Badania operacyjne to dyscyplina, której zadaniem jest wspomaganie podejmowania trafnych decyzji.

Wielkość: px
Rozpocząć pokaz od strony:

Download "Badania operacyjne to dyscyplina, której zadaniem jest wspomaganie podejmowania trafnych decyzji."

Transkrypt

1 Wprowazee Baaa operacye to yscypla, tóre zaaem est wspomagae poemowaa trafych ecyz. Baaa operacye to yscypla auowa zwązaa z teorą ecyz, pozwalaąca wyzaczyć metoę rozwązae oreśloych problemów zwązaych z poemowaem optymalych ecyz. Operatos Research, Operatoal Research. Metoologa baań operacyych sprowaza sę o astępuących etapów: I. Formułowae problemu ecyzyego II. Buowa moelu matematyczego lub ego opowea w wers symulacye III. Pozysae przetwarzae formac ezbęe o ustalea parametrów moelu IV. Proceura oblczeowa lub postępowae symulacye za pomocą wybraego algorytmu V. Aalza aośc rozwązań moelu VI. Weryfaca moelu, sprawzee ego aewatośc VII. Wrożee rozwązaa Postawowym przemotem baań operacyych są ecyze. Z poęcem ecyz wąże sę aś sute wy ecyz, tóry zależy o zastałego stau atury. Sta atury est ezależy o wol ecyeta. Klasyfaca problemów ecyzyych zwązaa z formacą otyczącą staów atury: I. Poemowae ecyz w waruach pewośc zay est wy aże ecyz; zae są stay atury, tóre mogą wystąpć z pewoścą. Problemem est barzo uża lczba możlwych ecyz, tóre ależy przeaalzować. Np. Programowae matematycze. II. Poemowae ecyz w waruach ryzya zae są możlwe stay atury, ale ch zastee e est pewe; zae są prawopoobeństwa zastea poszczególych staów atury. Np. gry z aturą, aalza ecyzya ryterum Bayesa. III. Poemowae ecyz w waruach epewośc e są zae prawopoobeństwa zastea możlwych staów atury lub zae są tylo etóre prawopoobeństwa. Np. gry z aturą ryterum Wala, Savage a, optymstycze, Hurwcza. IV. Poemowae ecyz w waruach ofltu terac wy ecyz zależy o ecyz ych uczestów procesu. Np. gry, teora ger, gry wuosobowe o sume zerowe.

2 PROGRAMOWANIE MATEMATYCZNE, PROGRAMOWANIE LINIOWE - zmea ecyzya f opt ma lub m g b g b g b 8, ma Zbór rozwązań opuszczalych feasble set tworzą wszyste wartośc zmeych ecyzyych spełaące waru ograczaące. Typowe zaaa programowaa lowego:. Zagaee optymalego wyorzystaa urzązeń proucyych. Zagaee trasportowe. Zagaee optymalego załauu. Zagaee optymalego rozzału eoroych zasobów. Moel optymalego asortymetu prouc 6. Moel optymalego słau mesza problem ety 7. Zagaee optymalego rozzału czyośc 8. Zagaee optymalego rozrou 9. Wybór optymale strutury zasewów

3 AD. 8. Zała RURA ma wyprouować rur o ługośc, m o ługośc 7, m. Zała ma o yspozyc rury o ługośc 7 m. Ja ależy pocąć rury, aby opa był ameszy? Pozostałe rury ługośc, 7, staową opa. Zapsz opowe program lowy. Sposób cęca Lczba rur, m Lczba rur 7, m Opa [m] I, II III Zamówee Lczba cęć -tym sposobem X lczba rur o ługośc 7 m, pocęta -tym sposobem,,,.,,, ;,,, C 7, m AD.. Przesęborstwo przewozowe STAR zamue sę ostarczaem loów o slepów. Dae otyczące osztów przewozu eost z magazyu o slepu oraz welośc zapasów zapotrzebowaa zameszczoo w tabel. Oreślć pla przewozu mmalzuący oszty. Zagaee trasportowe zamęte popyt poaż X lczba eoste p. artoów loów ostarczoych o -tego slepu z -tego magazyu;,,,,;,,,.

4 C ; 6 7 m

5 DUALNOŚĆ W PROGRAMOWANIU LINIOWYM Program lowy PL program perwoty c a... a... a m, c a a a,..., m... c... a... a... a ma m b b b m c T ma c T m A b -> A b Każemu programow PL opowaa program ualy. Z ażym programem lowym sprzężoy est y program, zway programem ualym. I. W programe ualym est tyle zmeych le ograczeń w programe perwotym. Każemu ograczeu w programe perwotym opowaa zmea uala. II. W programe ualym est tyle ograczeń le zmeych w programe perwotym. Każe zmee w programe perwotym opowaa ograczee w programe ualym. III. Wag fuc celu programu perwotego są wyrazam wolym w programe ualym. IV. Wyrazy wole programu perwotego są wagam fuc celu w programe ualym. V. Macerz współczyów programu ualego est traspozycą macerzy współczyów programu perwotego. VI. Jeżel program perwoty est a masmum, to program ualy a mmum. I owrote. Program perwoty - zmea perwota T c ma A b <-> b Program ualy y A - zmea uala T T y m y c y Program perwoty - zmea perwota T c m A b <-> b Program ualy y A - zmea uala T T y ma y c y. Jeżel -ty warue w PL est rówoścą, to opowaaąca mu zmea y e ma ograczeń.. Jeżel -ty warue w PL est etypową erówoścą, to opowaaąca mu zmea uala est mesza lub rówa zero y.. Jeżel w PL a zmeą e ałożoo ograczeń, to opowaaący e warue ograczee ualy est rówoścą.

6 . Jeżel w PL zmea est mesza lub rówa, to opowaaący e warue ualy est etypową erówoścą. I. Dla ażego rozwązaa opuszczalego PL- ma PD - m prawzwa est zależość: T T c b y. Dla rozwązaa optymalego * y* prawzwa est zależość: c T T * b y *. II. Jeżel -ty warue PD w rozwązau optymalym est spełoy z erówoścą ostro, to opowaaąca mu zmea w PL, w rozwązau optymalym przymue wartość. Zała RURA ma wyprouować rur o ługośc, m o ługośc 7, m. Zała ma o yspozyc rury o ługośc 7 m. Ja ależy pocąć rury, aby opa był ameszy? Sposób cęca Lczba rur, m Lczba rur 7, m Opa [m] I, II III Zamówee X lczba rur o ługośc 7 m, pocęta -tym sposobem,,,.,,, ; m,, C

7 Rol posaa wa pola o powerzchach opoweo ha ha. W zwązu ze specalzacą prouc zamerza wprowazć eye trzy uprawy: szparag, apustę peńsą oraz orzesz zeme. W zależośc o rozau uprawy zmea sę oszt uprawy eego hetara. Dla szparagów wyos o zł, la apusty zł, la orzeszów zł. Na wyaość z hetara ma wpływ pogoa. W przypau pogoy umarowae wyaość ształtue sę a pozome q/ha, q/ha, q/ha opoweo la szparagów, apusty, orzeszów staowąc eocześe pozom oesea la pozostałych wyaośc. W przypau wystąpea upałów wyaość zmesza sę o %, w przypau eszczy wyaość spaa o 6% założoych wyaośc la umarowae pogoy. Cea, za aą rol sprzeae swoe uprawy est stała, ezależa o pogoy wyos opoweo la szparagów, apusty, orzeszów : zł/q, 8 zł/q 7 zł/q. Rol uzae, że opłaca mu sę uprawać zemę, ey ego oczeway zys est e meszy ż zł. Długotermowa progoza załaa, że eszcze wystąpą z prawopoobeństwem,, upały,,a pogoa umarowaa,. Zapsać program lowy pomocy w poęcu ecyz o uprawach. X welość powerzch uprawy -tego płou rolego, szparag;, apusta peńsa;, orzesz zeme [ha],,,,6, X,,,,6, X,,,,,,,6, X X X X, X, X X X 8X 7X ma Wartość fuc celu powa być euema, aby rol poął ecyzę o poęcu uprawy.

8 Rol e powe poemować sę uprawy.

9 PROGRAMOWANIE DYNAMICZNE Jest eą z meto wspomagaa ecyz weloetapowych. Do rozwązywaa weloetapowych problemów ecyzyych. Rchar Bellma opracował metoę programowaa yamczego. Ozaczea: ecyza, tórą ależy poąć a -tym etape; s sta prze poęcem ecyz ; sta a początu -tego etapu; s sta po poęcu ecyz ; sta a ońcu -tego etapu; D zbór ecyz opuszczalych w -tym etape; S zbór staów, tóre mogą wystąpć a początu -tego etapu. Cąg ecyz {,,, } to stratega. F,,,, s, s,, s globala fuca ryterum. Wymogem stosowaa programowaa yamczego est własość Marowa tz. ecyze optymale a pewym etape procesu, e zależą o wcześeszych ecyz, eye o stau wyaącego z ch poęca. Z własośc Marowa wya zasaa optymalośc Bellmaa, a tóre oparto metoę programowaa yamczego. Globala fuca ryterum powa być eompoowaa a etapy p.:,...,, s,..., s f, s F. Wtey poszuuemy optymale strateg, la tóre fuca globala osąga p. masmum zgoe z zasaą optymalośc Bellmaa. Zasaa ta opera sę o tzw. cąg rówań fucyych Bellmaa. Dla rozważaego przyłau, cąg te ma astępuącą postać: g s g s : ma{ f D s S : ma{ f D s S, s, s } g s },,...,

10 Problem. Pewa frma chce opracować program prouc elemetów a olee mesące. Zay est popyt a te elemety wyoszący elemety w ażym z oleych trzech mesęcy. Frma może prouować masymale tach elemetów mesęcze. Koszty prouc zależe o lczby wyprouowaych elemetów poao w tabel: Lczba elemetów Koszty w [p] 7 9 Jeostowy oszt przechowywaa zapasów est stały w orese plastyczym wyos eostę peężą oszty magazyowaa w -tym mesącu oblczamy weług stau a oec mesąca. Masymale magazy może pomeścć elemety. W chwl obece w magazye zauą sę elemety. Po oec trzecego mesąca magazy ma pozostać pusty. Rozwązae. Przymmy ozaczea la,,: s - pozom zapasów a początu -tego mesąca, p - popyt w -tym mesącu, h - oszt magazyowaa elemetów w -tym mesącu, K - oszt prouc elemetów w -tym mesącu, f,s - oszty prouc magazyowaa w -tym mesącu. Zauważmy, że f,s K h s, gze s s p,,, oraz s. Łącze oszty magazyowaa prouc wyoszą f,s f,s f,s. Koszty te maą być amesze. Korzystaąc z rówań fucyych Bellmaa możemy zapsać: Kro. mesąc g s m f,s la s p s Kro. mesąc g s m f,s g s la s p -s p s Kro. mesąc g s m f,s g s la s. p s p s Z treśc zaaa wya, że s, p p p s s stą s. Mamy zatem: Kro. mesąc g s m f,s s

11 s s f,s g s Kro. mesąc g s m f,s g s la s s 7 s s s f,s g s f,s g s g s Kro mesąc g s m f,g s m f,g s - - s s f,s g s f,s g s g s Optymala stratega ma postać,,. Koszty poesoe przez frmę są wtey aższe wyoszą p.

12 Problem. Rozzelć proucę eerg MWh męzy we eletrowe ta, aby oszty zużyca palwa były aższe. Koszty opsae są fucą:, y y F, gze ozacza zużyce palwa w eletrow I, y zużyce palwa w eletrow II. Waomo, że z toy palwa eletrowa I uzysue MWh, a eletrowa II MWh. Etap. Eletrowa., s f, < <,, s f Etap., y s f, < <,, s f y. Kro. Etap } m{ S s g s. Kro. Etap m } { m } { m F S s g 7, > F F Aby oszty zużyca palwa były aższe ależy przyzelć perwsze eletrow proucę 7, MWh eerg, a eletrow ruge 6,8 MWh.

13 METODA SIMPLEKS 8, ma Postać bazowa programu lowego wszyste ograczea są rówoścam, erówośc przeształca sę za pomocą zmeych blasuących., 8 ma Na te postawe buue sę tablcę smplesową c b Baza c B 8 z c BT a c -z b /a Jeżel wartośc wszystch wsaźów optymalośc są eoate, to rozpatrywae rozwązae est optymale la fuc mmalzowae eueme. W przecwym wypau otrzymae rozwązae moża poprawć. Ze wsaźów optymalośc wyberamy awęszy la m ameszy opowaaąca mu zmea wchoz o bazy. Jeśl est la wartośc masymalych mmalych to wprowazamy owolą opowaaącą m zmeą. c b Baza c B 8 z c BT a c -z b /a Oblcza sę lorazy oleych wyrazów woly oluma b przez opowaaące m oate elemety olumy zmee wprowazae o bazy. Bazę opuszcza zmea, la tóre loraz est ameszy

14 c b b /a Baza c B 8 8 z c T B a c -z Prześce o oleego rozwązaa bazowego. Elemety tablcy smplesowe są przeształcae za pomocą elmac Joraa-Gaussa operace elemetare a macerzach Aby otrzymać macerz eostową z olum zmeych bazowych, perwszy wersz zelmy przez, a astępe o rugego wersza oemuemy perwszy pozeloy przez. Dale wypełamy tabelę uzupełaąc wartośc c b Baza c B,,, -, z c BT a c -z - b /a Otrzymuemy olee rozwązae bazowe,, pozostałe zmee poza bazą rówaą sę. Wartość fuc celu. Poeważ e wszyste wsaź są eoate, to moża eszcze poprawć rozwązae. c b b /a Baza c B,,, -, 6 z c B T a c -z - Zmea wchoz o bazy, a zmea opuszcza bazę.

15 Aby otrzymać macerz eostową z olum zmeych bazowych, możymy rug wersz razy oemuemy o perwszego wersza rug wartośc prze możeem. Dale wypełamy tabelę uzupełaąc wartośc c b Baza c B z c T B a 6 c -z - - b /a Wszyste wsaź optymalośc są eoate, węc otrzymae rozwązae est rozwązaem optymalym,, 6, wartość fuc celu 6. ZMIENNE SZTUCZNE, mmalzaca, rozwązae alteratywe m,, Dla problemów mmalzac rozwązae moża poprawć, eśl występue przyame ee euemy wsaź optymalośc. W celu zbuowaa postac bazowe programu ależy:. o lewe stroy ograczeń typu oąć zmeą blasuącą oraz oać zmeą sztuczą s,. o lewe ograczeń typu oać sztuczą zmeą,. M metoa współczy w fuc celu przy zmeych sztuczych są barzo użym wartoścam oatm w przypau mmalzac M lub uemym w przypau masymalzac -M,,, 7 6 M 6 M 7 m Do perwsze tablcy smplesowe wchozą zmee sztucze, a gze e występuą tam zmee blasuące.

16 c M M b b /a Baza c B M - 7 M z c T B a M M M -M M M M c -z -M -M -M M c M M b b /a Baza c B M,, - -,,, -,,,, z c BT a,m,,m, -M M -,M, M c -z,-,m,-,m M,M-, c M M Baza c B 6 7 b b /a z c T B a - c -z M- M- Wszyste wsaź optymalośc są eueme, rozwązaa e moża uż poprawć. Wartość fuc celu wyos,,,. Wsaź optymalośc la zmee ebazowe wyos, ozacza to że, wprowazee e o bazy e popraw fuc celu, ale też e pogorszy. Wsazue to a rozwązae alteratywe.

17 c M M b b /a Baza c B z c T B a - c -z M- M- c M M b Baza c B z c T B a - c -z M- M- b /a Wartość fuc celu wyos,,,. Rozwązae alteratywe wsazue, że la wóch werzchołów smplesa zboru rozwązań opuszczalych wartość fuc celu przymue wartość optymalą. Ozacza to, że zbór rozwązań optymalych est ocem łączącym te wa werzchoł. W baaym przypau bęze to zbór: {,,, }. Rozwązae,, est węc róweż rozwązaem optymalym. Bra ograczeń a euemość zmeych, zmee eoate, eograczoy zbór rozwązań opuszczalych, zagaee sprzecze Jeżel a -tą zmeą e ałożoo ograczeń a euemość, to ależy ooać przeształcea te zmee w we e:,,. Dla zmee eoate zameamy za w programe, wtey zmea stae sę euema. Przy eograczoym zborze rozwązań opuszczalych w tablcy smplesowe la wprowazae zmee wszyste wartośc w olume rozwązuące [a ] są eoate. Ne moża oblczyć żaego lorazu b /a. Zmea ta może węc zwęszać lub zmeszać wartość fuc celu w esończoość. Zagaee sprzecze w rozwązau optymalym, zmea sztucza est ezerową zmeą bazową. Rozwązae zegeerowae, metoa perturbac

18 TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK System M M System z eym staowsem obsług, wyłaczym rozłaem ostępów czasu męzy oleym zgłoszeam o systemu ze śreą λ, wyłaczym czasem obsług ze śreą µ, eograczoą poczealą oleą, regulamem FIFO ole oraz esończee wymarowym źrółem zgłoszeń. λ - śrea lcza letów w eostce czasu zgłaszaących sę o systemu. µ - śrea lczba zgłoszeń obsłużoa w eostce czasu. λ Prawopoobeństwo, że w systeme zaue sę zgłoszeń: p ρ ρ, ρ <. Jeśl ρ µ welość ole rośe o esończoośc wraz z upływem czasu e moża oblczyć prawopoobeństw przebywaa zgłoszeń w systeme. Prawopoobeństwo, że w systeme e przebywa żae zgłoszee a w obsłuze, a w olece: p. ρ Śrea lczba zgłoszeń oczeuących w olece: ρ K p. ρ Śrea lczba zgłoszeń przebywaących w systeme: ρ S p. ρ Śre czas oczewaa zgłoszea a obsługę oczewaa w olece: S ρ Śre czas przebywaa zgłoszea w systeme: T S. λ ρ λ T K K ρ λ ρ λ Zaae Oblczyć a powe być śre czas obsług samochou a stac bezyowe z eym ystrybutorem, eśl w cągu muty przybywaą śre trzy samochoy, prze stacą może sę ustawć olea owole ługośc, ostępy czasu męzy oleym samochoam oraz czas obsług leta maą rozła wyłaczy. Poato waomo, że czas oczewaa a obsługę e powe przeroczyć m.

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

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

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

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

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

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

Przybliżone zapytania do baz danych z akceleracją obliczeń rozkładów prawdopodobieństwa

Przybliżone zapytania do baz danych z akceleracją obliczeń rozkładów prawdopodobieństwa Przyblżoe zapytaa o baz aych z akceleracą oblczeń rozkłaów prawopoobeństwa Wtol Arzeewsk Poltechka Pozańska e mal: Wtol.Arzeewsk@cs.put.poza.pl Artur Gramack, Jarosław Gramack Uwersytet Zeloogórsk e mal:

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

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

Teoria i metody optymalizacji

Teoria i metody optymalizacji Teora metoy optymalzacj Nelowe zaae optymalzacj bez ograczeń umerycze metoy teracyje optymalzacj m x R f = f x Algorytmy poszuwaa mmum loalego zaaa programowaa elowego: Bez ograczeń Z ograczeam Algorytmy

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

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

Niezawodność. systemów nienaprawialnych. 1. Analiza systemów w nienaprawialnych. 2. System nienaprawialny przykładowe

Niezawodność. systemów nienaprawialnych. 1. Analiza systemów w nienaprawialnych. 2. System nienaprawialny przykładowe Nezawoość sysemów eaprawalych. Aalza sysemów w eaprawalych. Sysemy eaprawale - przykłaowe srukury ezawooścowe 3. Sysemy eaprawale - przykłay aalzy. Aalza sysemów w eaprawalych Sysem eaprawaly jes o sysem

Bardziej szczegółowo

Badania operacyjne. Algorytm simpleks. Organizacja zajęć. Zaliczenie. Literatura. Program zajęć

Badania operacyjne. Algorytm simpleks. Organizacja zajęć. Zaliczenie. Literatura. Program zajęć Algorytm smpleks adaa operacyje Wykład adaa operacyje dr hab. ż. Joaa Józefowska, prof.pp Istytut Iformatyk Orgazacja zajęć 5 godz wykładów dr hab. ż. J. Józefowska, prof. PP Obecość a laboratorach jest

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

Zaawansowane metody numeryczne

Zaawansowane metody numeryczne Zaawasowae metod umercze Programowae lowe (problem dual, program low w lczbach całkowtch) Dualość est kluczowm poęcem programowaa lowego. Pozwala a udowodee że otrzmwae rozwązaa są optmale. Zagadee duale

Bardziej szczegółowo

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min Fukca warogodośc Nech będze daa próba losowa prosta o lczebośc z rozkładu f (x;. Fukcą warogodośc dla próby x azywamy welkość: ( x; f ( x ; L Twerdzee (Cramera-Rao: Mmala wartość warac m dowolego eobcążoego

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

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

Dokonajmy zestawienia wszystkich równań teorii sprężystości. 1. Różniczkowe równania równowagi (warunki Naviera)

Dokonajmy zestawienia wszystkich równań teorii sprężystości. 1. Różniczkowe równania równowagi (warunki Naviera) Wyład 4 Blas rówań teor srężystośc Dooamy zestawea wszystch rówań teor srężystośc Gra rówań. Różczowe rówaa rówowag (war Navera Lczba rówań Lczba ewadomych X 6 (. Zwąz geometrycze (rówaa Cachy ego ( 6

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

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

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH L.Kowalsk PODSTAWOWE TESTY STATYSTYCZNE TESTY STATYSTYCZNE poteza statystycza to dowole przypuszczee dotyczące rozkładu cechy X. potezy statystycze: -parametrycze dotyczą ezaego parametru, -parametrycze

Bardziej szczegółowo

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej. /22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:

Bardziej szczegółowo

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

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

R n. i stopa procentowa okresu bazowego, P wartość początkowa renty, F wartość końcowa renty. R(1 )

R n. i stopa procentowa okresu bazowego, P wartość początkowa renty, F wartość końcowa renty. R(1 ) Maeayka fasowa ubezpeczeowa Ćwczea 4 IE, I rok SS Tea: achuek re oęce rey Warość począkowa końcowa rey ey o sałych raach ea o zeych raach ea uogóoa osawowe poęca rachuku re ea es o cąg płaośc okoywaych

Bardziej szczegółowo

ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ

ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ Podstawowe pojęca rachuu prawdopodobeństwa: zdarzee losowe, zdarzee elemetare, prawdopodobeństwo, zbór zdarzeń elemetarych. Def. Nech E będze zborem

Bardziej szczegółowo

Małe drgania wokół położenia równowagi.

Małe drgania wokół położenia równowagi. ałe rgana woół położena równowag. ałe rgana Anazuemy ułay a tórych potencał Vqq,q,..,q posaa mnmum a oreśonych wartośc współrzęnych uogónonych q,, -czba stopn swoboy. ożemy ta przesaować te współrzęne

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

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

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

Projekt 2 2. Wielomiany interpolujące

Projekt 2 2. Wielomiany interpolujące Proekt Weloma terpoluące Rodzae welomaów terpoluącc uma edomaów Nec w przedzale a, b określoa będze fukca f: ec będze ustaloc m wartośc argumetu :,,, m, m L prz czm: < < L < < m m Pukt o tc odcztac azwa

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi o tym samym 2 x

będą niezależnymi zmiennymi losowymi o tym samym 2 x Prawdopodobeństwo statystyka 8.0.007 r. Zadae. Nech,,, rozkładze z gęstoścą Oblczyć m E max będą ezależym zmeym losowym o tym samym { },,, { },,, gdy x > f ( x) = x. 0 gdy x 8 8 Prawdopodobeństwo statystyka

Bardziej szczegółowo

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego). TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu

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

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( ) ,,, ~ B, β ( β β ( ( Γ( β Γ + f ( Γ ( + ( + β + ( + β Γ + β Γ + Γ + β Γ + + β E Γ Γ β Γ Γ + + β Γ + Γ β + β β β Γ + β Γ + Γ + β Γ + + β E ( Γ Γ β Γ Γ + + β Γ + Γ β β + β Metoda mometów polega a przyrówau

Bardziej szczegółowo

Matematyczny opis ryzyka

Matematyczny opis ryzyka Aalza ryzyka kosztowego robót remotowo-budowlaych w warukach epełe formac Mgr ż Mchał Bętkowsk dr ż Adrze Powuk Wydzał Budowctwa Poltechka Śląska w Glwcach MchalBetkowsk@polslpl AdrzePowuk@polslpl Streszczee

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

mgr Anna Matysiak PODSTAWOWE POJĘCIA STATYSTYCZNE

mgr Anna Matysiak PODSTAWOWE POJĘCIA STATYSTYCZNE mgr Aa Matysak PODSTAWOWE POJĘCIA STATYSTYCZNE POPULACJA (ZBIOROWOŚĆ GENERALNA) zbór logcze powązaych jeostek, obektów, wyków wszystkch pomarów, p meszkańcy Polsk, stuec SGH, gospoarstwa omowe w Polsce

Bardziej szczegółowo

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp

Bardziej szczegółowo

m) (2.2) p) (2.3) r) (2.4)

m) (2.2) p) (2.3) r) (2.4) Ekooetra dr ż. Zbgew Tarapata Wkład r : Postace zadań prograowaa lowego grafcza etoda rozwązwaa zadań PL POSTACIE ZADAŃ PROGRAMOWANIA LINIOWEGO Zadae decze w któr wszstke relace są lowe oraz wszstke zee

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

. Wtedy E V U jest równa

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

Bardziej szczegółowo

Portfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem

Portfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Katedra Ietycj Faoych Zarządzaa yzykem Aalza Zarządzae Portfelem cz. Dr Katarzya Kuzak Co to jet portfel? Portfel grupa aktyó (trumetó faoych, aktyó rzeczoych), które zotały yelekcjooae, którym ależy zarządzać

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

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

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

Bardziej szczegółowo

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji Zadae. Zmea losowa (, Y, Z) ma rozkład ormaly z wartoścą oczekwaą E = EY =, EZ = 0 macerzą kowaracj. Oblczyć Var(( Y ) Z). (A) 5 (B) 7 (C) 6 Zadae. Zmee losowe,, K,,K P ( = ) = P( = ) =. Nech S =. Oblcz

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

Wymiarowanie bezpieczeństwa ruchu lotniczego pojemność sektora, płynność

Wymiarowanie bezpieczeństwa ruchu lotniczego pojemność sektora, płynność -6- yarowae bezpeczeńswa ruchu loczego poeość seora płyość eoy geoerycze wspoagae orolera ruchu loczego saź zwązae z zw. poeoścą seora orol saź aośc ruchu loczego płyość ruchu asyala lczba operac loczych

Bardziej szczegółowo

Wnioskowanie statystyczne dla korelacji i regresji.

Wnioskowanie statystyczne dla korelacji i regresji. STATYSTYKA MATEMATYCZNA WYKŁAD 6 Woskowae statstcze dla korelacj regresj. Aalza korelacj Założee: zmea losowa dwuwmarowa X, Y) ma rozkład ormal o współczku korelacj ρ. X, Y cech adae rówocześe. X X X...

Bardziej szczegółowo

Teoria i metody optymalizacji

Teoria i metody optymalizacji Sforułowae owae zaaa otyalzacj elowej bez ograczeń: Fukcja celu f( : Zaae otyalzacj olega a zalezeu wektora zeych ecyzyjych aleŝącego o zboru rozwązań ouszczalych R takego Ŝe la R Co jest rówozacze zasow:

Bardziej szczegółowo

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

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

Bardziej szczegółowo

PRZYKŁADOWE TEMATY ZADAŃ PROJEKTOWYCH

PRZYKŁADOWE TEMATY ZADAŃ PROJEKTOWYCH PRZYKŁADOWE TEMATY ZADAŃ PROJEKTOWYCH Z PRZEDMIOTU EWOLUCYJNE METODY OPTYMALIZACJI. Rozwązać zadae zadaa załaduku (plecakowego z ograczeam a dopuszczale wymary oraz cężar []: a algorytmem symulowaego wyżarzaa.

Bardziej szczegółowo

n R ZałóŜmy, Ŝe istnieje d, dla którego: Metody optymalizacji Dr inŝ. Ewa Szlachcic otwarte otoczenie R n punktu x, Ŝe

n R ZałóŜmy, Ŝe istnieje d, dla którego: Metody optymalizacji Dr inŝ. Ewa Szlachcic otwarte otoczenie R n punktu x, Ŝe Sforułowae owae zaaa otyalzacj elowej bez ograczeń: Fukcja celu f() : Zaae otyalzacj olega a zalezeu wektora zeych ecyzyjych aleŝącego o zboru rozwązań ouszczalych R takego Ŝe la R Co jest rówozacze zasow:

Bardziej szczegółowo

WYZNACZANIE WARTOŚCI ENERGII ROZPRASZANEJ PODCZAS ZDERZENIA CIAŁ

WYZNACZANIE WARTOŚCI ENERGII ROZPRASZANEJ PODCZAS ZDERZENIA CIAŁ 9 Cel ćwczea Ćwczee 9 WYZNACZANIE WARTOŚCI ENERGII ROZPRASZANE PODCZAS ZDERZENIA CIAŁ Celem ćwczea jest wyzaczee wartośc eerg rozpraszaej podczas zderzea cał oraz współczyka restytucj charakteryzującego

Bardziej szczegółowo

System finansowy gospodarki

System finansowy gospodarki System fasowy gospodark Zajęca r 6 Matematyka fasowa c.d. Rachuek retowy (autetowy) Maem rachuku retowego określa sę regulare płatośc w stałych odstępach czasu przy założeu stałej stopy procetowej. Przykłady

Bardziej szczegółowo

ZMIENNE LOSOWE WIELOWYMIAROWE

ZMIENNE LOSOWE WIELOWYMIAROWE L.Kowals Zmee losowe welowmarowe ( ΩS P ZMIENNE LOSOWE WIELOWMIAROWE - ustaloa przestrzeń probablstcza. (... - zmea losowa - wmarowa (wetor losow cąg losow. : Ω R (fuca borelowsa P : Β R [0 - rozład zmee

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

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

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

Bardziej szczegółowo

System finansowy gospodarki

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

Bardziej szczegółowo

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

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

METODY KOMPUTEROWE 1

METODY KOMPUTEROWE 1 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN MTODA ULRA Mcał PŁOTKOWIAK Adam ŁODYGOWSKI Kosultacje aukowe dr z. Wtold Kąkol Pozań 00/00 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN Metod umercze MN pozwalają a ormułowae matematczc

Bardziej szczegółowo

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn ROZKŁAD PRAWDOPODBIEŃSTWA WIELU ZMIENNYCH LOSOWYCH W przpadku gd mam do czea z zmem losowm możem prawdopodobeństwo, ż przjmą oe wartośc,,, opsać welowmarową fukcją rozkładu gęstośc prawdopodobeństwa f(,,,.

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne TATYTYKA MATEMATYCZNA WYKŁAD Wadomośc wstępe tatystyka to dyscypla aukowa, której zadaem jest wykrywae, aalza ops prawdłowośc występujących w procesach masowych. Populacja to zborowość podlegająca badau

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Automatyki

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Automatyki Poltechka Gańska Wyzał Elektrotechk Automatyk Katera Automatyk Wybrae zagaea aalzy bezpeczeństwa fukcjoalego programowalych systemów sterowaa zabezpeczeń stalacj procesowych Tomasz Barert, Kazmerz Kosmowsk,

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

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

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

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

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości Prawdopodobeństwo statystyka 4.0.00 r. Zadae Nech... będą ezależym zmeym losowym z rozkładu o gęstośc θ f ( x) = θ xe gdy x > 0. Estymujemy dodat parametr θ wykorzystując estymator ajwększej warogodośc

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematycza Aa Jacka wykład II, 3.05.016 PORÓWNANIE WIĘCEJ NIŻ DWÓCH POPULACJI TESTY NIEPARAMETRYCZNE Pla a dzsaj 1. Porówywae węcej ż dwóch populacj test jedoczykowej aalzy waracj (ANOVA).

Bardziej szczegółowo

5. OPTYMALIZACJA NIELINIOWA

5. OPTYMALIZACJA NIELINIOWA 5. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często, że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też, oprócz lowych zadań decyzyjych, formułujemy także elowe

Bardziej szczegółowo

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację.

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację. Wrażlwość oblgacj Jedym z czyków ryzyka westowaa w oblgacje jest zmeość rykowych stóp procetowych. Iżyera fasowa dyspouje metodam pozwalającym zabezpeczyć portfel przed egatywym skutkam zma stóp procetowych.

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

Teoria Sygnałów. III rok Informatyki Stosowanej. Wykład 7 [ ] ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Analiza częstotliwościowa dyskretnych sygnałów cyfrowych

Teoria Sygnałów. III rok Informatyki Stosowanej. Wykład 7 [ ] ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Analiza częstotliwościowa dyskretnych sygnałów cyfrowych ora Sygałów III ro Ioray Sosowaj Wyła Rozważy sończoy sygał () spróboway z częsolwoścą : Aalza częsolwoścowa ysrych sygałów cyrowych p óra js wa razy węsza o częsolwośc asyalj a. Oblczy jgo rasorację Fourra.

Bardziej szczegółowo

teorii optymalizacji

teorii optymalizacji Poltechka Gdańska Wydzał Oceaotechk Okrętowctwa St. II stop. se. I Podstawy teor optyalzac wykład 7 M. H. Ghae Ma 5 Podstawy teor optyalzac Oceaotechka II stop. se. I 5 Podstawy teor optyalzac Oceaotechka

Bardziej szczegółowo

f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu

f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu METODA RÓŻIC SKOŃCZOYCH (omówee a przykładze rówań lowych) ech ( rówaa różczkowe zwyczaje lowe I-rz.) lub jedo II-rzędu f / / p( x) f / + q( x) f + r( x) a x b, f ( a) α, f ( b) β dea: a satce argumetu

Bardziej szczegółowo

i i i = (ii) TAK sprawdzamy (i) (i) NIE

i i i = (ii) TAK sprawdzamy (i) (i) NIE Egzam uaruszy z aźdzera 009 r. Maemaya Fasowa Zadae ( ) a a& a ( Da) a&& ( Ia) a a&& D I a a&& a a ( ) && ( ) 0 a a a 0 ( ) a 4 0 ( ) a () K srawdzamy () ( ) a& a ( ) a ( ) a&& a&& ( ) a&& ( ) a&& () NIE

Bardziej szczegółowo

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka Nepewośc pomarowe. Teora praktka. Prowadząc: Dr ż. Adrzej Skoczeń Wższa Szkoła Turstk Ekolog Wdzał Iformatk, rok I Fzka 014 03 30 WSTE Sucha Beskdzka Fzka 1 Iformacje teoretcze zameszczoe a slajdach tej

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

WYZNACZANIE OPTYMALIZOWANYCH PROCEDUR DIAGNOSTYCZNO-OBSŁUGOWYCH

WYZNACZANIE OPTYMALIZOWANYCH PROCEDUR DIAGNOSTYCZNO-OBSŁUGOWYCH ZAKŁA KSPLOATACJI SYSTMÓW LKTRONICZNYCH INSTYTUT SYSTMÓW LKTRONICZNYCH WYZIAŁ LKTRONIKI WOJSKOWA AKAMIA TCHNICZNA ---------------------------------------------------------------------------------------------------------------

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

ZESTAW ZADAŃ Z INFORMATYKI

ZESTAW ZADAŃ Z INFORMATYKI (Wpsue zdaąc przed rozpoczęcem prac) KOD ZDAJĄCEGO ZESTAW ZADAŃ Z INFORMATYKI CZĘŚĆ II (dla pozomu rozszerzonego) GRUDZIEŃ ROK 004 Czas prac 50 mnut Instrukca dla zdaącego. Proszę sprawdzć, cz zestaw zadań

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,

Bardziej szczegółowo

Sprawdzenie stateczności skarpy wykopu pod składowisko odpadów komunalnych

Sprawdzenie stateczności skarpy wykopu pod składowisko odpadów komunalnych Sprawdzee stateczośc skarpy wykopu pod składowsko odpadów koualych Ustalee wartośc współczyka stateczośc wykoae zostae uproszczoą etodą Bshopa, w oparcu o poższą forułę: [ W s( α )] ( φ ) ( φ ) W ta F

Bardziej szczegółowo

3. OPTYMALIZACJA NIELINIOWA

3. OPTYMALIZACJA NIELINIOWA Wybrae zaadea badań operacyjych dr ż. Zbew Tarapata 3. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też oprócz

Bardziej szczegółowo

ZAGADNIENIE W POSTACI OGÓLNEJ

ZAGADNIENIE W POSTACI OGÓLNEJ ZAGADNINI W POSAI OGÓLNJ s e ˆ - sygał - sygał -sygał obserwoway -sygał skoreloway z e eskoreloway z s -moel sygału s e ˆ -błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

Bardziej szczegółowo

ma rozkład normalny z nieznaną wartością oczekiwaną m

ma rozkład normalny z nieznaną wartością oczekiwaną m Zadae Każda ze zmeych losowych,, 9 ma rozkład ormaly z ezaą wartoścą oczekwaą m waracją, a każda ze zmeych losowych Y, Y,, Y9 rozkład ormaly z ezaą wartoścą oczekwaą m waracją 4 Założoo, że wszystke zmee

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

Problem plecakowy (KNAPSACK PROBLEM).

Problem plecakowy (KNAPSACK PROBLEM). Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne

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

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