OCENA GRUPOWA DLA PORZ DKÓW CZ CIOWYCH. WYZNACZANIE ODLEGŁO CI

Wielkość: px
Rozpocząć pokaz od strony:

Download "OCENA GRUPOWA DLA PORZ DKÓW CZ CIOWYCH. WYZNACZANIE ODLEGŁO CI"

Transkrypt

1 CENA GRUPWA DLA PRZDÓW CZCIWYCH. WYZNACZANIE DLEGŁCI HANNA BURY DARIUSZ WAGNER Istytut Bada Systemowych PAN Streszczee Przy wyzaczau ocey grupowe zazwycza przymowae s pewe załoea upraszczace. Z reguły załada s e esperc ocea wszyste obety oraz e zarówo w oceach espertów a w ocee grupowe e wystpu obety rówowae. Załoea te w odeseu do rzeczywstych problemów s dosy restrycye warto pod prób ch osłabea. W pracy przeaalzowao zagadee wyzaczea odległoc mdzy oceam w sytuac gdy załada s e esperc e s w stae porówa ze sob etórych obetów oraz gdy dopuszcza s molwo wystpowaa obetów rówowaych zarówo w oceach espertów a w ocee grupowe. Rozpatrzoo rówe problem przechodoc op espertów. Załooo e ope podawae przez espertów moa przedstaw w postac pewe relac bare tóre elemetam s wszyste pary obetów ze zboru wsazae przez espertów. Słowa luczowe: decyze grupowe porzde czcowy macerze porówa param odległoc mdzy opam espertów. Wprowadzee Wyzaczae ocey grupowe we s z problemem agregac formac uzysae od espertów. Moe to by oeczo ustalea zwyczcy w wyborach wyzaczea oleoc oceaych obetów ze wzgldu a przyte ryterum (rytera) bd podca decyz w spore west. Zazwycza przymowae s pewe załoea upraszczace problem wyzaczaa ocey grupowe. Po perwsze z reguły załada s e esperc ocea wszyste obety po druge czsto przymue s e zarówo w oceach espertów a w ocee grupowe e wystpu obety rówowae. bydwa załoea w odeseu do rzeczywstych problemów s dosy restrycye warto pod prób ch osłabea. Problem rówowaoc obetów w oceach espertów był rozwaay w welu pracach (p. Coo Seford (978) Armstrog. (98) Bury Wager (8a b)). Warto zauway e z putu wdzea esperta przypade rówowaoc obetów est zasadczo róy od przypadu eporówywaloc obetów. Sytuaca w tóre espert e ocea tych obetów do ocey tórych e czue s ompetety bd uwaa e daych obetów e moa ze sob porówywa ze wzgldu a przyte ryterum (rytera) est róa od przypadu edy espert doouc ocey obetów uwaa e e ró s oe od sebe ze wzgldu a przyte ryterum (rytera). W etórych pracach (Bogart (97)) te dwe sytuace s utosa-

2 Haa Bury Darusz Wager cea grupowa dla porzdów czcowych. Wyzaczae odległoc mae bd wylucza s oce załadac rówowao obetów. W pracy przeaalzowao zagadee wyzaczaa odległoc szuaego uporzdowaa (ocey grupowe) od zboru op podaych przez espertów w sytuac gdy załada s e esperc e s w stae porówa ze sob etórych obetów oraz gdy dopuszcza s molwo wystpowaa obetów rówowaych zarówo w oceach espertów a w ocee grupowe. Załooo e ope podawae przez espertów moa przedstaw w postac pewe relac bare tóre elemetam s wszyste pary obetów ze zboru wsazae przez espertów. W pracy zapropoowao sformułowae macerzy bare orelace t relac weryfac własoc te macerzy oraz zastosowae e do badaa własoc op podawaych przez espertów (zwłaszcza własoc przechodoc) wyzaczaa odległoc zdefowae za pomoc rozwaae macerzy. Przymuemy astpuce orelea: espert podae porzde lowy eel oceae s wszyste obety (molwo wystpowaa obetów rówowaych est dopuszczaa lub e) uporzdowae obetów porzde lowy obetów eel espert e est w stae porówa etórych obetów podae porzde czcowy (molwo wystpowaa obetów rówowaych est dopuszczaa lub e) opa poday przez esperta porzde czcowy (p. w postac grafcze ao dagram Hassego).. Posta oce podawaych przez espertów Nech ozacza zbór obetów... oraz {... } zbór espertów dooucych ocey. pe espertów mog by podawae w sal porzdu lub w sal lczbowe. W pracy ograczamy rozwaaa do te perwsze molwoc. cey podawae w sal porzdu mog me dwoa posta. Po perwsze mog to by uporzdowaa obetów przy czym zazwycza przymue s e obet uwaay za alepszy (w sese wybraego ryterum/ ryterów) est umeszczoy a perwszym mescu za uwaay za agorszy a ostatm. bety rówowae umowae w awasy umeszczae s a te same pozyc p. P { ( ) }. () Te zaps est wygody przy zapse porzdów lowych. Po druge esperc mog porówywa obety param podac tzw. macerze porówa param. Załadamy e wszyste rozwaae relace mdzy obetam odosz s do przytego ryterum (ryterów) ch porówywaa. Dla uproszczea zapsu w dalszych rozwaaach to załoee est pomae. Wprowadzamy astpuce ozaczea: eel zdaem esperta obet est lepszy od eel zdaem esperta obety s rówowae eel zdaem esperta obet est lepszy od obetu

3 PLSIE STWARZYSZENIE ZARZDZANIA WIEDZ Sera: Studa Materały r 9 eel zdaem esperta obetu e moa porówywa z obetem. Jeel załadamy e wszyste obety ze zboru s porówywale wówczas elemety macerzy porówa param podawae przez esperta o umerze defowae s astpuco (emey Sell 96) eel A [a ] gdze a eel. () eel Ltva (98) zapropoował rozszerzee te defc a przypade obetów eporówywalych (esperc poda porzde czcowy) eel eel A [a ] gdze a () eel eel gdze est pew lczb całowt. Przyładem porzdu czcowego est relaca ( ) a zborze obetów. Jeel ocey podawae przez espertów ma charater porzdów czcowych wygode est zapsywa op esperta w postac zboru par obetów lub macerzy porówa param bd grafcze ao dagramy Hassego. Przyład Rozwamy astpuc op poda przez esperta: P {( ) ( ) ( ) ( ) ( ) ( ) ( )}. () Zaps te ozacza e zdaem tego esperta obet est lepszy od wszystch pozostałych obetów obety s rówowae lepsze od za obet e est porówywaly z. Macerz porówa param ma posta

4 6 Haa Bury Darusz Wager cea grupowa dla porzdów czcowych. Wyzaczae odległoc A. (). Badae przechodoc op espertów W przypadu gdy opa esperta est podawaa w postac macerzy porówa param lub zboru par obetów moe zdarzy s e bdze eprzechoda. Przyład. Rozwamy macerz porówa param dla pcu obetów: A. (6) dpowada oa astpuce op esperta Podaa opa est eprzechoda ze wzgldu a cyl:. Sprawdzae przechodoc op espertów est stotym elemetem procesu wyzaczaa ocey grupowe. Bezporede badae przechodoc op espertów a podstawe macerzy porówa param moe bymude. Jest oo łatwesze eel zostae zastosowaa pewa macerz bara B bdca przeształceem macerzy porówa param A. Elemety macerzy B s oreloe astpuco (dla uproszczea zapsu des ozaczacy umer esperta został pomty). b b b b Jeel to. (7) b b b b Wprowadzamy fuc boole ows B(x) orelo a astpue

5 PLSIE STWARZYSZENIE ZARZDZANIA WIEDZ Sera: Studa Materały r 9 7 < x dla x dla (x) B. (8) Jeel załoymy e w macerzy porówa param współczy <- oraz e J est macerz tóre wszyste elemety s rówe wówczas macerz B moa wyraz ao B B(A+J) przy czym b B(a +). (9) Przyład. Dla uporzdowaa z przyładu macerz B (ozaczoa przez B ) est astpuca B. () Macerz B (7) orela relac bar ( ) a zborze obetów. Własoc te relac wygode est sprawdza a podstawe własoc macerzy B (Ross Wrght (999)). Relaca est przechoda wtedy tylo wtedy gdy e macerz bara speła warue B*B B gdze * ozacza loczy boole ows macerzy () B*B B(B B) tz. wyraz o współrzdych ( ) macerzy B*B b b ] B*B)[ ( B (B*B)[] b dla. () Przyład. Dla relac opsywae macerz B z przyładu mamy: B * * B B. () Poewa macerz B speła warue () opa esperta przedstawoa za pomoc te macerzy est przechoda. A zatem zamast sprawdza bezporedo własoc macerzy porówa param moa bada własoc odpowadace e macerzy bare B a te podstawe wosowa o własocach op podawaych przez espertów.

6 Haa Bury Darusz Wager cea grupowa dla porzdów czcowych. Wyzaczae odległoc 8 Przyład. Macerz B dla op przedstawoe za pomoc macerzy A z przyładu ma posta B. () Iloczy boole ows B * B wyos B * B B. () Zgode z oczewaem (stee cylu ) opa esperta przedstawoa za pomoc macerzy B e est przechoda.. Wyzaczae odległoc mdzy uporzdowaam dległo mdzy uporzdowaam P P moe by defowaa za pomoc macerzy porówa param. Defca (emey Sell (96)) dległo mdzy par obetów ( ) w uporzdowau P par obetów ( ) w uporzdowau P daa est zaleoc a a ) P d. (6) Defca (emey Sell (96)) dległo mdzy uporzdowaam P P daa est zaleoc > > a a ) P d ) P d. (7) Defca (emey Sell (96)) dległo daego uporzdowaa P od zboru uporzdowa podaych przez espertów P () {P P P } daa est zaleoc > > () a a P) d P) d P) d. (8) Defca (Ltva (98)) Jeel załoymy ze w opach espertów mog wystpowa obety rówowae lub tae

7 PLSIE STWARZYSZENIE ZARZDZANIA WIEDZ Sera: Studa Materały r 9 9 tórych e moa porówa to odległo mdzy par obetów ( ) w op P par obetów ( ) w op P daa est zaleoc d P) d P) + d P) + d P) ( ) I (9) ( ) I ( ) I gdze I zbór par desów ( ) tach e w op P lub I zbór par desów ( ) tach e w op P I zbór par desów ( ) tach e w op P. Przymuemy e eel w op P d P) ( ) I w przecwym przypadu ω ω >. () W zaleoc od wzaemego połoea obetów oraz w opach P oraz P odległo d P) moe przybera wartoc ze zboru { ω} (Ltva (98)). Wartoc odległoc d P) dla molwych ombac połoea obetów oraz w opach P oraz P przedstawoo w tabel. Tabela opa P d P) pa P ω ω ω ω ω ω W aalogczy sposób moa zdefowa odległo mdzy opam espertów za pomoc macerzy B. Defca dległo mdzy par obetów ( ) w dae op P par obetów ( ) w op P wyraoa przy uycu macerzy B ma posta d P ) b b + b b. () Defca 6 dległo mdzy opam P P defowaa przy uycu macerzy bare B ma posta

8 Haa Bury Darusz Wager cea grupowa dla porzdów czcowych. Wyzaczae odległoc > > d P ) d P ) b b + b b b b. Ze wzgldu a bra symetr macerzy B odległo d P ) ozaczoa ao d P ) est sumowaa dla wszystch par ( ) a e tylo dla >. Defca 7 dległo d dae op P od zboru op podaych przez espertów P () {P P P } daa est zaleoc () d P) d P) d P) b b. () W zaleoc od wzaemego połoea obetów oraz w opach P oraz P odległo d P) moe przybera wartoc ze zboru { }. Wartoc odległoc d P) dla molwych ombac połoea obetów oraz w opach P oraz P przedstawoo w tabel. opa P d P) ( b ( b ( b ( b b ) b ) b ) b ) (b b ) Tabela pa P (b b ) (b b ) () (b b ) Moa poaza e ta zdefowaa odległo d P) () speła asomaty odległoc (Ltva (98)):. d P) d P) eel wzaeme połoea obetów oraz w opach P oraz P s tae same.. d P) d P ) z z. d P) d P ) + d P).. Jeel P est permutac op P oraz P est ta sam permutac op P to d P ) d P).

9 PLSIE STWARZYSZENIE ZARZDZANIA WIEDZ Sera: Studa Materały r 9. Namesza dodata odległo d m (co wya z tabel ). Warto zauway e dla porzdów lowych odległoc defowae za pomoc macerzy A B s edaowe.. Uwag ocowe Uogólee metod wyzaczaa ocey grupowe a przypad gdy esperc e mog rozró obetów bd ch porówa est stote dla pratyczych zastosowa tych metod. W szczególoc uwzgldee tych sytuac w ocee grupowe zaczco rozszerza las zada ae mog by rozwzywae. Podece zapropoowae przez Ltvaa () umolwa rozwaae porzdów czcowych podawaych przez espertów. Zapropoowaa przez autorów modyfaca tego podeca (7) ułatwa badae przechodoc op espertów oraz oblczae odległoc mdzy oceam staowce podstaw do wyzaczaa ocey grupowe a podstawe mmalzac odległoc szuaego uporzdowaa od zboru op espertów. Bblografa. Armstrog R.D. Coo W.D. Seford L.M. (98) Prorty rag ad cosesus formato: The case of tes Maagemet Scece 8 o. 6 pp Bogart.P. (97) Preferece structures I: Dstaces betwee trastve preferece relatos Joural of Mathematcal Socology pp Bury H. Wager D. (8a) Wyzaczae ocey grupowe a podstawe podeca Cooa-Seforda z uwzgldeem molwoc wystpowaa obetów rówowaych w ocee grupowe. W: Trzasal T. (Red.): Modelowae preferec a ryzyo'8. Aadema Eoomcza w atowcach atowce ss. -.. Bury H. Wager D. (8b) Group Judgemet Wth Tes. Dstace-Based Methods. I: Aschema H. (Ed.): New Approaches Automato ad Robotcs. I-Tech Educato ad Publshg Vea Austra ss Coo W.D. Seford L.M. (978) Prorty rag ad cosesus formato Maagemet Scece o. 6 pp emey J.G. Sell L.J. (96) Preferece Rag: A Axomatc Approach. I J.G. emey ad L.J. Sell Mathematcal Models the Socal Sceces New Yor G. 7. Ltva B.G. (98) Espertaa formaca. Metody połuczea aalza Rado Swaz Moswa. 8. Ross.A. Wrght C.R.B. (999) Matematya dysreta PWN Warszawa wyd..

10 Haa Bury Darusz Wager cea grupowa dla porzdów czcowych. Wyzaczae odległoc GRUP JUDGEMENT FR PARTIAL PREFERENCE RDERS. DISTANCE-BASED APPRACH Summary Usually to determe group udgemet oe has to troduce some smplfyg assumptos. Geerally t s assumed that the experts are a posto to compare all the alteratves cosdered ad there are o ted alteratves experts opos as well as group udgemet. These assumptos are rather restrctve ad t s worth to weae them. I the paper the problem of determg the dstace betwee preferece orders for the case whe experts may ot be able to compare all of the alteratves as well as whe ted alteratves ca occur s cosdered. The trastvty of experts opos s also dscussed. It s assumed that experts opos ca be expressed as bary relatos defed over a set of all the pars of elemets uder cosderato. ey words: group decsos partal order of alteratves parwse comparsos matrx dstace betwee preferece orders Haa Bury Darusz Wager Istytut Bada Systemowych Polsa Aadema Nau -7 Warszawa Newelsa 6 e-mal: bury@bspa.waw.pl d.wager@bspa.waw.pl

ZASTOSOWANIE MEDIANY KEMENY EGO DO WYZNACZANIA OCENY GRUPOWEJ DLA PORZ DKÓW CZ CIOWYCH

ZASTOSOWANIE MEDIANY KEMENY EGO DO WYZNACZANIA OCENY GRUPOWEJ DLA PORZ DKÓW CZ CIOWYCH ZASTSWANIE MEDIANY KEMENY EG D WYZNACZANIA CENY GRUWEJ DLA RZDKÓW CZCIWYCH HANNA BURY DARIUSZ WAGNER Istytut Bada Systemowych AN Streszczee W pracy przeaalzowao zagadee wyzaczea ocey grupowe w sytuac,

Bardziej szczegółowo

WYZNACZANIE MEDIANY LITVAKA W PRZYPADKU WYST POWANIA OBIEKTÓW RÓWNOWA NYCH W OCENIE GRUPOWEJ

WYZNACZANIE MEDIANY LITVAKA W PRZYPADKU WYST POWANIA OBIEKTÓW RÓWNOWA NYCH W OCENIE GRUPOWEJ WYZNACZANIE MEDIANY LITVAKA W PRZYPADKU WYSTPOWANIA OBIEKTÓW RÓWNOWANYCH W OCENIE GRUPOWEJ HANNA BURY, DARIUSZ WAGNER Istytut Bada Systemowych Streszczee Wele metod wyzaczaa ocey grupowej moa stosowa w

Bardziej szczegółowo

PERMUTACJE Permutacją zbioru n-elementowego X nazywamy dowolną wzajemnie jednoznaczną funkcję f : X X X

PERMUTACJE Permutacją zbioru n-elementowego X nazywamy dowolną wzajemnie jednoznaczną funkcję f : X X X PERMUTACJE Permutacą zboru -elemetowego X azywamy dowolą wzaeme edozaczą fucę f : X X f : X X Przyład permutac X = { a, b, c, d } f (a) = d, f (b) = a, f (c) = c, f (d) = b a b c d Zaps permutac w postac

Bardziej szczegółowo

i = 0, 1, 2 i = 0, 1 33,115 1,698 0,087 0,005!0,002 34,813 1,785 0,092 0,003 36,598 1,877 0,095 38,475 1,972 40,447 i = 0, 1, 2, 3

i = 0, 1, 2 i = 0, 1 33,115 1,698 0,087 0,005!0,002 34,813 1,785 0,092 0,003 36,598 1,877 0,095 38,475 1,972 40,447 i = 0, 1, 2, 3 35 Iterpoaca Herte a 3 f ( x f ( x,,, 3, 4 f ( x,,, 3 f ( x,, 3 f ( x, 4 f ( x 33,5,698,87,5!, 34,83,785,9,3 36,598,877,95 38,475,97 4,447 Na podstawe wzoru (38 ay zate 87,, 5, L4 ( t 335, +, 698t+ t(

Bardziej szczegółowo

Analiza Matematyczna Ćwiczenia. J. de Lucas

Analiza Matematyczna Ćwiczenia. J. de Lucas Aalza Matematycza Ćwczea J. de Lucas Zadae. Oblczyć grace astępujących fucj a lm y 3,y 0,0 b lm y 3 y ++y,y 0,0 +y c lm,y 0,0 + 4 y 4 y d lm y,y 0,0 3 y 3 e lm,y 0,0 +y 4 +y 4 f lm,y 0,0 4 y 6 +y 3 g lm,y

Bardziej szczegółowo

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

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

Bardziej szczegółowo

BINARNE MACIERZE PORÓWNA PARAMI. MO LIWO CI ZASTOSOWA W ZAGADNIENIACH WYZNACZANIA OCENY GRUPOWEJ.

BINARNE MACIERZE PORÓWNA PARAMI. MO LIWO CI ZASTOSOWA W ZAGADNIENIACH WYZNACZANIA OCENY GRUPOWEJ. BINARNE MACIERZE PORÓWNA PARAMI. MOLIWOCI ZASTOSOWA W ZAGADNIENIACH WYZNACZANIA OCENY GRUPOWEJ. HANNA BURY DARIUSZ WAGNER Instytut Bada Systemowych PAN Streszczenie Przedstawiono zmodyfiowan posta macierzy

Bardziej szczegółowo

1. Relacja preferencji

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

Bardziej szczegółowo

WRAŻLIWOŚĆ WYNIKU TECHNICZNEGO ZAKŁADU UBEZPIECZEŃ NA ZMIANĘ POZIOMU REZERWY SZKODOWEJ

WRAŻLIWOŚĆ WYNIKU TECHNICZNEGO ZAKŁADU UBEZPIECZEŃ NA ZMIANĘ POZIOMU REZERWY SZKODOWEJ Aca Woy WRAŻLIWOŚĆ WYNIKU TECHNICZNEGO ZAKŁADU UBEZPIECZEŃ NA ZMIANĘ POZIOMU REZERWY SZKODOWEJ Wstęp Załad ubezpeczeń est zobgoway do tworzea fuduszu ubezpeczeowego sładaącego sę z rezerw techczo-ubezpeczeowych

Bardziej szczegółowo

UOGÓLNIONA ANALIZA WRAŻLIWOŚCI ZYSKU W PRZEDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW. 1. Wprowadzenie

UOGÓLNIONA ANALIZA WRAŻLIWOŚCI ZYSKU W PRZEDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW. 1. Wprowadzenie B A D A N I A O P E R A C Y J N E I D E C Y J E Nr 2 2007 Aa ĆWIĄKAŁA-MAŁYS*, Woletta NOWAK* UOGÓLNIONA ANALIA WRAŻLIWOŚCI YSKU W PREDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW Przedstawoo ajważejsze elemety

Bardziej szczegółowo

Podstawowe pojcia. Metody probabilistyczne i statystyka Wykład 7: Statystyka opisowa. Rozkłady prawdopodobiestwa wystpujce w statystyce.

Podstawowe pojcia. Metody probabilistyczne i statystyka Wykład 7: Statystyka opisowa. Rozkłady prawdopodobiestwa wystpujce w statystyce. Metody probablstycze statystyka Wykład 7: Statystyka opsowa. Rozkłady prawdopodobestwa wystpujce w statystyce. Podstawowe pojca Populacja geerala - zbór elemetów majcy przyajmej jed włacwo wspól dla wszystkch

Bardziej szczegółowo

RACHUNEK PRAWDOPODOBIESTWA wybrane zagadnienia

RACHUNEK PRAWDOPODOBIESTWA wybrane zagadnienia L.Kowals Wybrae zagadea z rachuu prawdopodobestwa RACHUNEK PRAWDOPODOBIESTWA wybrae zagadea PRAWDOPODOBIESTWO Przyład Rozpatrzmy jao dowadczee losowe jedoroty rzut szece ost. Choca e potrafmy przewdze

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzee macerzowe werdzee: Dla dwóch macerzy A B o tych samych wymarach zachodz: ( ) ( ) wersz a) R A R B A ~ B Dowód: wersz a) A ~ B stee P taka że PA B 3 0 A 4 3 0 0 E A B 0 0 0 E B 3 6 4 0 0 0

Bardziej szczegółowo

Miary statystyczne. Katowice 2014

Miary statystyczne. Katowice 2014 Mary statystycze Katowce 04 Podstawowe pojęca Statystyka Populacja próba Cechy zmee Szereg statystycze Wykresy Statystyka Statystyka to auka zajmująca sę loścowym metodam aalzy zjawsk masowych (występujących

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

Typ może być dowolny. //realizacja funkcji zamiana //przestawiajacej dwa elementy //dowolnego typu void zamiana(int &A, int &B) { int t=a; A=B; B=t; }

Typ może być dowolny. //realizacja funkcji zamiana //przestawiajacej dwa elementy //dowolnego typu void zamiana(int &A, int &B) { int t=a; A=B; B=t; } Idea: Wyzaczamy ameszy elemet w cągu tablcy zameamy go mescam z elemetem perwszym, astępe z pozostałego cągu wyberamy elemet ameszy ustawamy go a druge mesce tablcy zmeamy, td. Realzaca w C++ vod seleca

Bardziej szczegółowo

Portfel złożony z wielu papierów wartościowych

Portfel złożony z wielu papierów wartościowych Portfel westycyy ćwczea Na odst. Wtold Jurek: Kostrukca aalza, rozdzał 4 dr Mchał Kooczyńsk Portfel złożoy z welu aerów wartoścowych. Zwrot ryzyko Ozaczea: w kwota ulokowaa rzez westora w aery wartoścowe

Bardziej szczegółowo

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

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

Bardziej szczegółowo

WIELOWYMIAROWE REGUŁY ASOCJACJI W MODELOWANIU TENDENCJI ROZWOJOWYCH MSP

WIELOWYMIAROWE REGUŁY ASOCJACJI W MODELOWANIU TENDENCJI ROZWOJOWYCH MSP KATARZYNA BŁASZCZYK BOGDAN RUSZCZAK Poltecha Opolsa WIELOWYMIAROWE REGUŁY ASOCJACJI W MODELOWANIU TENDENCJI ROZWOJOWYCH MSP Wstęp Esploraca daych (ag. data g) zaue sę efetywy zadowae ezaych dotychczas

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

Współczynnik korelacji rangowej badanie zależności między preferencjami

Współczynnik korelacji rangowej badanie zależności między preferencjami Współczyk korelacj ragowej badae zależośc mędzy preferecjam Przemysław Grzegorzewsk Istytut Badań Systymowych PAN ul. Newelska 6 01-447 Warszawa E-mal: pgrzeg@bspa.waw.pl Pla referatu: Klasycze metody

Bardziej szczegółowo

Zmiana bazy i macierz przejścia

Zmiana bazy i macierz przejścia Auomaya Roboya Algebra -Wyład - dr Adam Ćmel cmel@agh.edu.pl Zmaa bazy macerz prześca Nech V będze wymarową przesrzeą lową ad całem K. Nech Be e będze bazą przesrze V. Rozważmy ową bazę B e... e. Oczywśce

Bardziej szczegółowo

Indukcja matematyczna

Indukcja matematyczna Iducja matematycza Twerdzee. zasada ducj matematyczej Nech T ozacza pewą tezę o lczbe aturalej. Jeżel dla pewej lczby aturalej 0 teza T 0 jest prawdzwa dla ażdej lczby aturalej 0 z prawdzwośc tezy T wya

Bardziej szczegółowo

Klasyfikacja w oparciu o przykłady

Klasyfikacja w oparciu o przykłady Klasyfaca w oparcu o przyłady (ag. stace based learg Wyład, 4/0/003 Pla wyładu Wprowadzee Metoda ablszyc ssadów Mary podobestwa Pratycze problemy Reduca zbdyc przyładów Reduca szumu w dayc Wyzaczae wag

Bardziej szczegółowo

ANALIZA INPUT - OUTPUT

ANALIZA INPUT - OUTPUT Aalza put - output Notatk S Dorosewcz J Staseńko Stroa z 28 SŁAWOMIR DOROSIEWICZ JUSTYNA STASIEŃKO ANALIZA INPUT - OUTPUT NOTATKI Istytut Ekoometr SGH Aalza put - output Notatk S Dorosewcz J Staseńko Stroa

Bardziej szczegółowo

Analiza Matematyczna I.1

Analiza Matematyczna I.1 Aalza Matematycza I. Sera, Potr Nayar Zadae. Nech a k >, k =,..., b d lczbam rzeczywstym o tym samym zaku. Udowodj,»e prawdzwa jest erówo± + a + a... + a + a + a +... + a. Czy zaªo»ee,»e lczby a k maj

Bardziej szczegółowo

STATYSTYKA MORANA W ANALIZIE ROZKŁADU CEN NIERUCHOMOŚCI

STATYSTYKA MORANA W ANALIZIE ROZKŁADU CEN NIERUCHOMOŚCI METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XII/, 0, tr. 3 STATYSTYKA MORANA W ANALIZIE ROZKŁADU CEN NIERUCHOMOŚCI Dorota Kozoł-Kaczorek Katedra Ekoomk Rolcta Mędzyarodoych Stoukó Gopodarczych Szkoła

Bardziej szczegółowo

Równania rekurencyjne

Równania rekurencyjne Rówaa reurecyje Ja stosować do przelczaa obetów obatoryczych? zaleźć zwąze reurecyjy, oblczyć la początowych wartośc, odgadąć ogóly wzór, tóry astępe udowaday stosując ducję ateatyczą. W etórych przypadach,

Bardziej szczegółowo

Matematyka dyskretna. 10. Funkcja Möbiusa

Matematyka dyskretna. 10. Funkcja Möbiusa Matematyka dyskreta 10. Fukcja Möbusa Defcja 10.1 Nech (P, ) będze zborem uporządkowaym. Mówmy, że zbór uporządkoway P jest lokale skończoy, jeśl każdy podzał [a, b] P jest skończoy, a, b P Uwaga 10.1

Bardziej szczegółowo

ĆWICZENIE 5 TESTY STATYSTYCZNE

ĆWICZENIE 5 TESTY STATYSTYCZNE ĆWICZENIE 5 TESTY STATYSTYCZNE Cel Przedstawee wybraych testów statystyczych zasad wyboru właścwego testu przeprowadzea go oraz terpretac wyów. Wprowadzee teoretycze Testem statystyczym azywamy metodę

Bardziej szczegółowo

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

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

Bardziej szczegółowo

ZASADY WYZNACZANIA DEPOZYTÓW ZABEZPIECZAJĄCYCH PO WPROWADZENIU DO OBROTU OPCJI W RELACJI KLIENT-BIURO MAKLERSKIE

ZASADY WYZNACZANIA DEPOZYTÓW ZABEZPIECZAJĄCYCH PO WPROWADZENIU DO OBROTU OPCJI W RELACJI KLIENT-BIURO MAKLERSKIE Zasady wyznazana depozytów zabezpezaąyh po wprowadzenu do obrotu op w rela lent-buro malerse ZAADY WYZNACZANIA DEPOZYTÓW ZABEZPIECZAJĄCYCH PO WPROWADZENIU DO OBROTU OPCJI W RELACJI KLIENT-BIURO MAKLERKIE

Bardziej szczegółowo

Porz dkowanie krajów Unii Europejskiej wed ug poziomu zrównowa onego rozwoju

Porz dkowanie krajów Unii Europejskiej wed ug poziomu zrównowa onego rozwoju PRACE NAUKOWE Akadem m. Jaa Dugosza w Czstochowe Sera: Pragmata tes Okoomas 20, z. V Marek KULESZA Akadema m. Jaa Dugosza w Czstochowe Stasawa OSTASIEWICZ WSOWL m T. Kocuszk we Wrocawu Porzdkowae kraów

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki

Politechnika Gdańska Wydział Elektrotechniki i Automatyki PORZĄDKOWANIE WARIANTÓW PRZY NIEKOMPLETNYCH MACIERZACH PORÓWNAŃ PARAMI Mosław Kweselewcz Poltechka Gdańska Wydzał Elektotechk Automatyk PORZĄDKOWANIE WARIANTÓW PRZY NIEKOMPLETNYCH MACIERZACH PORÓWNAŃ PARAMI

Bardziej szczegółowo

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych

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

Bardziej szczegółowo

11/22/2014 STRATEGIE MIESZANE - MOTYWACJA. ROZWAśMY PRZYKŁAD:

11/22/2014 STRATEGIE MIESZANE - MOTYWACJA. ROZWAśMY PRZYKŁAD: //4 Gry o sue zero - gry rozgrywae w strategach eszaych STRATEGIE IESZANE - OTYWACJA. ROZWAśY PRZYKŁAD: 5 DEFINICJA..6 Strategą eszaą π gracza P azyway kaŝdy rozkład prawdopodobeństwa określoy a zborze

Bardziej szczegółowo

SYSTEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE METODY KLASYFIKACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

SYSTEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE METODY KLASYFIKACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska. SYSEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE MEODY KLASYFIKACJI Częstochowa 4 Dr hab. nż. Grzegorz Dude Wydzał Eletryczny Poltechna Częstochowsa FUNKCJE FISHEROWSKA DYSKRYMINACYJNE DYSKRYMINACJA I MASZYNA LINIOWA

Bardziej szczegółowo

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2 Pojęce przedzału ufośc Przyład: Rozważmy pewe rzad proces (tz. ta tórego lczba zajść podlega rozładow Possoa). W cągu pewego czasu zaobserwowao =3 tae zdarzea. Oceć możlwy przedzał lczby zdarzeń tego typu

Bardziej szczegółowo

Sprzedaż finalna - sprzedaż dóbr i usług konsumentowi lub firmie, którzy ostatecznie je zużytkują, nie poddając dalszemu przetworzeniu.

Sprzedaż finalna - sprzedaż dóbr i usług konsumentowi lub firmie, którzy ostatecznie je zużytkują, nie poddając dalszemu przetworzeniu. W 1 Rachu maroeoomcze 1. Produ rajowy bruo Sprzedaż fala - sprzedaż dóbr usług osumeow lub frme, órzy osaecze je zużyują, e poddając dalszemu przeworzeu. Sprzedaż pośreda - sprzedaż dóbr usług zaupoych

Bardziej szczegółowo

Analiza spektralna stóp zwrotu z inwestycji w akcje

Analiza spektralna stóp zwrotu z inwestycji w akcje Nasz rye aptałowy, 003 r3, str. 38-43 Joaa Góra, Magdalea Osńsa Katedra Eoometr Statysty Uwersytet Mołaja Kopera w Toruu Aalza spetrala stóp zwrotu z westycj w acje. Wstęp Agregacja w eoom eoometr bywa

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

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

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8 Stasław Cchock Natala Nehreecka Zajęca 7-8 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartość oczekwaa eocążoość estymatora Waracja

Bardziej szczegółowo

Badania Operacyjne (dualnośc w programowaniu liniowym)

Badania Operacyjne (dualnośc w programowaniu liniowym) Badaa Operacye (dualośc w programowau lowym) Zadae programowaa lowego (PL) w postac stadardowe a maksmum () c x = max, podczas gdy spełoe są erówośc () ax = b ( m ), x 0 ( ) Zadae programowaa lowego (PL)

Bardziej szczegółowo

w zbiorze liczb naturalnych N (N,M N): N Mmodw k N: N M=kw M N=kw w zbiorze liczb całkowitych Z (N,M Z): N Mmodw k Z: N M=kw

w zbiorze liczb naturalnych N (N,M N): N Mmodw k N: N M=kw M N=kw w zbiorze liczb całkowitych Z (N,M Z): N Mmodw k Z: N M=kw Kogruece Lczby ogruete (przyta ą ce) modulo w N (w moduł przytawaa) w zborze lczb aturalych N (NM N): N Mmodw N: N Mw M Nw w zborze lczb całowtych Z (NM Z): N Mmodw Z: N Mw Kogrueca relaca rówowaŝ oś c:

Bardziej szczegółowo

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki: Zadae W loter berze udzał 0 osób. Regulam loter faworyzuje te osoby, które w elmacjach osągęły lepsze wyk: Zwycęzca elmacj, azyway graczem r. otrzymuje 0 losów, Osoba, która zajęła druge mejsce w elmacjach,

Bardziej szczegółowo

Modelowanie i Analiza Danych Przestrzennych

Modelowanie i Analiza Danych Przestrzennych Modelowae Aalza Daych Przestrzeych Wykład 8 Adrze Leśak Katedra Geoformatyk Iformatyk Stosowae Akadema Górczo-Hutcza w Krakowe Jaką postać ma warogram daych z tredem? Moża o wylczyć teoretycze prostego

Bardziej szczegółowo

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

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

Bardziej szczegółowo

AKADEMIA MORSKA W SZCZECINIE

AKADEMIA MORSKA W SZCZECINIE AKADEMIA MORSKA W SZCZECINIE Istytut Iżyer Ruchu Morskego Zakład Urządzeń Nawgacyjych Istrukcja r 0 Wzory do oblczeń statystyczych w ćwczeach z radoawgacj Szczec 006 Istrukcja r 0: Wzory do oblczeń statystyczych

Bardziej szczegółowo

Plan wykładu. Sztuczne sieci neuronowe. Sie Hopfielda. Sieci Hopfielda w praktyce. Wykład 9: Sieci rekurencyjne. Sieci rekurencyjne:

Plan wykładu. Sztuczne sieci neuronowe. Sie Hopfielda. Sieci Hopfielda w praktyce. Wykład 9: Sieci rekurencyjne. Sieci rekurencyjne: Pla wkładu Sec rekurece: Wkład 9: Sec rekurece Se Hammga Se tpu BAM Se RRN Se Elmaa Małgorzata Krtowska Katedra Oprogramowaa e-mal: mmac@.pb.balstok.pl Se Hopfelda Włacwoc: weca to wca ch euroów brak własego

Bardziej szczegółowo

Podstawy matematyki finansowej i ubezpieczeniowej

Podstawy matematyki finansowej i ubezpieczeniowej Podstawy matematy fasowej ubezpeczeowej oreślea, wzory, przyłady, zadaa z rozwązaam KIELCE 2 SPIS TREŚCI WSTEP... 7 STOPA ZWROTU...... 9 2 RACHUNEK CZASU W MATEMATYCE FINANSOWEJ. 0 2. DOKŁADNA LICZBA DNI

Bardziej szczegółowo

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów. Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer

Bardziej szczegółowo

ELEMENTY TEORII MOŻLIWOŚCI

ELEMENTY TEORII MOŻLIWOŚCI ELEMENTY TEORII MOŻLIWOŚCI Opracował: M. Kweselewcz Zadeh (978) wprowadzł pojęce rozkładu możlwośc jako rozmyte ograczee, kóre odzaływuje w sposób elastyczy a wartośc przypsae daej zmeej. Defcja. Nech

Bardziej szczegółowo

Projekt 3 Analiza masowa

Projekt 3 Analiza masowa Wydzał Mechaczy Eergetyk Lotctwa Poltechk Warszawskej - Zakład Saolotów Śgłowców Projekt 3 Aalza asowa Nejszy projekt składa sę z dwóch częśc. Perwsza polega projekce wstępy wętrza kaby (kadłuba). Druga

Bardziej szczegółowo

STATYSTYKA OPISOWA WYKŁAD 3,4

STATYSTYKA OPISOWA WYKŁAD 3,4 STATYSTYKA OPISOWA WYKŁAD 3,4 5 Szereg rozdzelczy przedzałowy (dae pogrupowae) (stosujemy w przypadku dużej lczby epowtarzających sę daych) Przedzał (w ; w + ) Środek x& Lczebość Lczebość skumulowaa s

Bardziej szczegółowo

Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej. Literatura. W. Rudin: Podstawy analizy matematycznej, PWN, Warszawa, 1982.

Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej. Literatura. W. Rudin: Podstawy analizy matematycznej, PWN, Warszawa, 1982. Wyłady z Aalzy rzeczywstej zespoloej w Matematyce stosowaej Lteratura W Rud: Podstawy aalzy matematyczej, PWN, Warszawa, 1982 W Rud: Aalza rzeczywsta zespoloa, PZWS, Warszawa, 1986 W Szabat: Wstęp do aalzy

Bardziej szczegółowo

Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym?

Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym? Oblczae średej, odchylea tadardowego meday oraz kwartyl w zeregu zczegółowym rozdzelczym? Średa medaa ależą do etymatorów tzw. tedecj cetralej, atomat odchylee tadardowe to etymatorów rozprozea (dyperj)

Bardziej szczegółowo

Materiały do wykładu 7 ze Statystyki

Materiały do wykładu 7 ze Statystyki Materał do wkładu 7 ze Statstk Aalza ZALEŻNOŚCI pomędz CECHAMI (Aalza KORELACJI REGRESJI) korelacj wkres rozrzutu (korelogram) rodzaje zależośc (brak, elowa, lowa) pomar sł zależośc lowej (współczk korelacj

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby

Bardziej szczegółowo

Monika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu

Monika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu DYNAMICZNE MODELE EKONOMERYCZNE X Ogólopolske Semarum Naukowe, 4 6 wrześa 2007 w oruu Katedra Ekoometr Statystyk, Uwersytet Mkołaja Koperka w oruu Moka Jezorska - Pąpka Uwersytet Mkołaja Koperka w oruu

Bardziej szczegółowo

[ ] WSPÓŁCZYNNIK EKSCESU WEKTORA LOSOWEGO. Wprowadzenie. Katarzyna Budny =, (1)

[ ] WSPÓŁCZYNNIK EKSCESU WEKTORA LOSOWEGO. Wprowadzenie. Katarzyna Budny =, (1) Katarzya Budy Uwersytet Ekoomczy w Krakowe WSPÓŁCZYNNIK EKSCESU WEKTORA LOSOWEGO Wprowadzee Jedą z podstawowych mar spłaszczea czy też kocetrac rozkładu zmee losowe edowymarowe wokół średe est kurtoza

Bardziej szczegółowo

FUNKCJE DWÓCH ZMIENNYCH

FUNKCJE DWÓCH ZMIENNYCH FUNKCJE DWÓCH MIENNYCH De. JeŜel kaŝdemu puktow (, ) ze zoru E płaszczz XY przporządkujem pewą lczę rzeczwstą z, to mówm, Ŝe a zorze E określoa została ukcja z (, ). Gd zór E e jest wraźe poda, sprawdzam

Bardziej szczegółowo

Lista 6. Kamil Matuszewski 26 listopada 2015

Lista 6. Kamil Matuszewski 26 listopada 2015 Lsta 6 Kaml Matuszews 6 lstopada 5 4 5 6 7 8 9 4 5 X X X X X X X X X X X D X X N Gdze X-spsae, D-Delarowae, N-edelarowae. Zadae Zadae jest westą odpowedego pomalowaa. Weźmy sobe szachowcę x, poumerujmy

Bardziej szczegółowo

aij - wygrana gracza I bij - wygrana gracza II

aij - wygrana gracza I bij - wygrana gracza II M.Mszczsk KBO UŁ, Badana operacjne I (cz.) (wkład B 7) GRY KONFLIKTOWE GRY -OSOBOWE O SUMIE WYPŁT ZERO I. DEFINICJE TWIERDZENI Konflktowe gr dwuosobowe opsuje macerz wpłat ( a ) [ ] mxn j,b j gdze: aj

Bardziej szczegółowo

(liniowy model popytu), a > 0; b < 0

(liniowy model popytu), a > 0; b < 0 MODELE EKONOMERYCZNE Model eoomercz o ops sochasczej zależośc adaego zjawsa eoomczego od czów szałującch go, wrażo w posac rówośc lu uładu rówośc. Jeśl p. rozparujem zjawso popu a oreślo owar lu grupę

Bardziej szczegółowo

Bajki kombinatoryczne

Bajki kombinatoryczne Artyuł powstał a podstawe odczytu pod tym samym tytułem, wygłoszoego podczas XXXVI Szoły Matematy Poglądowej Pomysł czy rachue? w Grzegorzewcach, styczeń 006. Baj ombatorycze Joaa JASZUŃSKA, Warszawa Ja

Bardziej szczegółowo

Modelowanie niezawodności i wydajności synchronicznej elastycznej linii produkcyjnej

Modelowanie niezawodności i wydajności synchronicznej elastycznej linii produkcyjnej Dr hab. ż. Ato Śwć, prof. adzw. Istytut Techologczych ystemów Iformacyych oltechka Lubelska ul. Nadbystrzycka 36, 2-68 Lubl e-mal: a.swc@pollub.pl Dr ż. Lech Mazurek aństwowa Wyższa zkoła Zawodowa w Chełme

Bardziej szczegółowo

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA Adra Kapczyńsk Macej Woly Wprowadzee Rozwój całego spektrum coraz doskoalszych środków formatyczych

Bardziej szczegółowo

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości Zadae. Nech Nech (, Y będze dwuwymarową zmeą losową o fukcj gęstośc 4 x + xy gdy x ( 0, y ( 0, f ( x, y = 0 w przecwym przypadku. S = + Y V Y E V S =. =. Wyzacz ( (A 0 (B (C (D (E 8 8 7 7 Zadae. Załóżmy,

Bardziej szczegółowo

SPOŁECZNA AKDAEMIA NAUK W ŁODZI

SPOŁECZNA AKDAEMIA NAUK W ŁODZI SPOŁECZNA AKDAEMIA NAUK W ŁODZI KIERUNEK STUDIÓW: ZARZĄDZANIE PRZEDMIOT: METODY ILOŚCIOWE W ZARZĄDZANIU (MATERIAŁ POMOCNICZY PRZEDMIOT PODSTAWOWY ) Łódź Sps treśc Moduł Wprowadzee do metod loścowych w

Bardziej szczegółowo

ĆWICZENIE 3 ANALIZA WSPÓŁZALEŻNOŚCI ZJAWISK MASOWYCH

ĆWICZENIE 3 ANALIZA WSPÓŁZALEŻNOŚCI ZJAWISK MASOWYCH Laboaoum eod aczch ĆWICZENIE 3 ANALIZA WPÓŁZALEŻNOŚCI ZJAWIK AOWCH Jedo wozące zboowość chaaezowae ą zazwcza za pomocą welu cech óe wzaeme ę wauuą. Celem aalz wpółzależośc e wedzee cz mędz badam cecham

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5 Stasław Cchock Natala Nehreecka Zajęca 5 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartośd oczekwaa eocążoośd estymatora Waracja

Bardziej szczegółowo

BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ

BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ Matematka statstka matematcza dla rolków w SGGW Aa Rajfura, KDB WYKŁAD 2 BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ Matematka statstka matematcza dla rolków w SGGW Aa Rajfura, KDB Przkład.

Bardziej szczegółowo

Elementy arytmetyki komputerowej

Elementy arytmetyki komputerowej Elemety arytmetyk komputerowej cz. I Elemety systemów lczbowych /materał pomocczy do wykładu Iformatyka sem II/ Sps treśc. Wprowadzee.... Wstępe uwag o systemach lczbowych... 3. Przegląd wybraych systemów

Bardziej szczegółowo

PLANOWANIE I WNIOSKOWANIE STATYSTYCZNE W BADANIACH ROLNICZYCH

PLANOWANIE I WNIOSKOWANIE STATYSTYCZNE W BADANIACH ROLNICZYCH INSTYTUT HODOWLI I AKLIMATYZACJI ROLIN PLANOWANIE I WNIOSKOWANIE STATYSTYCZNE W BADANIACH ROLNICZYCH MATERIAY SZKOLENIOWE Dr hab. Zbgew Laudask, prof. adzw. Katedra Bometr Wydza Rolctwa Bolog SGGW Warszawa

Bardziej szczegółowo

KOINCYDENTNOŚĆ MODELU EKONOMETRYCZNEGO A JEGO JAKOŚĆ MIERZONA WARTOŚCIĄ WSPÓŁCZYNNIKA R 2 (K)

KOINCYDENTNOŚĆ MODELU EKONOMETRYCZNEGO A JEGO JAKOŚĆ MIERZONA WARTOŚCIĄ WSPÓŁCZYNNIKA R 2 (K) STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Mchał Kolupa Poltechnka Radomska w Radomu Joanna Plebanak Szkoła Główna Handlowa w Warszawe KOINCYDENTNOŚĆ MODELU EKONOMETRYCZNEGO A JEGO

Bardziej szczegółowo

JEDNOWYMIAROWA ZMIENNA LOSOWA

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

Bardziej szczegółowo

Optymalizacja wielokryterialna

Optymalizacja wielokryterialna Porządowae Optmalzaca welorterala. Uporządowae zboru wg oreśloch reguł.. Wróżee możlwe ameszego podzboru prz doowau wboru.. Wbór oreśloe decz. U {u,...,u m }- sończo przelczal zbór dopuszczalch decz K

Bardziej szczegółowo

Metoda Monte-Carlo i inne zagadnienia 1

Metoda Monte-Carlo i inne zagadnienia 1 Metoda Mote-Carlo e zagadea Metoda Mote-Carlo Są przypadk kedy zamast wykoać jakś eksperymet chcelbyśmy symulować jego wyk używając komputera geeratora lczb (pseudolosowych. Wększość bblotek programów

Bardziej szczegółowo

System M/M/1/L. λ = H 0 µ 1 λ 0 H 1 µ 2 λ 1 H 2 µ 3 λ 2 µ L+1 λ L H L+1. Jeli załoymy, e λ. i dla i = 1, 2,, L+1 oraz

System M/M/1/L. λ = H 0 µ 1 λ 0 H 1 µ 2 λ 1 H 2 µ 3 λ 2 µ L+1 λ L H L+1. Jeli załoymy, e λ. i dla i = 1, 2,, L+1 oraz System M/M// System ten w odrónenu do wczenej omawanych systemów osada kolejk. Jednak jest ona ogranczona, jej maksymalna ojemno jest wartoc skoczon

Bardziej szczegółowo

Agenda. Politechnika Poznańska WMRiT ZST. Piotr Sawicki Optymalizacja w transporcie 1. Kluczowe elementy wykładu

Agenda. Politechnika Poznańska WMRiT ZST. Piotr Sawicki Optymalizacja w transporcie 1. Kluczowe elementy wykładu Poltechka Pozańska WMRT ZST Tytuł: 05 Lokalzaca obektów. Model PoPr Zastosowae prograowaa lowego Autor: Potr SAWICKI Zakład Systeów Trasportowych WMRT PP potr.sawck@put.poza.pl www.put.poza.pl/~potr.sawck

Bardziej szczegółowo

Planowanie eksperymentu pomiarowego I

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

Bardziej szczegółowo

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień.

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień. Metoda aalizy hierarchii Saaty ego Ważym problemem podejmowaia decyzji optymalizowaej jest często występująca hierarchiczość zagadień. Istieje wiele heurystyczych podejść do rozwiązaia tego problemu, jedak

Bardziej 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

ZAJĘCIA NR 3. loga. i nosi nazwę entropii informacyjnej źródła informacji. p. oznacza, Ŝe to co po im występuje naleŝy sumować biorąc za i

ZAJĘCIA NR 3. loga. i nosi nazwę entropii informacyjnej źródła informacji. p. oznacza, Ŝe to co po im występuje naleŝy sumować biorąc za i ZAJĘCIA NR Dzsaj omówmy o etro, redudacj, średej długośc słowa odowego o algorytme Huffmaa zajdowaa odu otymalego (od ewym względam; aby dowedzeć sę jam doczeaj do ońca). etro JeŜel źródło moŝe adawać

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

Badania Maszyn CNC. Nr 2

Badania Maszyn CNC. Nr 2 Poltechka Pozańska Istytut Techolog Mechaczej Laboratorum Badaa Maszy CNC Nr 2 Badae dokładośc pozycjoowaa os obrotowych sterowaych umerycze Opracował: Dr. Wojcech Ptaszy sk Mgr. Krzysztof Netter Pozań,

Bardziej szczegółowo

Laboratorium Metod Statystycznych ĆWICZENIE 2 WERYFIKACJA HIPOTEZ I ANALIZA WARIANCJI

Laboratorium Metod Statystycznych ĆWICZENIE 2 WERYFIKACJA HIPOTEZ I ANALIZA WARIANCJI Laboatoum Metod tatystyczych ĆWICZENIE WERYFIKACJA HIPOTEZ I ANALIZA WARIANCJI Oacowała: Katazya tąo Weyfkaca hotez Hoteza statystycza to dowole zyuszczee dotyczące ozkładu oulac. Wyóżamy hotezy: aametycze

Bardziej szczegółowo

ESTYMATORY ODPORNE ZMIENNOŚCI W MODELU BLACKA - SCHOLESA WSTĘP

ESTYMATORY ODPORNE ZMIENNOŚCI W MODELU BLACKA - SCHOLESA WSTĘP Justya Majewska Katedra Statystyk, Akadema Ekoomcza w Katowcach e-mal: majewskaj@wp.pl ESTYMATORY ODPORNE ZMIENNOŚCI W MODELU BLACKA - SCHOLESA Streszczee: NajwaŜejszym etapem przy wycee opcj jest właścwe

Bardziej szczegółowo

ELEMENTY ANALIZY NUMERYCZNEJ

ELEMENTY ANALIZY NUMERYCZNEJ Adrze Marcak ELEMENTY ANALIZY NUMERYCZNEJ Wykłady dla studetów keruku formatyka Poltechk Pozańske Wykłady są przezaczoe wyłącze do dywdualego użytku przez studetów formatyk Poltechk Pozańske. Ne mogą być

Bardziej szczegółowo

Niech Φ oznacza funkcję zmiennej x zależną od n + 1 parametrów a 0, a 1, K, a n, tj.

Niech Φ oznacza funkcję zmiennej x zależną od n + 1 parametrów a 0, a 1, K, a n, tj. III. INTERPOLACJA 3.. Ogóe zadae terpoac Nech Φ ozacza fucę zmee x zaeżą od + parametrów a 0, a, K, a, t. Defca 3.. Zadae terpoac poega a oreśeu parametrów a ta, żeby da + da- ych par ( x, f ( x ( 0,,...,

Bardziej szczegółowo

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki) Podstawy aalzy epewośc pomarowych (I Pracowa Fzyk) Potr Cygak Zakład Fzyk Naostruktur Naotecholog Istytut Fzyk UJ Pok. 47 Tel. 0-663-5838 e-mal: potr.cygak@uj.edu.pl Potr Cygak 008 Co to jest błąd pomarowy?

Bardziej szczegółowo

Kompresja fraktalna obrazów. obraz. 1. Kopiarka wielokrotnie redukująca 1.1. Zasada działania ania najprostszej kopiarki

Kompresja fraktalna obrazów. obraz. 1. Kopiarka wielokrotnie redukująca 1.1. Zasada działania ania najprostszej kopiarki Kompresa fratalna obraów. Kopara welorotne reuuąca.. Zasaa ałana ana naprostse opar Koncepca opar welorotne reuuące Naprosts prła opar. Moel matematcn obrau opara cęś ęścowa. obra weścow opara obra wścow

Bardziej szczegółowo

Badania niezawodnościowe i statystyczna analiza ich wyników

Badania niezawodnościowe i statystyczna analiza ich wyników Badaa ezawodoścowe statystycza aalza ch wyków. Co to są badaa ezawodoścowe jak sę je przeprowadza?. Metody prezetacj opsu daych pochodzących z eksperymetu 3. Sposoby wyzaczaa rozkładu zmeej losowej a podstawe

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

X i T (X) = i=1. i + 1, X i+1 i + 1. Cov H0. ( X i. k 31 ) 1 Φ(1, 1818) 0, 12.

X i T (X) = i=1. i + 1, X i+1 i + 1. Cov H0. ( X i. k 31 ) 1 Φ(1, 1818) 0, 12. Zadae p (X p (X ( ( π 6 6 e 6 X m ( π 6 6 e 6 ( X C e m 6 X, gdze staªa C e zale»y od statystyk X (X,, X 6, a m jest w ksze od zera Zatem p (X/p (X jest emalej c fukcj statystyk T (X 6 X ªatwo pokaza,»e

Bardziej szczegółowo

Wstęp do prawdopodobieństwa. Dr Krzysztof Piontek. Literatura:

Wstęp do prawdopodobieństwa. Dr Krzysztof Piontek. Literatura: Studum podyplomowe altyk Fasowy Wstęp do prawdopodobeństwa Lteratura: Ostasewcz S., Rusak Z., Sedlecka U.: Statystyka elemety teor zadaa, kadema Ekoomcza we Wrocławu 998. mr czel: Statystyka w zarządzau,

Bardziej szczegółowo

08 Model planowania sieci dostaw 1Po_2Pr_KT+KM

08 Model planowania sieci dostaw 1Po_2Pr_KT+KM Nr Tytuł: Autor: 08 Model plaowaa sec dostaw 1Po_2Pr_KT+KM Potr SAWICKI Zakład Systeów Trasportowych WIT PP potr.sawck@put.poza.pl potr.sawck.pracowk.put.poza.pl www.facebook.co/potr.sawck.put Przedot:

Bardziej szczegółowo

Funkcja wiarogodności

Funkcja wiarogodności Fukca warogodośc Defca: Nech będze daa próba losowa prosta o lczebośc z rozkładu f (x; θ. Fukcą warogodośc dla próby x azywamy welkość: ( x; θ f ( x ; θ L Uwaga: Fukca warogodośc to e to samo co łącza

Bardziej szczegółowo

RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH

RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Stansław KOWALIK e-mal: skowalk@wsb.edu.pl Wyższa Szkoła Bznesu Dąbrowa Górncza RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Streszczene Praca dotyczy nekooperacynych sekwencynych ger dwuosobowych o sume

Bardziej szczegółowo