Badania Operacyjne (dualnośc w programowaniu liniowym)

Wielkość: px
Rozpocząć pokaz od strony:

Download "Badania Operacyjne (dualnośc w programowaniu liniowym)"

Transkrypt

1 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) w postac stadardowe a mmum () c x = m, podczas gdy spełoe są erówośc (4) ax = b ( m ), x 0 ( ) Zmeym decyzyym są tu zmeex 0 ( ), zaś pozostałe lczby traktuemy ako parametry modelu, czyl zmee egzogecze W przypadku zadaa PL a maksmum ()-() adamy m teraz astępuące ekoomcze terpretace: c = cea edostk produktu falego; x = lośc sztuk wyprodukowaych sprzedaych produktów falych; a = lośc edostek czyka produkc potrzebych do wyprodukowaa edostk produktu falego Wyaśmy że czykam produkc mogą byc p roboczogodzy, elaa, weła, materał a podszewkę (w zakładach kraweckch szyących gartury) tp A zatem () podae wzór a przychód ze sprzedaży wszystkch produktów falych (garturów, suk, płaszczy, tp) O czym w takm raze mówą erówośc występuące w ()? Weźmy pod uwagę perwszą z tych erówośc: a x + a x + a x + + a x = lośc czyka produkc (p roboczogodz) potrzebych do uszyca x garturów, x suk, x płaszczy, tp Łącze ta lośc

2 składka : (roboczogodz) mus być ż dostępa w te frme lośc roboczogo- dz, czyl b gdyż b = zapasy w magazye -go czyka produkc (roboczogodz) Aalogcze, b = zapasy w magazye -go czyka produkc (elay); b = zapasy w magazye -go czyka produkc (weły); b = zapasy w magazye 4-go czyka produkc (materał a podszewkę); td 4 Łatwo teraz wdac że druge rówae w (), czyl a x + ax + ax + + a x ozacza lość czyka produkc (elay) potrzebego do uszyca x garturów, x suk, x płaszczy, tp Łącze ta lość składka (elay) mus być ż dostępa w te frme lość elay, czyl b Aalogcza uwaga odos sę do -go 4-go czyka produkc, tz weły oraz materału a podszewkę Wosek Zadae PL a maxmum ozacza maksymalzacę przychodów ze sprzedaży przy produkc którą frma est w stae wykoac przy wykorzystau edye dostępych w e magazyach zapasów wszystkch czyków produkc Przykład Rozważmy y przykład zagadea PL a maxmum odoszący sę do pewe frmy ABC: (5a) (5b) x + 4x max gdy x 0, x 0 oraz x 4x x + x + 9x + 5x Jak wdac, cea sprzedaży produktu falego wyos zł, zaś produktu falego rówa est 4zł Do ch produkc potrzebe są czyk produkc: I, II, III Zapasy czyka produkc I wyoszą 44 edostek, zapasy czyka II 54 edostek, zaś zapasy czyka III edostek Do wytworzea edostk produktu falego

3 potrzeba edostk czyka produkc I, zaś do wytworzea edostk produktu falego potrzeba edostek czyka produkc I Zatem dla wytworzea całe produkc ( x sztuk produktu falego oraz x produktu falego ) potrzeba x + x edostek czyka produkc I przy czym lczba ta me może przekroczyc zapasu tego czyka w magazye W aalogczy sposób terpretuemy -ą -ą erówośc w (5b) Zalezee optymalych wartośc dla zmeych decyzyych x oraz x to zadae dla zarządu frmy ABC Powstae aturale pytae: Jake zadae PL powa rozwązać frma DEF, będąca kokuretem frmy ABC, która chce kupc/przeąc ABC? Badaa Operacye, ako dyscypla wedzy, udzelaa astepuące odpowedz a to pytae Frma DEF powa zaoferowac take cey y, y, y za edostkę czyka produkc I, II, III tak aby z ede stroy mmalzować oferowaą ceę za wszystke czyk produkc (włączaąc roboczogodzy), czyl (6) 44y + 54y + y m, y 0, y 0, y 0 oraz aby z druge stroy zachęcac właśccel ABC do sprzedaży ch frmy W ak sposób może to zrobc? Wystarczy że DEF pokaże że płac wystarczaąco dużo, a węc p tyle że oferowaa przez ą cea za wszystke czyk produkc borące udzał w wytworzeu dowolego produktu falego (łącze z roboczogodzam) est wększa bądź rówa cee aka uzyskue ABC za te produkt Matematycze to umuąc, ozacza to że spełoe są poższe erówośc (7) y y + 4y + 9y + y + 5y 4 Rzeczywśce, zgode z (5), aby wytworzyc produkt faly, którego cea sprzedaży wyos zł, potrzeba wystarcza użyc edostk -go czyka produkc, 4 edostk -go czyka produkc oraz -a edostkę -go czyka produkc Speł-, ee erówośc (7) ozacza że frma DEF oferue take peądze za czyk

4 4 produkc które pokrywaą całkowte koszty wytworzea każdego z dwóch (w tym przypadku) produktów falych W te sposób, eako mmochodem, sformułowalśmy zadae duale (6)-(7), oza- czae dale przez (ZD), do zadaa perwotego (5a)-(5b), ozaczaego w dalsze częśc przez (ZP) Czym sę róż (ZD) od (ZP)?, albo w czym te zadaa są do sebe podobe? Otóż, (ZP) które rozważalśmy moża zapsac bardzo krótko w postac macerzowowektorowe (8) a, x max gdy Ax b, 44 x gdze a = (,4); x = ; A = x 4 9 ; b = 54, 5 zaś (ZD) zdefowae wzoram (6)-(7) zapsuemy rówe prosto: (9) b, y m gdy A T y a, gdze b = (44,54,); y T 4 y = y ; A = ; a = y Teraz podamy trochę teor Nech dae będze zadae programowaa lowego ZP: c, x max gdy Ax b Twerdzee Jeżel x est rozwązaem dopuszczalym dla ZP to zaczy Ax b, zaś yest rozwązaem dopuszczalym dla ZD, to zaczy A T y c, to c, x b, y, to zaczy oferowaa cea zakupu frmy ABC (wszystkch e czyków produkc) rówa est bądź wększa od przychodu ze sprzedaży frmy ABC, czyl od c, x

5 5 Twerdzee Jeśl steą rozwązaa dopuszczale x = ( x, x,, x ) dla ZP oraz y = ( y, y, y ) dla ZD, take że c, x = b, y, to x oraz y są opty- male m Wosek Załóżmy że cała produkca est sprzedawaa, zatem produkcyość możemy merzyć welkoścą sprzedaży W take sytuac krańcowa produkcyość edostk -ego środka (czyka) produkc rówa est y, gdze m Ozacza to że eśl zarząd frmy ABC chce zać krańcową produkcyość we włase frme, powe postawć sę w położee zarządu frmy DEF rozwązać ZD które a perwszy rzut oka ma ewele lub c wspólego z frmą ABC! Dowód Wemy ż c, x = b, y, tz (0) c, x = m cx = c x + cx + cx = by + by + bmy m = by = b, y = = Aby oblczyć krańcową produkcyość edostk -ego czyka produkc, zwęk- szmy lość zasobów -ego czyka produkc z b do b + Wówczas wartość prawe stroy rówośc (0) zwększy sę o y gdyż ( b + ) y by = y, zaś lewa stroa merząca optymalą welkość sprzedaży mus a mocy twerdzea zwekszyć sę o tyle samo! Ozacza to że krańcowa sprzedawalość, a węc krańcowa produkcyość (z uwag a to że cała produkca est sprzedawaa) rówa est zmae po prawe stroe rówośc (0), czyl ak pokazalśmy lczbe y Wosek Jeśl krańcowa produkcyość -ego środka produkc est wększa ż > p ego cea zakupu ( y = cea zakupu -ego czyka produkc), to opłaca sę zwększyć zasoby tego czyka o tyle aż astap zrówae krańcowe produkcyośc z ceą zakupu Wosek dotyczy mędzy ym roboczogodz, a węc lośc robotków w zakładze produkcyym Scśle mówąc, eśl robotk wytwarza węce sprzedae

6 6 produkc (w cągu p da ż wyos ego dówka), to frma powa zatrudć węce robotków gdyz a każde take dówce frma zaraba ekstra peądze O przecwe sytuac gdy krańcowa produkcyość est mesza ż cea zakupu środka produkc mów koley wosek Wosek 4 Jeśl krańcowa produkcyość -ego środka produkc est mesza ż < p ego cea zakupu ( y = cea zakupu -ego czyka produkc), to frme opłaca sę sprzedać pewą lość -ego środka produkc aż astap zrówae krańcowe produkcyośc z ceą zakupu Gdy czykem produkc są roboczogodzy, warto w take sytuac zwolć część pracowków Przykład (rozwązae zadue sę w dołączoym plku Excelowskm) (ZP) x + x + 6x max gdy 5 x 6x + x + 8x + 7x + x 4 (ZD) x 0 ; x 0 ; x 0 y + 4y+ m gdy y y 7y + 6y + 8y + y y 0 ; y 0 Koleym tematem do omówea a wykładze z Badań Operacyych będze Zasada Programowaa Dyamczego Bellmaa

7 7

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

STATYKA. Cel statyki. Prof. Edmund Wittbrodt

STATYKA. Cel statyki. Prof. Edmund Wittbrodt STATYKA Cel statyk Celem statyk jest zastąpee dowolego układu sł ym, rówoważym układem sł, w tym układem złożoym z jedej tylko sły jedej pary sł (redukcja do sły mometu główego) lub zbadae waruków, jake

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

WSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LABORATORIUM II PROGRAMOWANIE CELOWE, ILORAZOWE I MIN-MAX. min. min

WSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LABORATORIUM II PROGRAMOWANIE CELOWE, ILORAZOWE I MIN-MAX. min. min WSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LABORAORIUM II PROGRAMOWANIE CELOWE, ILORAZOWE I MIN-MAX Probley prograowae celowego lorazowego to probley prograowae ateatyczego elowego, który oża sktecze zlearyzować

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

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

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

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

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

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

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

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

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

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

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

ROZKŁADY ZMIENNYCH LOSOWYCH

ROZKŁADY ZMIENNYCH LOSOWYCH ROZKŁADY ZMIENNYCH LOSOWYCH ZMIENNA LOSOWA Defcja. Zmeą losową jest fukcja: X: E -> R która każdemu zdarzeu elemetaremu E przypsuje lczbę rzeczywstą e X ( e) R DYSTRYBUANTA Dystrybuatą zmeej losowej X

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

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

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

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

VI. TWIERDZENIA GRANICZNE

VI. TWIERDZENIA GRANICZNE VI. TWIERDZENIA GRANICZNE 6.. Wprowadzee Twerdzea gracze dotyczą własośc graczych cągów zmeych losowych dzelą sę a:! twerdzea lokale opsują zbeżośc cągu fukcj prawdopodobeństwa w przypadku cągu {X } zmeych

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

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

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84 Zadae. Zmea losowa X ma rozkład logarytmczo-ormaly LN (, ), gdze E ( X e X e) 4. Wyzacz. EX (A) 0,9 (B) 0,86 (C),8 (D),95 (E) 0,84 Zadae. Nech X, X,, X0, Y, Y,, Y0 będą ezależym zmeym losowym. Zmee X,

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

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

FINANSE II. Model jednowskaźnikowy Sharpe a.

FINANSE II. Model jednowskaźnikowy Sharpe a. ODELE RYNKU KAPITAŁOWEGO odel jedowskaźkowy Sharpe a. odel ryku kaptałowego - CAP (Captal Asset Prcg odel odel wycey aktywów kaptałowych). odel APT (Arbtrage Prcg Theory Teora artrażu ceowego). odel jedowskaźkowy

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

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

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

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

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystyka 0.06.0 r. Zadae. Ura zawera kul o umerach: 0,,,,. Z ury cągemy kulę, zapsujemy umer kulę wrzucamy z powrotem do ury. Czyość tę powtarzamy, aż kula z każdym umerem zostae wycągęta

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

. 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

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

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

SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM

SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM ACTA UNIVERSITATIS WRATISLAVIENSIS No 37 PRZEGLĄD PRAWA I ADMINISTRACJI LXXX WROCŁAW 009 ANNA ĆWIĄKAŁA-MAŁYS WIOLETTA NOWAK Uwersytet Wrocławsk SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM

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

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

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

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2 Permutacje { 2,,..., } Defcja: Permutacją zboru lczb azywamy dowolą różowartoścową fukcję określoą a tym zborze o wartoścach w tym zborze. Uwaga: Lczba wszystkch permutacj wyos! Permutacje zapsujemy w

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

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

Regresja REGRESJA

Regresja REGRESJA Regresja 39. REGRESJA.. Regresja perwszego rodzaju Nech (, będze dwuwyarową zeą losową, dla które steje kowaracja. Nech E( y ozacza warukową wartość oczekwaą zdefowaą dla przypadku zeych losowych typu

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

R j v tj, j=1. jest czynnikiem dyskontującym odpowiadającym efektywnej stopie oprocentowania i.

R j v tj, j=1. jest czynnikiem dyskontującym odpowiadającym efektywnej stopie oprocentowania i. c 27 Rafał Kucharsk Rety Wartość beżącą cągu kaptałów: {R t R 2 t 2 R t } gdze R jest kwotą omalą płacoą w chwl t = oblczamy jako sumę zdyskotowaych płatośc: przy czym = + R j tj j= jest czykem dyskotującym

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

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

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

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne Mary położea Średa arytmetycza Klasycze Średa harmocza Średa geometrycza Mary położea e Modala Kwartyl perwszy Pozycyje Medaa (kwartyl drug) Kwatyle Kwartyl trzec Decyle Średa arytmetycza = + +... + 2

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

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA STATYSTYKA MATEMATYCZNA WYKŁAD ESTYMACJA PUNKTOWA Nech - ezay parametr rozkładu cechy X. Wartość parametru będzemy estymować (przyblżać) a podstawe elemetowej próby. - wyberamy statystykę U o rozkładze

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

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona: Zadae. W kolejych okresach czasu t =, ubezpeczoy, charakteryzujący sę parametrem ryzyka Λ, geeruje N t szkód. Dla daego Λ = λ zmee N, N są warukowo ezależe mają (brzegowe) rozkłady Possoa: k λ Pr( N t

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

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

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

Egzamin poprawkowy z Analizy II 11 września 2013

Egzamin poprawkowy z Analizy II 11 września 2013 Egzamn poprawkowy z nalzy II 11 wrześna 13 Uwag organzacyjne: każde zadane rozwązujemy na osobnej kartce Każde zadane należy podpsać menem nazwskem własnym oraz prowadzącego ćwczena Na wszelk wypadek prosmy

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

MATERIAŁY I STUDIA. Efektywność sektora publicznego na poziomie samorządu lokalnego. Zesz y t nr 242. Barbara Karbownik, Grzegorz Kula

MATERIAŁY I STUDIA. Efektywność sektora publicznego na poziomie samorządu lokalnego. Zesz y t nr 242. Barbara Karbownik, Grzegorz Kula MATERAŁY STUDA Zesz y t r 242 Efektywość sektora publczego a pozome samorządu lokalego Barbara Karbowk, Grzegorz Kula Warszawa 2009 Barbara Karbowk Narodowy Bak Polsk, barbara.karbowk@bp.pl Grzegorz Kula

Bardziej szczegółowo

PROGRAMOWANIE LINIOWE.

PROGRAMOWANIE LINIOWE. Wykłd 6 Progrowe lowe. Zstosow ekoocze. PROGRAMOWANIE LINIOWE. ZASTOSOWANIA EKONOMICZNE. CENY DUALNE. ANALIZA WRAŻLIWOŚCI.. RACHUNEK EKONOMICZNY. ZASADY RACJONALNEGO GOSPODAROWANIA. Rchuek ekooczy - porówe

Bardziej szczegółowo

Modele wartości pieniądza w czasie

Modele wartości pieniądza w czasie Joaa Ceślak, Paula Bawej Modele wartośc peądza w czase Podstawowe pojęca ozaczea Kaptał (ag. prcpal), kaptał początkowy, wartośd początkowa westycj - peądze jake zostały wpłacoe a początku westycj (a początku

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

IV. ZMIENNE LOSOWE DWUWYMIAROWE

IV. ZMIENNE LOSOWE DWUWYMIAROWE IV. ZMIENNE LOSOWE DWUWYMIAROWE 4.. Rozkład zmeej losowej dwuwymarowej Defcja 4.. Uporządkowaą parę (X, Y) azywamy zmeą losową dwuwymarową, jeśl każda ze zmeych X Y jest zmeą losową. Defcja 4.. Fukcję

Bardziej szczegółowo

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer Statystyka Opsowa 014 część 3 Katarzya Lubauer Lteratura: 1. Statystyka w Zarządzau Admr D. Aczel. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucja Kowalsk. 4. Statystyka opsowa, Meczysław

Bardziej szczegółowo

[, ] [, ] [, ] ~ [23, 2;163,3] 19,023 2,7

[, ] [, ] [, ] ~ [23, 2;163,3] 19,023 2,7 6. Przez 0 losowo wybrayh d merzoo zas dojazdu do pray paa A uzyskują próbkę x,..., x 0. Wyk przedstawały sę astępująo: jest to próbka losowa z rozkładu 0 0 x 300, 944. x Zakładamy, że N ( µ, z ezaym parametram

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I PODSTAWY IDENTYFIKACJI

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I PODSTAWY IDENTYFIKACJI Poltechka Gdańska Wydzał Elektrotechk Automatyk Katedra Iżyer Systemów Sterowaa MODELOWANIE I PODSAWY IDENYFIKACI Wybrae zagadea z optymalzacj. Materały pomoccze do zajęć ćwczeowych 5 Opracowae: Kazmerz

Bardziej szczegółowo

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam

Bardziej szczegółowo

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej PŁAKA GEOMETRIA MA Środek cężkośc fgury płaskej Mometam statyczym M x M y fgury płaskej względem os x lub y (rys. 7.1) azywamy gracę algebraczej sumy loczyów elemetarych pól d przez ch odległośc od os,

Bardziej szczegółowo

Statystyczne charakterystyki liczbowe szeregu

Statystyczne charakterystyki liczbowe szeregu Statystycze charakterystyk lczbowe szeregu Aalzę badaej zmeej moża uzyskać posługując sę parametram opsowym aczej azywaym statystyczym charakterystykam lczbowym szeregu. Sytetycza charakterystyka zborowośc

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

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

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

Lista 6. Kamil Matuszewski X X X X X X X X X X X X

Lista 6. Kamil Matuszewski X X X X X X X X X X X X Lsta 6 Kaml Matuszewsk 9..205 2 3 4 5 6 7 9 0 2 3 4 5 6 7 X X X X X X X X X X X X Zadae Lewa stroa: W delegacj możemy meć od do osób. Wyberamy ( k) osób a k sposobów wyberamy przewodczącego. k =.. węc

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

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

Zależność kosztów produkcji węgla w kopalni węgla brunatnego Konin od poziomu jego sprzedaży

Zależność kosztów produkcji węgla w kopalni węgla brunatnego Konin od poziomu jego sprzedaży Gawlk L., Kasztelewcz Z., 2005 Zależość kosztów produkcj węgla w kopal węgla bruatego Ko od pozomu jego sprzedaży. Prace aukowe Istytutu Górctwa Poltechk Wrocławskej r 2. Wyd. Ofcya Wydawcza Poltechk Wrocławskej,

Bardziej szczegółowo

Proces narodzin i śmierci

Proces narodzin i śmierci Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do

Bardziej szczegółowo

Wykład FIZYKA I. 6. Zasada zachowania pędu. http://www.if.pwr.wroc.pl/~wozniak/fizyka1.html. Dr hab. inż. Władysław Artur Woźniak

Wykład FIZYKA I. 6. Zasada zachowania pędu. http://www.if.pwr.wroc.pl/~wozniak/fizyka1.html. Dr hab. inż. Władysław Artur Woźniak Dr hab. ż. Władysław Artr Woźak Wykład FIZYKA I 6. Zasada zachowaa pęd Dr hab. ż. Władysław Artr Woźak Istytt Fzyk Poltechk Wrocławskej http://www.f.pwr.wroc.pl/~wozak/fzyka.htl Dr hab. ż. Władysław Artr

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

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

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki tatystycza terpretacja wyków eksperymetu Małgorzata Jakubowska Katedra Chem Aaltyczej Wydzał IŜyer Materałowej Ceramk AGH Podstawowe zadae statystyk tatystyka to uwersale łatwo dostępe arzędze, które pomaga

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

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

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

p Z(G). (G : Z({x i })),

p Z(G). (G : Z({x i })), 3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W

Bardziej szczegółowo