Elementy modelowania matematycznego
|
|
- Ksawery Marciniak
- 8 lat temu
- Przeglądów:
Transkrypt
1 Eleenty odelowania ateatycznego Systey kolejkowe. Jakub Wróblewski RZYKŁAD KOLEJKI N(t) długość kolejki w chwili t T i czas obsługi i-tego klienta Do okienka w urzędzie (zwanego czase serwere ) stoi kolejka składająca się z pewnej liczby klientów. Nowi klienci pojawiają się w losowych odstępach czasu i ustawiają się na końcu kolejki. Każdy klient spędza przy okienku pewną losową ilość czasu, po czy znika z systeu. - Jaka (przy znanych rozkładach pojawiania się klientów i czasu obsługi) jest średnia długość kolejki? Jeśli średni czas obsługi jest dłuższy, niż średni odstęp iędzy kolejnyi klientai, kolejka oże rosnąć w nieskończoność. 1
2 Oznaczy: OZNACZENIA N(t) długość kolejki N(t) - liczba oczekujących na obsługę (łącznie z obsługiwany) a(t) - liczba klientów, którzy przybyli do oentu t T i - czas obsługi (łącznie z czekanie w kolejce) klienta i T i Średnia długość kolejki (do chwili t i w ogóle): 1 Nt N( ) d N Nt t τ τ li t 0 Średnia liczba przybywających klientów (do chwili t i w ogóle): a t t lit t t Średni czas, jaki klienci spędzają w systeie: a( t) Ti i 1 Tt T litt a t t t ( ) ( ) TWIERDZENIE LITTLE A Dla dowolnego systeu kolejkowego, jeśli istnieją granice T, N i, to: N T Wielkość kolejki jest wprost proporcjonalna do częstości napływania nowych klientów i czasu, jaki spędzają w systeie. rzykład: do sieci dochodzą pakiety przez 10 wejść ze średnią częstością 1, akiety krążą przez jakiś czas, po czy są przetwarzane przez jeden z koputerów podłączonych do tej sieci. Średnio w sieci znajduje się N pakietów. Jakie jest średnie opóźnienie pakietów? N T 10 i 1 i 2
3 SYSTEMY M / M / 1 Konkretne systey kolejkowe analizowane są dla konkretnych rozkładów prawdopodobieństwa czasu obsługi i pojawiania się nowych klientów. Najważniejsze systey oznacza się skrótai, np: M / M / 1 Liczba serwerów. Rozkład przychodzących klientów: M eoryless, czyli klienci pojawiają się niezależnie od siebie. Rozkład czasu obsługi: M eoryless, czyli czas obsługi na serwerze a rozkład wykładniczy. W wielu sytuacjach praktycznych (np. kolejka do urzędu z jedny okienkie) przyjuje się odel M / M / 1. Inne oznaczenia rozkładów: G general, rozkład dowolny (dany), D deterinistic, np. stała wartość. ROCES OISSONA Model: w iasteczku jest ieszkańców. Każdy z nich losuje co inutę, czy pójdzie do urzędu (z bardzo ały prawdopodobieństwe, np. p 1 / 1 ln). Jaki jest rozkład klientów w urzędzie? Liczba klientów w urzędzie to sua wielkiej liczby doświadczeń Bernoulliego. Gdyby p było duże, ożna by wynik przybliżyć rozkłade noralny. Jeśli jest ałe, używay rozkładu oissona. W procesie oissona prawdopodobieństwo, że w jednostce czasu pojawi się n klientów, wynosi: n ( X n) e gdzie - średnia liczba zdarzeń w jednostce czasu (paraetr rozkładu). n! 3
4 ROCES OISSONA roces oissona nie a paięci, tzn. liczba zdarzeń w dowolny przedziale czasu nie wpływa na liczbę zdarzeń w inny (rozłączny). Dlatego jest to dobry odel pojawiania się klientów w systeie M / M / 1. Jeśli A(t) łączna liczba klientów do oentu t, to rozkład przyrostu w okresie (t,t ): ( A( t' ) A( t) n) n ( ( t' t) ) ( t' t) Odstępy czasu τ poiędzy kolejnyi napływającyi klientai ają rozkład wykładniczy o średniej 1/, czyli: p τ ( τ) e n! e ROZKŁAD CZASU OBSŁUGI Kolejny założenie w systeach M / M / 1 jest wykładniczy rozkład czasu obsługi klienta na serwerze. Oznacza to, że w każdy oencie klient a stałe prawdopodobieństwo, że opuści serwer w kolejnej jednostce czasu. Niech 1/µ - średni czas obsługi. Wówczas rozkład prawdopodobieństwa czasu obsługi s a gęstość: p s ( s) µ e µ a prawdopodobieństwo, że klient będzie obsługiwany najwyżej S jednostek czasu: µ S ( s< S) 1 e 4
5 ANALIZA SYSTEMU M / M / 1 Ilościowo syste M / M / 1 opisują dwa paraetry: średnia liczba nowych klientów na jednostkę czasu oraz średnia liczba klientów obsłużonych przez serwer w jednostce czasu µ. Stosując analizę systeu za poocą łańcuchów Markowa, otrzyujey: N µ gdzie N liczba klientów w systeie w stanie stacjonarny. Z tw. Little a ay też oszacowanie średniego czasu przebywania klienta w systeie: N 1 T µ RZYKŁAD May serwer bazodanowy obsługujący zapytania SQL napływające od klientów i buforowane. Średnia wydajność silnika to 20 zapytań na sekundę (liczyy tylko jedno zapytanie na raz). Średnie obciążenie systeu to 19 zapytań na sekundę. Ile zapytań czeka zwykle w buforze na przetworzenie? N µ lanujey wyienić procesor na szybszy. Szacujey, że po tej operacji serwer przyspieszy o 50%. O ile skróci się kolejka? Nowa długość kolejki: 19 N 1, Niewielki wzrost wydajności oże spowodować znaczne skrócenie kolejki. 5
6 SYSTEM M / M / Syste M / M / opisuje sytuację, w której struień wejściowy o wydajności o obsługiwany jest przez niezależnych serwerów o wydajności µ każdy (klienci stoją w jednej kolejce i są obsługiwani przez pierwszy wolny serwer). Łączna wydajność serwerów to µ. serwerów SYSTEM M / M / Oznaczy przez ρ /µ. rawdopodobieństwo, że przybywający klient będzie usiał stanąć w kolejce (nie a wolnych serwerów) to: ( ρ) Q ( ) ( ) ( ) 1 n ρ ρ +! 1 ρ n 0 n! Średni czas przebywania w systeie: Liczba klientów w systeie (z tw. Little a): 1 Q T + µ µ N T Q + µ µ 6
7 RZYKŁAD Syste obsługujący zapytania SQLowe składa się z serwera buforującego i rozdzielającego zadania oraz 10 serwerów przetwarzających zapytania (z jednakową wydajnością średnio 1 zapytania na sekundę). Do systeu trafia średnio 6 zapytań na sekundę. Jakie jest prawdopodobieństwo, że zapytanie będzie skierowane do kolejki, a nie obsłużone od razu? Q ( ρ) ( ρ) +! ( 1 ρ) 1 n 0 ( ρ) n! n 0,1013 Jaka jest średnia długość kolejki (wliczając te zapytania, które właśnie się liczą)? O ile wzrośnie, jeśli wyłączyy jeden z serwerów? Q 6 6*0, *0,1959 N + + 6,15 N' + 6,39 µ µ
Podstawy Informatyki Elementy teorii masowej obsługi
Podstawy Informatyki alina.momot@polsl.pl http://zti.polsl.pl/amomot/pi Plan wykładu 1 Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla 2 Analiza systemu M/M/1 Wyznaczenie P n (t) Wybrane
Bardziej szczegółowoRachunek prawdopodobieństwa dla informatyków
Rachunek prawdopodobieństwa dla informatyków Adam Roman Instytut Informatyki UJ Wykład 7 teoria kolejek prawo Little a systemy jedno- i wielokolejkowe 1/75 System kolejkowy System kolejkowy to układ złożony
Bardziej szczegółowodr Adam Sojda Wykład Politechnika Śląska Badania Operacyjne Teoria kolejek
dr Adam Sojda Badania Operacyjne Wykład Politechnika Śląska Teoria kolejek Teoria kolejek zajmuje się badaniem systemów związanych z powstawaniem kolejek. Systemy kolejkowe W systemach, którymi zajmuje
Bardziej szczegółowoColloquium 1, Grupa A
Colloquium 1, Grupa A 1. W pewnej fabryce zamontowano system kontroli pracowników wchodzących na teren zakładu. Osoba chcąca wejść, dzwoni na portiernię i czeka przy drzwiach. Portier sprawdza tę osobę
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 9 Systemy kolejkowe Spis treści Wstęp Systemy masowej obsługi (SMO) Notacja Kendalla Schemat systemu masowej obsługi Przykład systemu M/M/1 Założenia modelu matematycznego
Bardziej szczegółowoLiteratura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK. Teoria masowej obsługi. Geneza. Teoria masowej obsługi
TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK Wykład 1 Dr inż. Anna Kwasiborska Literatura B. von der Veen: Wstęp do teorii badań operacyjnych. PWN, Warszawa 1970. Gniedenko B. W., Kowalenko I. N.: Wstęp do teorii
Bardziej szczegółowoModelowanie komputerowe
Modelowanie komputerowe wykład 5- Klasyczne systemy kolejkowe i ich analiza dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 16,23listopada2015r. Analiza
Bardziej szczegółowoModele procesów masowej obsługi
Modele procesów masowej obsługi Musiał Kamil Motek Jakub Osowski Michał Inżynieria Bezpieczeństwa Rok II Wstęp Teoria masowej obsługi to samodzielna dyscyplina, której celem jest dostarczenie możliwie
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoSystemy masowej obsługi
Systemy masowej obsługi Celem niniejszego ćwiczenia jest: zapoznanie się z podstawowymi właściwościami najprostszego systemu analizowanego w ramach teorii masowej obsługi, systemu M/M/ zapoznanie się z
Bardziej szczegółowoProces Poissona. Wykład 4. 4.1 Proces zliczajacy
Wykład 4 roces oissona 4.1 roces zliczajacy roces stochastyczny {N t ;t } nazywamy zliczaj acym, gdy N t jest równe całkowitej ilości zdarzeń które zdarzyły się do momentu t. rzekładami procesów zliczajacychn
Bardziej szczegółowoProces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.
Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi
Bardziej szczegółowoSystem obsługi klienta przy okienku w urzędzie pocztowym
System obsługi klienta przy okienku w urzędzie pocztowym Opracowały: Monika Rozmarynowska Paulina Wałdoch Joanna Wika Specjalność : EPiF Rok akademicki: 2009/2010 1 Spis treści 1. Opis i założenia wstępne
Bardziej szczegółowoMODELE STOCHASTYCZNE Plan wykładu
UNIWERSYTET WROCŁAWSKI Wydział Matematyki i Informatyki Instytut Matematyczny M.Majsnerowska rok akademicki 2018/2019 MODELE STOCHASTYCZNE Plan wykładu 1. Łańcuchy Markowa 1.1. Podstawowe pojęcia i przykłady
Bardziej szczegółowoRozkłady zmiennych losowych
Rozkłady zmiennych losowych 1 Zmienne losowe dyskretne 1.1 Rozkład dwumianowy Zad.1.1.1 Prawdopodobieństwo dziedziczenia pewnej cechy wynosi 0,7. Jakie jest prawdopodobieństwo, że spośród pięciu potomków
Bardziej szczegółowoTEORIA OBSŁUGI MASOWEJ
TEORIA OBSŁUGI MASOWEJ mgr Marcin Ziółkowski Wstęp do teorii obsługi masowej Początków nurtu naukowego nazwanego później TEORIĄ OBSŁUGI MASOWEJ (ang. Queuing theory) można doszukiwać się na początku XX
Bardziej szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej szczegółowo5. Algorytm genetyczny przykład zastosowania
5. Algorytm genetyczny przykład zastosowania Zagadnienie magicznych kwadratów Opis działania algorytmu Zagadnienie magicznych kwadratów polega na wygenerowaniu kwadratu n n, w którym elementami są liczby
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowoLiteratura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK. Teoria masowej obsługi. Geneza. Teoria masowej obsługi
TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK Wykład 1 Dr inż. Anna Kwasiborska Literatura B. von der Veen: Wstęp do teorii badań operacyjnych. PWN, Warszawa 1970. Gniedenko B. W., Kowalenko I. N.: Wstęp do teorii
Bardziej szczegółowoLiteratura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK. Geneza. Teoria masowej obsługi. Cele masowej obsługi. Teoria masowej obsługi
Literatura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK B. von der Veen: Wstęp do teorii badań operacyjnych. PWN, Warszawa 1970. Gniedenko B. W., Kowalenko I. N.: Wstęp do teorii obsługi masowej. PWN, Warszawa
Bardziej szczegółowoLista 5. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym
Lista 5 Zadania na zastosowanie nierównosci Markowa i Czebyszewa. Zadanie 1. Niech zmienna losowa X ma rozkład jednostajny na odcinku [0, 1]. Korzystając z nierówności Markowa oszacować od góry prawdopodobieństwo,
Bardziej szczegółowoSystemy kolejkowe z histerezą- wprowadzenie
Systemy kolejkowe z histerezą- wprowadzenie dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 25 kwietnia 2014 r. System kolejkowy z histerezą System kolejkowy
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoColloquium 2, Grupa A
Colloquium 2, Grupa A 1. W warsztacie samochodowym są dwa stanowiska obsługi. Na każdym z nich, naprawa samochodu trwa przeciętnie pół godziny. Do warsztatu przyjeżdża średnio 4 klientów w ciągu godziny.
Bardziej szczegółowoRachunek Prawdopodobieństwa Anna Janicka
Rachunek Prawdopodobieństwa Anna Janicka wykład XIV, 24.01.2017 ŁAŃCUCHYMARKOWA CD. KRÓTKIE INFO O RÓŻNYCH WAŻNYCH ROZKŁADACH Plan na dzisiaj Łańcuchy Markowa cd. Różne ważne rozkłady prawdopodobieństwa,
Bardziej szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoSystemy masowej obsługi
Rozdział 1 Systemy masowej obsługi Systemy masowej obsługi (lub kolejkowe) występują w wielu praktycznych sytuacjach, np. samoloty na lotnisku oczekują na start lub lądowanie, klienci w banku oczekują
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych..00 r. Zadanie. Proces szkód w pewnym ubezpieczeniu jest złożonym procesem Poissona z oczekiwaną liczbą szkód w ciągu roku równą λ i rozkładem wartości szkody o dystrybuancie
Bardziej szczegółowoPowtórzenie wiadomości z klasy I. Temat: Ruchy prostoliniowe. Obliczenia
Powtórzenie wiadomości z klasy I Temat: Ruchy prostoliniowe. Obliczenia Ruch jest względny 1.Ruch i spoczynek są pojęciami względnymi. Można jednocześnie być w ruchu względem jednego ciała i w spoczynku
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowoz przedziału 0,1 liczb dodatnich. Rozważmy dwie zmienne losowe:... ma złożony rozkład dwumianowy o parametrach 1,q i, gdzie X, wszystkie składniki X
Zadanie. Mamy dany ciąg liczb q, q,..., q n z przedziału 0,, oraz ciąg m, m,..., m n liczb dodatnich. Rozważmy dwie zmienne losowe: o X X X... X n, gdzie X i ma złożony rozkład dwumianowy o parametrach,q
Bardziej szczegółowoSystemy obsługi ze wspólną pamięcią
Systemy obsłgi ze wspólną pamięcią dr Marcin Ziółkowski 14 listopada 2014 r. SCHEMAT DZIAŁANIA SYSTEMU OBSŁUGI ZGŁOSZEŃ NIEJEDNORODNYCH Rysnek: Schemat działania system obsłgi zgłoszeń niejednorodnych
Bardziej szczegółowoWykład 9: Markov Chain Monte Carlo
RAP 412 17.12.2008 Wykład 9: Markov Chain Monte Carlo Wykładowca: Andrzej Ruciński Pisarz: Ewelina Rychlińska i Wojciech Wawrzyniak Wstęp W tej części wykładu zajmiemy się zastosowaniami łańcuchów Markowa
Bardziej szczegółowoUOGÓLNIONA MIARA DOPASOWANIA W MODELU LINIOWYM
UOGÓLNIONA MIARA DOPASOWANIA W MODELU LINIOWYM Wojciech Zieliński Katedra Ekonoetrii i Statystyki, SGGW Nowoursynowska 159, PL-0-767 Warszawa wojtekzielinski@statystykainfo Streszczenie: W odelu regresji
Bardziej szczegółowoElementy Rachunek prawdopodobieństwa
Elementy rachunku prawdopodobieństwa Rachunek prawdopodobieństwa zajmuje się analizą praw rządzących zdarzeniami losowymi Pojęciami pierwotnymi są: zdarzenie elementarne ω oraz zbiór zdarzeń elementarnych
Bardziej szczegółowoESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW
ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW POPULACJI Szkic wykładu Wprowadzenie 1 Wprowadzenie 2 3 4 Przypomnienie dotychczasowych rozważań Przedziałem ufności nazywamy przedział losowy, o którym przypuszczamy
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoKlient-Serwer Komunikacja przy pomocy gniazd
II Klient-Serwer Komunikacja przy pomocy gniazd Gniazda pozwalają na efektywną wymianę danych pomiędzy procesami w systemie rozproszonym. Proces klienta Proces serwera gniazdko gniazdko protokół transportu
Bardziej szczegółowoLIV Egzamin dla Aktuariuszy z 4 października 2010 r. Część III
Komisja Egzaminacyjna dla Aktuariuszy LIV Egzamin dla Aktuariuszy z 4 października 2010 r. Część III Matematyka ubezpieczeń majątkowych Imię i nazwisko osoby egzaminowanej:. Czas egzaminu: 100 minut Komisja
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Przestrzeń probabilistyczna Niech Ω będzie dowolnym zbiorem, zwanym przestrzenią zdarzeń elementarnych. Elementy ω tej przestrzeni nazywamy zdarzeniami elementarnymi.
Bardziej szczegółowo3 n 2k /5 n. Wstawiamy, i dostajemy. k=0 P(a 5 = k i a 6 = k) = ( 6 n 1( n. n=0. k 1 Wiemy, że P J = L J R J. Wstawiamy, zmieniamy granice sumowania:
1 Cele ćwiczeń Prawdopodobieństwo całkowite, Bayesowskie, niezależność. 2 Treść ćwiczeń 2.1 Sprawy organizacyjne Zbiera prace doowe. Zapowiada kartkówkę na za tydzień (10go arca). Druga będzie wstępnie
Bardziej szczegółowoSymulacja cyfrowa - projekt zaliczeniowy Zadanie 1b1, metoda przeglądania działań
Symulacja cyfrowa - projekt zaliczeniowy Zadanie 1b1, metoda przeglądania działań Gliwiński Jarosław Marek Grupa dziekańska I5 #74839 20 czerwca 2008 1 Treść zadania Napisać program symulacyjny badający
Bardziej szczegółowoZarządzanie wieloserwerowym środowiskiem SAS z wykorzystaniem SAS Grid Managera. Katarzyna Wyszomierska
Zarządzanie wieloserwerowym środowiskiem SAS z wykorzystaniem SAS Grid Managera Katarzyna Wyszomierska Wyzwania administratora Nowe oprogra mowanie Sprzęt Użytkownicy Dane Wyzwania administratora Potrzebne
Bardziej szczegółowoSYSTEMY OPERACYJNE LABORATORIUM 2014/2015
1 SYSTEMY OPERACYJNE LABORATORIUM 2014/2015 ZASADY OCENIANIA ZADAŃ PROGRAMISTYCZNYCH: Zadania laboratoryjne polegają na symulacji i badaniu własności algorytmów/mechanizmów stosowanych w systemach operacyjnych.
Bardziej szczegółowoTerminarz rozgrywek Ekstraklasy w sezonie 2016/2017
1. kolejka 16 lipca 2. kolejka 23 lipca 3. kolejka 30 lipca 4. kolejka 6 sierpnia 5. kolejka 13 sierpnia 6. kolejka 20 sierpnia 7. kolejka 27 sierpnia 8. kolejka 10 września 9. kolejka 17 września 10.
Bardziej szczegółowoModelowanie stochastyczne Stochastic Modeling. Poziom przedmiotu: II stopnia. Liczba godzin/tydzień: 2W E, 2C
Nazwa przedmiotu: Kierunek: Matematyka Rodzaj przedmiotu: obowiązkowy dla specjalności matematyka przemysłowa Rodzaj zajęć: wykład, ćwiczenia Modelowanie stochastyczne Stochastic Modeling Poziom przedmiotu:
Bardziej szczegółowoLaboratorium nr 7. Zmienne losowe typu skokowego.
Laboratorium nr 7. Zmienne losowe typu skokowego.. Zmienna losowa X ma rozkład dany tabelką: - 0 3 0, 0,3 0, 0,3 0, Naszkicować dystrybuantę zmiennej X. Obliczyć EX oraz VarX.. Zmienna losowa ma rozkład
Bardziej szczegółowoBadania operacyjne egzamin
Imię i nazwisko:................................................... Nr indeksu:............ Zadanie 1 Załóżmy, że Tablica 1 reprezentuje jeden z kroków algorytmu sympleks dla problemu (1)-(4). Tablica
Bardziej szczegółowoWojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego Z a r z ą d z a n i e S y s t e m a m i T e l e i n f o r m a t y c z n y m i Prowadzący: dr inż. Tomasz Malinowski PROJEKT Wykonał: Marek Oleksiak
Bardziej szczegółowoSymulacje procesów biznesowych. Zastosowanie oprogramowania igrafx
Symulacje procesów biznesowych Zastosowanie oprogramowania igrafx Symulacje procesów Powtarzalność warunków Uproszczenia modelu względem rzeczywistości Symulacje są narzędziem umożliwiającym poprawę procesów
Bardziej szczegółowo1 Elementy teorii przeżywalności
1 Elementy teorii przeżywalności Zadanie 1 Zapisz 1. Prawdopodobieństwo, że noworodek umrze nie później niż w wieku 80 lat 2. P-two, że noworodek umrze nie później niż w wieku 30 lat 3. P-two, że noworodek
Bardziej szczegółowoEkonomia matematyczna Dynamiczny model wymiany rynkowej (Arrowa-Hurwicza)
Ekonoia ateatyczna -. Dynaiczny odel wyiany rynkowej (Arrowa-Hurwicza) W oencie t 0, na rynku, na który występuje skończona liczba n towarów,,...,n o cenach pt p t,...,p n t operuje agentów,...,. Każdy
Bardziej szczegółowoEGZAMIN DYPLOMOWY, część II, Biomatematyka
Biomatematyka Załóżmy, że częstości genotypów AA, Aa i aa w populacji znajdującej się w warunkach Hardy ego-wainberga wynoszą p 2, 2pq i q 2. Wiadomo, że badany mężczyzna należy do genotypu Aa. Wyznacz
Bardziej szczegółowo= = a na podstawie zadania 6 po p. 3.6 wiemy, że. b 1. a 2 ab b 2
64 III. Zienne losowe jednowyiarowe D Ponieważ D (A) < D (B), więc należy wybrać partię A. Przykład 3.4. Obliczyć wariancję rozkładu jednostajnego. Ponieważ a na podstawie zadania 6 po p. 3.6 wiey, że
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowo01. dla x 0; 1 2 wynosi:
Matematyka ubezpieczeń majątkowych 0.0.04 r. Zadanie. Ryzyko X ma rozkład z atomami: Pr X 0 08. Pr X 0. i gęstością: f X x 0. dla x 0; Ryzyko Y ma rozkład z atomami: Pr Y 0 07. Pr Y 0. i gęstością: fy
Bardziej szczegółowoZASTOSOWANIE MODELOWANIA SYMULACYJNEGO W USPRAWNIENIU PROCESU OBSŁUGI KLIENTÓW BANKU
Prace Naukowe Instytutu Organizacji i Zarządzania Nr 77 Politechniki Wrocławskiej Nr 77 Studia i Materiały Nr 19 2005 Justyna UZIAŁKO * ss. 45 60 ZASTOSOWANIE MODELOWANIA SYMULACYJNEGO W USPRAWNIENIU PROCESU
Bardziej szczegółowoDokumentacja wstępna TIN. Rozproszone repozytorium oparte o WebDAV
Piotr Jarosik, Kamil Jaworski, Dominik Olędzki, Anna Stępień Dokumentacja wstępna TIN Rozproszone repozytorium oparte o WebDAV 1. Wstęp Celem projektu jest zaimplementowanie rozproszonego repozytorium
Bardziej szczegółowoe-sklep VENDERO 1000 prod. dla SGT bez ab. 1 rok
Infracje rdukcie Utwrzn 17-06-2016 e-skle VENDERO 1000 rd. dla SGT bez ab. 1 rk Cena : 449,00 zł (nett) 552,27 zł (brutt) Nr katalgwy : 07446 Stan agazynwy : brak w agazynie Średnia cena : brak recenzji
Bardziej szczegółowoZjawiska transportu 22-1
Zjawiska transport - Zjawiska transport Zjawiska transport są zjawiskai, które występją jeżeli kład terodynaiczny nie jest w stanie równowagi: i v! const - w kładzie występje akroskopowy przepływ gaz lb
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 1.10.2012 r.
Zadanie. W pewnej populacji każde ryzyko charakteryzuje się trzema parametrami q, b oraz v, o następującym znaczeniu: parametr q to prawdopodobieństwo, że do szkody dojdzie (może zajść co najwyżej jedna
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowoCEL PRACY ZAKRES PRACY
CEL PRACY. Analiza energetycznych kryteriów zęczenia wieloosiowego pod względe zastosowanych ateriałów, rodzajów obciążenia, wpływu koncentratora naprężenia i zakresu stosowalności dla ałej i dużej liczby
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoZbigniew S. Szewczak Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki. Graniczne własności łańcuchów Markowa
Zbigniew S. Szewczak Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Graniczne własności łańcuchów Markowa Toruń, 2003 Co to jest łańcuch Markowa? Każdy skończony, jednorodny łańcuch Markowa
Bardziej szczegółowoPORÓWNANIE WPŁYWU WYBRANYCH PARAMETRÓW CIĄGNIKA ROLNICZEGO NA JEGO DRGANIA
Inżynieria Rolnicza (90)/007 PORÓWNANIE WPŁYWU WYBRANYCH PARAMETRÓW CIĄGNIKA ROLNICZEGO NA JEGO DRGANIA Instytut Inżynierii Rolniczej, Akadeia Rolnicza w Poznaniu Streszczenie. Drgania ciągnika, szczególnie
Bardziej szczegółowoCapacity Planning dla baz danych Oracle
IX Konferencja PLOUG Koœcielisko PaŸdziernik 2003 Capacity Planning dla baz danych Oracle Beata Deptu³a, Marcin Przepiórowski, Marcin Kwaœniñski, Pawe³ Chomicz Altkom Akademia Proces Capacity Planning
Bardziej szczegółowoWektory, układ współrzędnych
Wektory, układ współrzędnych Wielkości występujące w przyrodzie możemy podzielić na: Skalarne, to jest takie wielkości, które potrafimy opisać przy pomocy jednej liczby (skalara), np. masa, czy temperatura.
Bardziej szczegółowoPodstawy symulacji komputerowej
Podstawy symulacji komputerowej Wykład 3 Generatory liczb losowych Wojciech Kordecki wojciech.kordecki@pwsz-legnica.eu Państwowa Wyższa Szkoła Zawodowa im. Witelona w Legnicy Wydział Nauk Technicznych
Bardziej szczegółowoUBEZPIECZENIE NA ŻYCIE Z LOSOWĄ STOPĄ PROCENTOWĄ
UBEZPIECZENIE NA ŻYCIE Z LOSOWĄ STOPĄ PROCENTOWĄ Krzysztof Janas Michał Krzeszowiec Koło Nauk Aktuarialnych Politechniki Łódzkiej Warszawa, 09-11.06.2008 r. Plan Założenia wstępne: Teoria oprocentowania
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 5.0.00 r. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej µ wariancji oraz momencie centralnym µ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X
Bardziej szczegółowoDirector - instrukcja obsługi
1 2 Logowanie do systemu Widok panelu po zalogowaniu Na ekranie widoczna jest lista pracowników 3 Znaczenie ikonografiki Doradca Klienta Szef sali (zastępca Dyrektora/Kierownika) Salonu Uprawnienia jak
Bardziej szczegółowoStatystyka opisowa. Wykład I. Elementy statystyki opisowej
Statystyka opisowa. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Elementy statystyku opisowej 1 Elementy statystyku opisowej 2 3 Elementy statystyku opisowej Definicja Statystyka jest to nauka o
Bardziej szczegółowoColloquium 3, Grupa A
Colloquium 3, Grupa A 1. Z zasobów obliczeniowych pewnego serwera orzysta dwóch użytowniów. Każdy z nich wysyła do serwera zawsze trzy programy naraz. Użytowni czea, aż serwer wyona obliczenia dotyczące
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Łańcuchy Markowa: zagadnienia graniczne. Ukryte modele Markowa. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ KLASYFIKACJA STANÓW Stan i jest osiągalny
Bardziej szczegółowoZarządzanie procesorem
Zarządzanie procesorem 1. Koncepcja procesu 2. Blok kontrolny procesu 3. Planowanie (szeregowanie) procesów! rodzaje planistów! kryteria planowania 4. Algorytmy planowania! FCFS! SJF! RR! planowanie priorytetowe!
Bardziej szczegółowo4.2 Rozgrzewka, czyli Centralne Twierdzenie Graniczne
4.1 Wprowadzenie do modelowania Uwaga!!! Rzut monetą nie jest eksperymentem losowym. Znając warunki początkowe oraz wiedząc wszystko o otoczeniu, wyposażeni w znajomość zasad dynamiki jesteśmy w stanie
Bardziej szczegółowoWybrane działy Informatyki Stosowanej
Wybrane działy Informatyki Stosowanej Dr inż. Andrzej Czerepicki a.czerepicki@wt.pw.edu.pl http://www2.wt.pw.edu.pl/~a.czerepicki 2017 APLIKACJE SIECIOWE Definicja Architektura aplikacji sieciowych Programowanie
Bardziej szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowoNaso CC LITE klient CTI/ statystyki połączeń dla central Platan. CTI Solutions
Naso CC LITE klient CTI/ statystyki połączeń dla central Platan CTI Solutions O firmie CTI Solutions Wieloletnie doświadczenie w tworzeniu systemów informatycznych i telekomunikacyjnych Specjalizowanie
Bardziej szczegółowoRozkłady prawdopodobieństwa zmiennych losowych
Rozkłady prawdopodobieństwa zmiennych losowych Rozkład dwumianowy Rozkład normalny Marta Zalewska Zmienna losowa dyskretna (skokowa) jest to zmienna, której zbór wartości jest skończony lub przeliczalny.
Bardziej szczegółowo1 Elementy teorii przeżywalności
1 Elementy teorii przeżywalności Zadanie 1 Zapisz 1. Prawdopodobieństwo, że noworodek umrze nie później niż w wieku 80 lat 2. P-two, że noworodek umrze nie później niż w wieku 30 lat 3. P-two, że noworodek
Bardziej szczegółowoLV Egzamin dla Aktuariuszy z 13 grudnia 2010 r.
Koisja Egzainacyjna dla Aktuariuszy LV Egzain dla Aktuariuszy z 13 grudnia 2010 r. Część II Mateatyka ubezpieczeń życiowych Iię i nazwisko osoby egzainowanej:... Czas egzainu: 100 inut Warszawa, 13 grudnia
Bardziej szczegółowoLiczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia
Bardziej szczegółowo6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoPrzykłady 6.1 : charakterystyki liczbowe rozkładów dyskretnych
Rachunek Prawdopodobieństwa MAP8 Wydział Matematyki, Matematyka Stosowana Przykłady 6. Wartość oczekiwana, wariancja, mediana, kwartyle rozkładu prawdopodobieństwa. Transformacje zmiennej losowej. Opracowanie:
Bardziej szczegółowoLekcja 5. Funkcje handlemessage() i initialize(), konstruktor i destruktor
Lekcja 5. Funkcje handlemessage() i initialize(), konstruktor i destruktor W lekcji 5 objaśniane jest działanie i zastosowanie funkcji handlemessage() oraz initialize(). Omówiony zostanie również konstruktor
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.1. Zmienne losowe dyskretne. Katarzyna Rybarczyk-Krzywdzińska Definicja/Rozkład Zmienne losowe dyskretne Definicja Zmienną losową, która skupiona
Bardziej szczegółowoNETCALL - wariant REJESTRACJA
KARTY KATALOGOWE URZĄDZEŃ SYSTEMU KOLEJKOWEGO Charakterystyka wariantu REJESTRACJA Wariant REJESTRACJA systemu kolejkowego przeznaczony jest do organizacji kolejki w placówkach medycznych, gdzie pacjenci
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA
STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnia Gdańsa Wydział Eletrotechnii i Autoatyi Katedra Inżynierii Systeów Sterowania MODELOWANIE I PODSTAWY IDENTYFIKACJI Systey ciągłe budowa odeli enoenologicznych z praw zachowania Materiały poocnicze
Bardziej szczegółowoe-sklep VENDERO 1000 prod. dla SGT 1 rok
Infracje rdukcie Utwrzn 16-06-2016 e-skle VENDERO 1000 rd. dla SGT 1 rk Cena :,00 zł (nett) 429,27 zł (brutt) Nr katalgwy : 04312 Stan agazynwy : średni Średnia cena : brak recenzji Prgra użliwiający uruchienie:
Bardziej szczegółowo