Definicje ogólne

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "2012-10-11. Definicje ogólne"

Transkrypt

1 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 Teora zapasów zbór odel ekonocznych zwązanych z agazynowane oraz zbór technk optyalzacyjnych do rozwązywana zadań wynkających z tych odel 3 Podstawowe pytane TZ jakej welkośc partę towarów zaówć (wyprodukować) w który oence Typy zadań TZ: Deternstyczne kedy zapotrzebowane jest znane Probablstyczne zapotrzebowane jest losowe Istneje wele etod wyznaczena decyzj optyalnych na podstawe stworzonych odel np. prograowane całkowtolczbowe, prograowane dynaczne nne. Modele ekonocznej welkośc part Zapasy są wykorzystywane w sposób cągły, ze stałą ntensywnoścą a sztuk w jednostce czasu. W oence gdy pozo zapasów osąga 0 zaawana jest parta towarów o stałej welkośc Q, która jest natychast dostarczana. Koszt zakupu jednej sztuk towaru jest stały wynos c Zawsze, gdy zaawana jest parta towaru występuje stały koszt zakupu K. Koszt agazynowana jednej sztuk towaru przez jednostkę czasu wynos h 4 5 6

2 0-0- Koszt całkowty = koszt stały + + koszt zakupu + + koszt agazynowana Średn pozo zapasów w przedzale [0,Q/a] ( Q 0) Q Średn koszt agazynowana w ty okrese hq Całkowty koszt agazynowana hq Q hq a a Koszt całkowty = koszt stały + koszt zakupu + koszt agazynowana hq Koszt całkowty = K cq a Koszt całkowty na jednostkę czasu ak hq T( Q) ac Q dt( Q) ak h dq Q Znajdujey ejsce zerowe ak h 0 Q Q ak h 0

3 0-0- Zapasy są wykorzystywane w sposób cągły, ze stałą ntensywnoścą a sztuk w jednostce czasu. Dla każdego okresu dopuszczalna jest stała wartość nedoboru S. Występuje wówczas koszt karny p za każdą jednostkę nezaspokojonego zapotrzebowana w jednostce czasu. Koszt zakupu jednej sztuk towaru jest stały wynos c Zawsze, gdy zaawana jest parta towaru występuje stały koszt zakupu K. Koszt agazynowana jednej sztuk towaru przez jednostkę czasu wynos h. Koszt całkowty = koszt stały + koszt zakupu + koszt agazynowana + koszt karny hr p( Q R) Koszt całkowty = K cq a a Koszt całkowty na jednostkę czasu ak hr p( Q R) T( Q, R) ac Q Q Q Należy rozwązać zadane n T( Q, R), Q R Znajdujey ejsca zerowe pochodnych T T 0 oraz 0 Q R Otrzyujey Q ak p h h p R ak p h p h Nedobory są nedopuszczalne. Koszt zakupu jednej sztuk towaru jest uzależnony od welkośc part, tzn. stosowane są upusty cenowe. c jeśl 0 Q q c jeśl q Q q c c3 jeśl q Q q3 c4 jeśl q3 Q c c c3 c4 ak hq T ( Q) ac,,3,4 Q Q =q q Q q q

4 0-0- Założena ogólne: Zaawanych jest klka różnych produktów Występują ogranczena na welkość zaówena Powerzchna agazynowa jest ogranczona Produkt -ty jest zużywany w sposób cągły ze stałą ntensywnoścą a sztuk w jednostce czasu. Kedy pozo zapasów produktu -tego osąga 0 zaaway Q sztuk produktu -tego. Koszt zakupu jednej sztuk produktu -tego wynos c Występuje stały koszt zakupu part produktu -tego, wynoszący K Koszt agazynowana jednej sztuk produktu -tego przez jednostkę czasu wynos h Zaówena poszczególnych produktów dokonywane są nezależne w różny czase Jednostka produktu zużywa s jednostek agazynowych Całkowta dostępna przestrzeń agazynowa wynos B Ne wolno przekroczyć ogólnej powerzchn agazynu s Q s Q s Q s B 9 0 Danych jest zennych: Q, Q,, Q n a K Q h Q a c Ogranczena: sq sq sq B Q 0,,, Prograowane nelnowe Rozwązane optyalne, gdy ne a ogranczena agazynowego: 0 ak Q dla,,, h Jeśl 0 0 s Q s Q 0 s Q B to wartośc Q 0 są wartośca optyalny Jeśl ogranczene agazynowe jest naruszone dla wartośc Q 0 należy znalzować następującą funkcję (etoda Lagrange a): a K h Q L( Q, u) ac us Q s Q sq B Q Należy wyznaczyć pochodne cząstkowe L 0,,, Q L 0 u 3 4 4

5 0-0- a K h Q L( Q, u) ac us Q s Q sq B Q a K h us 0,, Q, s Q s Q B Q ak h us Dla u=0 Q =Q 0, zate s ak ak s h us h us B Istneje u >0 take, że lewa strona tej nerównośc dla u=u staje sę równa B. u należy znaleźć etoda nueryczny Deternstyczne odele dynaczne Zaówena są składane na początku ustalonych przedzałów czasowych Zapotrzebowana są dowolne w poszczególnych okresach (dowolna ntensywność) Przedzały czasowe są dowolnej długośc W każdy okrese zaówene oże być nne Jest N przedzałów czasowych t=,,...,n D t zapotrzebowane w przedzale t. Mus być zaspokojone na początku przedzału. x t welkość zaówena na początku przedzału t I t welkość zapasów na końcu przedzału t c t (x t ) koszt zaówena x t sztuk towaru w przedzale t h t (I t ) koszt agazynowana I t sztuk towaru, poberany na końcu okresu t Q D 4 x 3 D I Czas

6 0-0- n przy I I t x 0 t I 0 t N ct xt ht It t t ogranczenach xt Dt całkowte całkowte dla t,,, N Prograowane całkowtolczbowe nelnowe Na etape n zdecyduj jaka a być welkość zaówena (x n ) na początku przedzału czasowego n Stan systeu jest równy pozoow zapasów na początku etapu f n (s,x n ) nalny koszt strateg zaóweń w przedzałach od n do N, przy dany pozoe zapasów s oraz jeśl zdecydowano zaówć x n sztuk produktu na początku przedzału czasowego n f n (s) nalny koszt strateg zaóweń w przedzałach od n do N, przy dany pozoe zapasów s Poszukujey f (I 0 ), gdze I 0 początkowy pozo zapasów. f n (s,x n )=c n (x n )+h n (s+x n -D n )+f n+ (s+x n -D n ) f n (s)=n{f n (s,x n )}, dla wszystkch x n Zapotrzebowana w kolejnych tygodnach wynoszą: D =5, D =4, D 3 =3, D 4 =5. W każdy z tygodn koszt produkcj koszt agazynowana dany jest tabelką: wklęsła Jeśl sua funkcj kosztów zakupu agazynowana jest wklęsła, to stratega optyalna a taką własność, że zaówena występują jedyne wówczas, gdy pozo zapasów wynos zero. Szt c h wypukła It xt 0 dla wszystkch t I t- > 0 x t =

7 0-0- x n =D n (na jeden etap) x n =D n +D n+ (na dwa etap... x n =D n +D n D N (na wszystke etapy do końca) Przykład: D =3, D =5, D 3 =4 x =3, x =8, x = Krok Zaów x =D, tak, aby zaspokoć zapotrzebowane w etape Krok Nech k będze perwszy przedzałe, w który przynajnej jedna jednostka zapotrzebowana jest nezaspokojona. Rozważ ożlwość zaspokojena jednej jednostk zapotrzebowana przez zaówene jej w przedzale j, j=,,..., k Krok 3 Dla każdej z k ożlwośc oblcz przyrost kosztu. Wyberz ożlwość o najnższy koszce w jak najdalszy przedzale. Krok 4 Jeśl są przedzały o nezaspokojony zapotrzebowanu wykonaj krok. Jeśl ne STOP stratega jest optyalna. Probablstyczne odele zapasów Założena: Rozpatrujey jeden przedzał czasowy. Zapotrzebowane D jest opsane zenną losową. Pozo zapasów na początku przedzału wynos zero. x pozo zapasów na początku etapu y pozo zapasów po zaówenu (produkcj) D neujena zenna losowa opsująca zapotrzebowane f funkcja gęstośc zennej losowej D F dystrybuanta zennej losowej D p cena sprzedaży jednej sztuk towaru s koszt nezaspokojena jednostk zapotrzebowana c koszt zakupu (produkcj) jednej sztuk h koszt agazynowana jednej sztuk, poberany na konec przedzału czasowego pd cy h( y D) P( D) py cy s( D Poszukujey wartośc oczekwanej zysku dla y D dla y D

8 0-0- X zenna losowa o funkcj gęstośc f g cągła funkcja zennej losowej X g( X ) E g( z) f ( z) dz gdze E L( PD ped cy L( p( z f ( z) dz s( z f ( z) dz y y y 0 h( y z) f ( z) dz ax E[P(D)] n (cy+l() r c F( y ) r p s r h r c y F r h Należy rozwązać zadane: cy+l( cy+l( F(z) n c(y-x) + L( dla y >= x rc rh Otrzyujey: y x x y r c y F r h z r c F( y ) r h x y x y y x y y ( zaawaj 0) ( zaawaj y x)

9 0-0- Zapotrzebowane D jest opsane zenną losową, która oże przyjować wartośc ze zboru R + Pozo zapasów na początku przedzału wynos x Występuje stały koszt K zwązany z zaówene Wartość oczekwana kosztu K c( y x) L( L( x) Należy zbadać nerówność: dla y x dla y x L( x) K c( y x) L( cx L( x) K c( L( cy+l( s y K Decyzja optyalna: x y x y dla dla dla cs L( s) K cy x y s x y x s r c F( y ) r h cx L( x) K c( L( s jest najnejszą wartoścą, dla której zachodz: zaawaj 0 zaawaj 0 zaawaj y x L( y )

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są

Bardziej szczegółowo

EKONOMETRIA I Spotkanie 1, dn. 05.10.2010

EKONOMETRIA I Spotkanie 1, dn. 05.10.2010 EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra

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

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

= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału

= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału 5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B

Bardziej szczegółowo

0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4

0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4 Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (

Bardziej szczegółowo

EFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA

EFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA EFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA Nekedy zachodz koneczność zany okesu kapt. z ównoczesny zachowane efektów opocentowane. Dzeje sę tak w nektóych zagadnenach ateatyk fnansowej np.

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

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

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

ZAJĘCIA 3. Pozycyjne miary dyspersji, miary asymetrii, spłaszczenia i koncentracji

ZAJĘCIA 3. Pozycyjne miary dyspersji, miary asymetrii, spłaszczenia i koncentracji ZAJĘCIA Pozycyjne ary dyspersj, ary asyetr, spłaszczena koncentracj MIARY DYSPERSJI: POZYCYJNE, BEZWZGLĘDNE Rozstęp dwartkowy (ędzykwartylowy) Rozstęp dwartkowy określa rozpętośd tej częśc obszaru zennośc

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

Komputerowe generatory liczb losowych

Komputerowe generatory liczb losowych . Perwszy generator Komputerowe generatory lczb losowych 2. Przykłady zastosowań 3. Jak generuje sę lczby losowe przy pomocy komputera. Perwszy generator lczb losowych L. H. C. Tppet - 927 Ksąż ążka -

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

EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą.

EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą. Joaa Ceślak, aula Bawej ESTREA FUNCJI ESTREA FUNCJI JEDNEJ ZIENNEJ Otoczeem puktu R jest każdy przedzał postac,+, gdze >. Sąsedztwem puktu jest każdy zbór postac,,+, gdze >. Nech R, : R oraz ech. De. ówmy,

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

dy dx stąd w przybliżeniu: y

dy dx stąd w przybliżeniu: y Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc

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

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

Rozliczanie kosztów Proces rozliczania kosztów

Rozliczanie kosztów Proces rozliczania kosztów Rozlczane kosztów Proces rozlczana kosztów Koszty dzałalnośc jednostek gospodarczych są złoŝoną kategorą ekonomczną, ujmowaną weloprzekrojowo. W systeme rachunku kosztów odbywa sę transformacja jednych

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1 KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje

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

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi. 3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy

Bardziej szczegółowo

Markowa. ZałoŜenia schematu Gaussa-

Markowa. ZałoŜenia schematu Gaussa- ZałoŜena scheatu Gaussa- Markowa I. Model jest nezennczy ze względu na obserwacje: f f f3... fl f, czyl y f (x, ε) II. Model jest lnowy względe paraetrów. y βo + β x +ε Funkcja a być lnowa względe paraetrów

Bardziej szczegółowo

V. TERMODYNAMIKA KLASYCZNA

V. TERMODYNAMIKA KLASYCZNA 46. ERMODYNAMIKA KLASYCZNA. ERMODYNAMIKA KLASYCZNA ermodynamka jako nauka powstała w XIX w. Prawa termodynamk są wynkem obserwacj welu rzeczywstych procesów- są to prawa fenomenologczne modelu rzeczywstośc..

Bardziej szczegółowo

Zadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane

Bardziej szczegółowo

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B W przypadku gdy e występuje statystyczy rozrzut wyków (wszystke pomary dają te sam wyk epewość pomaru wyzaczamy w y sposób. Główą przyczyą epewośc pomaru jest epewość

Bardziej szczegółowo

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru Pomary fzyczne - dokonywane tylko ze skończoną dokładnoścą. Powodem - nedoskonałość przyrządów pomarowych neprecyzyjność naszych zmysłów borących udzał w obserwacjach. Podawane samego tylko wynku pomaru

Bardziej szczegółowo

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1 POPULACJA I PRÓBA POPULACJĄ w statystyce matematyczej azywamy zbór wszystkch elemetów (zdarzeń elemetarych charakteryzujących sę badaą cechą opsywaą zmeą losową. Zbadae całej populacj (przeprowadzee tzw.

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

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

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

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

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

8. Optymalizacja decyzji inwestycyjnych

8. Optymalizacja decyzji inwestycyjnych dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.

Bardziej szczegółowo

Natalia Nehrebecka. Wykład 2

Natalia Nehrebecka. Wykład 2 Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad

Bardziej szczegółowo

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np. Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas

Bardziej szczegółowo

Parametry zmiennej losowej

Parametry zmiennej losowej Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru

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

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

WPROWADZENIE DO EKONOMII MENEDŻERSKIEJ.

WPROWADZENIE DO EKONOMII MENEDŻERSKIEJ. Wykład 1 Wprowadzenie do ekonomii menedżerskiej 1 WPROWADZENIE DO EKONOMII MENEDŻERSKIEJ. PODEJMOWANIE OPTYMALNYCH DECYZJI NA PODSTAWIE ANALIZY MARGINALNEJ. 1. EKONOMIA MENEDŻERSKA ekonomia menedżerska

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

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

( ) Elementy rachunku prawdopodobieństwa. f( x) 1 F (x) f(x) - gęstość rozkładu prawdopodobieństwa X f( x) - dystrybuanta rozkładu.

( ) Elementy rachunku prawdopodobieństwa. f( x) 1 F (x) f(x) - gęstość rozkładu prawdopodobieństwa X f( x) - dystrybuanta rozkładu. Elementy rchunku prwdopodoeństw f 0 f() - gęstość rozkłdu prwdopodoeństw X f d P< < = f( d ) F = f( tdt ) - dystryunt rozkłdu E( X) = tf( t) dt - wrtość średn D ( X) = E( X ) E( X) - wrncj = f () F ()

Bardziej szczegółowo

1. Relacja preferencji

1. Relacja preferencji dr Mchał Koopczyńsk EKONOMIA MATEMATYCZNA Wykłady, 2, 3 (a podstawe skryptu r 65) Relaca preferec koszyk towarów: przestrzeń towarów: R + = { x R x 0} x = ( x,, x ) X X R+ x 0 x 0 =, 2,, x~y xf y x y x

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

Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja

Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest

Bardziej szczegółowo

STATYSTYCZNA ANALIZA WYNIKÓW POMIARÓW

STATYSTYCZNA ANALIZA WYNIKÓW POMIARÓW Zakład Metrolog Systemów Pomarowych P o l t e c h n k a P o z n ańska ul. Jana Pawła II 4 60-965 POZAŃ (budynek Centrum Mechatronk, Bomechank anonżyner) www.zmsp.mt.put.poznan.pl tel. +48 61 665 5 70 fax

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

Planowanie eksperymentu pomiarowego I

Planowanie eksperymentu pomiarowego I POLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA ENERGETYKI INSTYTUT MASZYN URZĄDZEŃ ENERGETYCZNYCH Plaowae eksperymetu pomarowego I Laboratorum merctwa (M 0) Opracował: dr ż. Grzegorz Wcak

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

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

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

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych dr Ewa Wycka Wyższa Szkoła Bakowa w Gdańsku Wtold Komorowsk, Rafał Gatowsk TZ SKOK S.A. Statystycza aalza mesęczych zma współczyka szkodowośc kredytów hpoteczych Wskaźk szkodowośc jest marą obcążea kwoty/lczby

Bardziej szczegółowo

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru Pomary fzyczne - dokonywane tylko ze skończoną dokładnoścą. Powodem - nedoskonałość przyrządów pomarowych neprecyzyjność naszych zmysłów borących udzał w obserwacjach. Podawane samego tylko wynku pomaru

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 3

Natalia Nehrebecka. Zajęcia 3 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a

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

Współczynniki aktywności w roztworach elektrolitów

Współczynniki aktywności w roztworach elektrolitów Współczynnk aktywnośc w roztworach elektroltów Ag(s) ½ 2 (s) = Ag (aq) (aq) Standardowa molowa entalpa takej reakcj jest dana wzorem: H r Przypomnene! = H tw, Ag ( aq) Jest ona merzalna ma sens fzyczny.

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

XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadanie teoretyczne

XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadanie teoretyczne XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadane teoretyczne Rozwąż dowolne rzez sebe wybrane dwa sośród odanych nże zadań: ZADANIE T Nazwa zadana: Protony antyrotony A. Cząstk o mase równe mase rotonu, ale

Bardziej szczegółowo

. Wtedy E V U jest równa

. Wtedy E V U jest równa Prawdopodobeństwo statystyka 7.0.0r. Zadae Dwuwymarowa zmea losowa Y ma rozkład cągły o gęstośc gdy ( ) 0 y f ( y) 0 w przecwym przypadku. Nech U Y V Y. Wtedy E V U jest rówa 8 7 5 7 8 8 5 Prawdopodobeństwo

Bardziej szczegółowo

Zjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych)

Zjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych) Statystyka - nauka zajmująca sę metodam badana przedmotów zjawsk w ch masowych przejawach ch loścową lub jakoścową analzą z punktu wdzena nauk, do której zakresu należą.

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej

Bardziej szczegółowo

JEDNOWYMIAROWA ZMIENNA LOSOWA

JEDNOWYMIAROWA ZMIENNA LOSOWA JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:

Bardziej szczegółowo

Metody predykcji analiza regresji

Metody predykcji analiza regresji Metody predykcj analza regresj TPD 008/009 JERZY STEFANOWSKI Instytut Informatyk Poltechnka Poznańska Przebeg wykładu. Predykcja z wykorzystanem analzy regresj.. Przypomnene wadomośc z poprzednch przedmotów..

Bardziej szczegółowo

RUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego.

RUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego. RUCH OBROTOWY Można opsać ruch obrotowy ze stałym przyspeszenem ε poprzez analogę do ruchu postępowego jednostajne zmennego. Ruch postępowy a const. v v at s s v t at Ruch obrotowy const. t t t Dla ruchu

Bardziej szczegółowo

Współczynniki aktywności w roztworach elektrolitów. W.a. w roztworach elektrolitów (2) W.a. w roztworach elektrolitów (3) 1 r. Przypomnienie!

Współczynniki aktywności w roztworach elektrolitów. W.a. w roztworach elektrolitów (2) W.a. w roztworach elektrolitów (3) 1 r. Przypomnienie! Współczynnk aktywnośc w roztworach elektroltów Ag(s) ½ (s) Ag (aq) (aq) Standardowa molowa entalpa takej reakcj jest dana wzorem: H H H r Przypomnene! tw, Ag ( aq) tw, ( aq) Jest ona merzalna ma sens fzyczny.

Bardziej szczegółowo

Systemy Just-in-time. Sterowanie produkcją

Systemy Just-in-time. Sterowanie produkcją Systemy Just-n-tme Sterowane proukcją MRP MRP II Just n tme OPT 1 Sterowane proukcją MRP MRP II Just n tme OPT Koszty opóźneń Kary umowne Utrata zamówena Utrata klenta Utrata t reputacj 2 Problemy z zapasam

Bardziej szczegółowo

liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.

liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym. =DGDQLHSROHJDMFHQDSRV]XNLZDQLXPDNV\PDOQHMOXEPLQLPDOQHMZDUWRFLIXQNFMLZLHOX ]PLHQQ\FKSU]\MHGQRF]HVQ\PVSHáQLHQLXSHZQHMLORFLQDáR*RQ\FKZDUXQNyZ UyZQDOXE QLHUyZQRFLQRVLQD]Z]DGDQLDRSW\PDOL]DF\MQHJROXE]DGDQLDSURJUDPRZDQLD

Bardziej szczegółowo

ZASTOSOWANIE PROGRAMOWANIA DYNAMICZNEGO DO OPRACOWANIA STRATEGII REDUKCJI EMISJI GAZÓW

ZASTOSOWANIE PROGRAMOWANIA DYNAMICZNEGO DO OPRACOWANIA STRATEGII REDUKCJI EMISJI GAZÓW ZASTOSOWANIE PROGRAOWANIA DYNAICZNEGO DO OPRACOWANIA STRATEGII REDUKCJI EISJI GAZÓW ANDRZEJ KAŁUSZKO Instytut Bada Systemowych Streszczene W pracy opsano zadane efektywnego przydzału ogranczonych rodków

Bardziej szczegółowo

Wykłady Jacka Osiewalskiego. z Ekonometrii. CZĘŚĆ PIERWSZA: Modele Regresji. zebrane ku pouczeniu i przestrodze

Wykłady Jacka Osiewalskiego. z Ekonometrii. CZĘŚĆ PIERWSZA: Modele Regresji. zebrane ku pouczeniu i przestrodze Wykłady Jacka Osewalskego z Ekonometr zebrane ku pouczenu przestrodze UWAGA!! (lstopad 003) to jest wersja neautoryzowana, spsana przeze mne dawno temu od tego czasu ne przejrzana; ma status wersj roboczej,

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

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

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =

Bardziej szczegółowo

65120/ / / /200

65120/ / / /200 . W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę

Bardziej szczegółowo

Analiza ryzyka jako instrument zarządzania środowiskiem

Analiza ryzyka jako instrument zarządzania środowiskiem WARSZTATY 2003 z cyklu Zagrożena naturalne w górnctwe Mat. Symp. str. 461 466 Elżbeta PILECKA, Małgorzata SZCZEPAŃSKA Instytut Gospodark Surowcam Mneralnym Energą PAN, Kraków Analza ryzyka jako nstrument

Bardziej szczegółowo

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski Różczkowae fukcj rzeczywstych welu zmeych rzeczywstych Matematyka Studum doktoracke KAE SGH Semestr let 8/9 R. Łochowsk Pochoda fukcj jedej zmeej e spojrzee Nech f : ( α, β ) R, α, β R, α < β Fukcja f

Bardziej szczegółowo

Treść zadań 1 8 odnosi się do poniższego diagramu przestrzenno-czasowego.

Treść zadań 1 8 odnosi się do poniższego diagramu przestrzenno-czasowego. Treść zadań 8 odnos sę do ponższego dagramu przestrzenno-czasowego. P e e e e e e P e P P e e e e. Jaka będze wartość zmennej clock (zegara skalarnego) po zajścu zdarzena e w procese P zakładając że wartość

Bardziej szczegółowo

METODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki

METODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki Metody Planowana Eksperymentów Rozdzał 1. Strona 1 z 14 METODY PLANOWANIA EKSPERYMENTÓW dr hab. nż. Marusz B. Bogack Marusz.Bogack@put.poznan.pl www.fct.put.poznan.pl/cv23.htm Marusz B. Bogack 1 Metody

Bardziej szczegółowo

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5 L.Kowalsk zadaa ze statystyk opsowej-zestaw 5 Zadae 5. X cea (zł, Y popyt (tys. szt.. Mając dae ZADANIA Zestaw 5 x,5,5 3 3,5 4 4,5 5 y 44 43 43 37 36 34 35 35 Oblcz współczyk korelacj Pearsoa. Oblcz współczyk

Bardziej szczegółowo

System finansowy gospodarki

System finansowy gospodarki System fasowy gospodark Zajęca r 7 Krzywa retowośc, zadaa (mat. f.), marża w hadlu, NPV IRR, Ustawa o kredyce kosumeckm, fukcje fasowe Excela Krzywa retowośc (dochodowośc) Yeld Curve Krzywa ta jest grafczym

Bardziej szczegółowo

Programowanie wielokryterialne

Programowanie wielokryterialne Prgramwane welkryteralne. Pdstawwe defncje znaczena. Matematyczny mdel sytuacj decyzyjnej Załóżmy, że decydent dknując wybru decyzj dpuszczalnej x = [ x,..., xn ] D keruje sę szeregem kryterów f,..., f.

Bardziej szczegółowo

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = = 4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ. W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,

Bardziej szczegółowo

Przykładowe zadania na egzamin ustny 1TR (semestr II)

Przykładowe zadania na egzamin ustny 1TR (semestr II) Przykładowe zadania na egzamin ustny 1TR (semestr II) Zadanie 1 W spółce Alfa" wycena obrotu materiałowego prowadzona jest w cenach rzeczywistych ustalonych na poziomie ceny zakupu fakturowanej przez dostawców.

Bardziej szczegółowo

Część III: Termodynamika układów biologicznych

Część III: Termodynamika układów biologicznych Część III: Termodynamka układów bologcznych MATERIAŁY POMOCNICZE DO WYKŁADÓW Z PODSTAW BIOFIZYKI IIIr. Botechnolog prof. dr hab. nż. Jan Mazersk TERMODYNAMIKA UKŁADÓW BIOLOGICZNYCH Nezwykle cenną metodą

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Eleenty odelowania ateatycznego Systey kolejkowe. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ RZYKŁAD KOLEJKI N(t) długość kolejki w chwili t T i czas obsługi i-tego klienta Do okienka

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

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

METODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.

METODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów. Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)

Bardziej szczegółowo

Procent prosty Gdy znamy kapitał początkowy i stopę procentową

Procent prosty Gdy znamy kapitał początkowy i stopę procentową cet psty Gdy zay aptał pczątwy stpę pcetwą F = + I aptał ńcwy, pczątwy, dset I = I = stpa pcetwa (w stsuu czy) F = ( + ) aledaze dsetwe 360/360, 365/365, 360/365, 365/360 es wyaży w latach (dla óżych esów

Bardziej szczegółowo

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej Podstawy Mary położea wskazują mejsce wartośc ajlepej reprezetującej wszystke welkośc daej zmeej. Mówą o przecętym pozome aalzowaej cechy. Średa arytmetycza suma wartośc zmeej wszystkch jedostek badaej

Bardziej szczegółowo

Optymalizacja belki wspornikowej

Optymalizacja belki wspornikowej Leszek MIKULSKI Katedra Podstaw Mechank Ośrodków Cągłych, Instytut Mechank Budowl, Poltechnka Krakowska e mal: ps@pk.edu.pl Optymalzacja belk wspornkowej 1. Wprowadzene RozwaŜamy zadane optymalnego kształtowana

Bardziej szczegółowo

CZĘŚĆ 6. MODEL REGRESJI, TREND LINIOWY ESTYMACJA, WNIOSKOWANIE

CZĘŚĆ 6. MODEL REGRESJI, TREND LINIOWY ESTYMACJA, WNIOSKOWANIE CZĘŚĆ 6. MODEL REGRESJI, TREND LINIOWY ESTYMACJA, WNIOSKOWANIE Zadane 1. Na podstawe obserwacj dotczącch welkośc powerzchn ekspozcjnej (cecha X w m kw.) oraz welkośc dzennego obrotu punktu sprzedaż płtek

Bardziej szczegółowo

Uchwała nr L/1044/05 Rady Miasta Katowice. z dnia 21 listopada 2005r.

Uchwała nr L/1044/05 Rady Miasta Katowice. z dnia 21 listopada 2005r. Uchwała nr L/1044/05 Rady Masta Katowce z dna 21 lstopada 2005r. w sprawe określena wysokośc stawek podatku od środków transportowych na rok 2006 obowązujących na terene masta Katowce Na podstawe art.18

Bardziej szczegółowo

CAŁKOWANIE NUMERYCZNE całki pojedyncze

CAŁKOWANIE NUMERYCZNE całki pojedyncze CAŁKOWANIE NUMERYCZNE całk pojedyncze Kwadratury nterpolacyjne Kwadratury nterpolacyjne Rozpatrujemy funkcję f() cągłą ogranczoną w przedzale domknętym [a, b]. Przedzał [a, b] dzelmy na skończoną lczbę

Bardziej szczegółowo

Model ASAD. ceny i płace mogą ulegać zmianom (w odróżnieniu od poprzednio omawianych modeli)

Model ASAD. ceny i płace mogą ulegać zmianom (w odróżnieniu od poprzednio omawianych modeli) Model odstawowe założena modelu: ceny płace mogą ulegać zmanom (w odróżnenu od poprzedno omawanych model) punktem odnesena analzy jest obserwacja pozomu produkcj cen (a ne stopy procentowej jak w modelu

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

Najlepsze odpowiedzi Najlepsze odpowiedzi p. 1/7

Najlepsze odpowiedzi Najlepsze odpowiedzi p. 1/7 Najlepsze odpowedz Rozgrzewka A B C X 1,4 2,12 0,9 Y 3,0 1,2 0,1 Z 1,12 1,0 5,3 Rozgrzewka L P A 0,0 0,0 B -2,1 1,-2 C 1,-2-2,1 Rozgrzewka L P A 0,0 0,0 B -2,1 1,-2 Gracz drug gra L C 1,-2-2,1 Rozgrzewka

Bardziej szczegółowo

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Optymalizacja

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Optymalizacja Politechnika Wrocławska, Wydział Informatyki i Zarządzania Optymalizacja Dla podanych niżej problemów decyzyjnych (zad.1 zad.5) należy sformułować zadania optymalizacji, tj.: określić postać zmiennych

Bardziej szczegółowo

WPROWADZENIE DO TEORII DECYZJI STATYSTYCZNYCH

WPROWADZENIE DO TEORII DECYZJI STATYSTYCZNYCH Ćwczene nr 1 Statystyczne metody wspomagana decyzj Teora decyzj statystycznych WPROWADZENIE DO TEORII DECYZJI STATYSTYCZNYCH Problem decyzyjny decyzja pocągająca za sobą korzyść lub stratę. Proces decyzyjny

Bardziej szczegółowo