Optimalizace prodeje prošlého zboží

Rozměr: px
Začít zobrazení ze stránky:

Download "Optimalizace prodeje prošlého zboží"

Transkript

1 Západočeská univerzita v Plzni

2 Plán prezentace Seznámení se s problematikou a popis matematického modelu Analytické vyjádření zisku v jednotlivých případech, kromě posledního Stochastický model posledního případu a jeho řešení Porovnání jednotlivých strategíı obchodníka Závěr

3 Úvod Prošlé zboží - jak s ním naložit prodat se slevou - zisk z prodeje, risk snížení poptávky po novém zboží vyloučit z prodeje - ztráta zisků z prodeje prošlého zboží, zajištění poptávky po novém zboží Cíl Obchodník nás požádal, abychom mu poradili, kolik bochníků chleba má pravidelně objednávat a jak má naložit s den starým ( tvrdým ) chlebem. Obchodník chce nejen poradit, co má dělat ve své situaci, ale zajímá jej obezně za jakých podmínek bude jeho rozhodnutí optimální.

4 Matematický model Ceny jsou uváděny v USD. Poptávka (bochníků chleba) sytý den: D p = 400 hladový den: D h = 200 den je sytý s pravděpodobností α Nákladová cena bochníku chleba je c = 3. Cena bochníku čerstvého chleba je p f = 4. Hodnota bochníku čerstvého chleba pro zákazníka je v f = 5 a tvrdého chloebu je v o = 4. Obchodník musí rozhodnout (zvolit strategii) Kolik chleba objednávat 1 N = D h 2 N = D p 3 D h < N < D p Tvrdý chléb () a) neprodávat b) prodávat za p o,b = 3.2 c) prodávat za p o,c = 2.8

5 Přehled značení Symbol Hodnota Význam D h 200 Poptávka po chleba v hladový den D p 400 Poptávka po chleba v sytý den α 0.5 Pravděpodobnost výskytu sytého dne c 3 Nákladová cena bochníku chleba p f 4 Cena čerstvého chleba p o,b 3.2 Cena tvrdého chleba v případě b) p o,c 2.8 Cena tvrdého chleba v případě c) N 1. D h Počet bochníků chleba, který obchodník 2. D p objednává 3. proměnný v f 5 Hodnota čerstvého chleba pro zákazníka v o 4 Hodnota tvrdého chleba pro zákazníka

6 Minimální a maximální objednávka Poznámka: Náklady, výnosy a zisk jsou míněny za 1 den. 2. Maximální objednávka N = D p = Minimální objednávka N = D h = 200 Každý den se prodá D h bochníků chleba a žádný nezbyde. Výnos činí R = D h p f Náklady jsou E = D h c Zisk U = R E je U 1 = D h (p f c). Každý den je dostatek čerstvého chleba, proto se nevyplatí tvrdý chléb nabízet. V hladový den se prodá D h bochníků a v sytý den D p bochníků. Průměrný výnos činí R = D h p f + α(d p D h )p f Náklady jsou E = D p c Průměrný zisk je U 2 = (D h p f D p c)+α(d p D h )p f.

7 3. Střední objednávka D h < N < D p a) Tvrdý chléb se vyhazuje V hladový den se prodá D h bochníků a v sytý den N bochníků. Průměrný zisk je U 3a = D h p f Nc + α(n D h )p f. b) Tvrdý chléb se nabízí za p o,b = 3.2 Každý zákazník preferuje čerstvý chléb před tvrdým, protože v o p o,b = < 5 4 = v f p f V hladový den se prodá D h bochníků. V sytý den, který následuje po hladovém dnu, se prodá M = min{n D h, D p N} bochníků a v sytý den následujícím po sytém dnu N bochníků. Průměrný zisk je U 3b = (D h p f Nc) + α[(n D h )p f + Mp o,b ] α 2 Mp o,b.

8 3. Střední objednávka D h < N < D p b) Tvrdý chléb se nabízí za p o,b = 2.8 Každý zákazník preferuje tvrdý chléb před čerstvým, protože v o p o,c = > 5 4 = v f p f Stav zásob tvrdého chleba závisí velikosti poptávky v předchozích dnech. Je nutno použít stochastický model. Necht x je počet bochníků tvrdého chleba na začátku dne. Potom na konci dne zůstane min{x + N D h, N} bochníků čerstvého chleba pokud den byl hladový a max{x + N D p, 0} bochníků čerstvého chleba pokud den byl sytý.

9 3.c) Stochastický model Množství tvrdého chleba na začátku dne popíšeme stavem k {0,..., K}. Stav k odpovídá s k = k N K bochníkům tvrdého chleba. Náhodnou veličinu udávající stav zásob n-tý den od začátku prodeje označme X n. Stochastický proces {X n, n N 0 } tvorí Markovův řetězec. Matice pravděpodobností přechodu je α α. 1 α. α.. P = α 1 α α 1 α.... α α

10 3.c) Průměrný zisk Numericky nalezneme vektor stacionárního rozdělení π = {π k } K k=0 (tj. sloupcový vektor pro který π T P = π T a π 1 ). Výnosy za den, jsou-li zásoby tvrdého chleba ve stavu k, jsou R k = α(s k p o,c + min{n, D p s k }p f ) + (1 α)(min{s k, D h }p o,c + max{d h s k, 0}p f ) Průměrné výnosy potom jsou R = K k=0 π kr k.

11 Porovnání případů 1., 2., 3a U 1 = D h (p f c) = 200 U 2 = (D h p f D p c) + α(d p D h )p f = α U 3a = D h p f Nc + α(n D h )p f (= α) Utility Α 200 U 1 U 2 U 3 a 400

12 Porovnání případů 1., 2., 3a U 1 = D h (p f c) = 200 U 2 = (D h p f D p c) + α(d p D h )p f = α U 3a = D h p f Nc + α(n D h )p f (= α) Utility Α 200 U 1 U 2 U 3 a 400 U 3a = Dp N D p D h U 1 + N D h D p D h U 2

13 Porovnání případů 3a, 3b U 3b = (D h p f Nc) + α[(n D h )p f + Mp o,b ] α 2 Mp o,b, kde M = min{n D h, D p N}. Konkrétně pro N = 300 U 3b = α 320α 2. Utility Α 200 U 1 U 2 U 3 a 400 U 3 b

14 Porovnání případů 3b, 3c Α N Α N Α N Α N

15 Kolik objednat v případě 3b) Definujme a 1 = p f + p o,b D 1 2p o,b, D 1 = (p f + p o,b ) 2 4p o,b c. a 2 = p f + p o,b D 2 2p o,b, D 2 = (p f p o,b ) 2 + 4p o,b c. Potom obchodníkovo optimální rozhodnutí zavisí na hodnotě α: α (0, a 1 ], minimální objednávka N = D h α (a 1, a 2 ), střední objednávka N = 1 2 (D h + D p ) α [a 2, 1), maximální objednávka N = D p

16 Závěr Shrnutí Určili jsme, k jakým ziskům vedou jednotlivé strategie. Zjistili jsme, že ve většině případů je nejvýhodnější volit cenu prošlého zboží tak, že zákazník preferuje nové zboží. Obchodník se rozhoduje mezi minimální, střední, nebo maximální objednávkou zboží podle toho, s jakou pravděpodobností je poptávka vysoká, nebo nízká. Jak by bylo možné matematický model vylepšit Zahrnout do zisku obchodníka faktor pověsti. Tj. spokojenost zákazníka vynásobená koeficientem. Tím získáme zjednodušený model použitelný pro oligopolní prostředí. Uvažovat poptávku jako náhodnou veličinu s nějakým spojitým rozdělením (namísto rozdělení alternativního). Zohlednit fakt, že každý zákazník si jinak cení prošlé zboží.

17 Děkuji vám za pozornost... Použitá literatura P. W. Jones, P. Smith Stochastic procesis: An introduction. Hodder Arnold Fudenberg, Drew a Tirole, Jean. Game Theory. MIT Press, 1991.

Stochastické modely Informace k závěrečné zkoušce

Stochastické modely Informace k závěrečné zkoušce Stochastické modely Informace k závěrečné zkoušce Jan Zouhar Katedra ekonometrie, FIS VŠE v Praze, zouharj@vse.cz 10. února 2015 Průběh zkoušky. Zkouška je ústní s přípravou na potítku. Každý si vylosuje

Více

Markovské metody pro modelování pravděpodobnosti

Markovské metody pro modelování pravděpodobnosti Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou

Více

Simulační modely. Kdy použít simulaci?

Simulační modely. Kdy použít simulaci? Simulační modely Simulace z lat. Simulare (napodobení). Princip simulace spočívá v sestavení modelu reálného systému a provádění opakovaných experimentů s tímto modelem. Simulaci je nutno považovat za

Více

Predikce roční spotřeby zemního plynu po ceníkových pásmech

Predikce roční spotřeby zemního plynu po ceníkových pásmech Predikce roční spotřeby zemního plynu po ceníkových pásmech Ondřej Konár, Marek Brabec, Ivan Kasanický, Marek Malý, Emil Pelikán Ústav informatiky AV ČR, v.v.i. ROBUST 2014 Jetřichovice 20. ledna 2014

Více

4EK201 Matematické modelování. 7. Modely zásob

4EK201 Matematické modelování. 7. Modely zásob 4EK201 Matematické modelování 7. Modely zásob 7. Zásobovací procesy poptávka objednávka Firma Prodejna výdej Firemní sklad dodávka Dodavatel Velkosklad Mgr. Sekničková Jana, Ph.D. 2 7. Charakter poptávky

Více

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické MODELY ŘÍZENÍ ZÁSOB Význam zásob spočívá především v tom, že - vyrovnávají časový nebo prostorový nesoulad mezi výrobou a spotřebou - zajišťují plynulou výrobu nebo plynulé dodávky zboží i při nepředvídaných

Více

Teorie rozhodování (decision theory)

Teorie rozhodování (decision theory) Umělá inteligence II Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Teorie pravděpodobnosti (probability theory) popisuje v co má agent věřit na základě pozorování. Teorie

Více

Úvod Modely zásob Shrnutí. Teorie zásob. Kristýna Slabá. 9. ledna 2009

Úvod Modely zásob Shrnutí. Teorie zásob. Kristýna Slabá. 9. ledna 2009 Teorie zásob Kristýna Slabá 9. ledna 2009 Obsah 1 Úvod Teorie Klasifikace zásob 2 Modely zásob Teorie Klasifikace modelů zásob Model zásob s okamžitou dodávkou Příklad Model zásob s postupnou dodávkou

Více

Miroslav Hanzelka, Václav Rozhoň června 2013

Miroslav Hanzelka, Václav Rozhoň června 2013 Matematický popis systémů interagujících částic Miroslav Hanzelka, Václav Rozhoň Gymnázium Česká Lípa, Žitavská 2969; mirekhanzelka@gmail.com Gymnázium J. V. Jirsíka, Fráni Šrámka 23, České Budějovice;

Více

Zpracování náhodného vektoru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného vektoru. Ing. Michal Dorda, Ph.D. Ing. Michal Dorda, Ph.D. 1 Př. 1: Cestující na vybraném spoji linky MHD byli dotazováni za účelem zjištění spokojenosti s kvalitou MHD. Legenda 1 Velmi spokojen Spokojen 3 Nespokojen 4 Velmi nespokojen

Více

VÝBĚR A JEHO REPREZENTATIVNOST

VÝBĚR A JEHO REPREZENTATIVNOST VÝBĚR A JEHO REPREZENTATIVNOST Induktivní, analytická statistika se snaží odhadnout charakteristiky populace pomocí malého vzorku, který se nazývá VÝBĚR neboli VÝBĚROVÝ SOUBOR. REPREZENTATIVNOST VÝBĚRU:

Více

Regionální produkty a jejich využití pro zvýšení tržeb maloobchodní jednotky

Regionální produkty a jejich využití pro zvýšení tržeb maloobchodní jednotky VYSOKÁ ŠKOLA TECHNICKÁ A EKONOMICKÁ V ČESKÝCH BUDĚJOVICÍCH ÚSTAV PODNIKOVÉ STRATEGIE Regionální produkty a jejich využití pro zvýšení tržeb maloobchodní jednotky Autor bakalářské práce: Markéta Jirásková

Více

13. Lineární procesy

13. Lineární procesy . Lineární procesy. Lineární procesy Našim cílem je studovat lineární (iterované) procesy. Každý takový proces je zadán čtvercovou maticí A Mat k k (R). Dále víme, že systém se v čase t n nachází ve stavu

Více

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně

Více

Apriorní rozdělení. Jan Kracík.

Apriorní rozdělení. Jan Kracík. Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.

Více

12. cvičení z PSI prosince (Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem)

12. cvičení z PSI prosince (Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem) cvičení z PSI 0-4 prosince 06 Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem) Z realizací náhodných veličin X a Y s normálním rozdělením) jsme z výběrů daného rozsahu obdrželi

Více

Aplikace při posuzování inv. projektů

Aplikace při posuzování inv. projektů Aplikace při posuzování inv. projektů Pokročilé metody investiční analýzy Výpočet bodu zvratu Citlivostní analýza Analýzy scénářů Statistické simulace Reálné opce Analýza stochastických procesů Příklad

Více

Matematické modelování 4EK201

Matematické modelování 4EK201 Matematické modelování 4EK0 Ukázkový test Maimum 00 bodů. Pokud má úloha lineárního programování více optimálních řešení, pak (a) jich může být nekonečně mnoho, (b) jich musí být nekonečně mnoho.. Doplňte

Více

4EK311 Operační výzkum. 7. Modely řízení zásob

4EK311 Operační výzkum. 7. Modely řízení zásob 4EK311 Operační výzkum 7. Modely řízení zásob 7. Charakter poptávky Poptávka Deterministická Stochastická Deterministické modely zásob Stochastické modely zásob Mgr. Sekničková Jana, Ph.D. 2 7.4 Stochastický

Více

1 Projekce a projektory

1 Projekce a projektory Cvičení 3 - zadání a řešení úloh Základy numerické matematiky - NMNM20 Verze z 5. října 208 Projekce a projektory Opakování ortogonální projekce Definice (Ortogonální projekce). Uvažujme V vektorový prostor

Více

Matematicko-fyzikální fakulta Univerzity Karlovy

Matematicko-fyzikální fakulta Univerzity Karlovy Oceňování finančních derivátů ve spojitém čase Václav Kozmík Matematicko-fyzikální fakulta Univerzity Karlovy 4. 10. 2010 Úvod Stochastický kalkulus Wienerův proces stochastické procesy Itoovo lemma změna

Více

Značení 1.1 (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů,

Značení 1.1 (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů, Rekurentní jevy Značení. (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů, kde každý má tutéž konečnou nebo spočetnou množinu výsledků E, E,...}. Pak E j,..., E jn } značí

Více

Bakalářská práce Nejslabší! Máte padáka! Strategie ukládání

Bakalářská práce Nejslabší! Máte padáka! Strategie ukládání Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky Bakalářská práce Nejslabší! Máte padáka! Strategie ukládání Plzeň 2015 Jiří Šebek Prohlášení Prohlašuji, že jsem bakalářskou práci

Více

Value at Risk. Karolína Maňáková

Value at Risk. Karolína Maňáková Value at Risk Karolína Maňáková Value at risk Historická metoda Model-Building přístup Lineární model variance a kovariance Metoda Monte Carlo Stress testing a Back testing Potenciální ztráta s danou pravděpodobností

Více

Jana Vránová, 3. lékařská fakulta UK

Jana Vránová, 3. lékařská fakulta UK Jana Vránová, 3. lékařská fakulta UK Vznikají při zkoumání vztahů kvalitativních resp. diskrétních znaků Jedná se o analogii s korelační analýzou spojitých znaků Přitom předpokládáme, že každý prvek populace

Více

Pravděpodobnost a statistika (BI-PST) Cvičení č. 7

Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení

Více

Úvod do teorie her

Úvod do teorie her Úvod do teorie her 2. Garanční řešení, hry s nulovým součtem a smíšené strategie Tomáš Kroupa http://staff.utia.cas.cz/kroupa/ 2017 ÚTIA AV ČR Program 1. Zavedeme řešení, které zabezpečuje minimální výplatu

Více

intenzitu příchodů zákazníků za čas t intenzitu obsluhy (průměrný počet obsloužených) za čas t

intenzitu příchodů zákazníků za čas t intenzitu obsluhy (průměrný počet obsloužených) za čas t Ukázka - Systémy hromadné obsluhy Příklad: Pan Pumpička se rozhodl postavit samoobslužnou čerpací stanici u obce Česká Bříza. Na základě průzkumu ví, že by čerpací stanici mohlo průměrně navštívit 32,

Více

Teorie informace: řešené příklady 2014 Tomáš Kroupa

Teorie informace: řešené příklady 2014 Tomáš Kroupa Teorie informace: řešené příklady 04 Tomáš Kroupa Kolik otázek je třeba v průměru položit, abychom se dozvěděli datum narození člověka (den v roce), pokud odpovědi jsou pouze ano/ne a tázaný odpovídá pravdivě?

Více

Vysoká škola technická a ekonomická v Českých Budějovicích. Institute of Technology And Business In České Budějovice

Vysoká škola technická a ekonomická v Českých Budějovicích. Institute of Technology And Business In České Budějovice OPERAČNÍ VÝZKUM 11. TEORIE ZÁSOB Vysoká škola technická a ekonomická v Českých Budějovicích Institute of Technology And Business In České Budějovice Tento učební materiál vznikl v rámci projektu "Integrace

Více

ANTAGONISTICKE HRY 172

ANTAGONISTICKE HRY 172 5 ANTAGONISTICKÉ HRY 172 Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku, jejíž výše nezávisí

Více

A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti

A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Vojta Vonásek vonasek@labe.felk.cvut.cz České vysoké učení technické v Praze Fakulta elektrotechnická Katedra kybernetiky Markovovy

Více

3. ANTAGONISTICKÉ HRY

3. ANTAGONISTICKÉ HRY 3. ANTAGONISTICKÉ HRY ANTAGONISTICKÝ KONFLIKT Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku,

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

Ekonomická formulace. Matematický model

Ekonomická formulace. Matematický model Ekonomická formulace Firma balící bonboniéry má k dispozici 60 čokoládových, 60 oříškových a 85 karamelových bonbónů. Může vyrábět dva druhy bonboniér. Do první bonboniéry se dávají dva čokoládové, šest

Více

1 Zobrazení 1 ZOBRAZENÍ 1. Zobrazení a algebraické struktury. (a) Ukažte, že zobrazení f : x

1 Zobrazení 1 ZOBRAZENÍ 1. Zobrazení a algebraické struktury. (a) Ukažte, že zobrazení f : x 1 ZOBRAZENÍ 1 Zobrazení a algebraické struktury 1 Zobrazení Příklad 1.1. (a) Ukažte, že zobrazení f : x na otevřený interval ( 1, 1). x x +1 je bijekce množiny reálných čísel R (b) Necht a, b R, a < b.

Více

Qopt. = (2 x C x D) / S

Qopt. = (2 x C x D) / S Příklad 1 Standartní výpočet Firma Trikot vyrábí oděvy a spotřebovává ročně 25 000 m látky. Variabilní na skladování 1 m látky jsou 22,50 Kč. Cena za 1 m látky je 80,- Kč. Variabilní na zajištění jedné

Více

doc. Ing. Marcela Kožená, Ph.D. Fakulta ekonomicko-správní Univerzita Pardubice

doc. Ing. Marcela Kožená, Ph.D. Fakulta ekonomicko-správní Univerzita Pardubice doc. Ing. Marcela Kožená, Ph.D. Fakulta ekonomicko-správní Univerzita Pardubice Prodej je aktem směny, ke které dochází na trhu (místo, kde se setkává nabídka a poptávka). Směna je proces, ve kterém předmět

Více

Vstup a úkoly pro 4. kapitolu LOGISTIKA V ZÁSOBOVÁNÍ. MODELY ZÁSOB. Smysl zásob

Vstup a úkoly pro 4. kapitolu LOGISTIKA V ZÁSOBOVÁNÍ. MODELY ZÁSOB. Smysl zásob Vstup a úkoly pro 4. kapitolu LOGISTIKA V ZÁSOBOVÁNÍ. MODELY ZÁSOB. Smysl zásob Smyslem zásob je zajistit bezporuchový a plynulý výdej skladovaných položek do spotřeby. Jejich výše je ovlivněna požadavkem

Více

Hledání kořenů rovnic jedné reálné proměnné metoda půlení intervalů Michal Čihák 23. října 2012

Hledání kořenů rovnic jedné reálné proměnné metoda půlení intervalů Michal Čihák 23. října 2012 Hledání kořenů rovnic jedné reálné proměnné metoda půlení intervalů Michal Čihák 23. října 2012 Problém hledání kořenů rovnice f(x) = 0 jeden ze základních problémů numerické matematiky zároveň i jeden

Více

Kvantitativní řízení rizik 7.11.2014

Kvantitativní řízení rizik 7.11.2014 Kvantitativní řízení rizik 7.11.2014 Ekonomický kapitál ekonomický kapitál- kapitál potřebný k zajištění schopnosti splnit v daném časovém horizontu převzaté závazky s danou pravděpodobností L- riziko,

Více

Parametrické programování

Parametrické programování Parametrické programování Příklad 1 Parametrické pravé strany Firma vyrábí tři výrobky. K jejich výrobě potřebuje jednak surovinu a jednak stroje, na kterých dochází ke zpracování. Na první výrobek jsou

Více

Vozidla jako nástroj konkurenceschopnosti železnice

Vozidla jako nástroj konkurenceschopnosti železnice Vozidla jako nástroj konkurenceschopnosti železnice Martin Kvizda Konstantinovy Lázně, říjen 2014 1 Obsah Vysvětlení pojmů Vozidla ve firemní strategii formování nabídky Vozidla ve spotřebitelské strategii

Více

Náhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.

Náhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé. 1. Korelační analýza V životě většinou nesledujeme pouze jeden statistický znak. Sledujeme více statistických znaků zároveň. Kromě vlastností statistických znaků nás zajímá také jejich těsnost (velikost,

Více

Vstup a úkoly pro 3. kapitolu LOGISTIKA A PLÁNOVÁNÍ VÝROBY.

Vstup a úkoly pro 3. kapitolu LOGISTIKA A PLÁNOVÁNÍ VÝROBY. Vstup a úkoly pro 3. kapitolu LOGISTIKA A PLÁNOVÁNÍ VÝROBY. Podniková strategie vychází ze zpracování analýz: - okolního prostředí, - vnitřního prostředí (podnik). Podnikovou strategií rozumíme soubor

Více

SIMULACE SPOLEHLIVOSTI SYSTÉMŮ HROMADNÉ OBSLUHY. Michal Dorda. VŠB - TU Ostrava, Fakulta strojní, Institut dopravy

SIMULACE SPOLEHLIVOSTI SYSTÉMŮ HROMADNÉ OBSLUHY. Michal Dorda. VŠB - TU Ostrava, Fakulta strojní, Institut dopravy SIMULACE SPOLEHLIVOSTI SYSTÉMŮ HROMADNÉ OBSLUHY Michal Dorda VŠB - TU Ostrava Fakulta strojní Institut dopravy 1 Úvod V běžné technické praxi se velice často setkáváme s tzv. systémy hromadné obsluhy aniž

Více

Matematické přístupy k pojištění automobilů. Silvie Kafková. 3. 6. září 2013, Podlesí

Matematické přístupy k pojištění automobilů. Silvie Kafková. 3. 6. září 2013, Podlesí Matematické přístupy k pojištění automobilů Silvie Kafková 3. 6. září 2013, Podlesí Obsah 1 Motivace 2 Tvorba tarifních skupin a priori 3 Motivace Obsah 1 Motivace 2 Tvorba tarifních skupin a priori 3

Více

Teorie náhodných matic aneb tak trochu jiná statistika

Teorie náhodných matic aneb tak trochu jiná statistika Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava

Více

Jednovýběrový Wilcoxonův test a jeho asymptotická varianta (neparametrická obdoba jednovýběrového t-testu)

Jednovýběrový Wilcoxonův test a jeho asymptotická varianta (neparametrická obdoba jednovýběrového t-testu) Jednovýběrový Wilcoxonův test a jeho asymptotická varianta (neparametrická obdoba jednovýběrového t-testu) Frank Wilcoxon (1892 1965): Americký statistik a chemik Nechť X 1,..., X n je náhodný výběr ze

Více

U Úvod do modelování a simulace systémů

U Úvod do modelování a simulace systémů U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení

Více

Markovovy modely v Bioinformatice

Markovovy modely v Bioinformatice Markovovy modely v Bioinformatice Outline Markovovy modely obecně Profilové HMM Další použití HMM v Bioinformatice Analýza biologických sekvencí Biologické sekvence: DNA,RNA,protein prim.str. Sekvenování

Více

1 Linearní prostory nad komplexními čísly

1 Linearní prostory nad komplexními čísly 1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)

Více

časovém horizontu na rozdíl od experimentu lépe odhalit chybné poznání reality.

časovém horizontu na rozdíl od experimentu lépe odhalit chybné poznání reality. Modelování dynamických systémů Matematické modelování dynamických systémů se využívá v různých oborech přírodních, technických, ekonomických a sociálních věd. Použití matematického modelu umožňuje popsat

Více

Binární vyhledávací stromy pokročilé partie

Binární vyhledávací stromy pokročilé partie Binární vyhledávací stromy pokročilé partie KMI/ALS lekce Jan Konečný 30.9.204 Literatura Cormen Thomas H., Introduction to Algorithms, 2nd edition MIT Press, 200. ISBN 0-262-5396-8 6, 3, A Knuth Donald

Více

Numerické metody optimalizace - úvod

Numerické metody optimalizace - úvod Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu

Více

Jednofaktorová analýza rozptylu

Jednofaktorová analýza rozptylu Jednofaktorová analýza rozptylu David Hampel Ústav statistiky a operačního výzkumu, Mendelova univerzita v Brně Kurz pokročilých statistických metod Global Change Research Centre AS CR, 5 7 8 2015 Tato

Více

Kapitola 4: Extrémy funkcí dvou proměnných 1/5

Kapitola 4: Extrémy funkcí dvou proměnných 1/5 Kapitola 4: Extrémy funkcí dvou proměnných 1/5 Lokální extrémy Definice: Necht f : M R 2 R a (x 0, y 0 ) M. Říkáme, že fce f má v bodě (x 0, y 0 ) lokální maximum (resp. lokální minimum) jestliže existuje

Více

Rovnovážné modely v teorii portfolia

Rovnovážné modely v teorii portfolia 3. září 2013, Podlesí Obsah Portfolio a jeho charakteristiky Definice portfolia Výnosnost a riziko aktiv Výnosnost a riziko portfolia Klasická teorie portfolia Markowitzův model Tobinův model CAPM - model

Více

Poznámky k předmětu Aplikovaná statistika, 11. téma

Poznámky k předmětu Aplikovaná statistika, 11. téma Poznámky k předmětu Aplikovaná statistika, 11. téma Testy založené na χ 2 rozdělení V přehledu významných rozdělení jsme si uvedli, že Poissonovým rozdělením se modeluje počet událostí, které nastanou

Více

Na zde uvedené zboží, zakoupené na adrese http://naradi.czeso.cz, Vám nabízíme individuální slevy.

Na zde uvedené zboží, zakoupené na adrese http://naradi.czeso.cz, Vám nabízíme individuální slevy. , Vám nabízíme individuální slevy. , Vám nabízíme individuální slevy. , Vám nabízíme individuální slevy. , Vám nabízíme individuální slevy. , Vám nabízíme individuální slevy. , Vám nabízíme individuální

Více

Spolehlivost soustav

Spolehlivost soustav 1 Spolehlivost soustav Spolehlivost soustav 1.1 Koherentní systémy a strukturní funkce Budeme se zabývat modelováním spolehlivosti zřízení s ohledem na spolehlivost jeho komponent. Jedním z hlavních cílů

Více

2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC

2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC .6. VLASTNÍ ČÍSLA A VEKTORY MATIC V této kapitole se dozvíte: jak jsou definována vlastní (charakteristická) čísla a vektory čtvercové matice; co je to charakteristická matice a charakteristický polynom

Více

Matematická analýza pro informatiky I. Extrémy funkcí více proměnných

Matematická analýza pro informatiky I. Extrémy funkcí více proměnných Matematická analýza pro informatiky I. 12. přednáška Extrémy funkcí více proměnných Jan Tomeček jan.tomecek@upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci 12. dubna 2011

Více

Náhodná veličina X má Poissonovo rozdělení se střední hodnotou lambda. Poissonovo rozdělení je definováno jako. P(X=k) = 0,036

Náhodná veličina X má Poissonovo rozdělení se střední hodnotou lambda. Poissonovo rozdělení je definováno jako. P(X=k) = 0,036 Příklad : Statistika A, doc. Kropáč, str. 6, příklad 2 K benzínovému čerpadlu přijíždí průměrně 4 aut za hodinu. Určete pravděpodobnost, že během pěti minut přijede nejvýše jedno auto. Pokus: Zjištění,

Více

KOOPERATIVNI HRY DVOU HRA CˇU

KOOPERATIVNI HRY DVOU HRA CˇU 8 KOOPERATIVNÍ HRY DVOU HRÁČŮ 291 V této kapitole se budeme zabývat situacemi, kdy hráči mohou před začátkem hry uzavřít závaznou dohodu o tom, jaké použijí strategie, vygenerovaný zisk si však nemohou

Více

Název testu Předpoklady testu Testová statistika Nulové rozdělení. ( ) (p počet odhadovaných parametrů)

Název testu Předpoklady testu Testová statistika Nulové rozdělení. ( ) (p počet odhadovaných parametrů) VYBRANÉ TESTY NEPARAMETRICKÝCH HYPOTÉZ TESTY DOBRÉ SHODY Název testu Předpoklady testu Testová statistika Nulové rozdělení test dobré shody Očekávané četnosti, alespoň 80% očekávaných četností >5 ( ) (p

Více

4EK201 Matematické modelování. 10. Teorie rozhodování

4EK201 Matematické modelování. 10. Teorie rozhodování 4EK201 Matematické modelování 10. Teorie rozhodování 10. Rozhodování Rozhodování = proces výběru nějaké možnosti (varianty) podle stanoveného kritéria za účelem dosažení stanovených cílů Rozhodovatel =

Více

Obr. P1.1 Zadání úlohy v MS Excel

Obr. P1.1 Zadání úlohy v MS Excel Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel. Výpočet budeme demonstrovat

Více

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009

Více

Ebene eins. Kapitola 1: Příručka s příkladem prodeje ze dvora Vysvětleno na obchůdku Müllerových Rakousko - Ebene zwei

Ebene eins. Kapitola 1: Příručka s příkladem prodeje ze dvora Vysvětleno na obchůdku Müllerových Rakousko - Ebene zwei Ebene eins Ebene zwei Ebene drei Modul 7: Obchodní» Ebene vierplán a kalkulace Autorka: Sabine E. Wurzer Ebene B. fünf A. Kapitola 1: Příručka s příkladem prodeje ze dvora Vysvětleno na obchůdku Müllerových

Více

1. Přednáška. Ing. Miroslav Šulai, MBA

1. Přednáška. Ing. Miroslav Šulai, MBA N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy

Více

z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin

z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme

Více

Národní informační středisko pro podporu kvality

Národní informační středisko pro podporu kvality Národní informační středisko pro podporu kvality Matematický model kontrolního stanoviště montážní linky RNDr. Jiří Michálek, CSc CQR při ÚTIA AVČR Motivace Tvorba modelu je motivována výrobou zdravotnické

Více

skladbu obou směsí ( v tunách komponenty na 1 tunu směsi):

skladbu obou směsí ( v tunách komponenty na 1 tunu směsi): Klíčová slova: simplexová metoda 1 Simplexová metoda Postup výpočtu: 1. Nalezení výchozího řešení. 2. Test optima: pokud je řešení optimální výpočet končí, jinak krok 3. 3. Iterační krok, poté opět test

Více

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

Téma 2: Pravděpodobnostní vyjádření náhodných veličin 0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování

Více

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y 9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).

Více

Teorie her a ekonomické rozhodování. 2. Maticové hry

Teorie her a ekonomické rozhodování. 2. Maticové hry Teorie her a ekonomické rozhodování 2. Maticové hry 2.1 Maticová hra Teorie her = ekonomická vědní disciplína, která se zabývá studiem konfliktních situací pomocí matematických modelů Hra v normálním tvaru

Více

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014 Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia

Více

Lineární algebra. Soustavy lineárních rovnic

Lineární algebra. Soustavy lineárních rovnic Lineární algebra Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo projektu: CZ.1.07/2.2.00/28.0326

Více

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y 9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud

Více

NÁHODNÝ VEKTOR. 4. cvičení

NÁHODNÝ VEKTOR. 4. cvičení NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.

Více

Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel

Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat

Více

Kontingenční tabulky, korelační koeficienty

Kontingenční tabulky, korelační koeficienty Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Mějme kategoriální proměnné X a Y. Vytvoříme tzv. kontingenční tabulku. Budeme tedy testovat hypotézu

Více

Trhy výrobních faktorů

Trhy výrobních faktorů Trhy výrobních faktorů Výrobní faktory Výrobními faktory (VF) je obecně vše, co slouží k produkci statků. Tedy jsou to vstupy, které používáme k produkci výstupu. Standardní hrubé dělení: práce, kapitál

Více

Ilustrační příklad odhadu LRM v SW Gretl

Ilustrační příklad odhadu LRM v SW Gretl Ilustrační příklad odhadu LRM v SW Gretl Podkladové údaje Korelační matice Odhad lineárního regresního modelu (LRM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná

Více

Odhad stavu matematického modelu křižovatek

Odhad stavu matematického modelu křižovatek Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita

Více

ANALÝZA DAT V R 7. KONTINGENČNÍ TABULKA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK.

ANALÝZA DAT V R 7. KONTINGENČNÍ TABULKA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK. ANALÝZA DAT V R 7. KONTINGENČNÍ TABULKA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz PŘEHLED TESTŮ rozdělení normální spojité alternativní / diskrétní

Více

Mezi firmami v oligopolu dochází ke strategickým interakcím. Při zkoumání strategických interakcí používáme teorii her.

Mezi firmami v oligopolu dochází ke strategickým interakcím. Při zkoumání strategických interakcí používáme teorii her. Teorie her a oligopol Varian: Mikroekonomie: moderní přístup, oddíly 26.1-9, 27.1-3 a 27.7-8 Varian: Intermediate Microeconomics, Sections 27.1-9, 28.1-3, 28.7-8 () 1 / 36 Obsah přednášky V této přednášce

Více

Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace

Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední

Více

8 SEMESTRÁLNÍ PRÁCE VYHLEDÁVÁNÍ A ZPRACOVÁNÍ INFORMACÍ

8 SEMESTRÁLNÍ PRÁCE VYHLEDÁVÁNÍ A ZPRACOVÁNÍ INFORMACÍ 8 SEMESTRÁLNÍ PRÁCE VYHLEDÁVÁNÍ A ZPRACOVÁNÍ INFORMACÍ Seznámení s různými vyhledávacími databázemi vědeckých informací na internetu. Postup vyhledávání, rozšiřování a zužování vyhledávaného tématu. Vyhledávání

Více

STATISTICKÉ ODHADY Odhady populačních charakteristik

STATISTICKÉ ODHADY Odhady populačních charakteristik STATISTICKÉ ODHADY Odhady populačních charakteristik Jak stanovit charakteristiky rozložení sledované veličiny v základní populaci? Populaci většinou nemáme celou k dispozici, musíme se spokojit jen s

Více

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové

Více

Mikroekonomie I: Trh výrobních faktorů

Mikroekonomie I: Trh výrobních faktorů PhDr. Praha, VŠFS, 29.11.2010 Výrobní faktory Poptávka po výrobních faktorech Výrobní faktory = vzácné vstupy, které používáme k produkci statků-výstupu Tradiční výrobní faktory Prvotní výrobní faktory:

Více

MANAŽERSKÉ ROZHODOVÁNÍ

MANAŽERSKÉ ROZHODOVÁNÍ MANAŽERSKÉ ROZHODOVÁNÍ Téma 21 - PRAVIDLA ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY doc. Ing. Monika MOTYČKOVÁ (Grasseová), Ph.D. Univerzita obrany Fakulta ekonomika a managementu Katedra vojenského managementu

Více

Poptávka po kapitálu (kapitálových statcích) kapitál je najímán firma kapitál nekupuje, ale najímá výrobní zařízení od jiné firmy, která ho vlastní

Poptávka po kapitálu (kapitálových statcích) kapitál je najímán firma kapitál nekupuje, ale najímá výrobní zařízení od jiné firmy, která ho vlastní Trh kapitálu a půdy formování poptávky po kapitálu (kapitálových statcích) odvození poptávky po investicích formování nabídky úspor Kapitálový trh, investiční prostředky a příležitosti, investice a úspory

Více

Simulace pohybu chodců pomocí celulárních modelů

Simulace pohybu chodců pomocí celulárních modelů Simulace pohybu chodců pomocí celulárních modelů Marek Bukáček výzkumná skupina GAMS při KM KIPL FJFI ČVUT v Praze 8. červen 2011 Obsah Úvod Celulární modely úprava Floor field modelu Proč modelovat Akademický

Více

Statistika II. Jiří Neubauer

Statistika II. Jiří Neubauer Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou

Více

Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice

Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u

Více

STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák

STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.

Více