MODELOWANIE PROBABILISTYCZNE PROCESU PRZESYŁANIA KOMUNIKATÓW W SYSTEMACH ROZPROSZONYCH

Wielkość: px
Rozpocząć pokaz od strony:

Download "MODELOWANIE PROBABILISTYCZNE PROCESU PRZESYŁANIA KOMUNIKATÓW W SYSTEMACH ROZPROSZONYCH"

Transkrypt

1 Zbigiew WESOŁOWSKI MODELOWANIE PROBABILISYCZNE PROCESU PRZESYŁANIA KOMUNIKAÓW W SYSEMACH ROZPROSZONYCH SRESZCZENIE W artykule omówioo zagadieia modelowaia probabilityczego oraz aalizy tatytyczej proceu przeyłaia komuikatów w ytemach rozprozoych Przyjęto że modelami probabilityczymi przepływości lików ieciowych ą ietacjoare ze względu a wartość oczekiwaą procey tochatycze Aalizy tatytycze prowadzi ię a podtawie daych geerowaych przez ymulator tochatyczy proceu przepływów daych w ieciach komputerowych Dae geerowae przez ymulator ą iterpretowae jako realizacje ietacjoarych proceów tochatyczych Przytoczoo przykład wykorzytaia propoowaego podejścia do badaia proceu przeyłaia daych w protym ytemie rozprozoym Słowa kluczowe: modelowaie probabilitycze ytemy rozprozoe aaliza tatytycza ietacjoarych zeregów czaowych 1 WSĘP Jedym z otwartych problemów wpółczeej matematyki i iformatyki jet zagadieie modelowaia matematyczego ytemów złożoych z wielu wzajemie oddziałujących a iebie elemetów [1 2] Przykładami takich ytemów ą: koloie mrówek orgaizmy żywe portale połeczościowe oraz ieci komputerowe W ytemach tych wzajema iterakcja elemetów prawia że proce wymiay iformacji taje ię tak komplikoway i ieprzewidywaly że iezwykle trudo jet go zrozumieć a zatem i opiać w potaci zależości matematyczych Do modelowaia matematyczego takich ytemów touje ię róże podejścia [3-8] w tym łańcuchy Markowa [3] oraz układy chaotycze [4] W pracach [6 8] przeprowadzoo aalizy krytycze dotyczące możliwości wykorzytaia różych podejść formalych do modelowaia Iteretu W pracy zapropoowao podejście probabilitycze [9 10] którego itotą jet wykorzytaie ietacjoarych ze względu a wartość oczekiwaą proceów tochatyczych dr iż Zbigiew WESOŁOWSKI zweolowki@watedupl Wojkowa Akademia echicza Warzawa 49 ul Ge Sylwetra Kalikiego 2 PRACE INSYUU ELEKROECHNIKI zezyt

2 106 Z Weołowki Podejście to uwzględia fakt że procey tramiji daych w ieciach komputerowych podlegają gwałtowym i ieprzewidywalym zmiaom Aalizy tatytycze proceów przeyłaia daych w likach oraz ścieżkach ieciowych ytemów rozprozoych prowadzi ię a podtawie wyików ymulacji komputerowej Krótki opi ymulatora zamiezczoo w pukcie 3 Do badaia rozważaych proceów zatoowao metody aalizy ietacjoarych zeregów czaowych [9 11] 0 Wprowadźmy ozaczeia: zbiór liczb rzeczywitych 0 0 zbiór liczb całkowitych zbiór liczb aturalych 0 2 zbiór parametrów czaowych 0 WN zum biały o zerowej wartości oczekiwaej i wariacji 2 ( 0 ) zbiór wzytkich fukcji określoych a zbiorze i o wartościach w Niech P będzie przetrzeią probabilityczą a której będą zdefiiowae wzytkie zmiee loowe 2 MODEL SYSEMU ROZPROSZONEGO Model matematyczy ytemu rozprozoego określa dwójka: (N D) gdzie: N jet modelem truktury D jet modelem proceu przeyłaia komuikatów (1) 21 Model truktury ytemu rozprozoego Model N (1) określa ieć: gdzie: N=(V E c) (2) V H R v1 v2 v mv jet zbiorem wierzchołków H h1 h2 h mh jet zbiorem wierzchołków reprezetujących komputery R r1 r2 r mr jet zbiorem wierzchołków reprezetujących routery oraz mv mh mr; E e1 e2 e me jet zbiorem krawędzi kierowaych reprezetujących jedokierukowe liki łączące wzytkie elemety ze zbioru V; c me 1 c1 c2 c m E jet wektorem przeputowości lików Niech K 1 mh L m będzie zbiorem umerów komputerów ze zbioru H Niech 1 E będzie zbiorem umerów krawędzi ze zbioru E Niech

3 Modelowaie probabilitycze proceu przeyłaia komuikatów 107 P p1 p2 p mp będzie zbiorem ścieżek łączących wzytkie pary różych 1 2 komputerów ze zbioru H gdzie: p p r r r jet ścieżką i łączącą parę różych komputerów H H r R dla: i1 1 mp Załóżmy że komputery ze zbioru H ą połączoe pojedyczymi 1 P będzie zbiorem umerów ścieżek ze zbioru P Zaady przeyłaia komuikatów w ieci N (2) określa biara macierz routigu: acykliczymi i tatyczymi ścieżkami Niech S m rl m EmP R (3) 1 dla el p rl 0 dla el p gdzie: el E dla l L; p P dla S Elemet r l macierzy R przyjmuje wartość jede jeśli lik e l ależy do ścieżki p oraz przyjmuje wartość zero w przeciwym przypadku Niech L ll: rl 1 będzie zbiorem umerów lików ależących do ścieżki S Niech Sl S: rl 1 będzie zbiorem umerów ścieżek zawierających lik l l L 22 Model proceu przeyłaia komuikatów Przyjmijmy że a każdym komputerze ze zbioru H ą wykoywae procey obliczeiowe zwae agetami które wymieiają komuikaty z iym agetami Załóżmy że każdy aget może wymieiać komuikaty z pojedyczym agetem A a a a będzie zbiorem wykoywaym a iym komputerze Niech k k1 k2 km Ak agetów wykoywaych a komputerze h k H gdzie 1 ma m 1 k H dla k K Niech A Ak a1 a2 am A będzie zbiorem agetów wykoywaych a kk wzytkich komputerach ze zbioru H gdzie: ma m kk A k mh ma mh mh 1 Komuikaty ą przeyłae między parami różych agetów a b A A a b wzdłuż ścieżek p p P dla S Z tego założeia wyika że ma mp W parze a b aget a jet azyway adawcą (lub źródłem) atomiat aget b jet azyway odbiorcą (lub ujściem) komuikatów przeyłaych wzdłuż ścieżki p Niech 1 2 m M M m m m będzie komuikatem geerowaym przez ageta a gdzie: mi B B={01} jet zbiorem liczb biarych dla i1 m M Niech

4 108 Z Weołowki M M1 M2 M ma będzie zbiorem komuikatów geerowaych przez wzytkich agetów ze zbioru A Źródło a geeruje komuikaty z zybkością Y gdzie Y 0 Po wyłaiu każdego pakietu daych źródło oczekuje a pakiet ACK potwierdzający odebraie przez ujście b uprzedio wyłaego pakietu Model proceu geerowaia komuikatów przez ageta a A określa trójka: G Y S (4) y gdzie: : Y jet zmieą loową będącą modelem probabilityczym zybkości geerowaia komuikatów przez ageta a Model proceu przeyłaia komuikatów przez lik l l L ależący do ścieżki S określa trójka: D l l l L S (5) gdzie: l : jet proceem tochatyczym z czaem dykretym będącym modelem probabilityczym przepływości liku l l L Model proceu przeyłaia komuikatów wzdłuż ścieżki określa trójka: D S (6) gdzie: : jet proceem tochatyczym z czaem dykretym będącym modelem probabilityczym przepływości ścieżki Model D (1) określa atępująca zótka: D Y ; S ; ll S ; S l 3 SYMULACJA PROCESU PRZESYŁANIA KOMUNIKAÓW W SYSEMACH ROZPROSZONYCH Symulacją komputerową proceu przeyłaia komuikatów w ytemach rozprozoych azywamy umeryczą metodę wiokowaia o długościach przedziałów czau przeyłaia komuikatów przez wzytkie liki ze zbioru L oraz przez wzytkie ścieżki ze zbioru S a podtawie oberwacji działaia programu komputerowego ymulującego te proce Symulację prowadzi ię metodą kolejych zdarzeń [12] Zdarzeia polegają a zakończeiu przeyłaia pakietów przez liki ze zbioru L Zachodzą oe w chwilach loowych ze zbioru

5 Modelowaie probabilitycze proceu przeyłaia komuikatów 109 Niech M M ozacza pakiet wygeeroway przez źródło a w chwili Niech t 1 t 2 t m pakietów t będzie zbiorem loowych chwil geerowaia M przez źródło a Niech N 1 m będzie zbiorem umerów M N M chwil ze zbioru Jak moża zauważyć zachodzi rówość Każdy pakiet jet przekazyway wzdłuż wzytkich ścieżek ze zbioru L Niech M 1 0 x l tl tl będzie długością przedziału czau przeyłaia pakietu M przez lik l l L gdzie: 0 t l 1 tl chwilą zakończeia przeyłaia pakietu M x x będzie długością przedziału czau ll przeyłaia pakietu rozpoczęcia a gdzie t l M przez ścieżkę S 1 t chwilą zakończeia przeyłaia pakietu M Ekperymet ymulacyjy polega a oberwacji długości l 0 1 l tl tl jet chwilą rozpoczęcia a przez te lik Niech 0 1 t t 0 t t jet chwilą gdzie: xl przez tę ścieżkę przedziałów czau dla: N l L S x l L S azywamy wyikami ekperymetu ymulacyjego Załóżmy że ekperymet ymulacyjy będzie powtarzay m m razy Liczbę m wyzacza ię tak aby zapewić 100(1-α)% przedział ufości dla wartości 1 m oczekiwaych ˆ l x 1 l z prób x l l L S [10 11] Niech m Próby l xl 1 xl 2 xl m I 1 m będzie zbiorem umerów ekperymetów ymulacyjych Próbę i x i1 x i2 x i m xl l l l azywamy wyikiem i i I ekperymetu ymulacyjego polegającego a oberwacji długości przedziałów czau przeyłaia wzytkich pakietów wygeerowaych przez źródło a wzdłuż liku l l L Macierze: X l x x x m x l l l l l xl xl xl m x (7) l m x xl m1 xl m2 xl m m dla: l L S azywamy wyikami ymulacyjego badaia proceu przeyłaia komuikatów w ytemach rozprozoych

6 110 Z Weołowki 4 ESYMACJA PARAMERÓW MODELI PROBABILISYCZNYCH PROCESÓW PRZESYŁANIA KOMUNIKAÓW W LINKACH SIECIOWYCH SYSEMÓW ROZPROSZONYCH Macierz X l (7) zapizmy w potaci: 1 2 m Xl x l xl xl m1 1 2 l l l l gdzie x x x x m jet -tą kolumą macierzy X l dla N Jak moża zauważyć kładowe xl i i I próby x l ą zaoberwowaymi w toku wykoywaia ekperymetów ymulacyjych długościami przedziałów czau przeyłaia pakietu M wzdłuż liku l l L dla N Składowe próby x l iterpretuje ię jako realizacje proceu tochatyczego l (5) tj l xl i gdzie i jet zdarzeiem elemetarym dla i I Niech i 1 m ˆ l x i 1 l i będzie średią z próby x l którą iterpretuje ię jako m ozacowaie oczekiwaej długości przedziału czau przeyłaia pakietu M przez lik l l L Załóżmy że ciąg zmieych loowych ˆ pełia rówaie o potaci: l N gdzie: l : ˆ l l l l l l β z N (8) jet tredem ciągu ˆ m 4 jet wektorem parametrów tredu l 2 ~ WN0 l l N l l l m β ˆ ˆ 2 ˆ 3 l l l l z l Pozukujemy modelu trukturalie zgodego z układem (8) o potaci: oraz ˆ l l blzl N (9) gdzie: ˆ l : jet modelem tredu b l l bl bl bl m jet wektorem iezaych parametrów modelu ˆl

7 Modelowaie probabilitycze proceu przeyłaia komuikatów 111 Załóżmy że pozukiway model ˆl ma miimalizować błąd średiokwadratowy E 2 l gdzie ˆ l l l dla N Rówaia (8) zapizmy w potaci macierzowej: ˆ l l l l μ Z β δ gdzie: μ 1 2 Zl zl zl zl m 1 2 m m 1 ˆ ˆ ˆ ˆ l l l l Rówaia (9) przybierają atępującą potać macierzową: μ Zb l l l m m 1 2 m m 1 gdzie μ l l l l 1 Zadaie polega a zalezieiu wektora ˆ m b takiego że: l ˆ b 1 ˆ ˆ l b m l εε l l μl Zb l l μl Zb l l f mi f bl (10) 1 2 gdzie: ε ˆ ˆ l l l l l l l l l μ μ μ Zb Zadaie (10) jet liiowym zadaiem ajmiejzych kwadratów [9-11] Miimalizowaą umę błędów średiokwadratowych zapizmy w potaci: f m b μˆ Zb μˆ Zb l l l l l l l μμ ˆ ˆ μzb ˆ bzμˆ b Z Z b μμ ˆ ˆ 2 b Z μˆ b Z Z b l l l l l l l l l l l l l l l l l l l l l Różiczkując powyżzą fukcję względem wektora b l mamy: f b b 2Z μˆ 2Z Z b l l l l l l l Przyrówując powyżzą różiczkę do zera otrzymujemy waruek optymalości z którego wyika układ rówań ormalych o potaci: Z μˆ Z Z b l l l l l

8 112 Z Weołowki Jeżeli macierz Z lz l jet ieoobliwa to rozwiązaiem zadaia (10) jet etymator o potaci: 1 ˆ b Z Z Z μ ˆ l l l l l 5 ESYMACJA PARAMERÓW MODELI PROBABILISYCZNYCH PROCESÓW PRZESYŁANIA KOMUNIKAÓW W ŚCIEŻKACH SIECIOWYCH SYSEMÓW ROZPROSZONYCH m1 Niech l x1 x2 xm ll kładowymi x i x i i I x x będzie próbą której ll l ą zaoberwowae w toku wykoywaia ekperymetów ymulacyjych długości przedziałów czau przeyłaia pakietu M wzdłuż ścieżki S Składowe próby x iterpretuje ię jako realizacje proceu tochatyczego (6) tj xi gdzie i jet zdarzeiem i 1 m elemetarym dla i I Niech ˆ x i 1 i będzie średią z próby x którą m iterpretuje ię jako ozacowaie oczekiwaej długości przedziału czau przeyłaia pakietu M przez ścieżkę S Załóżmy że ciąg zmieych loowych ˆ N pełia rówaie o potaci: gdzie: : ˆ β z N (11) jet tredem ˆ N wektorem iezaych parametrów tredu 2 ~ WN0 m β 0 1 m 4 jet 1 ˆ ˆ 2 ˆ 3 z Pozukujemy modelu trukturalie zgodego z układem (11) o potaci: oraz ˆ bz N (12) gdzie: ˆ : jet modelem tredu b b b b m jet wektorem iezaych parametrów modelu ˆ (11)

9 Modelowaie probabilitycze proceu przeyłaia komuikatów 113 Załóżmy że pozukiway model ˆ ma miimalizować błąd średiokwadratowy E 2 gdzie ˆ dla N Rówaia (11) zapizmy w potaci macierzowej: ˆ μ Z β δ μ 1 2 m m 1 gdzie: ˆ ˆ ˆ ˆ m 1 2 m Z m z z z Rówaia (12) przybierają atępującą potać macierzową: μ Zb 1 2 m m 1 gdzie μ Zadaie polega a zalezieiu wektora b ˆ takiego że: ˆ b 1 ˆ ˆ b m εε μ Zb μ Zb f mi f b (13) 1 2 gdzie: ε ˆ ˆ μ μ μ Zb Rozwiązując zadaie (13) w poób aalogiczy do poobu rozwiązywaia zadaia (10) otrzymujemy etymator parametrów fukcji ˆ (13) o potaci: m 1 ˆ b Z Z Z μ ˆ Przykład 1 Rozważmy zagadieie ymulacyjego badaia proceu przeyłaia komuikatów w protym ytemie rozprozoym którego trukturę reprezetuje ieć N=(VEc) przedtawioa a ryuku 1 gdzie: V H R H h 1 h m m 3 H H R r E e 1 e m 3 E E c 1 c m E p p gdzie: p h r h p h r h P potacie: K={123} S={12} L={123} m c Zbiór P przyjmuje potać Zbiory K S i L przybierają Ry 1 Wykre ieci N reprezetującej trukturę techiczą ytemu rozprozoego

10 114 Z Weołowki Macierz routigu R (3) przybiera potać: 1 0 R Załóżmy że wektor przeputowości c ma potać c Załóżmy dalej że komuikaty ze zbioru M mają długości mm 200 [Mb] dla S Przyjmijmy że zmiee loowe (4) S mają róże rozkłady Weibulla tj ~ W gdzie: Liczba powtórzeń ekperymetów ymulacyjych wyoi m=138 atomiat zbiory N S mają długości: m 31 m l xl xl xl m Niech x będzie próbą zawierającą zaoberwowae długości przedziałów czau przeyłaia pakietu M M N przez lik l l L ależący do ścieżki S Na ryuku 2 przedtawioo wyiki aalizy tatytyczej proceu przeyłaia komuikatów wzdłuż lików ze zbiorów L S l Niech x x będzie próbą zawierającą zaoberwowae długości przedziałów l L czau przeyłaia pakietu M M N przez ścieżkę S Na ryuku 3 przedtawioo wyiki aalizy tatytyczej proceu przeyłaia komuikatów wzdłuż ścieżek ze zbioru S 6 PODSUMOWANIE W pracy przedtawioo model probabilityczy proceu przeyłaia komuikatów w ytemach rozprozoych uwzględiający iepewość wytępującą w przepływach daych we wpółdzieloych likach ieci komputerowych Uwzględiając fakt że proce te podlega gwałtowym i ieprzewidywalym zmiaom przyjęto że modelami probabilityczymi przepływów daych zarówo we wpółdzieloych likach jak i ścieżkach ieciowych ą ietacjoare ze względu a wartość oczekiwaą procey tochatycze Do etymacji parametrów tych proceów zatoowao metodę ajmiejzych kwadratów Jedym z obiecujących kieruków dalzych prac jet zatoowaie do modelowaia matematyczego przepływów daych w ieciach komputerowych loowych układów dyamiczych [13] które umożliwiają wykorzytaie oiągięć zarówo proceów tochatyczych jak i układów chaotyczych

11 Modelowaie probabilitycze proceu przeyłaia komuikatów 115 (a) (b) (c) (d) Ry 2 Wyiki aalizy tatytyczej proceu przeyłaia komuikatów w likach ieciowych ytemu rozprozoego: (a) średie ˆ 11 (pukty) z prób x 11 dla N1 oraz wykre tredu 11 ˆ (liia ciągła) ciągu zmieych loowych ˆ 11 ; (b) średie ˆ 13 N1 (pukty) z prób x 13 dla N1 oraz wykre tredu 13 ˆ (liia ciągła) ciągu zmieych loowych ˆ 13 ; (c) średie ˆ (pukty) z prób x dla N2 oraz wykre tredu ˆ 22 N1 (liia ciągła) ciągu zmieych loowych 22 ˆ 22 N2 22 ˆ 23 ; (d) średie (pukty) z prób x N 2 oraz wykre tredu ˆ 23 (liia ciągła) ciągu zmieych loowych ˆ 23 N2 23 dla (a) (b) Ry 3 Wyiki aalizy tatytyczej proceu przeyłaia komuikatów w ścieżkach ieciowych ytemu rozprozoego: (a) średie ˆ 1 (pukty) z prób x 1 dla N1 oraz wykre tredu 1 ˆ (liia ciągła) ciągu zmieych loowych ˆ 1 ; (b) średie ˆ 2 (pukty) z prób x 2 N1 N 2 oraz wykre tredu ˆ 2 (liia ciągła) ciągu zmieych loowych ˆ 2 N2

12 116 Z Weołowki LIERAURA 1 Committee o Network Sciece for Future Army Applicatio Network Sciece Natioal Academie Pre Lewi G: Network Sciece: heory ad Applicatio Joh Wiley & So Hoboke Dabrowki C Hut F: Uig Markov Chai Aalyi to Study Dyamic Behavior i Large-Scale Grid Sytem Proceedig of the 7th Autralaia Sympoium o Grid Computig ad e-reearch Welligto New Zealad Ja Deae JHB Jefferie DJ Smythe C: Chaotic raffic Flow i Local Area Network Proceedig of the 11th Europea Coferece o Circuit heory ad Deig Davo Switzerlad Mill K Dabrowki C Ivetigatig Global Behavior i Computig Grid I de Meer H Sterbez J P G (Ed): Self-Orgaizig Sytem Lecture Note i Computer Sciece Volume Paxo V Floyd S: Difficultie i Simulatig the Iteret IEEE/ACM raactio o Networkig Vol No Srikat R: he Mathematic of Iteret Cogetio Cotrol Birkhäuer Williger W: Paxo V Where Mathematic Meet the Iteret Notice of the AMS September 1998 Vol 45 No Box GEP Jeki GM Reiel GC: ime Serie Aalyi: Forecatig ad Cotrol Wiley Pacut A: Prawdopodobieńtwo: teoria modelowaie probabilitycze w techice WN Ljug L: Sytem Idetificatio: heory for the Uer Pretice Hall Fihma GS: Dicrete-Evet Simulatio Spriger Bhattacharya R Majumdar M: Radom Dyamical Sytem: heory ad Applicatio Cambridge Uiverity Pre 2007 Przyjęto do druku dia r PROBABILISIC MODELING OF HE MESSAGE PASSING PROCESS IN DISRIBUED SYSEMS Zbigiew WESOŁOWSKI ABSRAC he article dicue a iue of the probabilitic modelig of the meage paig proce i ditributed ytem It ha bee aumed that the probabilitic model of bitrate i etwork lik are otatioary due to the expected value of tochatic procee Statitical aalyi i carried out o the bai of data geerated by the tochatic imulator of the data flow proce i computer etwork he data geerated by the imulator have bee iterpreted a realizatio of tochatic procee he paper iclude a example of the applicatio of the preeted approach to reearch the meage paig proce i a imple ditributed ytem Keyword: probabilitic modelig ditributed ytem tatitical aalyi o-tatioary time erie

13 Modelowaie probabilitycze proceu przeyłaia komuikatów 117 Dr iż Zbigiew WESOŁOWSKI jet pracowikiem aukowo-dydaktyczym Wydziału Cyberetyki Wojkowej Akademii echiczej Aktualie zajmuje ię badaiem iezawodości ytemów oraz modelowaiem i ymulacyjym badaiem efektywości ytemów rozprozoych

14 118 Z Weołowki

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1, 1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =

Bardziej szczegółowo

Porównanie dwu populacji

Porównanie dwu populacji Porówaie dwu populacji Porówaie dwóch rozkładów ormalych Założeia:. X ~ N( m, σ ), X ~ N( m, σ ), σ σ. parametry rozkładów ie ą zae. X, X ą iezależe. Ocea różicy między średimi m m m m x x (,...) H 0 :

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie

Bardziej szczegółowo

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny

Ćwiczenia 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 szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. 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 szczegółowo

Metody Statystyczne II

Metody Statystyczne II Metody Statytycze II dr Dorota Węziak-Białowolka Itytut Statytyki i Demograii Iormacje orgaizacyje Koultacje: poiedziałek 5:3 6:3 5F lub 73F Materiały: www.e-gh.pl/bialowolka/ms Zaliczeie: w ormie egzamiu

Bardziej szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: 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 szczegółowo

Wprowadzenie do laboratorium 1

Wprowadzenie do laboratorium 1 Wprowadzeie do laboratorium 1 Etymacja jedorówaiowego modelu popytu a bilety loticze Etapy budowy modelu ekoometryczego Specyfikacja modelu Zebraie daych tatytyczych Etymacja parametrów modelu Weryfikacja

Bardziej szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to

Bardziej szczegółowo

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,. Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,

Bardziej szczegółowo

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407 Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie

Bardziej szczegółowo

STATYSTYCZNA OCENA WYNIKÓW POMIARÓW.

STATYSTYCZNA 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 szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

Statystyka matematyczna. Wykład II. Estymacja punktowa Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja 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 szczegółowo

MACIERZE STOCHASTYCZNE

MACIERZE STOCHASTYCZNE MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:

Bardziej szczegółowo

1 Dwuwymiarowa zmienna losowa

1 Dwuwymiarowa zmienna losowa 1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla

Bardziej szczegółowo

Wykład 11. a, b G a b = b a,

Wykład 11. a, b G a b = b a, Wykład 11 Grupy Grupą azywamy strukturę algebraiczą złożoą z iepustego zbioru G i działaia biarego które spełia własości: (i) Działaie jest łącze czyli a b c G a (b c) = (a b) c. (ii) Działaie posiada

Bardziej szczegółowo

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X

z 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 szczegółowo

O liczbach naturalnych, których suma równa się iloczynowi

O liczbach naturalnych, których suma równa się iloczynowi O liczbach aturalych, których suma rówa się iloczyowi Lew Kurladczyk i Adrzej Nowicki Toruń UMK, 10 listopada 1998 r. Liczby aturale 1, 2, 3 posiadają szczególą własość. Ich suma rówa się iloczyowi: Podobą

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów

KADD Metoda najmniejszych kwadratów Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie

Bardziej szczegółowo

Planowanie doświadczeń - DPLD LMO Materiały pomocnicze

Planowanie doświadczeń - DPLD LMO Materiały pomocnicze Plaowaie doświadczeń - DPLD LMO Materiały pomocicze Układ bloków kompletie zradomizowaych Założeia: (a) Z jedostek doświadczalych tworzymy rówolicze grupy zwae blokami (b bloków) w taki sposób, aby jedostki

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji ( ) : m f x = Ax ( A) { Ax x } = Defiicja: Zakresem macierzy A Œ âm azywamy

Bardziej szczegółowo

Lista 6. Estymacja punktowa

Lista 6. Estymacja punktowa Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji : m f x = Ax RAAx x Defiicja: Zakresem macierzy A Œ âm azywamy podprzestrzeń

Bardziej szczegółowo

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b

Bardziej szczegółowo

Estymacja to wnioskowanie statystyczne koncentrujące się wokół oszacowania wartości specyficznych parametrów populacji.

Estymacja to wnioskowanie statystyczne koncentrujące się wokół oszacowania wartości specyficznych parametrów populacji. /7/06 Biotatytyka, 06/07 dla Fizyki Medyczej, tudia magiterkie etymacja etymacja średiej puktowa przedział ufości średiej rozkładu ormalego etymacja puktowa i przedziałowa wariacji rozkładu ormalego etymacja

Bardziej szczegółowo

INSTYTUT ENERGOELEKTRYKI POLITECHNIKI WROCŁAWSKIEJ Raport serii SPRAWOZDANIA Nr LABORATORIUM TEORII I TEHCNIKI STEROWANIA INSTRUKCJA LABORATORYJNA

INSTYTUT ENERGOELEKTRYKI POLITECHNIKI WROCŁAWSKIEJ Raport serii SPRAWOZDANIA Nr LABORATORIUM TEORII I TEHCNIKI STEROWANIA INSTRUKCJA LABORATORYJNA Na prawach rękopiu do użytku łużbowego INSTYTUT ENEROELEKTRYKI POLITECHNIKI WROCŁAWSKIEJ Raport erii SPRAWOZDANIA Nr LABORATORIUM TEORII I TEHCNIKI STEROWANIA INSTRUKCJA LABORATORYJNA ĆWICZENIE Nr SPOSOBY

Bardziej szczegółowo

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą EKONOMETRIA Tema wykładu: Liiowy model ekoomeryczy (regresji z jedą zmieą objaśiającą Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapaa Tarapaa@isi.wa..wa.edu.pl hp:// zbigiew.arapaa.akcja.pl/p_ekoomeria/

Bardziej szczegółowo

Elementy rach. macierzowego Materiały pomocnicze do MES Strona 1 z 7. Elementy rachunku macierzowego

Elementy rach. macierzowego Materiały pomocnicze do MES Strona 1 z 7. Elementy rachunku macierzowego Elemety rach macierzowego Materiały pomocicze do MES Stroa z 7 Elemety rachuku macierzowego Przedstawioe poiżej iformacje staowią krótkie przypomieie elemetów rachuku macierzowego iezbęde dla zrozumieia

Bardziej szczegółowo

UKŁADY RÓWNAŃ LINOWYCH

UKŁADY RÓWNAŃ LINOWYCH Ekoeergetyka Matematyka. Wykład 4. UKŁADY RÓWNAŃ LINOWYCH Defiicja (Układ rówań liiowych, rozwiązaie układu rówań) Układem m rówań liiowych z iewiadomymi,,,, gdzie m, azywamy układ rówań postaci: a a a

Bardziej szczegółowo

STATYSTYKA OPISOWA WYKŁAD 1 i 2

STATYSTYKA 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 szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością

Bardziej szczegółowo

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu Badaia iezawodościowe i saysycza aaliza ich wyików. Eleme ieaprawialy, badaia iezawodości Model maemayczy elemeu - dodaia zmiea losowa T, określająca czas życia elemeu Opis zmieej losowej - rozkład, lub

Bardziej szczegółowo

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU

MINIMALIZACJA 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 szczegółowo

θx θ 1, dla 0 < x < 1, 0, poza tym,

θx θ 1, dla 0 < x < 1, 0, poza tym, Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.

Bardziej szczegółowo

STATYSTKA I ANALIZA DANYCH LAB II

STATYSTKA 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 szczegółowo

O pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii

O pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii O pewych zastosowaiach rachuku różiczkowego fukcji dwóch zmieych w ekoomii 1 Wielkość wytwarzaego dochodu arodowego D zależa jest od wielkości produkcyjego majątku trwałego M i akładów pracy żywej Z Fukcję

Bardziej szczegółowo

ESTYMACJA POZIOMU ZAKŁÓCENIA W SZEREGACH CZASOWYCH PRZY POMOCY FILTRU MEDIANOWEGO

ESTYMACJA POZIOMU ZAKŁÓCENIA W SZEREGACH CZASOWYCH PRZY POMOCY FILTRU MEDIANOWEGO POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 80 Electrical Egieerig 04 Grzegorz MIKOŁAJCZAK* Jaub PĘKSIŃSKI* ESTYMACJA POZIOMU ZAKŁÓCENIA W SZEREGACH CZASOWYCH PRZY POMOCY FILTRU MEDIANOWEGO

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy 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 szczegółowo

ANALIZA DANYCH DYSKRETNYCH

ANALIZA DANYCH DYSKRETNYCH ZJAZD ESTYMACJA Jest to metoda wioskowaia statystyczego. Umożliwia oa oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej estymatorem,

Bardziej szczegółowo

Twierdzenie Cayleya-Hamiltona

Twierdzenie Cayleya-Hamiltona Twierdzeie Cayleya-Hamiltoa Twierdzeie (Cayleya-Hamiltoa): Każda macierz kwadratowa spełia swoje włase rówaie charakterystycze. D: Chcemy pokazać, że jeśli wielomiaem charakterystyczym macierzy A jest

Bardziej szczegółowo

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 + Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch

Bardziej szczegółowo

This copy is for personal use only - distribution prohibited.

This copy is for personal use only - distribution prohibited. ZESZYTY NAUKOWE WSOWL - - - - - Nr 1 (159) 11 Włodzimierz KUPICZ Staiław NIZIŃSKI ETODA DIAGNOZOWANIA SILNIKÓW SPALINOWYCH W WARUNKACH TRAKCYJNYCH W pracy przedtawioo ową metodę diagozowaia ilika paliowego

Bardziej szczegółowo

W(s)= s 3 +7s 2 +10s+K

W(s)= s 3 +7s 2 +10s+K PRZYKŁAD (LINIE PIERWIASTKOWE) Tramitacja operatorowa otwartego układu regulacji z jedotkowym ujemym przęŝeiem zwrotym daa jet wzorem: G O K ( + )( + 5) a) Podaj obraz liii pierwiatkowych układu zamkiętego.

Bardziej szczegółowo

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy transportowe cd, Problem komiwojażera

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy transportowe cd, Problem komiwojażera Istrukcja do ćwiczeń laboratoryjych z przedmiotu: Badaia operacyje Temat ćwiczeia: Problemy trasportowe cd Problem komiwojażera Zachodiopomorski Uiwersytet Techologiczy Wydział Iżyierii Mechaiczej i Mechatroiki

Bardziej szczegółowo

Harmonogramowanie linii montażowej jako element projektowania cyfrowej fabryki

Harmonogramowanie linii montażowej jako element projektowania cyfrowej fabryki 52 Sławomir Herma Sławomir HERMA atedra Iżyierii Produkcji, ATH w Bielsku-Białej E mail: slawomir.herma@gmail.com Harmoogramowaie liii motażowej jako elemet projektowaia cyfrowej fabryki Streszczeie: W

Bardziej szczegółowo

IDENTYFIKACJA MODELU MATEMATYCZNEGO ROBOTA INSPEKCYJNEGO

IDENTYFIKACJA MODELU MATEMATYCZNEGO ROBOTA INSPEKCYJNEGO MODELOWANIE INśYNIERSKIE ISSN 896-77X 36,. 87-9, liwice 008 IDENTYFIKACJA MODELU MATEMATYCZNEO ROBOTA INSPEKCYJNEO JÓZEF IERIEL, KRZYSZTOF KURC Katedra Mechaniki Stoowanej i Robotyki, Politechnika Rzezowka

Bardziej szczegółowo

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Modele i arzędzia optymalizacji w systemach iformatyczych zarządzaia Prof. dr hab. iż. Joaa Józefowska Istytut Iformatyki Orgaizacja zajęć 8 godzi wykładów prof. dr hab. iż. J. Józefowska www.cs.put.poza.pl/jjozefowska

Bardziej szczegółowo

16 Przedziały ufności

16 Przedziały ufności 16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])

Bardziej szczegółowo

Scenariusz lekcji: Kombinatoryka utrwalenie wiadomości

Scenariusz 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 szczegółowo

Przykładowe pytania na egzamin dyplomowy dla kierunku Automatyka i Robotyka

Przykładowe pytania na egzamin dyplomowy dla kierunku Automatyka i Robotyka Przykładowe pytaia a egzami dyplomowy dla kieruku Automatyka i obotyka Aktualizacja: 13.12.2016 r. Przedmiot: Matematyka 1 (Algebra liiowa) 1. Wiemy że struktura (Gh) jest grupą z elemetem eutralym e.

Bardziej szczegółowo

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12 Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu

Bardziej szczegółowo

EGZAMIN MATURALNY Z INFORMATYKI MAJ 2011 POZIOM ROZSZERZONY WYBRANE: CZĘŚĆ I. Czas pracy: 90 minut. Liczba punktów do uzyskania: 20 WPISUJE ZDAJĄCY

EGZAMIN 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 szczegółowo

1 Twierdzenia o granicznym przejściu pod znakiem całki

1 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 szczegółowo

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

3. 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 szczegółowo

ALGEBRA LINIOWA Informatyka 2015/2016 Kazimierz Jezuita. ZADANIA - Seria 1. Znaleźć wzór na ogólny wyraz ciągu opisanego relacją rekurencyjną: x

ALGEBRA LINIOWA Informatyka 2015/2016 Kazimierz Jezuita. ZADANIA - Seria 1. Znaleźć wzór na ogólny wyraz ciągu opisanego relacją rekurencyjną: x Iformatyka 05/06 Kazimierz Jezuita ZADANIA - Seria. Relacja rekurecyja kowecja sumacyja suma ciągu geometryczego. Zaleźć wzór a ogóly wyraz ciągu opisaego relacją rekurecyją: x sprowadzając problem do

Bardziej szczegółowo

D. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assignment Problem)

D. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assignment Problem) D. Miszczyńska, M.Miszczyński KBO UŁ, Badaia operacyje (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assigmet Problem) Bliskim "krewiakiem" ZT (w sesie podobieństwa modelu decyzyjego) jest zagadieie

Bardziej szczegółowo

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA Ćwiczeie ETYMACJA TATYTYCZNA Jest to metoda wioskowaia statystyczego. Umożliwia oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej

Bardziej szczegółowo

Arkusz ćwiczeniowy z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE. W zadaniach od 1. do 21. wybierz i zaznacz poprawną odpowiedź. 1 C. 3 D.

Arkusz ćwiczeniowy z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE. W zadaniach od 1. do 21. wybierz i zaznacz poprawną odpowiedź. 1 C. 3 D. Arkusz ćwiczeiowy z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE W zadaiach od. do. wybierz i zazacz poprawą odpowiedź. Zadaie. ( pkt) Liczbę moża przedstawić w postaci A. 8. C. 4 8 D. 4 Zadaie. ( pkt)

Bardziej szczegółowo

Rekursja 2. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak

Rekursja 2. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak Rekursja Materiały pomocicze do wykładu wykładowca: dr Magdalea Kacprzak Rozwiązywaie rówań rekurecyjych Jedorode liiowe rówaia rekurecyje Twierdzeie Niech k będzie ustaloą liczbą aturalą dodatią i iech

Bardziej szczegółowo

Model ciągły wyceny opcji Blacka Scholesa - Mertona. Wzór Blacka - Scholesa na wycenę opcji europejskiej.

Model ciągły wyceny opcji Blacka Scholesa - Mertona. Wzór Blacka - Scholesa na wycenę opcji europejskiej. Model ciągły wycey opcji Blacka Scholesa - Mertoa Wzór Blacka - Scholesa a wyceę opcji europejskiej. Model Blacka Scholesa- Mertoa Przełomowe prace z zakresu wycey opcji: Fischer Black, Myro Scholes The

Bardziej szczegółowo

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona

Ćwiczenie 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 szczegółowo

0.1 ROZKŁADY WYBRANYCH STATYSTYK

0.1 ROZKŁADY WYBRANYCH STATYSTYK 0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.

Bardziej szczegółowo

Punktowe procesy niejednorodne

Punktowe procesy niejednorodne Modelowaie i Aaliza Daych Przestrzeych Wykład 5 Adrzej Leśiak Katedra Geoiformatyki i Iformatyki Stosowaej Akademia Góriczo-Huticza w Krakowie Puktowe procesy iejedorode Jak wcześiej wspomiao, dla procesów

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY 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 szczegółowo

Parametryzacja rozwiązań układu równań

Parametryzacja rozwiązań układu równań Parametryzacja rozwiązań układu rówań Przykład: ozwiąż układy rówań: / 2 2 6 2 5 2 6 2 5 //( / / 2 2 9 2 2 4 4 2 ) / 4 2 2 5 2 4 2 2 Korzystając z postaci schodkowej (środkowa macierz) i stosując podstawiaie

Bardziej szczegółowo

Twierdzenia graniczne:

Twierdzenia graniczne: Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości

Bardziej szczegółowo

Metody numeryczne Laboratorium 5 Info

Metody numeryczne Laboratorium 5 Info Metody umerycze Laboratorium 5 Ifo Aproksymacja - proces określaia rozwiązań przybliżoych a podstawie rozwiązań zaych, które są bliskie rozwiązaiom dokładym w ściśle sprecyzowaym sesie. Metoda ajmiejszych

Bardziej szczegółowo

INSTRUKCJA NR 06-2 POMIARY TEMPA METABOLIZMU METODĄ TABELARYCZNĄ

INSTRUKCJA NR 06-2 POMIARY TEMPA METABOLIZMU METODĄ TABELARYCZNĄ LABORATORIUM OCHRONY ŚRODOWISKA - SYSTEM ZARZĄDZANIA JAKOŚCIĄ - INSTRUKCJA NR 06- POMIARY TEMPA METABOLIZMU METODĄ TABELARYCZNĄ 1. Cel istrukcji Celem istrukcji jest określeie metodyki postępowaia w celu

Bardziej szczegółowo

Wzór Taylora. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Wzór Taylora. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski Wzór Taylora Szeregi potęgowe Matematyka Studium doktorackie KAE SGH Semestr leti 8/9 R. Łochowski Graica fukcji w pukcie Niech f: R D R, R oraz istieje ciąg puktów D, Fukcja f ma w pukcie graicę dowolego

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0, Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi

Bardziej szczegółowo

Egzamin maturalny z matematyki CZERWIEC 2011

Egzamin maturalny z matematyki CZERWIEC 2011 Egzami maturaly z matematyki CZERWIEC 0 Klucz puktowaia do zadań zamkiętych oraz schemat oceiaia do zadań otwartych POZIOM PODSTAWOWY Poziom podstawowy czerwiec 0 Klucz puktowaia do zadań zamkiętych Nr

Bardziej szczegółowo

TESTY LOSOWOŚCI. Badanie losowości próby - test serii.

TESTY LOSOWOŚCI. Badanie losowości próby - test serii. TESTY LOSOWOŚCI Badaie losowości próby - test serii. W wielu zagadieiach wioskowaia statystyczego istotym założeiem jest losowość próby. Prostym testem do weryfikacji tej własości jest test serii. 1 Dla

Bardziej szczegółowo

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)

Bardziej szczegółowo

Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe

Zdarzenia 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 szczegółowo

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7 Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Informatyka Stosowana-egzamin z Analizy Matematycznej Każde zadanie należy rozwiązać na oddzielnej, podpisanej kartce!

Informatyka Stosowana-egzamin z Analizy Matematycznej Każde zadanie należy rozwiązać na oddzielnej, podpisanej kartce! Iformatyka Stosowaa-egzami z Aalizy Matematyczej Każde zadaie ależy rozwiązać a oddzielej, podpisaej kartce! y, Daa jest fukcja f (, + y, a) zbadać ciągłość tej fukcji f b) obliczyć (,) (, (, (,) c) zbadać,

Bardziej szczegółowo

Analiza dokładności pomiaru, względnego rozkładu egzytancji widmowej źródeł światła, dokonanego przy użyciu spektroradiometru kompaktowego

Analiza dokładności pomiaru, względnego rozkładu egzytancji widmowej źródeł światła, dokonanego przy użyciu spektroradiometru kompaktowego doi:1.15199/48.215.4.38 Eugeiusz CZECH 1, Zbigiew JAROZEWCZ 2,3, Przemysław TABAKA 4, rea FRYC 5 Politechika Białostocka, Wydział Elektryczy, Katedra Elektrotechiki Teoretyczej i Metrologii (1), stytut

Bardziej szczegółowo

Zadania z algebry liniowej - sem. I Liczby zespolone

Zadania z algebry liniowej - sem. I Liczby zespolone Zadaia z algebry liiowej - sem. I Liczby zespoloe Defiicja 1. Parę uporządkowaą liczb rzeczywistych x, y azywamy liczbą zespoloą i ozaczamy z = x, y. Zbiór wszystkich liczb zespoloych ozaczamy przez C

Bardziej szczegółowo

Rysunek 1: Fale stojące dla struny zamocowanej na obu końcach; węzły są zaznaczone liniami kropkowanymi, a strzałki przerywanymi

Rysunek 1: Fale stojące dla struny zamocowanej na obu końcach; węzły są zaznaczone liniami kropkowanymi, a strzałki przerywanymi Aaliza fal złożoych Autorzy: Zbigiew Kąkol, Bartek Wiedlocha Przyjrzyjmy się drgaiu poprzeczemu struy. Jeżeli strua zamocowaa a obu końcach zostaie ajpierw wygięta, a astępie puszczoa, to wzdłuż struy

Bardziej szczegółowo

STATYSTYKA I ANALIZA DANYCH

STATYSTYKA 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 szczegółowo

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o

1. 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 szczegółowo

201. a 1 a 2 a 3...a n a 2 1 +a 2 2 +a a 2 n n a 4 1 +a 4 2 +a a 4 n n. a1 + a 2 + a a n 204.

201. a 1 a 2 a 3...a n a 2 1 +a 2 2 +a a 2 n n a 4 1 +a 4 2 +a a 4 n n. a1 + a 2 + a a n 204. Liczby rzeczywiste dodatie a 1, a 2, a 3,...a spełiają waruek a 1 +a 2 +a 3 +...+a =. Wpisać w kratkę zak lub i udowodić podaą ierówość bez korzystaia z gotowych twierdzeń (moża korzystać z wcześiejszych

Bardziej szczegółowo

Statystyka opisowa. () Statystyka opisowa 24 maja / 8

Statystyka opisowa. () Statystyka opisowa 24 maja / 8 Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów

Bardziej szczegółowo

Wykład 4 Soczewki. Przyrządy optyczne

Wykład 4 Soczewki. Przyrządy optyczne Wykład 4 Soczewki. Przyrządy optycze Soczewka cieka - rówaie zlifierzy oczewek Rozważyy teraz dwie powierzchi ferycze oddzielające ośrodki o wpółczyikach załaaia kolejo i odległych od iebie o d. Niech

Bardziej szczegółowo

SYSTEM OCENY STANU NAWIERZCHNI SOSN ZASADY POMIARU I OCENY STANU RÓWNOŚCI PODŁUŻNEJ NAWIERZCHNI BITUMICZNYCH W SYSTEMIE OCENY STANU NAWIERZCHNI SOSN

SYSTEM 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 szczegółowo

1 Układy równań liniowych

1 Układy równań liniowych Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b

Bardziej szczegółowo

PODSTAWOWE ZAGADNIENIA METODOLOGICZNE

PODSTAWOWE ZAGADNIENIA METODOLOGICZNE PODSTAWOWE ZAGADNIENIA METODOLOGICZNE. Wprowadzeie W ekoomii i aukach o zarządzaiu obserwuje się tedecję do ilościowego opisu zależości miedzy zjawiskami ekoomiczymi. Umożliwia to - zobiektywizowaie i

Bardziej szczegółowo

P π n π. Równanie ogólne płaszczyzny w E 3. Dane: n=[a,b,c] Wówczas: P 0 P=[x-x 0,y-y 0,z-z 0 ] Równanie (1) nazywamy równaniem ogólnym płaszczyzny

P π n π. Równanie ogólne płaszczyzny w E 3. Dane: n=[a,b,c] Wówczas: P 0 P=[x-x 0,y-y 0,z-z 0 ] Równanie (1) nazywamy równaniem ogólnym płaszczyzny Rówaie ogóle płaszczyzy w E 3. ae: P π i π o =[A,B,C] P (,y,z ) Wówczas: P P=[-,y-y,z-z ] P π PP PP= o o Rówaie () azywamy rówaiem ogólym płaszczyzy A(- )+B(y-y )+C(z-z )= ( ) A+By+Cz+= Przykład

Bardziej szczegółowo

Jarosław Wróblewski Analiza Matematyczna 1, zima 2016/17

Jarosław Wróblewski Analiza Matematyczna 1, zima 2016/17 Egzami, 18.02.2017, godz. 9:00-11:30 Zadaie 1. (22 pukty) W każdym z zadań 1.1-1.10 podaj w postaci uproszczoej kresy zbioru oraz apisz, czy kresy ależą do zbioru (apisz TAK albo NIE, ewetualie T albo

Bardziej szczegółowo

ZADANIA - ZESTAW 2. Zadanie 2.1. Wyznaczyć m (n)

ZADANIA - ZESTAW 2. Zadanie 2.1. Wyznaczyć m (n) ZADANIA - ZESTAW Zadaie.. Wyzaczyć m (), D ( ) dla procesu symetryczego (p = q =,) błądzeia przypadkowego. Zadaie.. Narysuj graf łańcucha Markowa symetrycze (p = q =,) błądzeie przypadkowe z odbiciem.

Bardziej szczegółowo

METODY APROKSYMACJI MATEUSZ WAGA. Gimnazjum im. Jana Matejki w Zabierzowie

METODY APROKSYMACJI MATEUSZ WAGA. Gimnazjum im. Jana Matejki w Zabierzowie METODY APROKSYMACJI MATEUSZ WAGA Gimazjum im. Jaa Matejki w Zabierzowie SPIS TREŚCI 1 WSTĘP... 2 2 MODEL MATEMATYCZNY... 3 3 UOGÓLNIENIE MODELU MATEMATYCZNEG... 6 4 MODEL INFORMATYCZNY... 7 5 PRZYKŁADY

Bardziej szczegółowo

Statystyczna analiza danych

Statystyczna analiza danych Statytyka. v.0.9 egz mgr inf nietacj Statytyczna analiza danych Statytyka opiowa Szereg zczegółowy proty monotoniczny ciąg danych i ) n uzykanych np. w trakcie pomiaru lub za pomocą ankiety. Przykłady

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo 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 szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę

Bardziej szczegółowo

MATURA 2014 z WSiP. Zasady oceniania zadań

MATURA 2014 z WSiP. Zasady oceniania zadań MATURA 0 z WSiP Matematyka Poziom rozszerzoy Zasady oceiaia zadań Copyright by Wydawictwa Szkole i Pedagogicze sp z oo, Warszawa 0 Matematyka Poziom rozszerzoy Kartoteka testu Numer zadaia Sprawdzaa umiejętość

Bardziej szczegółowo

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1). TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ

Bardziej szczegółowo

WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ

WYDZIAŁ 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