MODELOWANIE STANÓW CZYNNOŚCIOWYCH W JĘZYKU SIECI BAYESOWSKICH
|
|
- Janusz Kowalewski
- 4 lat temu
- Przeglądów:
Transkrypt
1 Inżynieria Rolnicza 7(105)/2008 MODELOWANIE STANÓW CZYNNOŚCIOWYCH W JĘZYKU SIECI BAYESOWSKICH Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. Zastosowanie sieci bayesowskiej do modelowania stanów czynnościowych przedstawiono z perspektywy budowania komputerowego systemu reprezentacji wiedzy. Budowę modelu poprzedzono opracowaniem grafu stanów i przejść zmian pozycji ciała przy wykonywaniu czynności roboczych związanych pakowaniem serków homogenizowanych. Słowa kluczowe: system reprezentacji wiedzy, sieci bayesowskie, model komputerowy Wprowadzenie Technologia sieci probabilistycznych pozwala na szybkie, niemal zautomatyzowane przekształcanie wiedzy ekspertów, wyrażonej werbalnie lub zapisanej w języku naturalnym, w postać modeli komputerowych. Jakość modeli komputerowych zależy od jakości konceptualizacji modelowanej dziedziny, która wymaga zastosowania wiedzy zarówno teoretycznej, jak i empirycznej. W związku z tym modele komputerowe konkretnej dziedziny przedmiotowej powinien tworzyć specjalista w tej dziedzinie. Dotyczy to między innymi ergonomii [Jansen 1997]. Z ergonomicznego punktu widzenia proces pracy jest jedno- lub wielocykliczną sekwencją stanów czynnościowych pracownika. Czynności wykonywane przez pracowników w procesie pracy mają istotny wpływ na obciążenie fizyczne i psychiczne. Obciążenie zależy od swobody ruchów i pozycji ciała podczas wykonywania poszczególnych czynności oraz od struktury i złożoności pola sensoryczno efektorowego. Modelowanie stanów czynnościowych jest użyteczne w ergonomicznej ocenie stanowisk pracy. Programy wspierające technologię sieci bayesowskich oparte są na językach programowania wizualnego i czytelnych schematach konceptualizacyjnych. Technologia ta dodatkowo spełnia wymagania metodologiczne inżynierii wiedzy. Modele bayesowskie są systemami reprezentacji wiedzy. Najważniejsze cechy takich systemów to istnienie algorytmów uczenia maszynowego oraz algorytmów automatycznego wnioskowania. Wiedza zapisana w postaci sieci probabilistycznej jest wiedzą z dokładnością do rozkładu prawdopodobieństwa, a więc jest to odpowiedni system reprezentacji wiedzy dla dziedzin zawierających element niepewności, niezależnie od jego natury. Model komputerowy zbudowany w oparciu o sieci probabilistyczne funkcjonuje jako baza wiedzy, której można zadawać pytania i uzyskiwać odpowiedzi z dokładnością do rozkładu prawdopodobieństwa [Kusz i in. 2006; Maksym i in. 2006]. 173
2 Cel i metodyka Celem pracy jest opracowanie sposobu konstruowania sieci bayesowskich modelujących zmiany stanów czynnościowych pracownika w wymiarze zmian pozycji ciała. Pozycja ciała jest traktowana jako zmienna mogącą przyjmować następujące wartości: siedząca (S), siedząca-pochylona (SP), stojąca (ST), stojąca-pochylona (STP), chodzenie (CH). Pracownicy w czasie wykonywania czynności mogą przyjmować naprzemiennie różne pozycje ciała. Wygodnym sposobem przedstawienia zmian pozycji ciała jest graf stanów i przejść (rys. 1). Rys. 1. Fig. 1. Graf stanów i przejść Graph of statuses and transitions Węzły tego grafu reprezentują poszczególne pozycje ciała, a łuki przejścia pomiędzy tymi pozycjami. Z każdym węzłem związane jest prawdopodobieństwo P i (t), i=1, 2, 3,, n przyjmowania w danej chwili, danej pozycji. Łuki grafu etykietowane są warunkowymi prawdopodobieństwami zmian pozycji ciała w trakcie wykonywania czynności. 174
3 Modelowanie stanów czynnościowych... Tworzą one macierz prawdopodobieństw przejść π (t) : (1) o wymiarze n n, gdzie n jest liczbą wyróżnionych pozycji (tu n = 5). Interesuje nas rozkład prawdopodobieństwa przyjmowania określonej pozycji w dyskretnych chwilach t = 1, 2, : ( 0 ) ( ) 1 1 n P = P Π π (3) i =1 gdzie: ( 0 ) (0) (0) (0) P = p,p,...,p oznacza rozkład prawdopodobieństwa pozycji w chwili początkowej. W konkretnych przypadkach macierze stochastyczne π (t) są zazwyczaj niezależne od czasu, a rozkład P (t) jest szybko zbieżny do pewnego rozkład stacjonarnego: t (2) t lim P = P * (4) gdzie: P * stacjonarny rozkład prawdopodobieństwa nad zbiorem możliwych pozycji ciała. Macierz prawdopodobieństw przejść pewnego konkretnego procesu związanego z pakowaniem serków ma postać: (5) Przy tej macierzy prawdopodobieństw przejść, przyjmując, że początkowy rozkład prawdopodobieństwa zajmowania określonej pozycji jest jednostajny, tj. P (0) =(0,2; 0,2; 0,2; 0,2; 0,2), rozkład stacjonarny P * (0,53; 0,31; 0,11; 0,03; 0,03) osiągany jest już dla t=10 (rys. 2). 175
4 Rys. 2. Fig. 2. Rozkład prawdopodobieństwa przyjmowania określonej pozycji w różnych chwilach czasu Probability distribution for assuming of a certain position in different moments Graf stanów i przejść przekształcono w sekwencję węzłów sieci bayesowskiej. Każdy węzeł tej sekwencji reprezentuje dyskretną skończoną zmienną losową o wartościach reprezentowanych przez węzły grafu stanów i przejść (rys. 1). Transponowane macierze prawdopodobieństw przejść π (t) tego grafu są tożsame z macierzami prawdopodobieństw warunkowych sieci baysowskiej. Liczba węzłów sieci bayesowskiej jest równa liczbie chwil czasu dla których chcemy opisać dany proces. Jeżeli macierz π nie zależy od czasu to wystarczą dwa węzły (rys. 3), reprezentujące pozycję ciała z dokładnością do rozkładu prawdopodobieństwa. Rys. 3. Fig. 3. Sekwencja węzłów sieci bayesowskiej The sequence of Bayesian network nodes Sieci bayesowskie o węzłach reprezentujących zmienne losowe, których rozkład zmienia się w czasie nazywamy dynamicznymi [Murphy 2002]. 176
5 Modelowanie stanów czynnościowych... Podsumowanie Omówiony przykład pokazuje, że język sieci bayesowskich jest wystarczająco ekspresywny do modelowania procesów pracy z ergonomicznego punktu widzenia. Algorytmy uczenia związane z sieciami bayesowskmi umożliwiają automatyczna estymacje i uaktualnienie warunkowych prawdopodobieństw przejść w oparciu o bazę danych zawierających fotografię dnia pracy. Bibiliografia Kusz A., Marciniak A.W Dynamiczne sieci probabilistyczne jako system reprezentacji wiedzy. Inżynieria Rolnicza Nr 12(87). s Jansen F.V An introduction to Bayesian Networks. Springer. London. ISBN Maksym P., Marciniak A., Kostecki R Zastosowanie sieci bayesowskich do modelowania rolniczego procesu produkcyjnego. Inżynieria Rolnicza. Nr 12(87). s Murphy K.P Dynamic Bayesian Networks. Dostępny w Internecie MODELLING OF FUNCTIONAL STATUSES IN THE LANGUAGE OF BAYESIAN NETWORKS Abstract. The use of a Bayesian network for modelling of functional statuses has been shown from the perspective of construction of a computerised knowledge representation system. The model construction was preceded with the development of a graph of statuses and transitions of body position changes while carrying out work operations involved in cream cheese packaging. Key words: knowledge representation system, Bayesian networks, computer model Adres do korespondencji: Halina Pawlak; halina.pawlak@ar.lublin.pl Katedra Podstaw Techniki Uniwersytet Przyrodniczy w Lublinie ul. Doświadczalna 50a Lublin 177
IDENTYFIKACJA ATRYBUTÓW JAKO ETAP MODELOWANIA ERGONOMICZNEJ OCENY STANOWISK PRACY
Inżynieria Rolnicza 5(130)/2011 IDENTYFIKACJA ATRYBUTÓW JAKO ETAP MODELOWANIA ERGONOMICZNEJ OCENY STANOWISK PRACY Halina Pawlak, Piotr Maksym Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie
Bardziej szczegółowoPODSTAWOWE ZASADY MODELOWANIA PROCESU PRODUKCJI ROLNICZEJ
Inżynieria Rolnicza 1(126)/2011 PODSTAWOWE ZASADY MODELOWANIA PROCESU PRODUKCJI ROLNICZEJ Piotr Maksym Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. W artykule przedstawione
Bardziej szczegółowoMODELOWANIE PROCESU EKSPLOATACJI OBIEKTÓW TECHNICZNYCH ZA POMOCĄ DYNAMICZNYCH SIECI BAYESOWSKICH
InŜynieria Rolnicza 12/2006 Grzegorz Bartnik, Andrzej Kusz, Andrzej W. Marciniak Katedra Podstaw Techniki Akademia Rolnicza w Lublinie MODELOWANIE PROCESU EKSPLOATACJI OBIEKTÓW TECHNICZNYCH ZA POMOCĄ DYNAMICZNYCH
Bardziej szczegółowoMODELOWANIE PROBLEMÓW DECYZYJNYCH W INTEGROWANYM SYSTEMIE PRODUKCJI ROLNICZEJ
Inżynieria Rolnicza 6(131)/2011 MODELOWANIE PROBLEMÓW DECYZYJNYCH W INTEGROWANYM SYSTEMIE PRODUKCJI ROLNICZEJ Hanna Hołaj Rolniczy Zakład Doświadczalny Jastków Sp. z o. o. Andrzej Kusz, Piotr Maksym, Andrzej
Bardziej szczegółowoNIEPEWNOŚĆ W REPREZENTACJI ZJAWISK PRZESTRZENNYCH
Inżynieria Rolnicza 5(114)/2009 NIEPEWNOŚĆ W REPREZENTACJI ZJAWISK PRZESTRZENNYCH Andrzej Kusz, Andrzej Marciniak Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. W artykule
Bardziej szczegółowoPROBABILISTYCZNE MODELE ZJAWISK PRZESTRZENNYCH W ROLNICTWIE
Inżynieria Rolnicza 5(114)/2009 PROBABILISTYCZNE MODELE ZJAWISK PRZESTRZENNYCH W ROLNICTWIE Andrzej Marciniak Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. Niepewność, zarówno
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoKONCEPCJA ANKIETOWEGO POMIARU KULTURY BEZPIECZEŃSTWA PRACY
I N Ż YNIERIA R OLNICZA A GRICULTURAL E NGINEERING 2012: Z. 2(136) T. 1 S. 189-194 ISSN 1429-7264 Polskie Towarzystwo Inżynierii Rolniczej http://www.ptir.org KONCEPCJA ANKIETOWEGO POMIARU KULTURY BEZPIECZEŃSTWA
Bardziej szczegółowoModelowanie ryzyka w transporcie
STOKŁOSA Józef 1 MARCINIAK Andrzej 2 Modelowanie ryzyka w transporcie WSTĘP Definiując wymagania stawiane systemom transportowym wyróżnia się między innymi takie ich cechy jak odporność (robustness) i
Bardziej szczegółowoMODELOWANIE SYSTEMU OCENY WARUNKÓW PRACY OPERATORÓW STEROWNI
Inżynieria Rolnicza 7(105)/2008 MODELOWANIE SYSTEMU OCENY WARUNKÓW PRACY OPERATORÓW STEROWNI Agnieszka Buczaj Zakład Fizycznych Szkodliwości Zawodowych, Instytut Medycyny Wsi w Lublinie Halina Pawlak Katedra
Bardziej szczegółowoWykład z Technologii Informacyjnych. Piotr Mika
Wykład z Technologii Informacyjnych Piotr Mika Uniwersalna forma graficznego zapisu algorytmów Schemat blokowy zbiór bloków, powiązanych ze sobą liniami zorientowanymi. Jest to rodzaj grafu, którego węzły
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowoKOMPUTEROWY MODEL UKŁADU STEROWANIA MIKROKLIMATEM W PRZECHOWALNI JABŁEK
Inżynieria Rolnicza 8(117)/2009 KOMPUTEROWY MODEL UKŁADU STEROWANIA MIKROKLIMATEM W PRZECHOWALNI JABŁEK Ewa Wachowicz, Piotr Grudziński Katedra Automatyki, Politechnika Koszalińska Streszczenie. W pracy
Bardziej szczegółowoWPŁYW TECHNICZNEGO UZBROJENIA PROCESU PRACY NA NADWYŻKĘ BEZPOŚREDNIĄ W GOSPODARSTWACH RODZINNYCH
Inżynieria Rolnicza 4(102)/2008 WPŁYW TECHNICZNEGO UZBROJENIA PROCESU PRACY NA NADWYŻKĘ BEZPOŚREDNIĄ W GOSPODARSTWACH RODZINNYCH Sławomir Kocira Katedra Eksploatacji Maszyn i Zarządzania w Inżynierii Rolniczej,
Bardziej szczegółowoInformatyka I stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny) podstawowy (podstawowy / kierunkowy / inny HES)
KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
Bardziej szczegółowoAlgorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa
Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa Wojciech Niemiro 1 Uniwersytet Warszawski i UMK Toruń XXX lat IMSM, Warszawa, kwiecień 2017 1 Wspólne prace z Błażejem Miasojedowem,
Bardziej szczegółowoZASTOSOWANIE MODELU GOMPERTZ A W INŻYNIERII ROLNICZEJ
Inżynieria Rolnicza 7(105)/2008 ZASTOSOWANIE MODELU GOMPERTZ A W INŻYNIERII ROLNICZEJ Zofia Hanusz Katedra Zastosowań Matematyki, Uniwersytet Przyrodniczy w Lublinie Zbigniew Siarkowski, Krzysztof Ostrowski
Bardziej szczegółowoKOMPUTEROWY PROGRAM OCENY ZMĘCZENIA PRACOWNIKÓW W PRZEMYŚLE SPOŻYWCZYM
Inżynieria Rolnicza 2(90)/2007 KOMPUTEROWY PROGRAM OCENY ZMĘCZENIA PRACOWNIKÓW W PRZEMYŚLE SPOŻYWCZYM Halina Pawlak, Piotr Maksym Katedra Podstaw Techniki, Akademia Rolnicza w Lublinie Streszczenie. W
Bardziej szczegółowoProcesy stochastyczne
Wykład IV: dla łańcuchów Markowa 14 marca 2017 Wykład IV: Klasyfikacja stanów Kiedy rozkład stacjonarny jest jedyny? Przykład Macierz jednostkowa I wymiaru #E jest macierzą stochastyczną. Dla tej macierzy
Bardziej szczegółowoANALIZA OBCIĄŻEŃ JEDNOSTEK NAPĘDOWYCH DLA PRZESTRZENNYCH RUCHÓW AGROROBOTA
Inżynieria Rolnicza 7(105)/2008 ANALIZA OBCIĄŻEŃ JEDNOSTEK NAPĘDOWYCH DLA PRZESTRZENNYCH RUCHÓW AGROROBOTA Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. W pracy przedstawiono
Bardziej szczegółowoWstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak
Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowo18. Obliczyć. 9. Obliczyć iloczyn macierzy i. 10. Transponować macierz. 11. Transponować macierz. A następnie podać wymiar powstałej macierzy.
1 Czy iloczyn macierzy, które nie są kwadratowe może być macierzą kwadratową? Podaj przykład 2 Czy każde dwie macierze jednostkowe są równe? Podaj przykład 3 Czy mnożenie macierzy przez macierz jednostkową
Bardziej szczegółowoOpis przedmiotu: Probabilistyka I
Opis : Probabilistyka I Kod Nazwa Wersja TR.SIK303 Probabilistyka I 2012/13 A. Usytuowanie w systemie studiów Poziom Kształcenia Stopień Rodzaj Kierunek studiów Profil studiów Specjalność Jednostka prowadząca
Bardziej szczegółowokomputery? Andrzej Skowron, Hung Son Nguyen Instytut Matematyki, Wydział MIM, UW
Czego moga się nauczyć komputery? Andrzej Skowron, Hung Son Nguyen son@mimuw.edu.pl; skowron@mimuw.edu.pl Instytut Matematyki, Wydział MIM, UW colt.tex Czego mogą się nauczyć komputery? Andrzej Skowron,
Bardziej szczegółowoP(F=1) F P(C1 = 1 F = 1) P(C1 = 1 F = 0) P(C2 = 1 F = 1) P(C2 = 1 F = 0) P(R = 1 C2 = 1) P(R = 1 C2 = 0)
Sieci bayesowskie P(F=) F P(C = F = ) P(C = F = 0) C C P(C = F = ) P(C = F = 0) M P(M = C =, C = ) P(M = C =, C = 0) P(M = C = 0, C = ) P(M = C = 0, C = 0) R P(R = C = ) P(R = C = 0) F pali papierosy C
Bardziej szczegółowoJacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa
Jacek Skorupski pok. 251 tel. 234-7339 jsk@wt.pw.edu.pl http://skorupski.waw.pl/mmt prezentacje ogłoszenia konsultacje: poniedziałek 16 15-18, sobota zjazdowa 9 40-10 25 Udział w zajęciach Kontrola wyników
Bardziej szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych
Bardziej szczegółowodr Jerzy Pusz, st. wykładowca, Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej B. Ogólna charakterystyka przedmiotu
Kod przedmiotu TR.SIK303 Nazwa przedmiotu Probabilistyka I Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów Stacjonarne
Bardziej szczegółowoSystemy liczbowe. 1. Przedstawić w postaci sumy wag poszczególnych cyfr liczbę rzeczywistą R = (10).
Wprowadzenie do inżynierii przetwarzania informacji. Ćwiczenie 1. Systemy liczbowe Cel dydaktyczny: Poznanie zasad reprezentacji liczb w systemach pozycyjnych o różnych podstawach. Kodowanie liczb dziesiętnych
Bardziej szczegółowoModelowanie komputerowe
Modelowanie komputerowe wykład 1- Generatory liczb losowych i ich wykorzystanie dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 5,12 października 2016 r.
Bardziej szczegółowoLiteratura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.
Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoModelowanie motywów łańcuchami Markowa wyższego rzędu
Modelowanie motywów łańcuchami Markowa wyższego rzędu Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki 23 października 2008 roku Plan prezentacji 1 Źródła 2 Motywy i ich znaczenie Łańcuchy
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoWYKŁAD 4. Podejmowanie decyzji dla modeli probabilistycznych Modelowanie Gaussowskie. autor: Maciej Zięba. Politechnika Wrocławska
Wrocław University of Technology WYKŁAD 4 Podejmowanie decyzji dla modeli probabilistycznych Modelowanie Gaussowskie autor: Maciej Zięba Politechnika Wrocławska Klasyfikacja Klasyfikacja (ang. Classification):
Bardziej szczegółowoKOMPUTEROWE WSPOMAGANIE OCENY HAŁASU NA STANOWISKACH PRACY
Halina Pawlak, Tomasz Słowik* Katedra Podstaw Techniki *Katedra Energetyki i Pojazdów Akademia Rolnicza w Lublinie KOMPUTEROWE WSPOMAGANIE OCENY HAŁASU NA STANOWISKACH PRACY Streszczenie Zaprezentowano
Bardziej szczegółowoRÓWNANIE DYNAMICZNE RUCHU KULISTEGO CIAŁA SZTYWNEGO W UKŁADZIE PARASOLA
Dr inż. Andrzej Polka Katedra Dynamiki Maszyn Politechnika Łódzka RÓWNANIE DYNAMICZNE RUCHU KULISTEGO CIAŁA SZTYWNEGO W UKŁADZIE PARASOLA Streszczenie: W pracy opisano wzajemne położenie płaszczyzny parasola
Bardziej szczegółowoAnaliza Algorytmów 2018/2019 (zadania na laboratorium)
Analiza Algorytmów 2018/2019 (zadania na laboratorium) Wybór lidera (do 9 III) Zadanie 1 W dowolnym języku programowania zaimplementuj symulator umożliwiający przetestowanie algorytmu wyboru lidera ELECT
Bardziej szczegółowoInżynieria danych I stopień Praktyczny Studia stacjonarne Wszystkie specjalności Katedra Ekonomii i Finansów Dr Katarzyna Brzozowska-Rup
KARTA MODUŁU / KARTA PRZEDMIOTU Z-ID-104 Elementy rachunku prawdopodobieństwa i sta- Kod modułu Nazwa modułu tystyki Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2015/2016 Elements
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
WYDZIAŁ GEOINŻYNIERII, GÓRNICTWA I GEOLOGII KARTA PRZEDMIOTU Nazwa w języku polskim: Statystyka matematyczna Nazwa w języku angielskim: Mathematical Statistics Kierunek studiów (jeśli dotyczy): Górnictwo
Bardziej szczegółowoKOMPUTEROWE WSPOMAGANIE CHEMICZNEJ OCHRONY ROŚLIN PRZY POMOCY PROGRAMU HERBICYD-2
Inżynieria Rolnicza 6(94)/2007 KOMPUTEROWE WSPOMAGANIE CHEMICZNEJ OCHRONY ROŚLIN PRZY POMOCY PROGRAMU HERBICYD-2 Michał Cupiał Katedra Inżynierii Rolniczej i Informatyki, Akademia Rolnicza w Krakowie Streszczenie.
Bardziej szczegółowoSieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych
Sieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych Plan laboratorium Generatory liczb pseudolosowych dla rozkładów dyskretnych: Generator liczb o rozkładzie równomiernym Generator
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoProcesy Markowa zawdzięczają swoją nazwę ich twórcy Andriejowi Markowowi, który po raz pierwszy opisał problem w 1906 roku.
Procesy Markowa zawdzięczają swoją nazwę ich twórcy Andriejowi Markowowi, który po raz pierwszy opisał problem w 1906 roku. Uogólnienie na przeliczalnie nieskończone przestrzenie stanów zostało opracowane
Bardziej szczegółowoSieci Bayesa mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Sosnowiec, 2011
Sieci Bayesa mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Sosnowiec, 2011 Sieć Bayesowska służy do przedstawiania zależności pomiędzy zdarzeniami bazując na rachunku prawdopodobieństwa.
Bardziej szczegółowoZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH
Inżynieria Rolnicza 9(118)/2009 ZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej
Bardziej szczegółowo6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 08 Sieci bayesowskie
Algorytmy stochastyczne, wykład 08 Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-04-10 Prawdopodobieństwo Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne
Bardziej szczegółowoZastosowanie rozmytych map kognitywnych do badania scenariuszy rozwoju jednostek naukowo-dydaktycznych
Konferencja Systemy Czasu Rzeczywistego 2012 Kraków, 10-12 września 2012 Zastosowanie rozmytych map kognitywnych do badania scenariuszy rozwoju jednostek naukowo-dydaktycznych Piotr Szwed AGH University
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoFuzja sygnałów i filtry bayesowskie
Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna
Bardziej szczegółowoEgzamin / zaliczenie na ocenę*
Zał. nr do ZW /01 WYDZIAŁ / STUDIUM KARTA PRZEDMIOTU Nazwa w języku polskim Identyfikacja systemów Nazwa w języku angielskim System identification Kierunek studiów (jeśli dotyczy): Inżynieria Systemów
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoKARTA PRZEDMIOTU. Forma prowadzenia zajęć. Odniesienie do efektów dla kierunku studiów K1A_W02
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: RACHUNEK PRAWDOPODOBIEŃSTWA 2. Kod przedmiotu: RPr 3. Karta przedmiotu ważna od roku akademickiego: 20182019 4. Forma
Bardziej szczegółowoODWZOROWANIE PRZEBIEGU PULSACJI METODAMI SZTUCZNEJ INTELIGENCJI
Inżynieria Rolnicza 9(107)/2008 ODWZOROWANIE PRZEBIEGU PULSACJI METODAMI SZTUCZNEJ INTELIGENCJI Katedra Energetyki Rolniczej, Uniwersytet Rolniczy w Krakowie Streszczenie. Przedstawiono metodykę odwzorowania
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoTerminy egzaminów dla I roku MATEMATYKI - studia stacjonarne I stopnia. semestr letni 2018/2019, spec. Nauczanie matematyki i Informatyki
studia stacjonarne - sesja letnia 2018/2019 Terminy egzaminów dla I roku MATEMATYKI - studia stacjonarne I stopnia spec. Nauczanie matematyki i Informatyki I godzina sala 1 Analiza matematyczna 2 x 17.06
Bardziej szczegółowoTerminy egzaminów dla I roku MATEMATYKI - studia stacjonarne I stopnia. semestr letni 2018/2019, spec. Nauczanie matematyki i Informatyki
studia stacjonarne - sesja letnia 2018/2019 Terminy egzaminów dla I roku MATEMATYKI - studia stacjonarne I stopnia spec. Nauczanie matematyki i Informatyki I godzina sala 1 Analiza matematyczna 2 x 17.06
Bardziej szczegółowoPLAN STUDIÓW STACJONARNYCH PIERWSZEGO STOPNIA DLA KIERUNKU MATEMATYKA NA WYDZIALE MATEMATYKI, INFORMATYKI I EKONOMETRII UNIWERSYTETU ZIELONOGÓRSKIEGO
PLAN STUDIÓW STACJONARNYCH PIERWSZEGO STOPNIA DLA KIERUNKU MATEMATYKA NA WYDZIALE MATEMATYKI, INFORMATYKI I EKONOMETRII UNIWERSYTETU ZIELONOGÓRSKIEGO rekrutacja w roku akademickim 2011/2012 Zatwierdzono:
Bardziej szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. Przykład Symetryczne błądzenie przypadkowe na prostej. 1 2 Łańcuchem
Bardziej szczegółowoTerminy egzaminów dla I roku MATEMATYKI - studia stacjonarne I stopnia semestr letni 2018/2019, spec. Nauczanie matematyki i Informatyki
studia stacjonarne - sesja letnia 2018/2019 Terminy egzaminów dla I roku MATEMATYKI - studia stacjonarne I stopnia spec. Nauczanie matematyki i Informatyki lp I Przedmiot data godzina sala data godzina
Bardziej szczegółowoMODELOWANIE I SYMULACJA Kościelisko, 19-23 czerwca 2006r. Oddział Warszawski PTETiS Wydział Elektryczny Politechniki Warszawskiej Polska Sekcja IEEE
ODELOWANIE I SYULACJA Kościelisko, 9-3 czerwca 006r. Oddział Warszawski PTETiS Wydział Elektryczny Politechniki Warszawskiej Polska Sekcja IEEE SYSTE DO KOPUTEROWEGO ODELOWANIA I SYULACJI UKŁADÓW DYNAICZNYCH
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa
Bardziej szczegółowoWYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU
Zał. nr do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim BADANIA OPERACYJNE Nazwa w języku angielskim Operational research Kierunek studiów (jeśli dotyczy): Matematyka
Bardziej szczegółowoElementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej
Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Łańcuchy Markowa: zagadnienia graniczne. Ukryte modele Markowa. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ KLASYFIKACJA STANÓW Stan i jest osiągalny
Bardziej szczegółowoTerminy egzaminów dla I roku MATEMATYKI - studia stacjonarne I stopnia
studia stacjonarne - sesja letnia 2017/2018 Terminy egzaminów dla I roku MATEMATYKI - studia stacjonarne I stopnia spec. Nauczanie matematyki i Informatyki oraz Nauczanie matematyki i języka angielskiego
Bardziej szczegółowoTerminy egzaminów dla I roku MATEMATYKI - studia stacjonarne I stopnia semestr letni 2017/2018 spec. Matematyka finansowa i aktuarialna
studia stacjonarne - sesja letnia 2017/2018 Terminy egzaminów dla I roku MATEMATYKI - studia stacjonarne I stopnia spec. Nauczanie matematyki i Informatyki oraz Nauczanie matematyki i języka angielskiego
Bardziej szczegółowoSystemy ekspertowe - wiedza niepewna
Instytut Informatyki Uniwersytetu Śląskiego lab 8 Rozpatrzmy następujący przykład: Miażdżyca powoduje często zwężenie tętnic wieńcowych. Prowadzi to zazwyczaj do zmniejszenia przepływu krwi w tych naczyniach,
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy
Bardziej szczegółowoOpis przedmiotu. Karta przedmiotu - Probabilistyka I Katalog ECTS Politechniki Warszawskiej
Kod przedmiotu TR.NIK304 Nazwa przedmiotu Probabilistyka I Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów Niestacjonarne
Bardziej szczegółowoDWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI
DWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI mgr Marcin Pawlak Katedra Inwestycji i Wyceny Przedsiębiorstw Plan wystąpienia
Bardziej szczegółowoCzęść 3. Układy sekwencyjne. Układy sekwencyjne i układy iteracyjne - grafy stanów TCiM Wydział EAIiIB Katedra EiASPE 1
Część 3 Układy sekwencyjne Układy sekwencyjne i układy iteracyjne - grafy stanów 18.11.2017 TCiM Wydział EAIiIB Katedra EiASPE 1 Układ cyfrowy - przypomnienie Podstawowe informacje x 1 x 2 Układ cyfrowy
Bardziej szczegółowoW2 Podstawy rachunku prawdopodobieństwa (przypomnienie)
W2 Podstawy rachunku prawdopodobieństwa (przypomnienie) Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Rachunek prawdopodobieństwa - przypomnienie 1. Zdarzenia 2. Prawdopodobieństwo
Bardziej szczegółowoTworzenie gier na urządzenia mobilne
Katedra Inżynierii Wiedzy Teoria podejmowania decyzji w grze Gry w postaci ekstensywnej Inaczej gry w postaci drzewiastej, gry w postaci rozwiniętej; formalny opis wszystkich możliwych przebiegów gry z
Bardziej szczegółowoWYKŁAD 3. Klasyfikacja: modele probabilistyczne
Wrocław University of Technology WYKŁAD 3 Klasyfikacja: modele probabilistyczne Maciej Zięba Politechnika Wrocławska Klasyfikacja Klasyfikacja (ang. Classification): Dysponujemy obserwacjami z etykietami
Bardziej szczegółowoPodstawy Informatyki Computer basics
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2013/2014
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoOCENA WYKORZYSTANIA CIĄGNIKÓW ROLNICZYCH W GOSPODARSTWACH RODZINNYCH
Inżynieria Rolnicza 9(134)/2011 OCENA WYKORZYSTANIA CIĄGNIKÓW ROLNICZYCH W GOSPODARSTWACH RODZINNYCH Krzysztof Kapela, Szymon Czarnocki Katedra Ogólnej Uprawy Roli, Roślin i Inżynierii Rolniczej, Uniwersytet
Bardziej szczegółowoINTERPOLACJA I APROKSYMACJA FUNKCJI
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Wprowadzenie Na czym polega interpolacja? Interpolacja polega
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoTeoria przetwarzania A/C i C/A.
Teoria przetwarzania A/C i C/A. Autor: Bartłomiej Gorczyński Cyfrowe metody przetwarzania sygnałów polegają na przetworzeniu badanego sygnału analogowego w sygnał cyfrowy reprezentowany ciągiem słów binarnych
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowodoc. dr Beata Pułska-Turyna Zarządzanie B506 mail: mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505.
doc. dr Beata Pułska-Turyna Zakład Badań Operacyjnych Zarządzanie B506 mail: turynab@wz.uw.edu.pl mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505. Tel.: (22)55 34 144 Mail: student@pgadecki.pl
Bardziej szczegółowoZagadnienia na egzamin dyplomowy Matematyka
INSTYTUT MATEMATYKI UNIWERSYTET JANA KOCHANOWSKIEGO w Kielcach Zagadnienia na egzamin dyplomowy Matematyka Pytania kierunkowe Wstęp do matematyki 1. Relacja równoważności, przykłady relacji równoważności.
Bardziej szczegółowoPROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)
PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej
Bardziej szczegółowoMETODA WARTOŚCIOWANIA PARAMETRÓW PROCESU PLANOWEGO OBSŁUGIWANIA TECHNICZNEGO MASZYN ROLNICZYCH
Inżynieria Rolnicza 7(125)/2010 METODA WARTOŚCIOWANIA PARAMETRÓW PROCESU PLANOWEGO OBSŁUGIWANIA TECHNICZNEGO MASZYN ROLNICZYCH Zenon Grześ Instytut Inżynierii Rolniczej, Uniwersytet Przyrodniczy w Poznaniu
Bardziej szczegółowoModelowanie stochastyczne Stochastic Modeling. Poziom przedmiotu: II stopnia. Liczba godzin/tydzień: 2W E, 2C
Nazwa przedmiotu: Kierunek: Matematyka Rodzaj przedmiotu: obowiązkowy dla specjalności matematyka przemysłowa Rodzaj zajęć: wykład, ćwiczenia Modelowanie stochastyczne Stochastic Modeling Poziom przedmiotu:
Bardziej szczegółowoAlgorytmy i bazy danych (wykład obowiązkowy dla wszystkich)
MATEMATYKA I EKONOMIA PROGRAM STUDIÓW DLA II STOPNIA Data: 2010-11-07 Opracowali: Krzysztof Rykaczewski Paweł Umiński Streszczenie: Poniższe opracowanie przedstawia projekt planu studiów II stopnia na
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoZagadnienia: wprowadzenie podstawowe pojęcia. Doświadczalnictwo. Anna Rajfura
Zagadnienia: wprowadzenie podstawowe pojęcia Doświadczalnictwo 1 Termin doświadczalnictwo Doświadczalnictwo planowanie doświadczeń oraz analiza danych doświadczalnych z użyciem metod statystycznych. Doświadczalnictwo
Bardziej szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowoKierunek: Matematyka Poziom studiów: Studia II stopnia Forma i tryb studiów: Stacjonarne
Wydział: Matematyki Stosowanej Kierunek: Matematyka Poziom studiów: Studia II stopnia Forma i tryb studiów: Stacjonarne Specjalność: Matematyka ubezpieczeniowa Rocznik: 2016/2017 Język wykładowy: Polski
Bardziej szczegółowoKARTA PRZEDMIOTU. 12. Przynależność do grupy przedmiotów: Prawdopodobieństwo i statystyka
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: RACHUNEK PRAWDOPODOBIEŃSTWA 2. Kod przedmiotu: RPr 3. Karta przedmiotu ważna od roku akademickiego: 20152016 4. Forma
Bardziej szczegółowo