Zasady projektowania hurtowni
|
|
- Bogdan Kasprzak
- 6 lat temu
- Przeglądów:
Transkrypt
1 Zasady projektowaia hurtowi Przykład hurtowi daych dla systemu NFZ Krzysztof Goczyła Teresa Zawadzka Katedra Iżyierii Oprogramowaia Wydział Elektroiki, Telekomuikacji i Iformatyki Politechika Gdańska {kris, tegra}@eti.pg.gda.pl - - Szpital - defiicja problemu Zaprojektować hurtowię daych dla Narodowego Fuduszu Zdrowia. Hurtowia ma umożliwiać aalizowaie hospitalizacji w polskich szpitalach, które podpisały umowę z NFZ a świadczeie usług medyczych. Aalizy mają dotyczyć aspektów fiasowych oraz zdrowotych. Hurtowia ma bazować a daych źródłowych zbieraych przez szpitale oraz a daych zawartych w cetralej bazie NFZ
2 Rodzaje zdarzeń rodzaje faktów Zdarzeia dyskrete Zdarzeia występujące w jedym pukcie czasowym. Zazwyczaj odoszą się do pojedyczych trasakcji w systemach operacyjych. Wykoaie pojedyczej procedury lecziczej NFZ Trasactio Fact Table Zdarzeia rozwijające się Zdarzeia występujące w dłuższym przedziale czasowym. Zazwyczaj staowią serię zdarzeń dyskretych. Pobyt pacjeta w szpitalu Zdarzeia powtarzające się Zdarzeia występujące co określoy przedział czasowy. Zazwyczaj są to zdarzeia reasumujące zdarzeia dyskrete. Miesięcze zestawieie wykoaych procedur NFZ Periodic Sapshot Accumulatig Sapshot Zdarzeie dyskrete Wykoaie pojedyczej procedury lecziczej NFZ Faktem będzie wykoaie pojedyczej procedury NFZ. Jest to asze bizesowe zdarzeie dyskrete. Z opisu problemu wyika, że miary będą dotyczyły kwestii fiasowych i kwestii związaych z leczeiem. Miary: o koszt szpitala o opłata wiesioa przez pacjeta o refudacja NFZ o (W) strata = koszt szpitala opłata wiesioa przez pacjeta refudacja NFZ o - 4-2
3 - 5 - Wykoaie pojedyczej procedury lecziczej () Faktem będzie wykoaie pojedyczej procedury NFZ, w daym diu, w daym szpitalu dla daego pacjeta. Procedura Wykoaie procedury Pacjet Id_pacjeta Id_procedury PESEL (KB) Id_pacjeta Nr_procedury_NFZ azwisko i imię Id_szpiatla Szpital Id_procedury płeć Data czy_ubezpieczoy Id_szpitala Czas zawód azwa (KB) koszt_szpitala wielkość wiek opłata_pacjeta województwo województwo refudacja_nfz miasto miasto rodzaj Czas Czas (KB) Data Data (KB) Ziaristość Określeie ziaristości jest kluczowym krokiem przy defiiowaiu hurtowi daych! Ziaristość atomowa odosi się do ajiższego poziomu, a którym dae są przechwytywae przez day proces bizesowy. Nie wolo różych ziaristości mieszać w ramach tego samego faktu!!! W przykładzie:. Hurtowia daych ma ziaristość odoszącą się do przeprowadzeia pojedyczej procedury w kokretym szpitalu, w daym diu, w daym czasie a kokretym pacjecie. 2. Hurtowia daych ma ziaristość atomową
4 Techiki projektowaia tabeli faktów () Tabela faktów zawiera ogromą liczbę krotek! Krotki powiy zajmować mało miejsca! Każda krotka powia zawierać tyko wartości umerycze! Mamy trzy rodzaje miar: Miary addytywe (mogą być sumowae po wszystkich wymiarach, w przykładzie wszystkie miary z przykładu), Miary pół-addytywe (po pewych wymiarach mogą być sumowae, a po pewych ie, przykład: sta a rachuku po wykoaiu trasakcji bakowej ie może być sumoway po czasie, może być sumoway po typie rachuku lub wieku właściciela rachuku), Miary ie-addytywe (ie mogą być sumowae po żadych wymiarach, przykład: zysk procetowy ze sprzedaży) Techiki projektowaia tabeli faktów (2) W tabeli faktów miary MOGĄ przyjmować wartości NULL! Kluczem główym tabeli faktów jest złożeie kluczy obcych. W tabeli faktów klucze obce NIE MOGĄ przyjmować wartości NULL aruszeie itegralości referecyjej kluczy. W przykładzie, gdy ie zamy pacjeta to dodajemy sztuczy wiersz w tabeli wymiaru Pacjet o wartości Niezay
5 Techiki projektowaia tabel wymiarów () Tabela wymiarów zawiera liczbę krotek zdecydowaie miejszą od liczby krotek w tabeli faktów! Krotki mogą zajmować dużo miejsca! Każda krotka powia zawierać poza kluczami tylko wartości opisowe! W przykładzie, wielkość szpitala i wiek pacjeta ie są wartościami umeryczymi tylko kategoriami przedziałami liczbowymi określającymi wielkość szpitala i wiek pacjeta. Co zrobimy jeżeli potrzebujemy odpowiedzi a zapytaie: Jaka jest średia wielkość szpitala lub średi wiek pacjeta, który Wykoaie pojedyczej procedury lecziczej (2) Wykoaie procedury Id_pacjeta Id_szpiatla data czas koszt_szpitala opłata_pacjeta refudacja_nfz wielkość_szpitala wiek_pacjeta - 0-5
6 Techiki projektowaia tabel wymiarów (2) W każdej tabeli wymiaru zajduje się jede klucz główy! Każda tabela wymiaru (ewetualie poza tabelą daty/czasu) zawiera klucz główy surogatowy. Klucz surogatowy jest to klucz geeroway od wartości, zwiększay o. Przykładowo Id_pacjeta w tabeli wymiaru Pacjet. Klucz główy tabel wymiarów jest przechowyway w tabeli faktów. Dodatkowo w tabelach wymiaru powiy zajdować się klucze bizesowe. Klucze bizesowe ie są kluczami główymi. Przykładowo PESEL w tabeli Pacjet. - - Techiki projektowaia tabel wymiarów (3) Elemety wymiarów mają być wartościami samoopisującymi się. Nigdy ie kodujemy wartości.w systemach typu BI ie ma dedykowaych pod hurtowię daych aplikacji. Korzysta się z istiejących rozwiązań raportujących. Koluma płeć w tabeli wymiaru Pacjet przyjmuje wartości: kobieta lub mężczyza. Nigdy K lub M albo 0 lub
7 Wykoaie pojedyczej procedury lecziczej (3) Czas Czas (KB) godzia pora_dia Data Data (KB) rok miesiąc dzień sezo dzień_pracujący dzień_tygodia święta Techiki projektowaia tabel wymiarów (4) Dae w tabeli wymiaru Data, Czas zawierają poza datą wartości opisowe opisujące daą datę lub czas. Dae w tabelach wymiaru Data i Czas są geerowae i tabele to powiy być wypełioe przed wykoaiem procesu ETL. W przykładzie tabela wymiaru Data i Czas
8 - 5 - Wykoaie pojedyczej procedury lecziczej (4) Jede pacjet może w szpitalu pojawić się kilkakrotie. Nie zawsze musi być w tym samym przedziale wiekowym. Te sam szpital, ie zawsze będzie miał taką samą wielkość, może się rozbudować Szpital Id_szpitala azwa (KB) wielkość województwo miasto rodzaj data_wstawieia data_aktualizacji Pacjet Id_pacjeta PESEL (KB) azwisko i imię płeć czy_ubezpieczoy zawód wiek województwo miasto data_wstawieia data_aktualizacji Techiki projektowaia tabel wymiarów (5) Wolo zmieiające się wymiary(ag. Slowly Chagig Dimesios) określają te wymiary które zmieiają się w czasie. SCD wartości są adpisywae, brak historii, aalizy mogą być zakłamae. SCD 2 owe krotki jeżeli jakaś wartość ulega zmiaie, klucz bizesowy ie zmieia wartości, jest geeroway owy klucz surogatowy. Dodatkowo w tabeli przechowywae są Data wstawieia krotki, Data kiedy krotka straciła aktualość i opcjoalie pole określające czy krotka jest aktuala, czy też ie. SCD 3 obie wartości stara i owa przechowywae są w tej samej krotce W przykładzie SCD 2 jest zaimplemetoway w tabeli Szpital i Pacjet. 8
9 Wykoaie pojedyczej procedury lecziczej (6) Dodatkowo: procedura medycza została wykoaa w sali o zadaym umerze (r_sali), sal w szpitalu jest od w zależości od szpitala; pacjet w czasie wykoaia procedury był/lub ie zieczulay (typ_zieczuleie), mamy około 50 różych typów zieczuleń; w czasie wykoywaia procedury medyczej była z pacjetem osoba towarzysząca (osoba_towarzysząca); procedura wymagała wzywaia dodatkowej pomocy (dodatkowa_pomoc); Ie Id_ie Liczba możliwych krotek = 500x50x2x2x r_sali typ_zieczuleia osoba_towarzysząca dodakowa_pomoc Techiki projektowaia tabel wymiarów (7) Tworzymy tabelę wymiarów Ie dla atrybutów wymiarów ze sobą fukcjoalie ie powiązaych. Optymalizacja: wstawiamytylko krotki faktyczie występujące, a ie wszystkie możliwe w przypadku zbyt dużej liczby krotek w tabeli Ie tworzymy tabelę Ie i Ie 2. W przykładzie tabela wymiaru Ie
10 Wykoaie pojedyczej procedury lecziczej (7) Procedury medycze są wykoywae w ramach jedego leczeia/pobytu. Jest adaway uikaly idetyfikator takiego leczeia: [SYMBOL SZPITALA_NR_LECZENIA]. Poza tą iformacją ie ma dodatkowych iformacji o leczeiu pacjeta (uproszczeie). Wykoaie procedury Id_pacjeta Id_szpiatla data czas Id_ie Nr_leczeia koszt_szpitala opłata_pacjeta wielkość_szpitala wiek_pacjeta refudacja_nfz Techiki projektowaia tabel wymiarów (7) Wymiar zdegeeroway to wymiar, który ie posiada pogrupowaych do tej samej kategorii logiczej iych atrybutów iż klucz główy. Wymiar zdegeeroway jest umieszczoy w tabeli faktów z potwierdzeiem, że ie zawiera skojarzoej z im tabeli wymiarów. W przykładzie wymiarem zdegeerowaym jest r_leczeia
11 Wykoaie pojedyczej procedury lecziczej (8) Jeda procedura medycza może być wykoywaa przez kilku lekarzy. Lekarz Id_lekarza Nr_zezwoleia (KB) azwisko i imię specjalizacja Udział_lekarza_w_procedurze Id_lekarza Id_wykoaia_procedury Wykoaie procedury Id_wykoaia_procedury Id_pacjeta Id_szpiatla data data_opłaceia_pacjet data_opłaceia_nfz czas Id_ie Nr_leczeia koszt_szpitala opłata_pacjeta wielkość_szpitala wiek_pacjeta refudacja_nfz Techiki projektowaia tabel wymiarów (8) W przypadku gdy grupy logicze atrybutów opisujących day fakt są powiązae ze sobą związkiem wiele do wiele, związek te zostaje zaimplemetoway zgodie z zasadami określoymi dla relacyjych baz daych. Nowa dodaa tabela to tabela faktów (ajczęściej bez miar) W przykładzie mamy kostelację (dwie tabele faktów).
12 Kostelacja wymiarów faktów wymiarów wymiarów wymiarów wymiarów wymiarów faktów wymiarów faktów W przypadku gdy mamy więcej iż jedą tabelę faktów mamy schemat, który azywamy kostelacją. Płatek śiegu T T2 T3 T32 wymiarów faktów wymiarów 3 T33 wymiarów 2 T2 wymiarów k T2 Schemat płatka śiegu powstaje w wyiku ormalizacji schematu gwiazdy
13 Procedura Id_procedury Nr_procedury_NFZ Szpital Id_szpitala azwa (KB) Data data (KB) rok Ie Id_ie r_sali Lekarz Id_lekarza Nr_zezwoleia (KB) Wykoaie procedury Id_wykoaia_procedury Id_pacjeta Id_szpiatla data data_opłaceia_pacjet data_opłaceia_nfz czas Id_ie Nr_leczeia Udział_lekarza_w_procedurze Id_lekarza Id_wykoaia_procedury Pacjet Id_pacjeta PESEL (KB) Czas Czas (KB) godzia pora_dia Model wielowymiarowy fakt i miary Fakt: Wykoaie pojedyczej procedury NFZ, w daym diu, w daym szpitalu dla daego pacjeta. Miary i fukcje agregujące: Koszt szpitala (koszt_szpitala), SUM Opłata pacjeta (oplata_pacjeta), SUM Refudacja NFZ, (refudacja_pacjeta) SUM Wielkość szpitala (wielkosc_szpitala), AVG, MAX, MIN Wiek pacjeta (wiek_pacjeta), AVG, MAX, MIN Liczba wykoaych procedur, COUNT Liczba leczeń (r_leczeia), DISTINCT COUNT Strata = Koszt szpitala Opłata pacjeta Refudacja NFZ To jest miara wyliczaa! Nie defiiujemy fukcji agregującej!
14 Model wielowymiarowy wymiary () Szpital: Nazwa szpitala (Szpital:azwa) Wielkość (Szpital:wielkosc) Województwo (Szpital:wojewodztwo) Miasto (Szpital:miasto) Rodzaj (Szpital: rodzaj) Czas: Godzia wykoaia procedury (Czas:godzia) Pora dia wykoaia procedury (Czas:pora_dia) Procedura: Nr procedury NFZ (Procedura:Nr_procedury_NFZ) Pacjet: PESEL pacjeta(pacjet:pesel) Nazwisko i imię pacjeta (Pacjet:azwisko i imię) Czy pacjet jest ubezpieczoy (Pacjet:czy_ubezpieczoy) Zawód pacjeta(pacjet:zawód) Wiek pacjeta (Pacjet:wiek) Województwo, w którym jest zameldoway pacjet (Pacjet:województwo) Miasto, w którym jest zameldoway pacjet (Pacjet:miasto) Model wielowymiarowy wymiary (2) Lekarz wykoujący procedurę: Nr zezwoleia (Lekarz:Nr_zezwoleia) Nazwisko i imię lekarza (Lekarz: azwisko_i_imię) Specjalizacja (Lekarz: specjalizacja) Data opłaceia procedury przez pacjeta: Rok (Data:rok) Miesiąc (Data: miesiąc) Dzień (Data: dzień) Sezo (Data: sezo) Data wykoaia procedury: Czy dzień pracujący (Data: dzień_pracujący) Rok (Data:rok) Dzień tygodia (Data: dzień_tygodia) Miesiąc (Data: miesiąc) Okres świąteczy (Data: święta) Dzień (Data: dzień) Sezo (Data: sezo) Czy dzień pracujący (Data: dzień_pracujący) Dzień tygodia (Data: dzień_tygodia) Okres świąteczy (Data: święta)
15 Model wielowymiarowy wymiary (3) Data opłaceia procedury przez NFZ: Rok (Data:rok) Miesiąc (Data: miesiąc) Dzień (Data: dzień) Sezo (Data: sezo) Czy dzień pracujący (Data: dzień_pracujący) Dzień tygodia (Data: dzień_tygodia) Okres świąteczy (Data: święta) Data wykoaia procedury od roku do dia: Rok Sezo Miesiąc Dzień Lekarze wg specjalizacji: Specjalizacja Nazwisko i imię lekarza Miejsce zamieszkaia pacjeta: Województwo, w którym jest zameldoway pacjet Miasto, w którym jest zameldoway pacjet Model wielowymiarowy wymiary (4) Lokalizacja szpitala: Województwo Miasto Nazwa szpitala Charakterystyka szpitala: Wielkość szpitala Rodzaj szpitala Nazwa szpitala Charakterystyka szpitala: Rodzaj szpitala Wielkość szpitala Nazwa szpitala
16 Model wielowymiarowy fakt, miary i wymiary Fakt: Udział daego lekarza w pojedyczej procedurze NFZ. Miary i fukcje agregujące: Ile razy lekarz wykoywał procedurę NFZ, COUNT Wymiary jak dla Co każdy studet potrafić powiie Zaprojektować hurtowię daych dla zdarzeń dyskretych
Zasady projektowania hurtowni cd.
Zasady projektowania hurtowni cd. Przykład hurtowni danych dla systemu NFZ Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika
Bardziej szczegółowoProces ETL. Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska {kris,
Proces ETL Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska {kris, tegra}@eti.pg.gda.pl - 1 - Proces ETL - 2 -
Bardziej szczegółowoElementy modelowania matematycznego
Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,
Bardziej szczegółowoHurtownie danych. Rola hurtowni danych w systemach typu Business Intelligence
Hurtownie danych Rola hurtowni danych w systemach typu Business Intelligence Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika
Bardziej szczegółowoMetrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,
Bardziej szczegółowoWYGRYWAJ NAGRODY z KAN-therm
Regulami Kokursu I. POSTANOWIENIA OGÓLNE. 1. Regulami określa zasady KONKURSU p. Wygrywaj agrody z KAN-therm (dalej: Kokurs). 2. Orgaizatorem Kokursu jest KAN Sp. z o.o. z siedzibą w Białymstoku- Kleosiie,
Bardziej szczegółowoMINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU
Przedmiot: Iformatyka w logistyce Forma: Laboratorium Temat: Zadaie 2. Automatyzacja obsługi usług logistyczych z wykorzystaiem zaawasowaych fukcji oprogramowaia Excel. Miimalizacja pustych przebiegów
Bardziej szczegółowoWstęp do informatyki. System komputerowy. Magistrala systemowa. Magistrala systemowa (System Bus) Architektura komputera
System komputerowy systemowa (System Bus) Wstęp do iformatyki Architektura komputera Cezary Bolek cbolek@ki.ui.lodz.pl Uiwersytet Łódzki Wydział Zarządzaia Katedra Iformatyki Pamięć operacyja ROM, Jedostka
Bardziej szczegółowoHurtownie danych. 31 stycznia 2017
31 stycznia 2017 Definicja hurtowni danych Hurtownia danych wg Williama Inmona zbiór danych wyróżniający się następującymi cechami uporządkowany tematycznie zintegrowany zawierający wymiar czasowy nieulotny
Bardziej szczegółowoĆwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona
Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów
Bardziej szczegółowoEfektywność projektów inwestycyjnych. Statyczne i dynamiczne metody oceny projektów inwestycyjnych
Efekywość projeków iwesycyjych Saycze i dyamicze meody ocey projeków iwesycyjych Źródła fiasowaia Iwesycje Rzeczowe Powiększeie mająku rwałego firmy, zysk spodzieway w dłuższym horyzocie czasowym. Fiasowe
Bardziej szczegółowoZdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe
Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy
Bardziej szczegółowoZmiany w zarządzaniu jakością w polskich szpitalach
Łopacińska Hygeia Public I, Tokarski Health 2014, Z, Deys 49(2): A. 343-347 Zmiay w zarządzaiu jakością w polskich szpitalach 343 Zmiay w zarządzaiu jakością w polskich szpitalach Quality maagemet chages
Bardziej szczegółowoma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y
Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:
Bardziej szczegółowoWykład. Inwestycja. Inwestycje. Inwestowanie. Działalność inwestycyjna. Inwestycja
Iwestycja Wykład Celowo wydatkowae środki firmy skierowae a powiększeie jej dochodów w przyszłości. Iwestycje w wyiku użycia środków fiasowych tworzą lub powiększają majątek rzeczowy, majątek fiasowy i
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE. Strona 1
KURS STATYSTYKA Lekcja 3 Parametrycze testy istotości ZADANIE DOMOWE www.etrapez.pl Stroa Część : TEST Zazacz poprawą odpowiedź (tylko jeda jest prawdziwa). Pytaie Statystykę moża rozumieć jako: a) próbkę
Bardziej szczegółowo1. Mapowanie diagramu klas na model relacyjny.
Rafał Drozd 1. Mapowanie diagramu klas na model relacyjny. 1.1 Asocjacje Wpływ na sposób przedstawienia asocjacji w podejściu relacyjnym ma przede wszystkim jej liczność (jeden-do-jednego, jeden-do-wielu,
Bardziej szczegółowoLABORATORIUM METROLOGII
AKADEMIA MORSKA W SZCZECINIE Cetrum Iżyierii Ruchu Morskiego LABORATORIUM METROLOGII Ćwiczeie 5 Aaliza statystycza wyików pomiarów pozycji GNSS Szczeci, 010 Zespół wykoawczy: Dr iż. Paweł Zalewski Mgr
Bardziej szczegółowoAutor: Joanna Karwowska
Autor: Joanna Karwowska Podczas używania bazy danych mogą pojawić się tzw. anomalie sytuacje, w których może dojść do utracenia danych. Anomalie, mogące wystąpić w niedostatecznie znormalizowanych tabelach,
Bardziej szczegółowoJak skutecznie reklamować towary konsumpcyjne
K Stowarzyszeie Kosumetów Polskich Jak skuteczie reklamować towary kosumpcyje HALO, KONSUMENT! Chcesz pozać swoje praw a? Szukasz pomoc y? ZADZWOŃ DO INFOLINII KONSUMENCKIEJ BEZPŁATNY TELEFON 0 800 800
Bardziej szczegółowoPOMIARY WARSZTATOWE. D o u ż y t k u w e w n ę t r z n e g o. Katedra Inżynierii i Aparatury Przemysłu Spożywczego. Ćwiczenia laboratoryjne
D o u ż y t k u w e w ę t r z e g o Katedra Iżyierii i Aparatury Przemysłu Spożywczego POMIARY WARSZTATOWE Ćwiczeia laboratoryje Opracowaie: Urszula Goik, Maciej Kabziński Kraków, 2015 1 SUWMIARKI Suwmiarka
Bardziej szczegółowoScenariusz lekcji: Kombinatoryka utrwalenie wiadomości
Sceariusz lekcji: Kombiatoryka utrwaleie wiadomości 1 1. Cele lekcji a) Wiadomości Uczeń: za pojęcia: permutacja, wariacja i kombiacja, zdarzeie losowe, prawdopodobieństwo, za iezbęde wzory. b) Umiejętości
Bardziej szczegółowoTRANSFORMACJA DO UKŁADU 2000 A PROBLEM ZGODNOŚCI Z PRG
Tomasz ŚWIĘTOŃ 1 TRANSFORMACJA DO UKŁADU 2000 A ROBLEM ZGODNOŚCI Z RG Na mocy rozporządzeia Rady Miistrów w sprawie aństwowego Systemu Odiesień rzestrzeych już 31 grudia 2009 roku upływa termi wykoaia
Bardziej szczegółowoPLAN WYKŁADU BAZY DANYCH GŁÓWNE ETAPY PROJEKTOWANIA BAZY MODELOWANIE LOGICZNE
PLAN WYKŁADU Modelowanie logiczne Transformacja ERD w model relacyjny Odwzorowanie encji Odwzorowanie związków Odwzorowanie specjalizacji i generalizacji BAZY DANYCH Wykład 7 dr inż. Agnieszka Bołtuć GŁÓWNE
Bardziej szczegółowoINWESTYCJE MATERIALNE
OCENA EFEKTYWNOŚCI INWESTYCJI INWESTCJE: proces wydatkowaia środków a aktywa, z których moża oczekiwać dochodów pieiężych w późiejszym okresie. Każde przedsiębiorstwo posiada pewą liczbę możliwych projektów
Bardziej szczegółowoElementy nieliniowe w modelach obwodowych oznaczamy przy pomocy symboli graficznych i opisu parametru nieliniowego. C N
OBWODY SYGNAŁY 1 5. OBWODY NELNOWE 5.1. WOWADZENE Defiicja 1. Obwodem elektryczym ieliiowym azywamy taki obwód, w którym występuje co ajmiej jede elemet ieliiowy bądź więcej elemetów ieliiowych wzajemie
Bardziej szczegółowoĆwiczenie: Test chi 2 i miary na nim oparte.
Ćwiczeie: Test chi 2 i miary a im oparte. Zadaie (MS EXCEL) Czy istieje zależość między płcią a paleiem papierosów? 1. W arkuszu Excel utworzyć dwie tabele 2. Uzupełić wartości w tabeli z daymi obserwowaymi
Bardziej szczegółowoMiary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.
MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,
Bardziej szczegółowo1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej szczegółowo3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy
Bardziej szczegółowoMetoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień.
Metoda aalizy hierarchii Saaty ego Ważym problemem podejmowaia decyzji optymalizowaej jest często występująca hierarchiczość zagadień. Istieje wiele heurystyczych podejść do rozwiązaia tego problemu, jedak
Bardziej szczegółowoTwoja firma. Podręcznik użytkownika. Aplikacja Grupa. V edycja, kwiecień 2013
Twoja firma Podręczik użytkowika Aplikacja Grupa V edycja, kwiecień 2013 Spis treści I. INFORMACJE WSTĘPNE I LOGOWANIE...3 I.1. Wstęp i defiicje...3 I.2. Iformacja o możliwości korzystaia z systemu Aplikacja
Bardziej szczegółowoAlgorytmy I Struktury Danych Prowadząca: dr Hab. inż. Małgorzata Sterna. Sprawozdanie do Ćwiczenia 3 Algorytmy grafowe ( )
Poiedziałki 11.45 Grupa I3 Iformatyka a wydziale Iformatyki Politechika Pozańska Algorytmy I Struktury Daych Prowadząca: dr Hab. iż. Małgorzata Stera Sprawozdaie do Ćwiczeia 3 Algorytmy grafowe (26.03.12)
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.
Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują
Bardziej szczegółowo1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o
1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady
Bardziej szczegółowoMateriał pomocniczy dla nauczycieli kształcących w zawodzieb!
Projekt wsp,ł.iasoway ze 4rodk,w Uii Europejskiej w ramach Europejskiego Fuduszu Społeczego Materiał pomociczy dla auczycieli kształcących w zawodzieb "#$%&'( ")*+,"+(' -'#.,('#. przygotoway w ramach projektu
Bardziej szczegółowoLaboratorium Sensorów i Pomiarów Wielkości Nieelektrycznych. Ćwiczenie nr 1
1. Cel ćwiczeia: Laboratorium Sesorów i Pomiarów Wielkości Nieelektryczych Ćwiczeie r 1 Pomiary ciśieia Celem ćwiczeia jest zapozaie się z kostrukcją i działaiem czujików ciśieia. W trakcie zajęć laboratoryjych
Bardziej szczegółowoHurtownie danych. Projektowanie hurtowni: modele wielowymiarowe. Modelowanie punktowe. Operacje OLAP na kostkach. http://zajecia.jakubw.
Hurtownie danych Projektowanie hurtowni: modele wielowymiarowe. Modelowanie punktowe. Operacje OLAP na kostkach. http://zajecia.jakubw.pl/hur UZASADNIENIE BIZNESOWE Po co nam hurtownia danych? Jakie mogą
Bardziej szczegółowoEA3 Silnik komutatorowy uniwersalny
Akademia Góriczo-Huticza im.s.staszica w Krakowie KAEDRA MASZYN ELEKRYCZNYCH EA3 Silik komutatorowy uiwersaly Program ćwiczeia 1. Oględziy zewętrze 2. Pomiar charakterystyk mechaiczych przy zasilaiu: a
Bardziej szczegółowoHurtownie danych. Wprowadzenie do systemów typu Business Intelligence
Hurtownie danych Wprowadzenie do systemów typu Business Intelligence Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika
Bardziej szczegółowoZnajdowanie pozostałych pierwiastków liczby zespolonej, gdy znany jest jeden pierwiastek
Zajdowaie pozostałych pierwiastków liczby zespoloej, gdy zay jest jede pierwiastek 1 Wprowadzeie Okazuje się, że gdy zamy jede z pierwiastków stopia z liczby zespoloej z, to pozostałe pierwiastki możemy
Bardziej szczegółowoBazy danych - wykład wstępny
Bazy danych - wykład wstępny Wykład: baza danych, modele, hierarchiczny, sieciowy, relacyjny, obiektowy, schemat logiczny, tabela, kwerenda, SQL, rekord, krotka, pole, atrybut, klucz podstawowy, relacja,
Bardziej szczegółowoNiepewności pomiarowe
Niepewości pomiarowe Obserwacja, doświadczeie, pomiar Obserwacja zjawisk fizyczych polega a badaiu ych zjawisk w warukach auralych oraz a aalizie czyików i waruków, od kórych zjawiska e zależą. Waruki
Bardziej szczegółowoBazy Danych egzamin poprawkowy, 2012 rozwiazania
Bazy Danych egzamin poprawkowy, 2012 rozwiazania 1 Zadania 1. (20p) Stwórz diagram ER dla następującego opisu bazy danych. W szczególności oznacz słabe encje, klucze, rodzaje związków (czy wiele do jednego,
Bardziej szczegółowoo zmianie ustawy o finansach publicznych oraz niektórych innych ustaw.
SENAT RZECZYPOSPOLITEJ POLSKIEJ VIII KADENCJA Warszawa, dia 12 listopada 2013 r. Druk r 487 MARSZAŁEK SEJMU RZECZYPOSPOLITEJ POLSKIEJ Pa Bogda BORUSEWICZ MARSZAŁEK SENATU RZECZYPOSPOLITEJ POLSKIEJ Zgodie
Bardziej szczegółowoTransformacja modelu ER do modelu relacyjnego
Transformacja modelu ER do modelu relacyjnego Wykład przygotował: Robert Wrembel BD wykład 4 (1) 1 Plan wykładu Transformacja encji Transformacja związków Transformacja hierarchii encji BD wykład 4 (2)
Bardziej szczegółowoSTATYSTYKA OPISOWA WYKŁAD 1 i 2
STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest
Bardziej szczegółowoTechnologie baz danych
Technologie baz danych Wykład 4: Diagramy związków encji (ERD). SQL funkcje grupujące. Małgorzata Krętowska Wydział Informatyki Politechnika Białostocka Plan wykładu Diagramy związków encji elementy ERD
Bardziej szczegółowoZasady transformacji modelu DOZ do projektu tabel bazy danych
Zasady transformacji modelu DOZ do projektu tabel bazy danych A. Obiekty proste B. Obiekty z podtypami C. Związki rozłączne GHJ 1 A. Projektowanie - obiekty proste TRASA # * numer POZYCJA o planowana godzina
Bardziej szczegółowoElementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)
Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowoInstrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy przydziału
Istrukcja do ćwiczeń laboratoryjych z przediotu: Badaia operacyje Teat ćwiczeia: Probley przydziału Zachodiopoorski Uiwersytet Techologiczy Wydział Iżyierii Mechaiczej i Mechatroiki Szczeci 20 Opracował:
Bardziej szczegółowoEstymacja przedziałowa
Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoĆwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny
TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości
Bardziej szczegółowoPrzemysław Jaśko Wydział Ekonomii i Stosunków Międzynarodowych, Uniwersytet Ekonomiczny w Krakowie
MODELE SCORINGU KREDYTOWEGO Z WYKORZYSTANIEM NARZĘDZI DATA MINING ANALIZA PORÓWNAWCZA Przemysław Jaśko Wydział Ekoomii i Stosuków Międzyarodowych, Uiwersytet Ekoomiczy w Krakowie 1 WROWADZENIE Modele aplikacyjego
Bardziej szczegółowoCzęść 1: OLAP. Raport z zajęć laboratoryjnych w ramach przedmiotu Hurtownie i eksploracja danych
Łukasz Przywarty 171018 Wrocław, 05.12.2012 r. Grupa: CZW/N 10:00-13:00 Raport z zajęć laboratoryjnych w ramach przedmiotu Hurtownie i eksploracja danych Część 1: OLAP Prowadzący: dr inż. Henryk Maciejewski
Bardziej szczegółowoSystemy OLAP I. Krzysztof Dembczyński. Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska
Krzysztof Dembczyński Instytut Informatyki Zakład Inteligentnych Systemów Wspomagania Decyzji Politechnika Poznańska Technologie Wytwarzania Oprogramowania Semestr zimowy 2007/08 Studia uzupełniajace magisterskie
Bardziej szczegółowo1.3. Największa liczba naturalna (bez znaku) zapisana w dwóch bajtach to a) b) 210 c) d) 32767
Egzami maturaly z iformatyki Zadaie. (0 pkt) Każdy z puktów tego zadaia zawiera stwierdzeie lub pytaie. Zazacz (otaczając odpowiedią literę kółkiem) właściwą kotyuację zdaia lub poprawą odpowiedź. W każdym
Bardziej szczegółowoTransformacja modelu EER do postaci relacyjnego modelu danych. Zbyszko Królikowski
Transformacja modelu EER do postaci relacyjnego modelu danych Zbyszko Królikowski 1 Repetytorium pojęcia podstawowe relacyjnego modelu danych Schemat implementacyjny (logiczny) bazy danych: schemat, na
Bardziej szczegółowoNumeryczny opis zjawiska zaniku
FOTON 8, iosa 05 7 Numeryczy opis zjawiska zaiku Jerzy Giter ydział Fizyki U Postawieie problemu wielu zagadieiach z różych działów fizyki spotykamy się z astępującym problemem: zmiay w czasie t pewej
Bardziej szczegółowoCiągi liczbowe z komputerem
S t r o a 1 dr Aa Rybak Istytut Iformatyki Uiwersytet w Białymstoku Ciągi liczbowe z komputerem Wprowadzeie W artykule zostaie zaprezetoway sposób wykorzystaia arkusza kalkulacyjego do badaia własości
Bardziej szczegółowoSTATYSTKA I ANALIZA DANYCH LAB II
STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.
Bardziej szczegółowoWarszawa, dnia 29 września 2016 r. Poz UCHWAŁA NR 374/XXI/2016 RADY MIASTA PŁOCKA. z dnia 30 sierpnia 2016 r.
DZIENNIK URZĘDOWY WOJEWÓDZTWA MAZOWIECKIEGO Warszawa, dia 29 wrześia 2016 r. Poz. 8446 UCHWAŁA NR 374/XXI/2016 RADY MIASTA PŁOCKA z dia 30 sierpia 2016 r. w sprawie rodzajów świadczeń przyzawaych w ramach
Bardziej szczegółowoSYSTEM OCENY STANU NAWIERZCHNI SOSN ZASADY POMIARU I OCENY STANU RÓWNOŚCI PODŁUŻNEJ NAWIERZCHNI BITUMICZNYCH W SYSTEMIE OCENY STANU NAWIERZCHNI SOSN
ZAŁĄCZNIK B GENERALNA DYREKCJA DRÓG PUBLICZNYCH Biuro Studiów Sieci Drogowej SYSTEM OCENY STANU NAWIERZCHNI SOSN WYTYCZNE STOSOWANIA - ZAŁĄCZNIK B ZASADY POMIARU I OCENY STANU RÓWNOŚCI PODŁUŻNEJ NAWIERZCHNI
Bardziej szczegółowoWYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ
WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ LABORATORIUM RACHUNEK EKONOMICZNY W ELEKTROENERGETYCE INSTRUKCJA DO ĆWICZENIA
Bardziej szczegółowo( ) WŁASNOŚCI MACIERZY
.Kowalski własości macierzy WŁSNOŚC MCERZY Własości iloczyu i traspozycji a) możeie macierzy jest łącze, tz. (C) ()C, dlatego zapis C jest jedozaczy, b) możeie macierzy jest rozdziele względem dodawaia,
Bardziej szczegółowoMiary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.
Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla
Bardziej szczegółowoPRZYKŁAD. Prosta uczelnia. Autor: Jan Kowalski nr indeksu: (przykładowy projekt)
Prosta uczelnia (przykładowy projekt) Autor: Jan Kowalski nr indeksu: 123456 Opis problemu Projekt ten ma na celu stworzenie systemu do przechowywania i obróbki danych o wynikach egzaminacyjnych około
Bardziej szczegółowo1% wartości transakcji + 60 zł
Procet.. Wysokość prowizji, którą kliet płaci w pewym biurze maklerskim przy każdej zawieraej trasakcji kupa lub sprzedaży akcji jest uzależioa od wartości trasakcji: Wartość trasakcji do 500 zł od 500.0
Bardziej szczegółowoAnaliza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych
Temat: Poprawo całkowita i czciowa algorytmu. Złooo obliczeiowa algorytmu. Złooo czasowa redia i pesymistycza. Rzd fukcji. I. Literatura 1. L. Baachowski, K. Diks, W. Rytter Algorytmy i struktury daych.
Bardziej szczegółowo3. Regresja liniowa Założenia dotyczące modelu regresji liniowej
3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi
Bardziej szczegółowoLABORATORIUM INŻYNIERII CHEMICZNEJ, PROCESOWEJ I BIOPROCESOWEJ. Ćwiczenie nr 16
KATEDRA INŻYNIERII CHEMICZNEJ I ROCESOWEJ INSTRUKCJE DO ĆWICZEŃ LABORATORYJNYCH LABORATORIUM INŻYNIERII CHEMICZNEJ, ROCESOWEJ I BIOROCESOWEJ Ćwiczeie r 16 Mieszaie Osoba odpowiedziala: Iwoa Hołowacz Gdańsk,
Bardziej szczegółowoBazy danych. wprowadzenie teoretyczne. Piotr Prekurat 1
Bazy danych wprowadzenie teoretyczne Piotr Prekurat 1 Baza danych Jest to zbiór danych lub jakichkolwiek innych materiałów i elementów zgromadzonych według określonej systematyki lub metody. Zatem jest
Bardziej szczegółowod wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem
d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)
Bardziej szczegółowoMiary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.
Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla
Bardziej szczegółowoRelacyjne bazy danych. Normalizacja i problem nadmierności danych.
Relacyjne bazy danych. Normalizacja i problem nadmierności danych. Robert A. Kłopotek r.klopotek@uksw.edu.pl Wydział Matematyczno-Przyrodniczy. Szkoła Nauk Ścisłych, UKSW Relacyjne bazy danych Stworzone
Bardziej szczegółowoNOWA PERSPEKTYWA, UBEZPIECZENIE UNIWERSALNE, PLUS, PERSPEKTYWA
NOWA PERSPEKTYWA, UBEZPIECZENIE UNIWERSALNE, PLUS, PERSPEKTYWA B. ZAŁĄCZNIKI NUMERY DOŁĄCZONYCH WNIOSKÓW/DEKLARACJI WNIOSEK O ZAWARCIE UMÓW DODATKOWYCH/ DEKLARACJA PRZYSTĄPIENIA DO UBEZPIECZENIA/ DEKLARACJA
Bardziej szczegółowoSystemy operacyjne
Systemy operacyje 26.11.2010 Zasady poprawości harmoogramu w każdej chwili procesor może wykoywać tylko jedo zadaie w każdej chwili zadaie może być obsługiwae przez co ajwyżej jede procesor Zadaie Z j
Bardziej szczegółowoHurtownie danych a transakcyjne bazy danych
Hurtownie danych a transakcyjne bazy danych Materiały źródłowe do wykładu: [1] Jerzy Surma, Business Intelligence. Systemy wspomagania decyzji, Wydawnictwo Naukowe PWN, Warszawa 2009 [2] Arkadiusz Januszewski,
Bardziej szczegółowoĆwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA
Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz
Bardziej szczegółowoEgzaminy. na wyższe uczelnie 2003. zadania
zadaia Egzamiy wstępe a wyższe uczelie 003 I. Akademia Ekoomicza we Wrocławiu. Rozwiąż układ rówań Æ_ -9 y - 5 _ y = 5 _ -9 _. Dla jakiej wartości parametru a suma kwadratów rozwiązań rzeczywistych rówaia
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)
Bardziej szczegółowoEGZAMIN MATURALNY Z INFORMATYKI MAJ 2011 POZIOM ROZSZERZONY WYBRANE: CZĘŚĆ I. Czas pracy: 90 minut. Liczba punktów do uzyskania: 20 WPISUJE ZDAJĄCY
Cetrala Komisja Egzamiacyja Arkusz zawiera iformacje prawie chroioe do mometu rozpoczęcia egzamiu. Układ graficzy CKE 2010 KOD WISUJE ZDAJĄCY ESEL Miejsce a aklejkę z kodem EGZAMIN MATURALNY Z INORMATYKI
Bardziej szczegółowoSTATYSTYKA I ANALIZA DANYCH
TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica
Bardziej szczegółowoEgzamin maturalny z informatyki Poziom rozszerzony część I
Zadaie 1. Długość apisów biarych (7 pkt) Opisaa poiżej fukcja rekurecyja wyzacza, dla liczby aturalej 0, długość apisu uzyskaego przez sklejeie biarych reprezetacji liczb aturalych od 1 do 1. ukcja krok
Bardziej szczegółowoz przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X
Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie
Bardziej szczegółowoMatematyka finansowa 06.10.2008 r. Komisja Egzaminacyjna dla Aktuariuszy. XLVII Egzamin dla Aktuariuszy z 6 października 2008 r.
Komisja Egzamiacyja dla Aktuariuszy XLVII Egzami dla Aktuariuszy z 6 paździerika 2008 r. Część I Matematyka fiasowa WERSJA TESTU A Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut . Kredytobiorca
Bardziej szczegółowoSystem finansowy gospodarki
System fiasowy gospodarki Zajęcia r 5 Matematyka fiasowa Wartość pieiądza w czasie 1 złoty posiaday dzisiaj jest wart więcej iż 1 złoty posiaday w przyszłości, p. za rok. Powody: Suma posiadaa dzisiaj
Bardziej szczegółowoInstytut Mechaniki i Inżynierii Obliczeniowej fb.com/groups/bazydanychmt/
Instytut Mechaniki i Inżynierii Obliczeniowej www.imio.polsl.pl fb.com/imiopolsl @imiopolsl fb.com/groups/bazydanychmt/ Wydział Mechaniczny technologiczny Politechnika Śląska Laboratorium 4 (Asocjacje,
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIV, 06.06.06 STATYSTYKA BAYESOWSKA CD. Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowo*Q019* Deklaracja przystąpienia do grupowego ubezpieczenia na życie z rozszerzoną ankietą medyczną. Ubezpieczający. Ubezpieczony
*Q019* Deklaracja przystąpieia do grupowego ubezpieczeia a życie z rozszerzoą akietą medyczą Nr polisy ubezpieczeia Nr podgrupy Ubezpieczający Nazwa firmy Ubezpieczoy Pracowik Małżoek Pełoletie Dziecko
Bardziej szczegółowoPLANOWANIE PROCESÓW WYTWARZANIA
Politechika Pozańska Zakład Zarządzaia i Iżyierii Jakości PLANOWANIE PROCESÓW WYTWARZANIA Materiały pomocicze do projektu z przedmiotu: Zarządzaie produkcją i usługami Opracował Krzysztof ŻYWICKI Pozań,
Bardziej szczegółowoBazy danych. Zenon Gniazdowski WWSI, ITE Andrzej Ptasznik WWSI
Bazy danych Zenon Gniazdowski WWSI, ITE Andrzej Ptasznik WWSI Wszechnica Poranna Trzy tematy: 1. Bazy danych - jak je ugryźć? 2. Język SQL podstawy zapytań. 3. Mechanizmy wewnętrzne baz danych czyli co
Bardziej szczegółowoPodstawy języka SQL. SQL Structured Query Languagestrukturalny
Podstawy języka SQL SQL Structured Query Languagestrukturalny język zapytań DDL Język definicji danych (np. tworzenie tabel) DML Język manipulacji danych (np. tworzenie zapytań) DCL Język kontroli danych
Bardziej szczegółowoTRANSFORMACJA MODELU ER DO MODELU RELACYJNEGO
TRANSFORMACJA MODELU ER DO MODELU RELACYJNEGO Biologiczne Aplikacje Baz Danych dr inż. Anna Leśniewska alesniewska@cs.put.poznan.pl REPETYTORIUM Schemat bazy danych zbiór schematów relacji Relacja (tabela)
Bardziej szczegółowoSTATYSTYCZNA OCENA WYNIKÓW POMIARÓW.
Statytycza ocea wyików pomiaru STATYSTYCZNA OCENA WYNIKÓW POMIARÓW CEL ĆWICZENIA Celem ćwiczeia jet: uświadomieie tudetom, że każdy wyik pomiaru obarczoy jet błędem o ie zawze zaej przyczyie i wartości,
Bardziej szczegółowo030 PROJEKTOWANIE BAZ DANYCH. Prof. dr hab. Marek Wisła
030 PROJEKTOWANIE BAZ DANYCH Prof. dr hab. Marek Wisła Elementy procesu projektowania bazy danych Badanie zależności funkcyjnych Normalizacja Projektowanie bazy danych Model ER, diagramy ERD Encje, atrybuty,
Bardziej szczegółowoELEKTROTECHNIKA I ELEKTRONIKA
UNIWERSYTET TECHNOLOGICZNO-PRZYRODNICZY W BYDGOSZCZY WYDZIAŁ INŻYNIERII MECHANICZNEJ INSTYTUT EKSPLOATACJI MASZYN I TRANSPORTU ZAKŁAD STEROWANIA ELEKTROTECHNIKA I ELEKTRONIKA ĆWICZENIE: E20 BADANIE UKŁADU
Bardziej szczegółowoMATEMATYKA (poziom podstawowy) przykładowy arkusz maturalny wraz ze schematem oceniania dla klasy II Liceum
MATEMATYKA (poziom podstawowy) przykładowy arkusz maturaly wraz ze schematem oceiaia dla klasy II Liceum Propozycja zadań maturalych sprawdzających opaowaie wiadomości i umiejętości matematyczych z zakresu
Bardziej szczegółowo