THE VALIDATION METHODS OF DURABILITY OF CERAMIC COATING UNDER LABORATORY CONDITIONS

Wielkość: px
Rozpocząć pokaz od strony:

Download "THE VALIDATION METHODS OF DURABILITY OF CERAMIC COATING UNDER LABORATORY CONDITIONS"

Transkrypt

1 Joural of KONES Powertrai ad Trasport, Vol. 13, No. 4 THE VALIDATION METHODS OF DURABILITY OF CERAMIC COATING UNDER LABORATORY CONDITIONS Katarzya Topolska, Wociech Walkowiak Politechika Wrocawska, Wydzia Mechaiczy Istytut Kostrukci i Eksploataci Maszy Wyb. Wyspiaskiego 27, Wrocaw katarzya.topolska@pwr.wroc.pl, wociech.walkowiak@pwr.wroc.pl tel./ fax: Mariusz Topolski Politechika Wrocawska, Wydzia Elektroiki Katedra Systemów i Sieci Komputerowych Wyb. Wyspiaskiego 27, Wrocaw mariusz.topolski@pwr.wroc.pl.pl Abstract The differece betwee ceramic materials ad metals is i their mechaical ad physical properties. Prevalece of metals ad kowledge about their properties cause their uiversal usage i may areas of huma life. Therefore the authors decide to preset properties of techical ceramic materials usig o mechaical compoets. The ceramic materials are expadig with icreasig of temperature because of chagig average iteratomic spaces (which is relevat with thermal moves of atoms). Durig selectio of materials workig uder usteady state of heat trasfer it is suggested to select materials which are characterize by better thermal shock resistace (i.e. low coefficiet of thermal expasio, high brittle fracture resistace, ad high thermal coductivity). Very importat is also corrosio resistace of ceramic coatig because if it is low it would cause separatio of ceramic coatig from mechaical compoet. This paper is focused o descriptio of thermal shocks which appear durig machies ru ad o methods of their ivestigatio. I frame of the research work the authors costruct a test bech to simulate fatigue research of ceramic coatigs (applied o valve heads or material samples). The mai aim of the researches was observatio ad ivestigatio of pheomea o surface of egie valve puttig o variatio ad cyclic operatios of temperature. Keywords: combustio egies, combustio processes, modellig, ceramic coatig, durability METODY OCENY TRWAOCI POWOKI CERAMICZNEJ W WARUNKACH LABORATORYJNYCH Streszczeie Materiay ceramicze i metale staowi dwie grupy materiaów, róice si od siebie tym, e kada z ich ma odmiee waciwoci, gówie mechaicze i fizycze. Ze wzgldu a ogól dostpo i dace si przewidzie wasoci metali ich zastosowaie est eszcze zdecydowaie powszechiesze. Dlatego zdecydowao si a przedstawieie w pracy wasoci ceramiczych materiaów techiczych stosowaych a elemetach mechaiczych. Materiay ceramicze rozszerza si wraz ze wzrostem temperatury. Spowodowae est to zmia redich midzyatomowych przestrzei, co est rezultatem termiczego ruchu atomów. Przy doborze materiaów pracucych w warukach ieustaloego przepywu ciepa moa kierowa si zasad, e materiay posiadace iski wspóczyik rozszerzaloci termicze, wysok odporo a kruche pkaie i wysok przewodo ciepl s odporiesze a szok termiczy. Bardzo waa est rówie odporo korozya powok ceramiczych. Maa e odporo powodue odspaaie powoki ceramicze od elemetu mechaiczego. W pracy skocetrowao si a omówieiu szoków termiczych akie wystpu podczas pracy maszy ak i a sposobach badaia szoków termiczych. W ramach prowadzoych bada opracowao staowisko symulacye do bada zmczeiowych powok ceramiczych wykoaych a grzybkach zaworów silikowych lub próbkach materiaowych. Podstawowym zaoeiem przy kostruowaiu staowiska badawczego byo umoliwieie obserwaci i bada zawisk zachodzcych a powierzchi zaworu poddaego zmieym i cykliczym oddziaywaiom temperatury. Sowa kluczowe: siliki spaliowe, procesy spalaia, modelowaie, powoka ceramicza, trwao

2 K. Topolska, W. Walkowiak, M. Topolski 1. Wstp Materiay ceramicze posiada szerokie zastosowaie w prawie wszystkich dziedziach gospodarki. Nalepszymi powokami ceramiczymi, pracucymi w wysokich temperaturach s materiay, posiadace wizaia kowalecye s imi p. Si 3 N 4, SiC, Al 2 O 3, ZrO 2. Materiay te wykazu du odporo a pezaie i ma rozszerzalo oraz due przewodictwo cieple. Stosowaie powok ceramiczych w silikach spaliowych przyczyia si do podwyszeia ich sprawoci, redukci spalaia oraz korzystie wpywa a ekologi poprzez zmieszeie toksyczoci spali. Jedake ocea trwaoci obiektu mechaiczego z aiesioymi powokami ceramiczymi w warukach laboratoryych przy subiektywym e wyzaczaiu moe okaza si ieprecyzya, iepea. Rozpatruc w kategoriach czysto probabilistyczych moe okaza si, e oszacowaie prawdopodobiestw warukowych wystpieia pewe zmiee pod warukiem zaistieia grupy zmieych moe okaza si ie moliwe. Moe by to przyczy iepee specyfikaci iformaci. Uszkodzeia daego fragmetu kostrukci mechaicze ma charakter agy, zuyciowy lub starzeiowy, a zagadieia aprawialoci ie s brae pod uwag [3]. Podstawow wad metod iezawodoci s: - przycie uproszcze opisu daych towarzyszcych obiektom mechaiczym, - brak iformaci o tych obiektach. Przy zaworach z powokami ceramiczymi, moemy przy, e iepewymi wielkociami opisucymi kostrukc zaworu s: wytrzymao zmczeiowa, zuycie graicze oraz wymiar krytyczy pkicia (zmiee podstawowe). Czyikami zewtrzymi (kotekstowymi) wpywacymi a zmiee podstawowe moe by oddziaywaie temperatury a elemet, czas eksploataci ak i prdko obrotowa wau z zamocowaym zaworem a staowisku badawczym. Zdcie budowy staowiska badawczego zadue si a rys. 1. Rys. 1. Staowisko badawcze 414

3 The Validatio Methods of Durability of Ceramic Coatig uder Laboratory Coditios 2. Przyczyy powstawaia uszkodze Fig. 1. Test bech Powoki ceramicze, które s stosowae a elemetach silika pracu w podwyszoych temperaturach. Ich zadaiem est m.i. zabezpieczy elemet przed koroz, ograiczy zuycie erozye, kawitacye, obiy temperatur elemetu czy obiy toksyczo spali. Moa wyrói dwie przyczyy powstawaia pki powok a elemetach silika spaliowego: - róice temperatur midzy czstk metalu i podkadu - róe wspóczyiki rozszerzaloci cieple powoki i podkadu Warto wspóczyika rozszerzaloci cieple ma istoty wpyw a wielko apre akie powsta a powierzchi powoki a tym samym a trwao pokrycia elemetu silika spaliowego. Metody akie stosu si do pomiaru odporoci a zmczeie cieple powoki opiera si a przemieym agrzewaiu i chodzeiu próbki a maksymale temperatury mog wyosi 1500K. Stosowaymi kryteriami ocey zmczeia cieplego powoki ceramicze mog by: - powierzchia odpryite powoki ceramicze - wzrost temperatury próbki, który mierzoy est termopar umieszczo a pewe gbokoci pod powok - wystpieie okreloego ukadu pki lub te iloci pki Zawisko zmczeia cieplego est wiodc postaci w eksploataci powok ceramiczych. Jest oo opisywae ako arastacy proces pki warstwy wierzchie elemetu mechaiczego silika spaliowego, który prowadzi do zmieych apre wywoywaych cykliczymi zmiaami temperatury. 3. Metody ocey trwaoci elemetów mechaiczych 3.1. Metody probabilistycze W probabilistyce wiedza o obiekcie est reprezetowaa przez prawdopodobiestwa warukowe i bezwarukowe, a do skadaia przekoa est wykorzystyway wzór Bayesa. Przy wyzaczaiu tych modeli musimy za komplet specyfikac badaego elemetu. Prawdopodobiestwa z akimi mamy do czyieia w tych modelach ma charakter czstociowy. Zbiór zdarze elemetarych est dyskrety lub cigy p. wyzaczoy przez odciek a ukadzie kartezaskim. Istotym zaoeiem tych modeli est to, e suma prawdopodobiestw zarówo a priori i a posteriori opisucych baday elemet est rówa edoci Teoria moliwoci possibility Teoria moliwoci wyraa ieprecyzyo wiata w zyku aturalym. Jest wyraeiem racze moliwoci i prawdopodobiestwa. - Rozkad moliwoci Day est zbiór rozmyty a U z fukc mf~(u). Rozkad moliwoci px(u) est defiioway ako mf~(u). X maa liczba aturala. F~={(1,1), (2,1), (3, 0.8), (4, 0.6), (5, 0.4), (6, 0.2)}. px = F~. (3, 0.8) ozacza, e moliwo, e X wyosi 3 est rówa Specyficzo teorii moliwoci Specyficzo podae miar iloci iformaci zawarte w zbiorze rozmytym lub rozkadzie moliwoci. 415

4 K. Topolska, W. Walkowiak, M. Topolski Defiica: Niech A bdzie podzbiorem rozmytym skoczoego zbioru X. Miar specyficzoci A Sp(A) est warto leca w przedziale edostkowym, która ma astpuce waciwoci: a). Sp(A)=1 wtedy i tylko wtedy, gdy istiee edo i tylko edo x*îx, dla którego A(x*)=1 i A(x)=0 dla pozostaych x. (specyficzo awiksza tylko gdy A est ierozmytym puktem) b). Jeeli A(x)=0 dla kadego x, to Sp(A)=0 c). Jeeli A1 i A2 s ormalymi zbiorami rozmytymi oraz A1(x)>=A2(x) dla kadego x, to Sp(A1)<=Sp(A2) (dowoly wzrost moliwoci kilku elemetów zmiesza specyficzo zbioru rozmytego) d). Jeeli A1 A2 s ormale i ierozmyte takie, e card(a1)<=card(a2), to zawsze Sp(A1)>=Sp(A2) Teoria zbiorów rozmytych Przed podaiem defiici zbioru rozmytego aley ustali tzw. obszar rozwaa (ag. the uiverse of discourse) zway w dalsze czci przestrzei lub zbiorem.zbiorem rozmytym A w pewe (iepuste) przestrzei X, co zapisuemy ako A X, azywamy zbiór par gdzie: : X [0,1] A {( x, A( x)); x X} A est fukc przyaleoci zbioru rozmytego A. Fukca ta kademu elemetowi x X przypisue ego stopie przyaleoci do zbioru rozmytego A, przy czym moa wyrói 3 przypadki: A(x) = 1 ozacza pe przyaleo do zbioru rozmytego A, tz. x A, A(x) = 0 ozacza brak przyaleoci elemetu x do zbioru rozmytego A, tz. x A, 0 < A(x) < 1 ozacza czciow przyaleo elemetu x do zbioru rozmytego A. Symbolicze zapisy zbiorów rozmytych X est przestrzei o skoczoe liczbie elemetów, X = {x1,..., x}:liczby rozmyte charakteryzu si brakiem liczby rozmyte przeciwe i odwrote ( x ) ( x ) A( xi ) A x A 1 A x1 x i1 i 0 2 x a 2 c a s x; a, b, c) x a 1 2 c a a1 c b 2 ( 2 dla dla dla dla x a a x b b x c x c A(x) A x X wzgldem dodawaia i moeia, co p. uiemoliwia zastosowaie metody elimiaci do rozwizywaia rówa, w których wystpu liczby rozmyte. Relace rozmyte pozwala sformalizowa ieprecyzye sformuowaia typu x est prawie rówe y lub x est zaczie wiksze od y. 416

5 The Validatio Methods of Durability of Ceramic Coatig uder Laboratory Coditios 3.4. Metoda Mote Carlo Metody Mote Carlo (MC) moa zdefiiowa ako dowol techik wykorzystuca liczby losowe do rozwizaia problemu. Natomiast w 1970 defiica zapisaa przez Haltoa brzmi: - metoda Mote Carlo est to metoda reprezetuca rozwizaie problemu w postaci parametru pewe hipotetycze populaci i uywaca sekweci liczb losowych do skostruowaia próbki losowe dae populaci, z które moa otrzyma statystycze oszacowaia tego parametru. To czy metody MC mog lub ie mog by zastosowae do daego problemu ie zaley od stochastycze atury ukadu, który est baday, a edyie od asze zdoloci do sformuowaia problemu w taki sposób, aby liczby losowe mogy by uyte do ego rozwizaia. Problem do rozwaaia moe by atury probabilistycze lub statystycze, w którym to przypadku ego rozwizaie MC bdzie bezporedia symulaca, ale moe te by atury determiistycze lub aalitycze, w którym to przypadku odpowiedie sformuowaie MC moe wymaga pewe wyobrai, a czasem awet wydawa si sztucze i ieaturale. Stosowalo wybrae metody bdzie zalee od e matematyczych wasoci, a ie od e powierzchowego podobiestwa do rozwizywaego problemu Modele Markowa Modele Markowa su do badaia systemów, gdzie w dae chwili ich sta est wystarczacy by móc wyzaczy charakterystyki probabilistycze przyszego rozwou systemu. S to procesy do opisu, których wystarcza rozkady dwuwymiarowe. Modele te zakada, i a kolee odczytae stay obiektu X s zalee od poprzedich staów X -k, 0<k<. Rozróiamy: - acuchy Markowa cig zmieych losowych X 0, X 1,..., który okreloy est a wspóle przestrzei probabilistycze i przymue wartoci ieuemi cakowite. - cigi Markowa - dyskrete procesy Markowa- proces losowy dyskrety, który speia waruek {X t,t T}, który zosta utworzoy ze zmieych losowych dyskretych. - procesy Markowa z czasem cigym est to awaiesza klasa procesów losowych. Procesy te opisu prawdopodobiestwa przecia, które zwae s te fukcami przecia. Jeeli mamy do czyieia w procesie Markowa z przeliczal przestrzei staów, to moa wtedy te procesy przedstawi w postaci grafu. Wierzchoki grafu odpowiada poszczególym staom procesu, atomiast uki, które e cz wskazu dopuszczale przecia pomidzy staami Metoda Dempstera Shafera Teoria Dempstera-Shafera, zwaa iacze teori ewideci matematycze, czy te teori fukci przekoaia. Moliwe obszary zastosowaia powysze teorii obemu: itegraca iformaci pochodzcych z róych róde przy idetyfikaci obiektu [dekorvi et al.,1993], modelowaia wyszukiwaia iformaci w bazach daych [Lalmas, 1996], rozpozawaie plau dziaaia [bauer, 1994], zagadieia diagostyki techicze w warukach zawodoci elemetów pomiarowych [Durham et al., 1992], zastosowaia medycze [Gordo & Shortliffe, 1990, Zarley et al., 1988b, Blau, 1996]. Przytoczmy eszcze kilka podstawowych po z powysze teorii. - dyskrety iepusty skoczoy zbiór, przy czym dla pewego aturalego 417

6 K. Topolska, W. Walkowiak, M. Topolski (1) Zmiea A - przymue wartoci ze zbioru Defiica 1. Przez fukc masy w sesie teorii DS rozumie si fukc m:2^{ }[0,1] speiac waruki: m (A) 1, (2) A2 m( ) 0, (3) m( A). (4) 0 A 2 Dowiedzioo, e dla kade fukci przekoaia Bel istiee dokadie eda fukca masy m taka, e Bel(A) m( 1, atomiast dla zbiorów wiksze liczoci fukc m(a) moa traktowa ako BA wyrówaie "igoraci" podzbiorów daego zbioru. W teorii DS operue si take pociem: Defiica 2 Przez fukc przekoaia w sesie teorii DS rozumie si tak fukc Bel:2^{ }[0,1], e Bel(A) m( 1 (5) BA, gdzie m( est fukc masy w sesie teorii DS. Defiica 3 Przez fukc domiemaia w sesie teorii DS rozumie si fukc Pl:2^{ } [0,1], Pl(A) m( 1 (6) B;BA Defiica 4 Rozpatruc dwa rozkady m1 i m2, moa dokoa ich poczeia, otrzymuc owy rozkad bazowy m wedug reguy m 1( A) m2( ABC m(c). (7) m 1( A) m2( 4. Przedstawieie wybraego modelu AB Poiewa w badaym przypadku powok ceramiczych elemet uszkodzoy ie bdzie podlega aprawie, wic gotowo obiektu, prawdopodobiestwo gotowoci (eeli obiekt ie est aprawiay) est defiiowae [3] ako: K g ( t) R( t). (8) W aszym przypadku po okresie pracy urzdzeia t poddaemy subiektywe oceie procetowe uszkodzeie elemetu pokrytego powok ceramicz. Zaleca si w celu dokadiesze aalizy, aby aaliza bya dokoywaa co amie przez dwóch ekspertów (s to iformace iezalee). Przymimy, zatem astpuc posta ieuszkadzaloci: R k, PW R k ( L, S) Bel k { A( L, S; Rk Belk { A( t, )} { A( L, S)}, gdzie: t czas eksploataci czci kostrukcye, L gboko pkicia, S S u, S p T - wektor wytrzymaoci, S - wielko pkicia, u Rk, PP Rk ( t,, ) Belk { A( t, ; 0 t)}, 0 t)}, (9) 418

7 S p The Validatio Methods of Durability of Ceramic Coatig uder Laboratory Coditios - zuycie powoki ceramicze, TP temperatura zaworu w trakcie bada, - prdko obrotowa [obr/mi] tarczy z zaworami, k koley etap badaia, PP parametry pracy, PW parametry wytrzymaoci, - suma ortogoala. Ocea kadego eksperta o wartoci ieuszkadzaloci bdzie wyzaczaa a podstawie regu: Regua eksperta: JEELI obiekt pracowa w daym przedziale czasu t i wystpiy w tym czasie wartoci parametrów pracy oraz parametry wytrzymaoci L, S TO obiekt est ieuszkodzoy A({ L, S} {, t, TP}) (10) ze redi wartoci fukci alokaci prawdopodobiestwa m i ({ L, S }) i mi ({ TP,, t }) gdzie: i ilo prób ilo ekspertów Tak otrzymae reguy fukci masy od -ekspertów czymy za pomoc reguy kombiaci Dempstera (2.7). Nastpie atwo moa wyzaczy warto fukci przekoaia (2.3), która w kotekcie tak postawioego zadaia bdzie miaa posta: Bel k { A S ( t, )} { A ( L, S)} m { A ( t, )} { A ( L, )}, (11) gdzie: m { t TP A L S 1... (,, )} { 1... (, )}- est fukc masy zoo z iezaleych rozkadów 1... A wyzaczoych przez ekspertów. Zwrómy uwag a fakt, e wszystkie wartoci parametrów w zadaych odstpach czasowych s mierzoe, obliczae i zapamitywae. 5. Podsumowaie W pracy przedstawioo metody oce akie mog by stosowae w oceie elemetów mechaiczych i wybray model ocey uszkadzaloci powok ceramiczych w siliku spaliowym. Model te a podstawie opiii ekspertów o staie powoki w daym czasie eksploataci dae w wyiku warto przekoaia o dalsze uyteczoci zaworu. Jeeli ustalimy, e zawór ie adae si do dalsze eksploataci przymuemy warto przekoaia Bel ako graicz dla zadaego przedziau czasu eksploataci. W rezultacie tak postawioego problemu otrzyma moemy rozkad bazowy p. fukci przekoaia od czasu eksploataci. Uzyskamy rozkad fukci przekoaia, który bdzie dokadie odzwierciedla bazowy rozkad przekoaia oraz graicz warto uyteczoci obiektu w zadaych warukach eksploatacyych p. w dziedziie czasu. Literatura: [1] Bacchus, F., A logic for represetig ad reasoig with statistical kowledge, Computer Itelligece ,

8 K. Topolska, W. Walkowiak, M. Topolski [2] Bobrowski, D., Probabilistyka w zastosowaiach techiczych, WNT, , Warszawa [3] Durham, S.D., Smolka, J.S., Valtorta, M., Statistical cosistecy with Dempster s rule o diagostic trees havig ucertai performace parameters, Iteratioal oural of Approximate Reasoig: 6, 67-81, [4] Nowakowski, T., Metodyka progozowaia i iezawodoci obiektów mechaiczych, Oficya Wydawicza Politechiki Wrocawskie, Wrocaw [5] Matuszewski, A., Kopotek, M.A., What Does a Belief Fuctio Believe I? Prace IPI PAN 758/94, [6] Wag, A., A Defect i Dempster-Shafer Theory. Proc. Cof. Icertaity i Artificial Itelligece, UA196, URL=ftp://cogsci.idiaa.edu/pub/wag.dempster.ps. [7] Wieczorkowski, R., Zieliski, R., Komputerowe geeratory liczb losowych. Wydawictwa Naukowo Techicze, Warszawa [8] Wierzcho, S., Metody reprezetaci i przetwarzaia iformaci iepewe w ramach teorii Dempstera-Shafera, Istytut Podstaw Iformatyki Polskie Akademii Nauk, Warszawa

Elastyczno silników FIAT

Elastyczno silników FIAT ARCHIWU OTORYZACJI 4, pp. 319-35 (009) Elastyczo silików FIAT JANUSZ YSŁOWSKI, WAWRZYNIEC GOŁBIEWSKI Zachodiopomorski Uiwersytet Techologiczy W artykule przedstawioo elastyczo silików FIAT. Pierwszym aspektem

Bardziej szczegółowo

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych Temat: Poprawo całkowita i czciowa algorytmu. Złooo obliczeiowa algorytmu. Złooo czasowa redia i pesymistycza. Rzd fukcji. I. Literatura 1. L. Baachowski, K. Diks, W. Rytter Algorytmy i struktury daych.

Bardziej szczegółowo

ZASTOSOWANIE METODY CBR DO SZACOWANIA KOSZTÓW WYTWARZANIA W FAZIE PROJEKTOWANIA

ZASTOSOWANIE METODY CBR DO SZACOWANIA KOSZTÓW WYTWARZANIA W FAZIE PROJEKTOWANIA ZASTOSOWANIE METODY CBR DO SZACOWANIA KOSZTÓW WYTWARZANIA W FAZIE PROJEKTOWANIA prof. r hab. iż. Ryszar Kosala r.kosala@po.opole.pl mgr iż. Barbara Baruś b.barus@po.opole.pl Politechika Opolska Wyział

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

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

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

Zbiory. Zadanie 5. Wykaza to»samo±ci (a) A (B \ C) = [(A B) \ C] (A C), (b) A \ [B \ (C \ D)] = (A \ B) [(A C) \ D],

Zbiory. Zadanie 5. Wykaza to»samo±ci (a) A (B \ C) = [(A B) \ C] (A C), (b) A \ [B \ (C \ D)] = (A \ B) [(A C) \ D], x FAQ ANALIZA R c ZADANIA Zbiory Zadaie 1. Opisa zbiory A B, A B, A \ B, B \ A je±li A = {x R : x 3x < 0, }; B = {x R : x 3x + 4 0} Zadaie. Niech A, B, C, D b d podzbiorami przestrzei X. Udowodi,»e A \

Bardziej szczegółowo

Równoliczno zbiorów. Definicja 3.1 Powiemy, e niepuste zbiory A i B s równoliczne jeeli istnieje. Piszemy wówczas A~B. Przyjmujemy dodatkowo, e ~.

Równoliczno zbiorów. Definicja 3.1 Powiemy, e niepuste zbiory A i B s równoliczne jeeli istnieje. Piszemy wówczas A~B. Przyjmujemy dodatkowo, e ~. 16 Rówoliczo zbiorów Defiicja 3.1 Powiemy, e iepuste zbiory A i B s rówolicze jeeli istieje f : A B. Piszemy wówczas A~B. Przyjmujemy dodatkowo, e ~. Twierdzeie 3.1 (podstawowa właso rówoliczoci zbiorów)

Bardziej szczegółowo

Nieklasyczne modele kolorowania grafów

Nieklasyczne modele kolorowania grafów 65 Nieklasycze modele kolorowaia grafów 66 Kolorowaie sprawiedliwe Def. Jeli wierzchołki grafu G moa podzieli a k takich zbiorów iezaleych C,...,C k, e C i C j dla wszystkich i,j,...,k, to mówimy, e G

Bardziej szczegółowo

Twierdzeie Closa Problem: Jak duże musi być m, aby trzysekcye pole Closa ν(m,, r) )było ieblokowale w wąskim sesie? Twierdzeie Closa: Dwustroe trzysek

Twierdzeie Closa Problem: Jak duże musi być m, aby trzysekcye pole Closa ν(m,, r) )było ieblokowale w wąskim sesie? Twierdzeie Closa: Dwustroe trzysek Sieci i Systemy z Itegracą Usług Trzysekcye pole Closa m r r m Własości kombiatorycze pól komutacyych Prof. dr hab. iż. Wociech Kabaciński r m Pole Closa est edozaczie defiiowae przez trókę m,, r i ozaczae

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

3. Wykład III: Warunki optymalności dla zadań bez ograniczeń

3. Wykład III: Warunki optymalności dla zadań bez ograniczeń 3 Wkład III: Waruki optmalości dla zadań bez ograiczeń Podae poiże waruki optmalości dla są uogólieiem powszechie zach waruków dla fukci ede zmiee (zerowaie się pierwsze pochode i lokala wpukłość) 3 Twierdzeie

Bardziej szczegółowo

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych.

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych. Temat: Poprawo całkowita i czciowa algorytmu. Złooo obliczeiowa algorytmu. Złooo czasowa redia i pesymistycza. Rzd fukcji. I. Literatura 1. A. V. Aho, J.E. Hopcroft, J. D. Ullma - Projektowaie i aaliza

Bardziej szczegółowo

METHOD OF ANALYSIS OF MEASUREMENT RESULT COHESION WITH THE THEORY OF MATHEMATICAL RECORD USING AND CONCENTRATIONS ANALYSIS

METHOD OF ANALYSIS OF MEASUREMENT RESULT COHESION WITH THE THEORY OF MATHEMATICAL RECORD USING AND CONCENTRATIONS ANALYSIS Joural of ONES Powertrai ad Trasport, Vol.4, No. 007 METHOD OF ANALSIS OF MEASUREMENT RESULT COHESION WITH THE THEOR OF MATHEMATICAL RECORD USING AND CONCENTRATIONS ANALSIS *atarzya Topolsa, *Wojciech

Bardziej szczegółowo

Wykªad 2. Szeregi liczbowe.

Wykªad 2. Szeregi liczbowe. Wykªad jest prowadzoy w oparciu o podr czik Aaliza matematycza 2. Deicje, twierdzeia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 2. Szeregi liczbowe. Deicje i podstawowe twierdzeia Deicja Szeregiem liczbowym

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

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

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

EGZAMIN MATURALNY Z MATEMATYKI

EGZAMIN MATURALNY Z MATEMATYKI Miejsce a aklejk z kodem szkoy dysleksja EGZAMIN MATURALNY Z MATEMATYKI MMA-RAP-06 POZIOM ROZSZERZONY Czas pracy 0 miut Istrukcja dla zdajcego Sprawd, czy arkusz egzamiacyjy zawiera 4 stro (zadaia ) Ewetualy

Bardziej szczegółowo

ROZDZIAŁ VIII OPTYMALIZACJA W DIAGNOSTYCE MASZYN

ROZDZIAŁ VIII OPTYMALIZACJA W DIAGNOSTYCE MASZYN ... auka zaczya si wtedy, kiedy zaczya si mierzeie... ROZZIAŁ VIII OPTYMALIZACJA W IAGNOSTYCE MASZYN 8. Wprowadzeie 8.2 Jako maszy w aspekcie diagostyki 8.3 Model destrukcji maszy 8.4 Optymalizacja testów

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

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

INWESTYCJE MATERIALNE

INWESTYCJE MATERIALNE OCENA EFEKTYWNOŚCI INWESTYCJI INWESTCJE: proces wydatkowaia środków a aktywa, z których moża oczekiwać dochodów pieiężych w późiejszym okresie. Każde przedsiębiorstwo posiada pewą liczbę możliwych projektów

Bardziej 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

ZASTOSOWANIE PROCESU GENEZOWANIA STANU MASZYN W DEDYKOWANYCH SYSTEMACH DIAGNOZOWANIA JOANNA WILCZARSKA

ZASTOSOWANIE PROCESU GENEZOWANIA STANU MASZYN W DEDYKOWANYCH SYSTEMACH DIAGNOZOWANIA JOANNA WILCZARSKA ZASTOSOWANIE PROCESU GENEZOWANIA STANU MASZYN W DEDYKOWANYCH SYSTEMACH DIAGNOZOWANIA JOANNA WILCZARSKA Streszczeie Wstpe prace ad stworzeiem dedykowaych systemów diagostyczych maszy, wykorzystucych opracowae

Bardziej szczegółowo

Analiza matematyczna 1 Notatki do wykªadu Mateusz Kwa±nicki. 7 Sumy i iloczyny uogólnione

Analiza matematyczna 1 Notatki do wykªadu Mateusz Kwa±nicki. 7 Sumy i iloczyny uogólnione Aaliza matematycza Notatki do wykªadu Mateusz Kwa±icki 7 Sumy i iloczyy uogólioe Dla dowolych liczb a k, a k+, a k+,..., a l okre±lamy sum uogólio i iloczy uogólioy: a k + a k+ + a k+ +... + a l, l a k

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

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

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą

Bardziej szczegółowo

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

Tw. 1. Je»eli ci g {a n } ma granic a i ci g {b n } ma granic b, to ci g {a n b n } ma granic a b. Tw. 2. b n. Tw. 3. Tw. 4.

Tw. 1. Je»eli ci g {a n } ma granic a i ci g {b n } ma granic b, to ci g {a n b n } ma granic a b. Tw. 2. b n. Tw. 3. Tw. 4. Tw.. Je»eli ci g {a } ma graic a i ci g {b } ma graic b, to ci g {a + b } ma graic a+b. Tw.. Je»eli ci g {a } ma graic a i ci g {b } ma graic b, to ci g {a b } ma graic a-b. Tw.. Je»eli ci g {a } ma graic

Bardziej szczegółowo

KLUCZ ODPOWIEDZI I ZASADY PUNKTOWANIA PRÓBNEGO EGZAMINU MATURALNEGO Z MATEMATYKI POZIOM PODSTAWOWY

KLUCZ ODPOWIEDZI I ZASADY PUNKTOWANIA PRÓBNEGO EGZAMINU MATURALNEGO Z MATEMATYKI POZIOM PODSTAWOWY KLUCZ ODPOWIEDZI I ZASADY PUNKTOWANIA PRÓBNEGO EGZAMINU MATURALNEGO Z MATEMATYKI POZIOM PODSTAWOWY Nr zadaia Odpowiedzi Pukty Badae umiejtoci Obszar stadardu 1. B 0 1 plauje i wykouje obliczeia a liczbach

Bardziej szczegółowo

Pojcie estymacji. Metody probabilistyczne i statystyka Wykład 9: Estymacja punktowa. Własnoci estymatorów. Rozkłady statystyk z próby.

Pojcie estymacji. Metody probabilistyczne i statystyka Wykład 9: Estymacja punktowa. Własnoci estymatorów. Rozkłady statystyk z próby. Pojcie estymacji Metody probabilistycze i statystyka Wykład 9: Estymacja puktowa. Własoci estymatorów. Rozkłady statystyk z próby. Szacowaie wartoci parametrów lub rozkładu zmieej losowej w populacji geeralej

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz

Bardziej szczegółowo

Wykład. Inwestycja. Inwestycje. Inwestowanie. Działalność inwestycyjna. Inwestycja

Wykład. Inwestycja. Inwestycje. Inwestowanie. Działalność inwestycyjna. Inwestycja Iwestycja Wykład Celowo wydatkowae środki firmy skierowae a powiększeie jej dochodów w przyszłości. Iwestycje w wyiku użycia środków fiasowych tworzą lub powiększają majątek rzeczowy, majątek fiasowy i

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i

Bardziej szczegółowo

Model Lesliego. Oznaczmy: 0 m i liczba potomstwa pojawiającego się co jednostkę czasu u osobnika z i-tej grupy wiekowej, i = 1,...

Model Lesliego. Oznaczmy: 0 m i liczba potomstwa pojawiającego się co jednostkę czasu u osobnika z i-tej grupy wiekowej, i = 1,... Model Lesliego Macierze Lesliego i Markowa K. Leśiak Wyodrębiamy w populaci k grup wiekowych. Po każde edostce czasu astępuą arodziy i zgoy oraz starzeie (przechodzeie do astępe grupy wiekowe). Chcemy

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

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

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

RAP pa¹dziernika S n = S 0 + i=1. p r q l = p r q l r. N n(a,b)

RAP pa¹dziernika S n = S 0 + i=1. p r q l = p r q l r. N n(a,b) RAP 4 5 pa¹dzierika 008 Wykªad : PSL metoda zliczaia ±cie»ek Wykªadowca: Adrzej Ruci«ski Pisarz:Bartosz Naskr cki i Marek Kaluba Wst p B dziemy dalej studiowa zachowaia osobika, którego gr zajmowali±my

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

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

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

ODPOWIEDZI I SCHEMAT PUNKTOWANIA ZESTAW NR 2 POZIOM PODSTAWOWY. 1. x y x y

ODPOWIEDZI I SCHEMAT PUNKTOWANIA ZESTAW NR 2 POZIOM PODSTAWOWY. 1. x y x y Nr zadania Nr czynnoci Przykadowy zestaw zada nr z matematyki ODPOWIEDZI I SCHEMAT PUNKTOWANIA ZESTAW NR POZIOM PODSTAWOWY Etapy rozwizania zadania. Podanie dziedziny funkcji f: 6, 8.. Podanie wszystkich

Bardziej szczegółowo

Podstawy matematyki nansowej

Podstawy matematyki nansowej Podstawy matematyki asowej Omówimy tutaj odstawowe oj cia matematyki asowej. Jest to dobre miejsce, gdy» zagadieia te wi» si z ci gami, w szczególo±ci z ci giem arytmetyczym i geometryczym. Omówimy zagadieie

Bardziej szczegółowo

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia Pla wykładu Aaliza daych Wykład : Statystyka opisowa. Małgorzata Krętowska Wydział Iformatyki Politechika Białostocka. Statystyka opisowa.. Estymacja puktowa. Własości estymatorów.. Rozkłady statystyk

Bardziej szczegółowo

Fraktale - ciąg g dalszy

Fraktale - ciąg g dalszy Fraktale - ciąg g dalszy Koleja próba defiicji fraktala Jak Madelbrot zdefiiował fraktal? Co to jest wymiar fraktaly zbioru? Układy odwzorowań iterowaych (IFS Przykład kostrukcji pewego zbioru. Elemety

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

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

MONITOROWANIE STANU SYSTEMU KIEROWCA - RODEK TRANSPORTOWY - DROGA

MONITOROWANIE STANU SYSTEMU KIEROWCA - RODEK TRANSPORTOWY - DROGA PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 95 Transport 2013 Henryk Tylicki, Bolesaw Ochodek Instytut Politechniczny, Pastwowa Wysza Szkoa Zawodowa im. Stanisawa Staszica w Pile MONITOROWANIE STANU SYSTEMU

Bardziej szczegółowo

ALGORYTM OPTYMALIZACJI PARAMETRÓW EKSPLOATACYJNYCH ŚRODKÓW TRANSPORTU

ALGORYTM OPTYMALIZACJI PARAMETRÓW EKSPLOATACYJNYCH ŚRODKÓW TRANSPORTU Łukasz WOJCIECHOWSKI, Tadeusz CISOWSKI, Piotr GRZEGORCZYK ALGORYTM OPTYMALIZACJI PARAMETRÓW EKSPLOATACYJNYCH ŚRODKÓW TRANSPORTU Streszczeie W artykule zaprezetowao algorytm wyzaczaia optymalych parametrów

Bardziej szczegółowo

lim a n Cigi liczbowe i ich granice

lim a n Cigi liczbowe i ich granice Cigi liczbowe i ich graice Cigiem ieskoczoym azywamy dowol fukcj rzeczywist okrelo a zbiorze liczb aturalych. Dla wygody zapisu, zamiast a() bdziemy pisa a. Elemet a azywamy -tym wyrazem cigu. Cig (a )

Bardziej szczegółowo

Planowanie adresacji IP dla przedsibiorstwa.

Planowanie adresacji IP dla przedsibiorstwa. Planowanie adresacji IP dla przedsibiorstwa. Wstp Przy podejciu do planowania adresacji IP moemy spotka si z 2 głównymi przypadkami: planowanie za pomoc adresów sieci prywatnej przypadek, w którym jeeli

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej

Bardziej szczegółowo

Planowanie organizacji robót budowlanych na podstawie analizy nakładów pracy zasobów czynnych

Planowanie organizacji robót budowlanych na podstawie analizy nakładów pracy zasobów czynnych Budowictwo i Architektura 12(1) (2013) 39-46 Plaowaie orgaizacji robót budowlaych a podstawie aalizy akładów pracy zasobów czyych Roma Marcikowski 1 1 Istytut Budowictwa, Wydział Budowictwa Mechaiki i

Bardziej szczegółowo

Marek Be±ka, Statystyka matematyczna, wykªad Wykªadnicze rodziny rozkªadów prawdopodobie«stwa

Marek Be±ka, Statystyka matematyczna, wykªad Wykªadnicze rodziny rozkªadów prawdopodobie«stwa Mare Be±a, Statystya matematycza, wyªad 3 38 3 Statystyi zupeªe 3. Wyªadicze rodziy rozªadów prawdopodobie«stwa Zacziemy od deicji Deicja 3. Rodzi rozªadów {µ θ } θ Θ azywamy wyªadicz rodzi rozªadów -

Bardziej szczegółowo

SYMULACJA MIKROSKOPOWA RUCHU W MODELU OBSZAROWYM SIECI DROGOWEJ

SYMULACJA MIKROSKOPOWA RUCHU W MODELU OBSZAROWYM SIECI DROGOWEJ PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 86 Trasport 202 Staisaw Krawiec, Ireeusz Celiski Wydzia Trasportu, Politechika lska SYMULACJA MIKROSKOPOWA RUCHU W MELU OBSZAROWYM SIECI DROGOWEJ Rkopis dostarczoo,

Bardziej szczegółowo

Teoria i metody optymalizacji

Teoria i metody optymalizacji eoria i metody optymalizaci Programowaie liiowe całowitoliczbowe PCL Metodologia podziału i ograiczeń Brach ad Boud (B&B) ma c A Z echique Metodologia podziału i ograiczeń B&B { A b i Z } Podstawą metodologii

Bardziej szczegółowo

Zeszyty naukowe nr 9

Zeszyty naukowe nr 9 Zeszyty aukowe r 9 Wyższej Szkoły Ekoomiczej w Bochi 2011 Piotr Fijałkowski Model zależości otowań giełdowych a przykładzie otowań ołowiu i spółki Orzeł Biały S.A. Streszczeie Niiejsza praca opisuje próbę

Bardziej szczegółowo

ELEKTROTECHNIKA I ELEKTRONIKA

ELEKTROTECHNIKA I ELEKTRONIKA UNIWERSYTET TECHNOLOGICZNO-PRZYRODNICZY W BYDGOSZCZY WYDZIAŁ INŻYNIERII MECHANICZNEJ INSTYTUT EKSPLOATACJI MASZYN I TRANSPORTU ZAKŁAD STEROWANIA ELEKTROTECHNIKA I ELEKTRONIKA ĆWICZENIE: E20 BADANIE UKŁADU

Bardziej szczegółowo

EA3 Silnik komutatorowy uniwersalny

EA3 Silnik komutatorowy uniwersalny Akademia Góriczo-Huticza im.s.staszica w Krakowie KAEDRA MASZYN ELEKRYCZNYCH EA3 Silik komutatorowy uiwersaly Program ćwiczeia 1. Oględziy zewętrze 2. Pomiar charakterystyk mechaiczych przy zasilaiu: a

Bardziej 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 2012 MATEMATYKA

EGZAMIN MATURALNY 2012 MATEMATYKA etrala Komisja Egzamiacyja EGZAMIN MATURALNY 01 MATEMATYKA POZIOM PODSTAWOWY Kryteria oceiaia odpowiedzi ZERWIE 01 Zadaie 1. (0 1) Obszar stadardów i iterpretowaie iformacji Opis wymaga Usuwaie iewymieroci

Bardziej szczegółowo

EKONOMETRIA. Temat wykładu: Co to jest model ekonometryczny? Dobór zmiennych objaśniających w modelu ekonometrycznym CZYM ZAJMUJE SIĘ EKONOMETRIA?

EKONOMETRIA. Temat wykładu: Co to jest model ekonometryczny? Dobór zmiennych objaśniających w modelu ekonometrycznym CZYM ZAJMUJE SIĘ EKONOMETRIA? EKONOMETRIA Temat wykładu: Co to jest model ekoometryczy? Dobór zmieych objaśiających w modelu ekoometryczym Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapata Tarapata@isi.wat..wat.edu.pl http://

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 11

RÓWNANIA RÓŻNICZKOWE WYKŁAD 11 RÓWNANIA RÓŻNICZKOWE WYKŁAD Szeregi potęgowe Defiicja Fukcja y = f () jest klasy C jeżeli jest -krotie różiczkowala i jej -ta pochoda jest fukcją ciągłą. Defiicja Fukcja y = f () jest klasy C, jeżeli jest

Bardziej szczegółowo

THE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS

THE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS Journal of KONES Internal Combustion Engines 2005, vol. 12, 3-4 THE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS Mariusz Topolski Politechnika Wrocławska,

Bardziej szczegółowo

Matematyczne aspekty modelowania paj czynowego obiektów

Matematyczne aspekty modelowania paj czynowego obiektów BIULETY ISTYTUTU SYSTEÓW IFORATYCZYCH 4-8 (009) atematycze aspekty modelowaia pajczyowego obiektów A. AELJACZYK e-mail:aameljaczyk@wat.edu.pl Istytut Systemów Iformatyczych Wydzia Cyberetyki WAT ul. S.

Bardziej szczegółowo

BQR FMECA/FMEA. czujnik DI CPU DO zawór. Rys. 1. Schemat rozpatrywanego systemu zabezpieczeniowego PE

BQR FMECA/FMEA. czujnik DI CPU DO zawór. Rys. 1. Schemat rozpatrywanego systemu zabezpieczeniowego PE BQR FMECA/FMEA Przed rozpoczęcem aalzy ależy przeprowadzć dekompozycję systemu a podsystemy elemety. W efekce dekompozycj uzyskuje sę klka pozomów: pozom systemu, pozomy podsystemów oraz pozom elemetów.

Bardziej szczegółowo

Wybór systemu klasy ERP metod AHP

Wybór systemu klasy ERP metod AHP BIULETYN INSTYTUTU SYSTEMÓW INFORMATYCZNYCH 5 3-22 (200) Wybór systemu klasy ERP metod AHP A. CHOJNACI, O. SZWEDO e-mail: adrzej.chojacki@wat.edu.pl Wydzia Cyberetyki WAT ul. S. aliskiego 2, 00-908 Warszawa

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

Metoda najszybszego spadku

Metoda najszybszego spadku Metody Gradietowe W tym rozdziale bdziemy rozwaa metody poszuiwaia dla fucji z przestrzei R o wartociach rzeczywistych Metody te wyorzystuj radiet fucji ja rówie wartoci fucji Przypomijmy, czym jest zbiór

Bardziej szczegółowo

Termodynamika defektów sieci krystalicznej

Termodynamika defektów sieci krystalicznej Termodyamika defektów sieci krystaliczej Defekty sieci krystaliczej puktowe (wakasje, atomy międzywęzłowe, obce atomy) jedowymiarowe (dyslokacje krawędziowe i śrubowe) dwuwymiarowe (graice międzyziarowe,

Bardziej szczegółowo

Politechnika Poznańska

Politechnika Poznańska Politechika Pozańska Temat: Laboratorium z termodyamiki Aaliza składu spali powstałych przy spalaiu paliw gazowych oraz pomiar ich prędkości przepływu za pomocą Dopplerowskiego Aemometru Laserowego (LDA)

Bardziej szczegółowo

8. Optymalizacja decyzji inwestycyjnych

8. Optymalizacja decyzji inwestycyjnych 8. Optymalizacja decyzji iwestycyjych 8. Wprowadzeie W wielu różych sytuacjach, w tym rówież w czasie wyboru iwestycji do realizacji, podejmujemy decyzje. Sytuacje takie azywae są sytuacjami decyzyjymi.

Bardziej szczegółowo

Jarosław Wróblewski Analiza Matematyczna 1A, zima 2012/13. Ciągi.

Jarosław Wróblewski Analiza Matematyczna 1A, zima 2012/13. Ciągi. Jarosław Wróblewski Aaliza Matematycza 1A, zima 2012/13 Ciągi. Ćwiczeia 5.11.2012: zad. 140-173 Kolokwium r 5, 6.11.2012: materiał z zad. 1-173 Ćwiczeia 12.11.2012: zad. 174-190 13.11.2012: zajęcia czwartkowe

Bardziej szczegółowo

MATEMATYKA (poziom podstawowy) przykładowy arkusz maturalny wraz ze schematem oceniania dla klasy II Liceum

MATEMATYKA (poziom podstawowy) przykładowy arkusz maturalny wraz ze schematem oceniania dla klasy II Liceum MATEMATYKA (poziom podstawowy) przykładowy arkusz maturaly wraz ze schematem oceiaia dla klasy II Liceum Propozycja zadań maturalych sprawdzających opaowaie wiadomości i umiejętości matematyczych z zakresu

Bardziej szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:

Bardziej szczegółowo

podejœcia kanalizacyjne poziom kanalizacyjny

podejœcia kanalizacyjne poziom kanalizacyjny Kaalizacja wewętrza wywiewka podejœcia kaalizacyje poziom kaalizacyjy pio kaalizacyjy ŚCIEKI W DOMU Myjemy siê, sprz¹tamy, przygotowujemy posi³ki, czyli korzystamy z przyborów saitarych, takich jak: waa,

Bardziej szczegółowo

ZASTOSOWANIE SILNIKÓW O DUśEJ SPRAWNOŚCI DO NAPĘDÓW WENTYLATORÓW MŁYNOWYCH

ZASTOSOWANIE SILNIKÓW O DUśEJ SPRAWNOŚCI DO NAPĘDÓW WENTYLATORÓW MŁYNOWYCH Zeszyty Problemowe Maszyy Elektrycze Nr 88/2010 135 Grzegorz Badowski, Jerzy Hickiewicz, Krystya Macek-Kamińska, Marci Kamiński Politechika Opolska, Opole Piotr Pluta, PGE Elektrowia Opole SA, Brzezie

Bardziej szczegółowo

Laboratorium Sensorów i Pomiarów Wielkości Nieelektrycznych. Ćwiczenie nr 1

Laboratorium Sensorów i Pomiarów Wielkości Nieelektrycznych. Ćwiczenie nr 1 1. Cel ćwiczeia: Laboratorium Sesorów i Pomiarów Wielkości Nieelektryczych Ćwiczeie r 1 Pomiary ciśieia Celem ćwiczeia jest zapozaie się z kostrukcją i działaiem czujików ciśieia. W trakcie zajęć laboratoryjych

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu. Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują

Bardziej szczegółowo

Ekstremalna teoria grafów Filip Lurka V Liceum ogólnoksztaªc ce w Krakowie

Ekstremalna teoria grafów Filip Lurka V Liceum ogólnoksztaªc ce w Krakowie Ekstremala teoria grafów Filip Lurka V Liceum ogóloksztaªc ce w Krakowie 1 Ekstremala Teoria Grafów 1 Ekstremala Teoria Grafów Filip Lurka 1.1 Teoria Deicja 1.1 Klik azywamy graf peªy; ka»de dwa wierzchoªki

Bardziej szczegółowo

Czas trwania obligacji (duration)

Czas trwania obligacji (duration) Czas rwaia obligacji (duraio) Do aalizy ryzyka wyikającego ze zmia sóp proceowych (szczególie ryzyka zmiay cey) wykorzysuje się pojęcie zw. średiego ermiu wykupu obligacji, zwaego rówież czasem rwaia obligacji

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

KATEDRA ENERGOELEKTRONIKI I ELEKTROENERGETYKI

KATEDRA ENERGOELEKTRONIKI I ELEKTROENERGETYKI KATEDRA ENERGOELEKTRONIKI I ELEKTROENERGETYKI Grupa: 1. 2. 3. 4. 5. LABORATORIUM ELEKTROENERGETYKI Data: Ocea: ĆWICZENIE 3 BADANIE WYŁĄCZNIKÓW RÓŻNICOWOPRĄDOWYCH 3.1. Cel ćwiczeia Celem ćwiczeia jest:

Bardziej szczegółowo

Teoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i =

Teoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i = Zastosowaie symboli Σ i Π do zapisu sum i iloczyów Teoria Niech a, a 2,..., a będą dowolymi liczbami. Sumę a + a 2 +... + a zapisuje się zazwyczaj w postaci (czytaj: suma od k do a k ). Zak Σ to duża grecka

Bardziej szczegółowo

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym)

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym) Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych (w zakresie materiału przedstawioego a wykładzie orgaizacyjym) Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli

Bardziej szczegółowo

ZADANIA NA ĆWICZENIA 3 I 4

ZADANIA NA ĆWICZENIA 3 I 4 Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.

Bardziej szczegółowo

Sesja prezentacji Wydziału Chemicznego

Sesja prezentacji Wydziału Chemicznego 9 50 11 10 Sesja prezetacji Wydziału Chemiczego Spotkaia z Przemysłem, 8 marca 2018 Wydział Chemiczy Politechiki Warszawskiej Cetrum Zarządzaia Iowacjami i Trasferem Techologii Sesja prezetacji Wydziału

Bardziej szczegółowo

Sekwencyjne układy logiczne (A 10)

Sekwencyjne układy logiczne (A 10) POLITECHNIKA LKA W GLIWICACH WYDZIAŁ INYNIEII ODOWIKA I ENEGETYKI INTYTUT: MAZYN I UZDZE ENEGETYCZNYCH ekwecyje układy logicze Laboratorium automatyki (A 10) Opracował: mgr i. Daiel Wcel prawdził: dr i.

Bardziej szczegółowo

POMIARY WARSZTATOWE. D o u ż y t k u w e w n ę t r z n e g o. Katedra Inżynierii i Aparatury Przemysłu Spożywczego. Ćwiczenia laboratoryjne

POMIARY WARSZTATOWE. D o u ż y t k u w e w n ę t r z n e g o. Katedra Inżynierii i Aparatury Przemysłu Spożywczego. Ćwiczenia laboratoryjne D o u ż y t k u w e w ę t r z e g o Katedra Iżyierii i Aparatury Przemysłu Spożywczego POMIARY WARSZTATOWE Ćwiczeia laboratoryje Opracowaie: Urszula Goik, Maciej Kabziński Kraków, 2015 1 SUWMIARKI Suwmiarka

Bardziej szczegółowo

Instrukcja obsługi programu MechKonstruktor

Instrukcja obsługi programu MechKonstruktor Instrukcja obsługi programu MechKonstruktor Opracował: Sławomir Bednarczyk Wrocław 2002 1 1. Opis programu komputerowego Program MechKonstruktor słuy do komputerowego wspomagania oblicze projektowych typowych

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

Reprezentacja wiedzy w komputerowo wspomaganym systemie identyfikacji obszaru zagrożenia dla operatora w siłowni okrętowej

Reprezentacja wiedzy w komputerowo wspomaganym systemie identyfikacji obszaru zagrożenia dla operatora w siłowni okrętowej Reprezetacja wiedzy w komputerowo wspomagaym systemie idetyfikacji 57 BEZPIECZEŃSTWO ZAGADNIENIA EKSPLOATACJI MASZYN Zeszyt (49) 007 ANTONI PODSIADŁO *, WIESŁAW TAREŁKO * Reprezetacja wiedzy w komputerowo

Bardziej szczegółowo

ANALIZA SKORELOWANIA WYNIKÓW POMIAROWYCH W OCENACH STANU ZAGROŻEŃ HAŁASOWYCH ŚRODOWISKA

ANALIZA SKORELOWANIA WYNIKÓW POMIAROWYCH W OCENACH STANU ZAGROŻEŃ HAŁASOWYCH ŚRODOWISKA SYSTEMY WSPOMAGANIA W INŻYNIERII PRODUKCJI Środowisko i Bezpieczeństwo w Iżyierii Produkcji 2013 5 ANALIZA SKORELOWANIA WYNIKÓW POMIAROWYCH W OCENACH STANU ZAGROŻEŃ HAŁASOWYCH ŚRODOWISKA 5.1 WPROWADZENIE

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

ANALIZA KSZTAŁTU SEGMENTU UBIORU TERMOOCHRONNEGO PRZY NIEUSTALONYM PRZEWODZENIU CIEPŁA

ANALIZA KSZTAŁTU SEGMENTU UBIORU TERMOOCHRONNEGO PRZY NIEUSTALONYM PRZEWODZENIU CIEPŁA MODELOWANIE INŻYNIERSKIE ISNN 1896-771X 32, s. 255-26, Gliwice 26 ANALIZA KSZTAŁTU SEGMENTU UBIORU TERMOOCHRONNEGO PRZY NIEUSTALONYM PRZEWODZENIU CIEPŁA RYSZARD KORYCKI DARIUSZ WITCZAK Katedra Mechaiki

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