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

Bardziej szczegółowo

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany

Bardziej szczegółowo

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:

Bardziej szczegółowo

ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO

ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max

Bardziej szczegółowo

Minister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r.

Minister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r. Mnster Edukacj arodowej Pan Katarzyna HALL Mnsterstwo Edukacj arodowej al. J. Ch. Szucha 25 00-918 arszawa Dna 03 czerwca 2009 r. TEMAT: Propozycja zmany art. 30a ustawy Karta auczycela w forme lstu otwartego

Bardziej szczegółowo

Prawdopodobieństwo geometryczne

Prawdopodobieństwo geometryczne Prawdopodobeństwo geometryczne Przykład: Przestrzeń zdarzeń elementarnych określona jest przez zestaw punktów (x, y) na płaszczyźne wypełna wnętrze kwadratu [0 x ; 0 y ]. Znajdź p-stwo, że dowolny punkt

Bardziej szczegółowo

SYSTEM ZALICZEŃ ĆWICZEŃ

SYSTEM ZALICZEŃ ĆWICZEŃ AMI, zma 010/011 mgr Krzysztof Rykaczewsk System zalczeń Wydzał Matematyk Informatyk UMK SYSTEM ZALICZEŃ ĆWICZEŃ z Analzy Matematycznej I, 010/011 (na podst. L.G., K.L., J.M., K.R.) Nnejszy dokument dotyczy

Bardziej szczegółowo

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

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

Bardziej szczegółowo

RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI

RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI Wojcech BOŻEJKO, Marusz UCHROŃSKI, Meczysław WODECKI Streszczene: W pracy rozpatrywany jest ogólny problem kolejnoścowy

Bardziej szczegółowo

Proces narodzin i śmierci

Proces narodzin i śmierci Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do

Bardziej szczegółowo

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających

Bardziej szczegółowo

Przykład 5.1. Kratownica dwukrotnie statycznie niewyznaczalna

Przykład 5.1. Kratownica dwukrotnie statycznie niewyznaczalna rzykład.. Kratownca dwukrotne statyczne newyznaczana oecene: korzystaąc z metody sł wyznaczyć sły w prętach ponższe kratowncy. const Rozwązane zadana rozpoczynamy od obczena stopna statyczne newyznaczanośc

Bardziej szczegółowo

Regulamin promocji 14 wiosna

Regulamin promocji 14 wiosna promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30

Bardziej szczegółowo

Metoda wyznaczania najtańszych 1-diagnozowalnych struktur opiniowania diagnostycznego

Metoda wyznaczania najtańszych 1-diagnozowalnych struktur opiniowania diagnostycznego BIULETYN INSTYTUTU AUTOMATYKI I ROBOTYKI NR 7, 2002 Metoda wyznaczana natańszych -dagnozowalnych struktur opnowana dagnostycznego Roman KULESZA Zakład Automatyk, Instytut Automatyk Robotyk WAT, ul. Kalskego

Bardziej szczegółowo

Krzysztof Borowski Zastosowanie metody wideł cenowych w analizie technicznej

Krzysztof Borowski Zastosowanie metody wideł cenowych w analizie technicznej Krzysztof Borowsk Zastosowane metody wdeł cenowych w analze technczne Wprowadzene Metoda wdeł cenowych została perwszy raz ogłoszona przez Alana Andrewsa 1 w roku 1960. Trzy lne wchodzące w skład metody

Bardziej szczegółowo

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

5. OPTYMALIZACJA GRAFOWO-SIECIOWA . OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,

Bardziej szczegółowo

Podstawowe twierdzenia

Podstawowe twierdzenia Rozdzał 3 Podstawowe twerdzena 3.1 Istnene rozwazań lokalnych Rozpocznjmy od odpowedz na ogólne pytane: jake warunk mus spełnać równane różnczkowe zwyczajne, aby stnało jego rozwązane kedy rozwązane to

Bardziej szczegółowo

I. Elementy analizy matematycznej

I. Elementy analizy matematycznej WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem

Bardziej szczegółowo

Równania rekurencyjne na dziedzinach

Równania rekurencyjne na dziedzinach Marek Materzok Równana rekurencyjne na dzedznach Pommo, ż poczynłem starana, aby praca ta była możlwe kompletna wolna od błędów, ne mogę zagwarantować, że ne wkradły sę do nej żadne neścsłośc czy pomyłk.

Bardziej szczegółowo

Zaawansowane metody numeryczne

Zaawansowane metody numeryczne Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x

Bardziej szczegółowo

Oligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją

Oligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją Olgopol dynamczny Rozpatrzmy model sekwencyjnej konkurencj loścowej jako gra jednokrotna z pełną doskonalej nformacją (1934) Dwa okresy: t=0, 1 tzn. frma 2 podejmując decyzję zna decyzję frmy 1 Q=q 1 +q

Bardziej szczegółowo

ZESTAW ZADAŃ Z INFORMATYKI

ZESTAW ZADAŃ Z INFORMATYKI (Wpsue zdaąc przed rozpoczęcem prac) KOD ZDAJĄCEGO ZESTAW ZADAŃ Z INFORMATYKI CZĘŚĆ II (dla pozomu rozszerzonego) GRUDZIEŃ ROK 004 Czas prac 50 mnut Instrukca dla zdaącego. Proszę sprawdzć, cz zestaw zadań

Bardziej szczegółowo

Dotyczy: opinii PKPP lewiatan do projektow dwoch rozporzqdzen z 27 marca 2012 (pismo P-PAA/137/622/2012)

Dotyczy: opinii PKPP lewiatan do projektow dwoch rozporzqdzen z 27 marca 2012 (pismo P-PAA/137/622/2012) 30/04! 2012 PON 13: 30! t FAX 22 55 99 910 PKPP Lewatan _..~._. _., _. _ :. _._..... _.. ~._..:.l._.... _. '. _-'-'-'"." -.-.---.. ----.---.-.~.....----------.. LEWATAN Pol~ka KonfederacJa Pracodawcow

Bardziej szczegółowo

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

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

Bardziej szczegółowo

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane

Bardziej szczegółowo

Regulamin promocji zimowa piętnastka

Regulamin promocji zimowa piętnastka zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna

Bardziej szczegółowo

WikiWS For Business Sharks

WikiWS For Business Sharks WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace

Bardziej szczegółowo

ANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO

ANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO Artur Zaborsk Unwersytet Ekonomczny we Wrocławu ANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO Wprowadzene Od ukazana

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy

Bardziej szczegółowo

MINISTER EDUKACJI NARODOWEJ

MINISTER EDUKACJI NARODOWEJ 4 MINISTER EDUKACJI NARODOWEJ DWST WPZN 423189/BSZI13 Warszawa, 2013 -Q-4 Pan Marek Mchalak Rzecznk Praw Dzecka Szanowny Pane, w odpowedz na Pana wystąpene z dna 28 czerwca 2013 r. (znak: ZEW/500127-1/2013/MP),

Bardziej szczegółowo

ZASADY PRZYJĘĆ NA I ROK STUDIÓW STACJONARNYCH I NIESTACJONARNYCH W POLITECHNICE KOSZALIŃSKIEJ W ROKU AKADEMICKIM 2007/2008

ZASADY PRZYJĘĆ NA I ROK STUDIÓW STACJONARNYCH I NIESTACJONARNYCH W POLITECHNICE KOSZALIŃSKIEJ W ROKU AKADEMICKIM 2007/2008 ZASADY PRZYJĘĆ NA I ROK STUDIÓW STACJONARNYCH I NIESTACJONARNYCH W POLITECHNICE KOSZALIŃSKIEJ W ROKU AKADEMICKIM 2007/2008 I. Przyęce na I rok studów odbywa sę wg ponższych zasad: z pomnęcem postępowana

Bardziej szczegółowo

Diagonalizacja macierzy kwadratowej

Diagonalizacja macierzy kwadratowej Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an

Bardziej szczegółowo

Regulamin promocji upalne lato 2014 2.0

Regulamin promocji upalne lato 2014 2.0 upalne lato 2014 2.0 strona 1/5 Regulamn promocj upalne lato 2014 2.0 1. Organzatorem promocj upalne lato 2014 2.0, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa

Bardziej szczegółowo

PORADNIK KANDYDATA. Wkrótce w nauka w szkole w jaki sposób je. zasadniczych szkole

PORADNIK KANDYDATA. Wkrótce w nauka w szkole w jaki sposób je. zasadniczych szkole Drog Gmnazjalsto, Wkrótce w nauka w szkole w jak sposób je jedno z z w pracodawców. zasadnczych szkole racjonalnego wyboru przestrz W prowadzona przy pomocy systemu elektroncznego. Rekrutacja wspomagana

Bardziej szczegółowo

Wykład z Podstaw matematyki dla studentów Inżynierii Środowiska. Wykład 8. CAŁKI NIEOZNACZONE. ( x) 2 cos2x

Wykład z Podstaw matematyki dla studentów Inżynierii Środowiska. Wykład 8. CAŁKI NIEOZNACZONE. ( x) 2 cos2x Wykład z Podsaw maemayk dla sudenów Inżyner Środowska Wykład 8. CŁKI NIEOZNCZONE Defnca (funkca perwona) Nech F es funkcą perwoną funkc f na przedzale I, eżel F '( ) f ( ) dla każdego I. Udowodnć, że funkce

Bardziej szczegółowo

Proste modele ze złożonym zachowaniem czyli o chaosie

Proste modele ze złożonym zachowaniem czyli o chaosie Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok

Bardziej szczegółowo

u u u( x) u, x METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH i METODA ELEMENTÓW SKOŃCZONYCH

u u u( x) u, x METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH i METODA ELEMENTÓW SKOŃCZONYCH METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH METODA ELEMENTÓW SKOŃCZONYCH Szkc rozwązana równana Possona w przestrzen dwuwymarowe. Równane Possona to równae różnczkowe cząstkowe opsuące wele

Bardziej szczegółowo

2012-10-11. Definicje ogólne

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

Bardziej szczegółowo

Zmodyfikowana technika programowania dynamicznego

Zmodyfikowana technika programowania dynamicznego Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.

Bardziej szczegółowo

Portfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego

Portfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa

Bardziej szczegółowo

Równania liniowe. gdzie. Automatyka i Robotyka Algebra -Wykład 8- dr Adam Ćmiel,

Równania liniowe. gdzie. Automatyka i Robotyka Algebra -Wykład 8- dr Adam Ćmiel, utomtyk Robotyk lgebr -Wykłd - dr dm Ćmel cmel@ghedupl Równn lnowe Nech V W będą przestrzenm lnowym nd tym smym cłem K T: V W przeksztłcenem lnowym Rozwżmy równne lnowe T(v)w Powyższe równne nzywmy równnem

Bardziej szczegółowo

Poszukiwanie optymalnego wyrównania harmonogramu zatrudnienia metodą analityczną

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

Bardziej szczegółowo

ZASTOSOWANIE METOD ANALIZY WRAŻLIWOŚCI DO MODELOWANIA KONSTRUKCJI Z PRZEDZIAŁOWYMI PARAMETRAMI. 1 Wprowadzenie

ZASTOSOWANIE METOD ANALIZY WRAŻLIWOŚCI DO MODELOWANIA KONSTRUKCJI Z PRZEDZIAŁOWYMI PARAMETRAMI. 1 Wprowadzenie Andrze POWNUK ZASTOSOWANIE METOD ANALIZY WRAŻLIWOŚCI DO MODELOWANIA KONSTRUKCJI Z PRZEDZIAŁOWYMI PARAMETRAMI Wprowadzene Wartośc wszystkch parametrów układów mechancznych obarczone są pewną nepewnoścą

Bardziej szczegółowo

4. OPTYMALIZACJA WIELOKRYTERIALNA

4. OPTYMALIZACJA WIELOKRYTERIALNA Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna 4. OPTYMLIZCJ WIELORYTERIL Decyzje nwestycyjne mają często charakter złożony. Zdarza sę, że przy wyborze

Bardziej szczegółowo

Plan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup

Plan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne

Bardziej szczegółowo

1. Wstęp. 2. Macierz admitancyjna.

1. Wstęp. 2. Macierz admitancyjna. 1. Wstęp. Znaomość stanu pracy SEE est podstawowym zagadnenem w sterowanu pracą systemu na wszystkch etapach: proektowana, rozwou, planowana stanów pracy oraz w czase beżące eksploatac. Kontrola rozpływów

Bardziej szczegółowo

Diagnostyka układów kombinacyjnych

Diagnostyka układów kombinacyjnych Dagnostyka układów kombnacyjnych 1. Wprowadzene Dagnostyka obejmuje: stwerdzene stanu układu, systemu lub ogólne sec logcznej. Jest to tzw. kontrola stanu wykrywająca czy dzałane sec ne jest zakłócane

Bardziej szczegółowo

ZAGADNIENIE TRANSPORTOWE

ZAGADNIENIE TRANSPORTOWE ZAGADNIENIE TRANSPORTOWE ZT.. Zagadee trasportowe w postac tablcy Z m puktów (odpowedo A,...,A m ) wysyłamy edorody produkt w loścach a,...,a m do puktów odboru (odpowedo B,...,B ), gdze est odberay w

Bardziej szczegółowo

Modelowanie przepływu cieczy przez ośrodki porowate Wykład IX

Modelowanie przepływu cieczy przez ośrodki porowate Wykład IX Modelowane przepływu ceczy przez ośrodk porowate Wykład IX Metody rozwązywana metodam analtycznym równań hydrodynamk wód podzemnych płaskch zagadneń fltracj. 9.1 Funkcja potencjału zespolonego. Rozważana

Bardziej szczegółowo

SYSTEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE METODY KLASYFIKACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

SYSTEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE METODY KLASYFIKACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska. SYSEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE MEODY KLASYFIKACJI Częstochowa 4 Dr hab. nż. Grzegorz Dude Wydzał Eletryczny Poltechna Częstochowsa FUNKCJE FISHEROWSKA DYSKRYMINACYJNE DYSKRYMINACJA I MASZYNA LINIOWA

Bardziej szczegółowo

Kodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana

Kodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana Kodowane nformacj Instytut Informatyk UWr Studa weczorowe Wykład nr 2: rozszerzone dynamczne Huffmana Kod Huffmana - nemłe przypadk... Nech alfabet składa sę z 2 lter: P(a)=1/16 P(b)=15/16 Mamy H(1/16,

Bardziej szczegółowo

AGREGACJA SĄDÓW A AGREGACJA PREFERENCJI

AGREGACJA SĄDÓW A AGREGACJA PREFERENCJI DECYZJE nr 16 grudzeń 2011 AGREGACJA SĄDÓW A AGREGACJA PREFERENCJI Joanna Ochremak Polska Akadema Nauk Streszczene: Artykuł stanow wprowadzene do teor agregacj sądów oraz porusza temat jej zwązków z teorą

Bardziej szczegółowo

Rozdział III Dynamiczna ocena projektów inwestycyjnych 1. Ocena projektu inwestycyjnego

Rozdział III Dynamiczna ocena projektów inwestycyjnych 1. Ocena projektu inwestycyjnego Rozdzał III Dynamczna ocena proektów nwestycynych. Ocena proektu nwestycynego,t Stopa nomnalna y 9 Przykład y w w K w 2 b w, 2 K w w,, w 2, Kb- stopa kosztu użyca kredytu bankowego ( z wyłączenem prowz

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1 KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej

Bardziej szczegółowo

Nowe europejskie prawo jazdy w celu większej ochrony, bezpieczeństwa i swobodnego przemieszczania się

Nowe europejskie prawo jazdy w celu większej ochrony, bezpieczeństwa i swobodnego przemieszczania się KOMISJA EUROPEJSKA NOTATKA Bruksela, 18 styczna 2013 r. Nowe europejske prawo jazdy w celu wększej ochrony, bezpeczeństwa swobodnego przemeszczana sę W dnu 19 styczna 2013 r., w ramach wejśca w życe trzecej

Bardziej szczegółowo

Odtworzenie wywodu metodą wstępującą (bottom up)

Odtworzenie wywodu metodą wstępującą (bottom up) Przeglądane wejśca od lewej strony do prawej L (k) Odtwarzane wywodu prawostronnego Wystarcza znajomosc "k" następnych symbol łańcucha wejścowego hstor dotychczasowych redukcj, aby wyznaczyc jednoznaczne

Bardziej szczegółowo

QUASI- KLASYCZNA ANALIZA DECYZJI ZŁOŻONYCH

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

Bardziej szczegółowo

Logika i teoria mnogości/wykład 1: Po co nam teoria mnogości? Naiwna teoria mnogości, naiwna indukcja, naiwne dowody niewprost

Logika i teoria mnogości/wykład 1: Po co nam teoria mnogości? Naiwna teoria mnogości, naiwna indukcja, naiwne dowody niewprost 1 z 8 2013-03-23 18:23 Logka teora mnogośc/wykład 1: Po co nam teora mnogośc? Nawna teora mnogośc, nawna ndukcja, nawne dowody newprost From Studa Informatyczne < Logka teora mnogośc "Nawna" teora mnogośc

Bardziej szczegółowo

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.

Bardziej szczegółowo

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe

Bardziej szczegółowo

Regulamin promocji fiber xmas 2015

Regulamin promocji fiber xmas 2015 fber xmas 2015 strona 1/5 Regulamn promocj fber xmas 2015 1. Organzatorem promocj fber xmas 2015, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna 2015

Bardziej szczegółowo

Wyszukiwanie. Wyszukiwanie

Wyszukiwanie. Wyszukiwanie ZŁOŻOOŚĆ PROBLEMÓW ALGORYTMICZYCH Dolne górne oszacowana złożonośc problemu Złożoność każdego poprawnego algorytmu znajdującego rozwązane danego problemu ustanawa górne oszacowane złożonośc dla tego problemu.

Bardziej szczegółowo

AUTOMATYZACJA PROJEKTOWANIA KONTROLERÓW TYPU KOMBINACYJNEGO NA PLD Z WYKORZYSTANIEM SPRZĘŻEŃ ZWROTNYCH

AUTOMATYZACJA PROJEKTOWANIA KONTROLERÓW TYPU KOMBINACYJNEGO NA PLD Z WYKORZYSTANIEM SPRZĘŻEŃ ZWROTNYCH XIV Kraowa Konferenca Automatyk Zelona Góra, 4-7 czerwca 00 AUTOMATYZACJA PROJEKTOWAIA KOTROLERÓW TYPU KOMBIACYJEGO A PLD Z WYKORZYSTAIEM SPRZĘŻEŃ ZWROTYCH Adam KLIMOWICZ*, Walery SOŁOWJEW** * Poltechnka

Bardziej szczegółowo

ANALIZA WARIANCJI (ANOVA) Spis treści

ANALIZA WARIANCJI (ANOVA) Spis treści ANALIZA WARIANCJI (ANOVA) Sps treśc. JEDNOCZYNNIKOWA ANALIZA WARIANCJI.... DWUCZYNNIKOWA ANALIZA WARIANCJI... 8 3. TESTY ZAŁOŻEŃ W ANALIZIE WARIANCJI... 3 3.. Test normalnośc... 4 3. Test Bartleta ednorodnośc

Bardziej szczegółowo

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXVIII Egzamin dla Aktuariuszy z 29 września 2014 r.

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXVIII Egzamin dla Aktuariuszy z 29 września 2014 r. Komsa Egzamnacyna dla Aktuaruszy LXVIII Egzamn dla Aktuaruszy z 29 wrześna 14 r. Część I Matematyka fnansowa WERSJA TESTU A Imę nazwsko osoby egzamnowane:... Czas egzamnu: 0 mnut 1 1. W chwl T 0 frma ABC

Bardziej szczegółowo

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1 Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa

Bardziej szczegółowo

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy

Bardziej szczegółowo

Kwantowa natura promieniowania elektromagnetycznego

Kwantowa natura promieniowania elektromagnetycznego Efekt Comptona. Kwantowa natura promenowana elektromagnetycznego Zadane 1. Foton jest rozpraszany na swobodnym elektrone. Wyznaczyć zmanę długośc fal fotonu w wynku rozproszena. Poneważ układ foton swobodny

Bardziej szczegółowo

Laboratorium ochrony danych

Laboratorium ochrony danych Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz

Bardziej szczegółowo

Model IS-LM-BP. Model IS-LM-BP jest wersją modelu ISLM w gospodarce otwartej. Pokazuje on zatem jak

Model IS-LM-BP. Model IS-LM-BP jest wersją modelu ISLM w gospodarce otwartej. Pokazuje on zatem jak Ćwczena z Makroekonom II Model IS-LM- Model IS-LM- jest wersją modelu ISLM w gospodarce otwartej. Pokazuje on zatem jak gospodarka taka zachowuje sę w krótkm okrese, w efekce dzałań podejmowanych w ramach

Bardziej szczegółowo

Analiza alternatywnych systemów zaopatrzenia w energię budynków na etapie przygotowania inwestycji zgodnie z wymaganiami art. 5 Dyrektywy UE/91/2002

Analiza alternatywnych systemów zaopatrzenia w energię budynków na etapie przygotowania inwestycji zgodnie z wymaganiami art. 5 Dyrektywy UE/91/2002 NARODOWA AGNCJA POSZANOWANIA NRGII S.A. ul. Śwętokrzyska 20, 00-002 Warszawa tel. (0-22) 50 54 661, fax (0-22) 825 86 70 Analza alternatywnych systemów zaopatrzena w energę budynków na etape przygotowana

Bardziej szczegółowo