Jednokriteriální rozhodování za rizika a nejistoty
|
|
- Pavla Moravcová
- před 5 lety
- Počet zobrazení:
Transkript
1 Kapitola Jednokriteriální rozhodování za rizika a nejistoty U jednokriteriálních úloh je vždy pouze jedno kritérium optimality, a to buď maximalizační nebo minimalizační. Varianty rozhodování jsou zadány. implicitně podmínkami, které musí být splněny (viz úlohy lineárního programování s jednou účelovou funkcí) 2. explicitně je dán seznam variant, mezi kterými se má řešitel rozhodnout V našem kurzu se budeme věnovat explicitnímu zadání variant. Cílem je tedy vybrat ze všech variant variantu nejvýhodnější. Musíme znát následující údaje: a) kritérium rozhodování, b) seznam m variant V, V 2,..., V m, c) seznam n situací S, S 2,..., S n, d) m n důsledků d ij (důsledek výběru varianty V i při situaci S j ). Statický (jednoetapový) rozhodovací problém se zobrazuje pomocí rozhodovací matice. Řádky v rozhodovací matici se vztahují k variantám, sloupce se vztahují k situacím a prvky matice d ij představují důsledky výběru varianty V i při situaci S j. Obecně můžeme rozhodovací matici zapsat takto: V V 2... V m S S 2... S n d d 2... d n d 2 d d 2n d m d m2... d mn Jeden rozhodovací jednokriteriální problém je popsaný v příkladu. Na tomto problému budeme ilustrovat různé postupy rozhodování. Příklad. Majitel cestovní kanceláře se rozhoduje, jakou variantu zvolit - kolik má objednat míst v hotelu (25, 30, 35, 40), když přesně neví, jaká situace nastane - kolik zájemců o zájezd se přihlásí (25, 30, 35, 40). Od jedné přihlášené osoby bude vybírat 0000 Kč. Skutečné náklady na jednu osobu jsou 6000 Kč. V případě přebytečně objednaných míst musí počítat se ztrátou 000 Kč na jedno místo. Důsledky výběru jednotlivých variant v jednotlivých situacích (realizovaný zisk v tis.kč) jsou v následující matici.
2 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY 2 V V 2 V 3 V 4 S S 2 S 3 S Prvky matice se vypočítají následujícím způsobem. Pokud poptávka převyšuje nabídku nebo je rovna nabídce (P N), zisk neboli důsledek rozhodnutí d ij = 4000N Kč, kde N je počet nabízených míst. Pokud je poptávka menší než nabídka (P < N), zisk - důsledek rozhodnutí d ij = 4000P 000(N P ) Kč, kde P je počet zájemců. Kritérium v tomto příkladu je výnosového typu (maximalizační). Vyhodnocením prvků rozhodovací matice lze dospět k preferenčnímu uspořádání variant, tj. k jejich seřazení podle výhodnosti z hlediska daného kritéria hodnocení. Skutečnost, že varianta V i má přednost (je preferována) před variantou V h, značíme V i V h. Jestliže mezi danými situacemi je taková, která určitě nastane (nastane s pravděpodobností ), hovoříme o rozhodování za jistoty. V tomto případě se rozhodovací matice zredukuje jen na jeden sloupec a je zřejmé, že největší (nejmenší) číslo v tomto sloupci určuje nejvýhodnější variantu rozhodnutí vzhledem ke kritériu výnosového (nákladového) typu. Jako určitá podpora rozhodovatele pro hodnocení rizikových variant při jediném kritériu byla navržena pravidla, jejichž charakter se liší podle toho, zda známe či neznáme pravděpodobnosti, s jakými nastanou jednotlivé situace. Jestliže známe pravděpodobnosti, s jakými nastanou uvažované situace, hovoříme o rozhodování za rizika (pravděpodobnosti můžeme určit například z historických dat počasí, zájem o dovolenou,... ). Pokud tyto pravděpodobnosti neznáme, jde o rozhodování za (úplné) nejistoty. Zvláštním případem hodnocení rizikových variant z hlediska jednoho kritéria jsou úlohy typu portfolio, v nichž jde o optimální výběr souboru rizikových variant, které nárokují tytéž omezené zdroje. S výběrem tohoto souboru úzce souvisí otázka snížení celkového rizika tzv. diverzifikací, tj. vytvořením většího počtu realizovatelných rizikových variant se stejným očekávaným výnosem. Postup při řešení úloh typu portfolio a jeho aplikaci na optimální alokaci peněžních prostředků do souboru cenných papírů uvádí Fotr 992. Vedle statických (jednoetapových) jednokriteriálních rozhodovacích problémů existují jednokriteriální problémy víceetapové, v nichž důsledky rozhodnutí v každé etapě ovlivňují výběr variant v etapách následujících. Vhodnou pomůckou pro zobrazení a analýzu těchto problémů jsou rozhodovací stromy. Pomocí rozhodovací matice a rozhodovacího stromu lze zobrazit důsledky rizikových variant v případě, že faktory rizika mají diskrétní povahu (diskrétní rozdělení, viz Statistika). Jestliže faktory rizika představují spojité náhodné veličiny, pro stanovení důsledků rizikových variant lze využít počítačovou simulaci. Tento přístup vyžaduje matematické vyjádření závislosti zvoleného kritéria hodnocení na faktorech rizika a znalost rozdělení jejich pravděpodobnosti..0. Dominovanost Mnohdy nelze u rozhodování za rizika a nejistoty (a stejně tak při vícekriteriálním rozhodování) jednoznačně určit optimální variantu. Výběr optimální varianty je často subjektivní záležitostí, jiný rozhodovatel by na základě svých preferencí a znalostí zvolil jinou variantu za optimální a nelze říci, že by jeden měl pravdu a druhý nikoliv. Ovšem každá varianta, která je zvolena jako optimální musí být tzv. nedominovaná. Definice. Řekneme, že varianta je dominovaná, pokud k ní existuje varianta, která je v jednom z uvažovaných kritérií lepší a ve všech ostatních stejná nebo lepší. Variantu nazveme nedominovanou, pokud k ní neexistuje žádná, která ji dominuje.
3 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY 3. Rozhodování za jistoty Mezi situacemi je taková, která určitě nastane. Rozhodovací matici zredukujeme na jeden sloupec a největší (nejmenší číslo) určí nejvýhodnější variantu rozhodování vzhledem k příslušnému kritériu optimálnosti. Například pokud byste věděli, že se na zájezd přihlásí 30 lidí, potom byste objednali 30 míst v hotelu a dosáhli byste maximálního možného zisku 20 tis.kč..2 Rozhodování za rizika Známe nebo dokážeme odhadnout pravděpodobnosti, s jakými jednotlivé situace nastanou. Více informací o pravděpodobnostním počtu, o odhadech pravděpodobnosti apod. naleznete v Dodatku (Pravděpodobnost). Pravidla pro rozhodování za rizika. Pravidlo očekávané střední hodnoty E X i = n p j d ij, i =, 2,... m (.) j= X i je náhodná veličina, která představuje hodnoty důsledků varianty V i při situacích S, S 2,..., S n, tedy nabývá hodnot d i, d i2,... d in s pravděpodobnostmi p, p 2,..., p n. E(X i ) je střední hodnota náhodné veličiny. Řešený příklad. Z historických dat podnikatel usuzuje, že jednotlivé situace z příkladu nastanou s pravděpodobnostmi 0,2; 0,3; 0,3; 0,2. Vyberte nejlepší variantu, která přinese majiteli cestovní kanceláře maximální zisk podle pravidla očekávané střední hodnoty. Řešení. Nejprve spočítáme podle vztahu (.) střední hodnoty výnosů jednotlivých variant: E X = 00 E X 2 = 95 0, , , , 3 = 5 E X 3 = 90 0, , , , 3 = 22, 5 E X 4 = 85 0, , , , 3 = 22, 5 Vzhledem k tomu, že kritérium je výnosového typu, nejvýhodnější je varianta s nejvyšší střední hodnotou (zde jsou dvě, a to varianta 3 a 4). Varianty jsou uspořádány V 3 V 4 V 2 V. Poznámka. Protože jsou zde dvě nejvyšší střední hodnoty, podle tohoto pravidla se nelze jednoznačně rozhodnout, přihlédneme k dalšímu pravidlu. Poznámka. V případě, že by rozhodovací kritérium bylo minimalizační, vybírali bychom jako nejvýhodnější variantu s nejnižší střední hodnotou. 2. Pravidlo očekávané střední hodnoty a rozptylu Rozptyl důsledků jednotlivých variant při všech uvažovaných situacích počítáme ze vztahu var X i = n p j [d ij E(X i )] 2, i =, 2,... m. (.2) j= Méně riziková varianta má menší rozptyl, ať se jedná o výnosový nebo nákladový typ kritéria.
4 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY 4 Řešený příklad 2. Pro příklad spočítejte rozptyl pro varianty, které mají stejnou (nejvyšší) střední hodnotu. Řešení. var X 3 = 0, 2(90 22, 5) 2 + 0, 3(5 22, 5) 2 + 0, 3(40 22, 5) (40 22, 5) 2 = 38, 25 var X 4 = 0, 2(85 22, 5) 2 + 0, 3(0 22, 5) 2 + 0, 3(35 22, 5) (60 22, 5) 2 = 656, 25 Nižší rozptyl má varianta 3. Vzhledem k tomu, že střední hodnota výnosů je stejná u varianty 3 a varianty 4, doporučili bychom k realizaci variantu 3, která je méně riziková. Poznámka. Nemáme-li sklon k riziku, vždy platí čím menší rozptyl, tím lepší. Podle pravidla očekávané střední hodnoty a rozptylu rozhodovatel preferuje variantu, která je z hlediska očekávané střední hodnoty i rozptylu lepší, nebo která je lepší jen z jednoho hlediska a z druhého stejná. V případě maximalizačního kritéria, když preferujeme variantu i před variantou h, můžeme předchozí větu zapsat pomocí následujících výroků: V našem příkladu platí: varianty jsou uspořádány v pořadí V 3 V 4. V i V h E X i E X h var X i < var X h, V i V h E X i > E X h var X i var X h. E X 3 = E X 4 var X 3 < var X 4, V případě, že by rozhodovací kritérium bylo nákladového typu, pak by platilo V i V h E(X i ) E(X h ) var X i < var X h, V i V h E(X i ) < E(X h ) var X i var X h. Pravidlo očekávané hodnoty a rozptylu obecně neumožňuje úplné preferenční uspořádání rizikových variant, ale pouze zjištění nedominovaných a dominovaných variant. Může se totiž stát, že varianta V i bude mít střední hodnotu větší než varianta V j, ale zároveň také bude mít větší rozptyl. V takové případě nedokážeme jednoduše rozhodnout, kterou variantu preferovat. K tomuto rozhodnutí bychom museli užít například některých medod vícekriteriální optimalizace. Příklad 2. Mějme dva podnikatelské záměry, které mají šanci na úspěch 60%. Zisk z prvního z nich (A) je odhadován na milionů Kč, zisk z druhého z nich (B) je odhadován na 0 milionů Kč. V případě neúspěchu je ztráta z projektu A 0,5 milionů Kč a z projektu B 50 milionů Kč. Jaká je střední hodnota zisku a rozptyl u obou variant? E X A = 0, 6 + ( 0, 5) 0, 4 = 6, 4 E X B = 0 0, 6 + ( 50) 0, 4 = 40, 6 var X A = 0, 6( 6, 4) ( ) 2 = 3.74 var X B = 0, 6(0 40, 6) ( 50 40, 6) 2 = 5472, 24 Z hlediska středních hodnot je lepší varianta B, z hlediska rozptylů varianta A.
5 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY 5 3. Pravidlo očekávaného užitku Pro toto pravidlo musíme znát funkci užitku. Funkce užitku vyjadřuje, jaký přínos pro rozhodovatele znamenají změny tohoto kritéria. Užitek nejhorší hodnoty kritéria je 0 a užitek nejlepší hodnoty kritéria je. Užitek ostatních kriteriálních hodnot se nachází mezi těmito dvěma hodnotami. Uvažujeme tedy užitkovou funkci v normovaném tvaru. Pro očekávaný užitek varianty V i platí: E[u(V i )] = n p j u(d ij ), (.3) j= pro i =, 2,..., m a j =, 2,..., n, kde u(v i ) je užitek varianty V i, p j je pravděpodobnost, se kterou nastane situace S j (musí platit n p j = ) a u(d ij ) je užitek varianty V i při situaci S j. j= Platí, že V i V h E[u(V i )] > E[u(V h )]. (.4) Řešený příklad 3. V příkladu kromě pravděpodobnosti, se kterými nastanou jednotlivé situace, známe ještě ohodnocení (užitky) jednotlivých částek, které si určil majitel cestovní kanceláře. Řešení. Užitky byly odvozeny z jeho užitkové funkce zisku v intervalu od 85 tis. Kč do 60 tis. Kč. Zisk Užitek 0 0,2 0,3 0,4 0,55 0,65 0,7 0,85 0,9 Nyní postupujeme stejně, jako u střední hodnoty výnosů, jen místo výnosů počítáme s užitky těchto výnosů. E[u(V )] = 0, 4 E[u(V 2 )] = 0, 2 0, 3 + 0, 3 0, 7 + 0, 3 0, 7 + 0, 2 0, 7 = 0, 62 E[u(V 3 )] = 0, 2 0, 2 + 0, 3 0, , 3 0, 9 + 0, 2 0, 9 = 0, 685 E[u(V 4 )] = 0, , 3 0, , 3 0, , 2 = 0, 62 Nejlepší z variant je podle pravidla očekávaného užitku varianta 3, ostatní varianty lze seřadit následujícím způsobem V 3 V 2 V 4 V.
6 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY 6.2. Cena dokonalé informace Je to částka, která by se rozhodovateli vyplatila investovat do získání dalších informací o výskytu jednotlivých situací (pokud by taková informace byla k dispozici). Největší (nejmenší) čísla ve sloupcích rozhodovací matice odpovídající fiktivní variantě, která dosahuje nejlepších hodnot podle všech kritérií. Tuto fiktivní variantu můžeme vyhodnotit například pomocí pravidla očekávané střední hodnoty. Rozdíl mezi touto hodnotou a střední hodnotou pro nejvýhodnější reálnou variantu představuje cenu dokonalé informace. Řešený příklad 4. Pro příklad spočítejte, kolik by se vyplatilo investovat do získání informace o možném výskytu jednotlivých situací. Řešení. Nejprve v každém sloupci najdeme největší číslo a čísla zapíšeme jako důsledky (zisky) pro fiktivní variantu ve všech situacích. F = [00, 20, 40, 60] Nyní tuto variantu vyhodnotíme podle pravidla očekávané střední hodnoty. E X F = 00 0, , , , 2 = 30 Cena dokonalé informace se pak počítá jako rozdíl mezi touto střední hodnotou a střední hodnotou pro nejvýhodnější reálnou variantu. E X F E X 3 = 30 22, 5 = 7, 5.3 Rozhodování za nejistoty Při rozhodování za nejistoty rozhodovatel ví, jaké situace mohou nastat, ale neví s jakými pravděpodobnostmi. K rozhodnutí o výběru nejlepší varianty lze použít různá pravidla, která mohou vést k různým výsledkům. U všech následujících pravidel předpokládejme, že rozhodovací kritérium je maximalizační (výnosového typu). Všechny dále zmiňované přístupy budou ilustrovány na příkladu z rozhodování za rizika.. Optimistický přístup - princip maximaxu Rozhodovatel je optimista a předpokládá, že ať vybere jakoukoli variantu, vždy nastane situace, která je mu nejvíce nakloněná. Rozhodovatel vybere variantu, která mu přinese nejlepší výsledek. Nalezne se největší číslo v celé rozhodovací matici, tedy max i max j d ij. Vybere se v řádku největší prvek a z těchto největších prvků zase ten největší. Řešený příklad 5. Jak by se měl majitel cestovní kanceláře z příkladu rozhodnout, pokud by byl optimista? Řešení. Největší hodnota možného zisku 60 tis.kč odpovídá volbě varianty 4 (objednání 40-ti míst). Poznámka. Pokud by rozhodovací kritérium bylo minimalizační, vybíral by se nejmenší prvek v každém řádku a z těchto nejmenších prvků opět minimum.
7 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY 7 2. Pesimistický přístup - Waldův princip maximinu Rozhodovatel očekává nejhorší výsledek a vybere z nejhorších výsledků ten nejlepší, tedy v rozhodovací matici vybere v každém řádku nejmenší číslo a z nejmenších čísel pak to největší, neboli max i min j d ij. Řešený příklad 6. Jak by se měl majitel cestovní kanceláře z příkladu rozhodnout, pokud by byl pesimista? Řešení. Pokud rozhodovatel pro rozhodování použijeme pesimistický přístup, vybere variantu a objedná pouze 25 míst. Poznámka. Při minimalizačním rozhodovacím kritériu by se v každém řádku vybíralo maximum a z těchto prvků minimum. 3. Hurwiczovo pravidlo Nejprve je nutné stanovit index optimismu α, α 0;. Pro α = je realistické pravidlo shodné s optimistickým přístupem a naopak při α = 0 je toto pravidlo shodné s pesimistickým přístupem. Index optimismu oslabuje extrémní postoje rozhodovatele. V řádcích se vybere vždy maximum a to se násobí α a nejmenší prvek, který se násobí α. Tyto dva součiny se pak sečtou. Nejlepší varianta rozhodnutí je ta, pro kterou výraz je maximální. α max d ij + ( α) min d ij (.5) j j Řešený příklad 7. Předpokládejme, že majitel cestovní kanceláře z příkladu je spíše optimista a index α si zvolil 0,7. Jaká varianta je potom pro něj nejlepší? Řešení. V... 0, , 3 95 = 00 V , , 3 00 = 2, 5 V... 0, , 3 90 = 25 V... 0, , 3 85 = 37, 5 Podle Hurwiczova pravidla by rozhodovatel volil variantu 4, tedy objednal by 40 míst. Poznámka. V případě minimalizačního kritéria indexem α násobíme minimum v řádcích a maximum naopak násobíme ( α). Jako nejlepší pak označíme variantu, pro kterou je hodnota výrazu.5 je minimální. Nevýhodou Hurwiczova pravidla je skutečnost, že jsou stejně ohodnoceny varianty, v nichž nejnižší a nejvyšší hodnota důsledků rozhodnutí je stejná a přitom může jít o varianty podstatně odlišné vzhledem k dalším hodnotám kritéria. Příklad 3. Mějme dvě varianty A a B a čtyři různé situace, které mohou nastat. Kriteriální hodnoty jsou v následující matici. V V 2 ( S S 2 S 3 S 4 )
8 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY 8 Obě varianty při zvoleném indexu optimismu α = 0, 5 se jeví stejně dobré. Většina rozhodovatelů by zřejmě volila variantu první, protože nejhorší a nejlepší kriteriální hodnota je pro obě varianty stejná a ostatní hodnoty jsou u první varianty výrazně lepší. Dalším nedostatkem Hurwiczova pravidla je kvantifikace indexu optimismu α. Doporučuje se vážený průměr nejlepších a nejhorších výsledků v jednotlivých variantách vyjádřit pro obecnou hodnotu α a pak konkrétní hodnotu α specifikovat intervalově. Na obrázku. jsou pro příklad znázorněny grafy funkcí 00α + 00( α), 20α + 95( α) 40α + 90( α) 60α + 85( α), které pro α = 0 nabývají hodnot 00, 95, 90, 85 a pro α = nabývají hodnot 00, 20, 40, 60. Na obrázku. jsou silně vytaženy ty části úseček, které představují maximum z hodnot všech uvažovaných funkcí. Graf tohoto maxima se v řešené úloze láme v bodě s hodnotou α, která je řešením rovnice 00α + 00( α) = 60α + 85( α), tj. α = 0, 2. Pro index optimismu α < 0, 2 je nejvýhodnější volit variantu, tedy objednat 25 míst, pro α > 0, 2 je nejvýhodnější volit variantu 4, tedy objednat 40 míst. Pokud by rozhodovatel zvolil α = 0, 2,pak by obě varianty (25 míst a 40 míst) byly pro něj stejně výhodné ,2 alfa Obrázek.: Odvození hodnoty indexu optimismu Poznámka. V případě minimalizačního kritéria indexem by se v grafu hledalo minimum těchto funkcí.
9 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY 9 4. Laplaceovo pravidlo (princpi stejné věrohodnosti) U tohoto pravidla se předpokládá, že všechny situace mohou nastat se stejnou pravděpodobností, tedy pokud počet situací je n, tzn. P(S j ) =, kde j =, 2,..., n. n Pro nejvýhodnější variantu podle principu stejné věrohodnosti platí, že výraz je maximální. n n d ij (.6) j= Řešený příklad 8. Využijte principu stejné věrohodnosti k doporučení volby některé z variant majiteli kempu - viz příklad Řešení. V = 00 V 2 = 0, , , , = 3, 75 V 3 = 0, , , , = 2, 25 V 4 = 0, , , , = 22, 5 Z hlediska principu stejné věrohodnosti můžeme varianty seřadit takto: V 4 V 3 V 2 V. Poznámka. V případě minimalizačního kritéria vybíráme variantu s nejnižší střední hodnotou. 5. Savageovo pravidlo U tohoto pravidla je Waldův princip aplikovaný na matici ztrát. Matici ztrát značíme R a její prvky r ij určíme tak, že pro každou situaci určíme ztrátu, která by vznikla při volbě jednotlivých variant oproti nejvýhodnější variantě v dané situaci. Platí r ij = max i d ij d ij. (.7) Nebo-li v každém sloupci této matice najdeme nejvyšší číslo a od něj se odečtou všechny prvky v daném sloupci. Řešený příklad 9. Pro příklad určíme matici ztrát podle vztahu R = V matici ztrát vybereme v řádcích maxima a z nich potom minimum. Maxima v jednotlivých řádcích jsou 60, 40, 20, 5, nejmenší je 5 a z toho vyplývá, že nejvýhodnější je objednat 40 míst (varianta 4). Pokud bychom chtěli sestavit preferenční uspořádání, bylo by následující: V 4 V 3 V 2 V. Poznámka. V případě minimalizačního kritéria zjišťujeme absolutní hodnoty rozdílů mezi nejlepší variantou a ostatními - tím získáme matici ztrát a další postup je shodný s postupem u maximalizačního typu kritéria. Závěr: Podle většiny pravidel se jeví jako nejvýhodnější volit variantu 4 (objednat 40 míst). Kromě uvedených pravidel pro výběr nejvýhodnější varianty při rozhodování za nejistoty existují ještě další principy, u kterých lze najít více či méně racionální jádro. Použití kteréhokoli z těchto principů však pouze zaručuje, že nebude vybrána varianta vyloženě špatná.
10 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY 0.4 Rozhodovací stromy Rozhodovací stromy jsou grafickým nástrojem rozhodovací analýzy, vhodným zejména pro víceetapové rozhodovací procesy s jedním kritériem rozhodování. Umožňují zobrazit logický vývoj časově na sebe navazujících alternativních rozhodnutí a náhodných situací. Jejich cílem je stanovení optimální strategie rozhodovatele, tj. posloupnost rozhodnutí, která vede k nejlepší očekávané hodnotě zvoleného kvantitativního kritéria (výnosového či nákladového typu). Rozhodovací strom je zvláštním typem grafu, tzn. skládá se z uzlů a hran. Uzly rozhodovacího stromu představují fáze rozhodovacího procesu, ve kterých se střídá rozhodování rozhodovatele (tyto rozhodovací uzly zpravidla značíme čtverečky) a rozhodování přírody (tyto uzly nazýváme situační a značíme kroužky). Co představují hrany záleží na tom, z jakého typu uzlu vycházejí. Z rozhodovacích uzlů vycházejí hrany, které představují deterministické činnosti, závislé na vůli rozhodovatele, jedná se o různé varianty rozhodnutí. Ze situačních uzlů vycházejí hrany, které představují náhodné (stochastické) alternativy vyskytující se s určitými pravděpodobnostmi. Náhodné alternativy tvoří úplnou soustavu jevů, a proto součet pravděpodobností jejich výskytu se rovná jedné. Optimální strategii rozhodovatele v rozhodovacím stromu určíme tak, že z hlediska zvoleného kritéria rozhodování vyhodnotíme jednotlivé uzly, přičemž postupujeme od konce stromu k jeho začátku. V situačních uzlech počítáme jistotní ekvivalent, který představuje jistý užitek nahrazující nejistý užitek náhodných variant, které z daného situačního uzlu vycházejí. Za předpokladu, že rozhodovatel má neutrální postoj k riziku, jistotní ekvivalent uzlu je totožný se střední hodnotou veličiny, která je přiřazena náhodným variantám vycházejícím z tohoto uzlu. V rozhodovacích uzlech počítáme poziční hodnotu, která představuje maximum (při výnosovém rozhodovacím kritériu) nebo minimum (při nákladovém kritériu) z ocenění variant, které vycházejí z daného uzlu. Varianty s horším ohodnocením zamítneme. Řešený příklad 0. Firma zavádí na trh nový výrobek a rozhoduje se, zda má pro jeho prodej zmodernizovat stávající obalovou techniku a zlepšit potisk obalu nebo zda má koupit novou obalovou linku s atraktivním potiskem (v tom případě má možnost vybrat si mezi výrobci A a B). Při volbě optimálního rozhodnutí firma vychází z těchto údajů: Náklady spojené se změnou obalové techniky, přepočítané na jeden měsíc provozu linky Modernizace stávající obalové linky... 3 mil.kč Nákup obalové linky od výrobce A... 5 mil.kč Nákup obalové linky od výrobce B... 6 mil.kč Pravděpodobnosti velké poptávky po změně obalové techniky Modernizace stávající obalové linky... 0,5 Nákup obalové linky od výrobce A... 0,7 Nákup obalové linky od výrobce B... 0,8 Měsíční tržby při velké poptávce jsou odhadnuty na 3 mil.kč, při malé poptávce na 7 mil.kč. Při koupi obalové linky od výrobce B je obal natolik atraktivní, že lze počítat s většímu měsíčními tržbami, a to 5 mil.kč při velké a 9 mil.kč při malé poptávce. Pro jakou variantu zlepšení obalové techniky se má firma rozhodnout, aby očekávaný měsíční rozdíl mezi tržbami a náklady na změnu v obalové technice byl co největší?
11 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY Řešení. Rozhodovací strom pro zadaný příklad je na obrázku.2, do kterého jsou již vepsány pravděpodobnosti velké a malé poptávky a výnosy a náklady spojené s rozhodnutím firmy. Nad situačními uzly jsou vepsány jejich jistotní ekvivalenty, tj. střední hodnoty měsíčních tržeb při velké a malé poptávce: Uzel : 0, , 5 7 = 0 Uzel 2: 0, , 3 7 =, 2 Uzel 3: 0, , 2 9 = 3, 8 Nad rozhodovacími uzly v obrázku.2 jsou napsány jejich poziční hodnoty: Uzel 2: max(, 2 5; 3, 8 6) = 7, 8... zamítneme nákup linky od výrobce A Uzel : max(7, 8; 0 3) = 7, 8... zamítneme modernizaci obalové linky -3 0 VP MP 3 p=0,5 7 modernizace p=0,5 7,8 nová linka 7,8 2,2 2-5 výrobce A 3 VP p=0,7 MP 7 p=0,3 výrobce B 3-6 3,8 5 VP p=0,8 MP 8 p=0,2 Obrázek.2: Rozhodovací strom k řešenému příkladu Při výběru optimální varianty postupujeme od konce stromu. Nejprve porovnáme rozdíly mezi jistotními ekvivalenty a náklady pro situační uzly 2 a 3. Větší rozdíl mezi střední hodnotou výnosů a náklady na pořízení odpovídá variantě volit výrobce B (proto poziční hodnota u rozhodovacího uzlu 2 odpovídá rozdílu mezi střední hodnotou výnosů při volbě výrobce B a náklady na pořízení linky od výrobce B). Potom postupujeme opět blíže k počátku a porovnáváme zisk v případě modernizace se ziskem při volbě nové linky od výrobce B. I zde vychází lépe nová linka od výrobce B. Optimální strategií firmy je nákup nové obalové linky od výrobce B. Měsíční rozdíl mezi tržbami a náklady na změnu v obalové technice lze očekávat ve výši 7,8 milionů Kč.
12 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY 2 Řešený příklad. Majitel domu, který chce dům prodat nejpozději do dvou let, se rozhoduje, zda má dům prodat hned (za 3 milionů Kč, přičemž by získané peníze uložil se sedmiprocentním úrokem), nebo za rok (dům by pronajímal s ročním ziskem 200 tisíc Kč), nebo za dva roky (dům by po celou tuto dobu pronajímal se stejným ročním ziskem 200 tisíc Kč). Majitel domu počítá se změnou ceny domu v průběhu jednoho roku v rozmezí ±300 tis.kč, přičemž pravděpodobnost vzrůstu i poklesu ceny budov o 0 % v průběhu uvažovaných dvou let odhadl následujícími hodnotami: vzrůst ceny v prvním roce... p = 0, 2 vzrůst ceny ve druhém roce za předpokladu jejího vzrůstu v prvním roce... p = 0, 3 vzrůst ceny ve druhém roce za předpokladu jejího poklesu v prvním roce... p = 0, Řešení. Nejprve nakreslíme rozhodovací strom, viz obrázek.3.. rok 2. rok 3,4347 prodat 3,4347 neprodat 3,074 +0,2 0,2 0,8 3,53 2 vzrùst cen pokles cen 2,889 3 prodat neprodat +0,2 prodat neprodat 3,8 2 2,46 0,3 0,7 0, 3,53 3,6 vzrùst cen pokles cen 3 2,889 3 vzrùst cen +0,2 3 0,9 pokles cen 2,4 Obrázek.3: Rozhodovací strom k řešenému příkladu 2 Rozhodovací strom v této úloze obsahuje tři situační a tři rozhodovací uzly. Hrany stromu jsou ohodnoceny výnosy z prodeje a pronájmu domu (v milionech Kč). U hran vycházejících ze situačních uzlů jsou uvedeny příslušné pravděpodobnosti. Strom budeme vyhodnocovat zprava doleva, jistotní ekvivalenty a poziční hodnoty jsou vepsány nad uzly. Situační uzel 2 V situačním uzlu 2 je očekávaná hodnota zisku 0, 3 3, 6 + 0, 7 3 = 3, 8. Dále postoupíme směrem vlevo k rozhodovacímu uzlu 2. Rozhodovací uzel 2 Větev prodat vycházející z rozhodovacího uzlu 2 je ohodnocena číslem 3,53 milionů Kč, což představuje výnos z uložené částky 3,3 milionů Kč (= cena domu po. roce) na dobu jednoho roku se sedmiprocentním úrokem. Číslo 0,2, kterým je ohodnocena větev neprodat vycházející z rozhodovacího uzlu 2, představuje celoroční výši nájemného (v milionů Kč), o kterou musíme zvýšit jistotní ekvivalent situačního uzlu 2. Poziční hodnota uzlu 2 je dána maximem z hodnot 3, 53; 0, 2 + 3, 8,
13 KAPITOLA. JEDNOKRITERIÁLNÍ ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY 3 tj. číslem 3,53, neboli v rozhodovacím uzlu 2 zamítneme variantu neprodat. Situační uzel 3 V situačním uzlu 3 je očekávaná hodnota zisku dána výrazem 0, 3 + 0, 9 2, 4 = 2, 46. Rozhodovací uzel 3 Podobným způsobem jako u rozhodovacího uzlu 2 stanovíme poziční hodnotu rozhodovacího uzlu 3, která představuje max(2, 7, 07; 0, 2 + 2, 46) = 2, 889. V uzlu 3 tedy opět zamítneme variantu neprodat. Situační uzel Jistotní ekvivalent v situačním uzlu je dán výrazem 0, 2 3, , 8 2, 889 = 3, 074, takže pro rozhodovací uzel počítáme max(3, 07 2 ; 0, 2 + 3, 074) = 3, Rozhodovací uzel I v prvním rozhodovacím uzlu zamítneme variantu neprodat, neboli pro majitele domu je nejvýhodnější prodat dům hned, peníze uložit a dva roky z tohoto vkladu nic nevybírat. Kdyby např. uložené peníze chtěl vybrat po jednom roce, bylo by pro něho výhodnější prodat dům až později (3, 07 0, , 7 < 0, 2 + 3, 074). Poznámka. Někdy je také možné (především u menších stromů postupovat opačným postupem, tedy od začátku ke konci. Kdy si pro každou větev počítáme pravděpodobnosti (s jakými daná situace nastane) a hodnotu optimalizačního kritéria, které bychom dosáhli v případě, že se vývoj bude ubírat cestou na jejímž konci je tato větev. Výhodou tohoto postupu je, že na konci získáme všechny možné výsledky včetně jejich pravděpodobností. Nevýhodou, zvláště pak u větších úloh je větší pracnost. K výhodám rozhodovacích stromů patří především jejich univerzálnost, názornost, snazší komunikace mezi pracovníky řešícími stejný rozhodovací proces, odstranění nedostatků koncepčního rozhodování (je nutné znát důsledky i časově vzdálenějších rozhodnutí) a v neposlední řadě možnost experimentování se vstupními daty rozhodovacích stromů, tj. s pravděpodobnostmi jednotlivých situačních variant a s údaji ovlivňujícími hodnotu rozhodovacího kritéria, popř. s hypotézami o možných důsledcích rozhodování. Při tomto experimentování na modelu víceetapového rozhodovacího problému lze využít počítače, které navíc ještě umožňují simulaci některých vstupních dat. Analýzou rozhodovacího stromu získáme výběr nejvýhodnějších variant od začátku rozhodovacího procesu až do jeho konce, ale praktický význam má především realizace optimální varianty v. etapě rozhodování. Do doby realizace dalších rozhodnutí zpravidla nastanou změny, které mohou jejich důsledky ovlivnit (vzniknou nové rozhodovací i situační varianty, dodatečně se získají informace podstatné pro další rozhodování apod.) Proto se doporučuje po realizaci první etapy rozhodovacího procesu sestrojit a vyhodnotit nový rozhodovací strom. Pomocí rozhodovacích stromů můžeme znázornit i jednoetapové (statické) rozhodovací procesy, které se běžně zobrazují rozhodovacími maticemi. Postup výpočtu v rozhodovacím stromu i jeho výsledek odpovídá pravidlu očekávané (střední) hodnoty kritéria rozhodování. zúročený vklad se sníží o daň z úroku
Ing. Alena Šafrová Drášilová
Rozhodování II Ing. Alena Šafrová Drášilová Obsah vztah jedince k riziku rozhodování v podmínkách rizika rozhodování v podmínkách nejistoty pravidlo maximin pravidlo maximax Hurwitzovo pravidlo Laplaceovo
VíceIng. Alena Šafrová Drášilová, Ph.D.
Rozhodování Ing. Alena Šafrová Drášilová, Ph.D. Rozhodování??? video Obsah typy rozhodování principy rozhodování rozhodovací fáze základní pojmy hodnotícího procesu rozhodovací podmínky rozhodování v podmínkách
VíceRozhodování. Ing. Alena Šafrová Drášilová, Ph.D.
Rozhodování Ing. Alena Šafrová Drášilová, Ph.D. Rozhodování??? video Obsah typy rozhodování principy rozhodování rozhodovací fáze základní pojmy hodnotícího procesu rozhodovací podmínky rozhodování v podmínkách
VíceVÍCEKRITERIÁLNÍ MANAŢERSKÉ ROZHODOVÁNÍ V PODMÍNKÁCH RIZIKA A NEJISTOTY
Internetový časopis o jakosti Vydavatel: Katedra kontroly a řízení jakosti, FMMI, VŠB-TU Ostrava VÍCEKRITERIÁLNÍ MANAŢERSKÉ ROZHODOVÁNÍ V PODMÍNKÁCH RIZIKA A NEJISTOTY ÚVOD Všemi sekvenčními manažerskými
VíceOperační výzkum. Vícekriteriální hodnocení variant. Grafická metoda. Metoda váženého součtu.
Operační výzkum Vícekriteriální hodnocení variant. Grafická metoda. Metoda váženého součtu. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu
VíceVícekriteriální hodnocení variant úvod
Vícekriteriální hodnocení variant úvod Jana Klicnarová Katedra aplikované matematiky a informatiky Jihočeská Univerzita v Českých Budějovicích, Ekonomická fakulta 2010 Vícekriteriální hodnocení variant
VíceVzorový příklad na rozhodování BPH_ZMAN
Vzorový příklad na rozhodování BPH_ZMAN Základní charakteristiky a značení symbol verbální vyjádření interval C g g-tý cíl g = 1,.. s V i i-tá varianta i = 1,.. m K j j-té kriterium j = 1,.. n v j x ij
VíceMANAŽERSKÉ 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
VíceVÍCEKRITERIÁLNÍ ROZHODOVANÍ
VÍCEKRITERIÁLNÍ ROZHODOVANÍ 1 Obsah Typy modelů vícekriteriálního rozhodování Základní pojmy Typy informací Cíl modelů Užitek, funkce užitku Grafické zobrazení Metody vícekriteriální analýzy variant 2
Více4 Kriteriální matice a hodnocení variant
4 Kriteriální matice a hodnocení variant V teorii vícekriteriálního rozhodování pracujeme s kritérii, kterých je obecně k, a s variantami, kterých je obecně p. Hodnotu, které dosahuje varianta i pro j-té
VíceOperační výzkum. Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry.
Operační výzkum Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty
Vícefakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28.
Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem
Více6 Ordinální informace o kritériích
6 Ordinální informace o kritériích Ordinální informací o kritériích se rozumí jejich uspořádání podle důležitosti. Předpokládejme dále standardní značení jako v předchozích cvičeních. Existují tři základní
VíceRozhodovací procesy 10
Rozhodovací procesy 10 Rozhodování za rizika a nejistoty Příprava předmětu byla podpořena projektem OPPA č. CZ.2.17/3.1.00/33253 X rozhodování 1 Rozhodování za rizika a nejistoty Cíl přednášky 10: Rozlišení
VíceLDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25
Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem
Více4EK201 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 =
VíceOperační výzkum. Vícekriteriální programování. Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování.
Operační výzkum Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu
Více3. 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,
VíceANTAGONISTICKE 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
Více7 Kardinální informace o kritériích (část 1)
7 Kardinální informace o kritériích (část 1) Předpokládejme stejná značení jako v předchozích cvičeních. Kardinální informací o kritériích se rozumí ohodnocení jejich důležitosti k pomocí váhového vektoru
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceMODELY 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
VíceVektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
VíceRozhodovací procesy 2
Rozhodovací procesy 2 Základní pojmy a struktura rozhodování Příprava předmětu byla podpořena projektem OPPA č. CZ.2.17/3.1.00/33253 II rozhodování 1 Rozhodovací procesy Cíl přednášky 1-3: Význam rozhodování
VíceFirma a nejistota Aplikace rozhodování v podmínkách rizika a nejistoty na firmu
Firma a nejistota Aplikace rozhodování v podmínkách rizika a nejistoty na firmu Teorie firmy Rozhodování Jedna z významných činností manažera Nedílná součást manažerské práce Zásadně ovlivňuje budoucí
Více5 Informace o aspiračních úrovních kritérií
5 Informace o aspiračních úrovních kritérií Aspirační úroveň kritérií je minimální (maximální) hodnota, které musí varianta pro dané maximalizační (minimalizační) kritérium dosáhnout, aby byla akceptovatelná.
VíceModely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT
PEF ČZU Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT Okruhy SZB č. 5 Zdroje: Demel, J., Operační výzkum Jablonský J., Operační výzkum Šubrt, T., Langrová, P., Projektové řízení I. a různá internetová
VíceRozhodnutí / Skutečnost platí neplatí Nezamítáme správně chyba 2. druhu Zamítáme chyba 1. druhu správně
Testování hypotéz Nechť,, je náhodný výběr z nějakého rozdělení s neznámými parametry. Máme dvě navzájem si odporující hypotézy o parametrech daného rozdělení: Nulová hypotéza parametry (případně jediný
VíceZÁKLADNÍ TYPY ROZHODOVACÍH PROBLÉMŮ
ZÁKLADNÍ TYPY ROZHODOVACÍH PROBLÉMŮ ZPRACOVALA ING. RENATA SKÝPALOVÁ CZ.1.07/1.1.00/14.0143 OSNOVA HODINY Dobře a špatně strukturované problémy Rozhodovací procesy za jistoty, rizika a nejistoty Přehled
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
VícePostupy při hodnocení variant a výběru nejvhodnějšího řešení. Šimon Kovář Katedra textilních a jednoúčelových strojů
Postupy při hodnocení variant a výběru nejvhodnějšího řešení Šimon Kovář Katedra textilních a jednoúčelových strojů Znáte nějaké postupy hodnocení variant řešení? Vícekriteriální rozhodování Při výběru
VíceCharakteristika rizika
Charakteristika rizika Riziko je možnost, že se dosažené výsledky podnikání budou příznivě či nepříznivě odchylovat od předpokládaných výsledků. Odchylky od předpokladu jsou: a) příznivé b) nepříznivé
VíceMetody výběru variant
Metody výběru variant Používají se pro výběr v případě více variant řešení stejného problému Lze vybírat dle jednoho nebo více kritérií V případě více kritérií mohou mít všechna stejnou důležitost nebo
VíceRozhodovací procesy 8
Rozhodovací procesy 8 Rozhodování za jistoty Příprava předmětu byla podpořena projektem OPPA č. CZ.2.17/3.1.00/33253 VIII rozhodování 1 Rozhodování za jistoty Cíl přednášky 8: Rozhodovací analýza Stanovení
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
VíceStatické okolí Dynamické okolí relativně stabilní faktory
SIR Přednášející: doc. Ing. Jaroslav Knápek, CSc. Email: knapek@fel.cvut.cz Katedra: K1316, katedra ekonomiky, manažerství a humanitních věd Adresa: Zikova 2, 2. patro KH: úterý, 13-14 14 hod Manažerské
Více5. Lokální, vázané a globální extrémy
5 Lokální, vázané a globální extrémy Studijní text Lokální extrémy 5 Lokální, vázané a globální extrémy Definice 51 Řekneme, že f : R n R má v bodě a Df: 1 lokální maximum, když Ka, δ Df tak, že x Ka,
VíceVektorové 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
VíceŘízení projektů. Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT
Řízení projektů Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT 1 Úvod základní pojmy Projekt souhrn činností, které musí být všechny realizovány, aby byl projekt dokončen Činnost
VíceÚVOD DO ROZHODOVÁNÍ PŘEDNÁŠKA. OPTIMALIZACE A ROZHODOVÁNÍ V DOPRAVĚ Přednáška 1. Zuzana Bělinová
PŘEDNÁŠKA 1 ÚVOD DO ROZHODOVÁNÍ Organizační Vyučující Ing., Ph.D. email: belinova@k620.fd.cvut.cz Doporučená literatura Dudorkin J. Operační výzkum. Požadavky zápočtu docházka zápočtový test (21.5.2015)
VíceČASOVÁ HODNOTA PENĚZ. Manažerská ekonomika obor Marketingová komunikace. 8. přednáška Ing. Jarmila Ircingová, Ph.D.
ČASOVÁ HODNOTA PENĚZ Manažerská ekonomika obor Marketingová komunikace 8. přednáška Ing. Jarmila Ircingová, Ph.D. Časová hodnota peněz Každou peněžní operaci prováděnou v současnosti a zaměřenou do budoucnosti
VíceNerovnice a nerovnice v součinovém nebo v podílovém tvaru
Variace 1 Nerovnice a nerovnice v součinovém nebo v podílovém tvaru Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz
VíceKRITÉRIA EKONOMICKÉ EFEKTIVNOSTI
KRITÉRIA EKONOMICKÉ EFEKTIVNOSTI INVESTICE - Investiční rozhodování má dlouhodobé účinky - Je nutné se vyrovnat s faktorem času - Investice zvyšují poptávku, výrobu a zaměstnanost a jsou zdrojem dlouhodobého
VíceHodnocení ekonomické efektivnosti projektů Průměrný výnos z investice, doba návratnosti, ČSH, VVP
Hodnocení ekonomické efektivnosti projektů Průměrný výnos z investice, doba návratnosti, ČSH, VVP Investice je charakterizována jako odložená spotřeba. Podnikové investice jsou ty statky, které nejsou
VíceOperační výzkum. Teorie her. Hra v normálním tvaru. Optimální strategie. Maticové hry.
Operační výzkum Hra v normálním tvaru. Optimální strategie. Maticové hry. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky
Více4EK311 Operační výzkum. 1. Úvod do operačního výzkumu
4EK311 Operační výzkum 1. Úvod do operačního výzkumu Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka Garant kurzu:
VíceVEKTORY. Obrázek 1: Jediný vektor. Souřadnice vektoru jsou jeho průměty do souřadných os x a y u dvojrozměrného vektoru, AB = B A
VEKTORY Vektorem se rozumí množina všech orientovaných úseček, které mají stejnou velikost, směr a orientaci, což vidíme na obr. 1. Jedna konkrétní orientovaná úsečka se nazývá umístění vektoru na obr.
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VíceTeorie her a ekonomické rozhodování. 7. Hry s neúplnou informací
Teorie her a ekonomické rozhodování 7. Hry s neúplnou informací 7.1 Informace Dosud hráči měli úplnou informaci o hře, např. znali svou výplatní funkci, ale i výplatní funkce ostatních hráčů často to tak
VíceMatematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III
Vysoká škola báňská - Technická univerzita Ostrava 4. října 2018 Podmíněná pravděpodobnost Při počítání pravděpodobnosti můžeme k náhodnému pokusu přidat i nějakou dodatečnou podmínku. Podmíněná pravděpodobnost
Více13. cvičení z PSI ledna 2017
cvičení z PSI - 7 ledna 07 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Řešení:
Více4EK212 Kvantitativní management. 7.Řízení projektů
4EK212 Kvantitativní management 7.Řízení projektů 6.5 Řízení projektů Typická aplikace teorie grafů Projekt = soubor činností Příklady: Vývoj a uvedení nového výrobku Výstavba či rekonstrukce objektu Plán
VíceKMA Písemná část přijímací zkoušky - MFS 2o16
JMÉNO a PŘÍJMENÍ KMA Písemná část přijímací zkoušky - MFS 2o16 verze 1 / 28. 6. 2016 Pokyny k vypracování: Za každý správně vyřešený příklad lze získat 2 body. U zaškrtávacích otázek, je vždy správná právě
VíceÚvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 Mgr. Sekničková Jana, Ph.D. 2. PŘEDNÁŠKA MATEMATICKÝ MODEL ÚLOHY LP Mgr. Sekničková Jana, Ph.D. 2 OSNOVA PŘEDNÁŠKY Obecná formulace MM Množina
VíceInterpolace Uvažujme třídu funkcí jedné proměnné ψ(x; a 0,..., a n ), kde a 0,..., a n jsou parametry, které popisují jednotlivé funkce této třídy. Mějme dány body x 0, x 1,..., x n, x i x k, i, k = 0,
VíceKOOPERATIVNI 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
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceInženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.
Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je
VíceVýběr lokality pro bydlení v Brně
Mendelova univerzita v Brně Provozně ekonomická fakulta Výběr lokality pro bydlení v Brně Projekt do předmětu Optimalizační metody Martin Horák Brno 5 Mendelova univerzita v Brně Provozně ekonomická fakulta
VíceTeorie 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
VíceParametrické 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
VíceTeorie síťových modelů a síťové plánování
KSI PEF ČZU Teorie síťových modelů a síťové plánování Část přednášky doc. Jaroslava Švasty z předmětu systémové analýzy a modelování. Zápis obsahuje základní vymezení projektu, časového plánování a popis
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceObecná úloha lineárního programování. Úloha LP a konvexní množiny Grafická metoda. Jiří Neubauer. Katedra ekonometrie FEM UO Brno
Přednáška č. 3 Katedra ekonometrie FEM UO Brno Optimalizace portfolia Investor se s pomocí makléře rozhoduje mezi následujícími investicemi: akcie A, akcie B, státní pokladniční poukázky, dluhopis A, dluhopis
VíceJana 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
Více9 Kolmost vektorových podprostorů
9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.
VíceČasová hodnota peněz (2015-01-18)
Časová hodnota peněz (2015-01-18) Základní pojem moderní teorie financí. Říká nám, že peníze svoji hodnotu v čase mění. Díky časové hodnotě peněz jsme schopni porovnat různé investiční nebo úvěrové nabídky
VíceMULTIKRITERIÁLNÍ ROZHODOVÁNÍ VEKTOROVÁ OPTIMALIZACE
OPTIMALIZACE A ROZHODOVÁNÍ V DOPRAVĚ část druhá Přednáša 5 PŘEDNÁŠKA 5 MULTIKRITERIÁLNÍ ROZHODOVÁNÍ VEKTOROVÁ OPTIMALIZACE OPTIMALIZACE A ROZHODOVÁNÍ V DOPRAVĚ část druhá Přednáša 5 Multiriteriální rozhodování
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
Více4EK311 Operační výzkum. 6. Řízení projektů
4EK311 Operační výzkum 6. Řízení projektů 6. Řízení projektů Typická aplikace teorie grafů Projekt = soubor činností Příklady: Vývoj a uvedení nového výrobku Výstavba či rekonstrukce objektu Plán výrobního
VíceU 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
Více10. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo
0. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo (PEF PaA) Petr Gurka aktualizováno 9. prosince 202 Obsah Základní pojmy. Motivace.................................2 Aritmetický vektorový
VíceEXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek
EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření Jan Krystek 9. května 2019 CHYBY A NEJISTOTY MĚŘENÍ Každé měření je zatíženo určitou nepřesností způsobenou nejrůznějšími negativními vlivy,
VíceNÁSTROJE A TECHNIKY PROJEKTOVÉHO MANAGEMENTU. Projektová dekompozice
NÁSTROJE A TECHNIKY PROJEKTOVÉHO MANAGEMENTU Projektová dekompozice Úvod do vybraných nástrojů projektového managementu METODY A TECHNIKY PROJEKTOVÉHO MANAGEMENTU Tvoří jádro projektového managementu.
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
VíceOperace s maticemi. 19. února 2018
Operace s maticemi Přednáška druhá 19. února 2018 Obsah 1 Operace s maticemi 2 Hodnost matice (opakování) 3 Regulární matice 4 Inverzní matice 5 Determinant matice Matice Definice (Matice). Reálná matice
VíceOdhady - Sdružené rozdělení pravděpodobnosti
Odhady - Sdružené rozdělení pravděpodobnosti 4. listopadu 203 Kdybych chtěl znát maximum informací o náhodné veličině, musel bych znát všechny hodnoty, které mohou padnout, a jejich pravděpodobnosti. Tedy
VíceREÁLNÁ FUNKCE JEDNÉ PROMĚNNÉ
REÁLNÁ FUNKCE JEDNÉ PROMĚNNÉ 5 přednáška S funkcemi se setkáváme na každém kroku ve všech přírodních vědách ale i v každodenním životě Každá situace kdy jsou nějaký jev nebo veličina jednoznačně určeny
VíceOtázky ke státní závěrečné zkoušce
Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního
VíceEkonomická 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
VíceKategorická data METODOLOGICKÝ PROSEMINÁŘ II TÝDEN 7 4. DUBNA dubna 2018 Lukáš Hájek, Karel Höfer Metodologický proseminář II 1
Kategorická data METODOLOGICKÝ PROSEMINÁŘ II TÝDEN 7 4. DUBNA 2018 4. dubna 2018 Lukáš Hájek, Karel Höfer Metodologický proseminář II 1 Typy proměnných nominální (nominal) o dvou hodnotách lze říci pouze
VíceMULTIKRITERIÁLNÍ ROZHODOVÁNÍ KOMPLEXNÍ HODNOCENÍ ALTERNATIV
PŘEDNÁŠKA 6 MULTIKRITERIÁLNÍ ROZHODOVÁNÍ KOMPLEXNÍ HODNOCENÍ ALTERNATIV Multikriteriální rozhodování Možnosti řešení podle toho, jaká je množina alternativ pokud množina alternativ X je zadaná implicitně
VíceKapitola 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
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
Vícecv3.tex. Vzorec pro úplnou pravděpodobnost
3 cvičení - pravděpodobnost 2102018 18cv3tex n i=1 Vzorec pro úplnou pravděpodobnost Systém náhodných jevů nazýváme úplným, jestliže pro něj platí: B i = 1 a pro i k je B i B k = 0 Jestliže je (Ω, A, P
VíceAKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A
AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice
VíceKvantitativní metody v rozhodování. Marta Doubková
Kvantitativní metody v rozhodování Marta Doubková Seminární práce 28 OBSAH 1 LINEÁRNÍ PROGRAMOVÁNÍ KAPACITNÍ ÚLOHA... 3 2 DISTRIBUČNÍ ÚLOHA... 7 3 ANALÝZA KRITICKÉ CESTY METODA CPM... 13 4 MODEL HROMADNÉ
VíceMATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
VíceSTATISTICKÉ 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
VíceCharakteristika rizika
Charakteristika rizika Riziko je možnost, že se dosažené výsledky podnikání budou příznivě či nepříznivě odchylovat od předpokládaných výsledků. Odchylky od předpokladu jsou: a) příznivé b) nepříznivé
VíceZadání 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
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
VíceTéma 2: Časová hodnota peněz a riziko. 2. Riziko ve finančním rozhodování. 1. Časová hodnota peněz ve finančním rozhodování podniku
Téma 2: Časová hodnota peněz a riziko ve finančním rozhodování 1. Časová hodnota peněz ve finančním rozhodování podniku 2. Riziko ve finančním rozhodování - rizika systematická a nesystematická - podnikatelské
VíceČistá současná hodnota a vnitřní výnosové procento
Čistá současná hodnota a vnitřní výnosové procento Co je to čistá současná hodnota? Čistá současná hodnota představuje rozdíl mezi diskontovanými peněžními příjmy z určité činnosti a výdaji na tuto činnost.
VícePojem a úkoly statistiky
Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby
VíceÚVOD. Dokonalé informace známe všechny možné stavy světa Nereálné
RIZIKO ÚVOD Dokonalé informace známe všechny možné stavy světa Nereálné Rozhodování v nejistotě Známe všechny možné situace a jejich pravděpodobnosti Známe všechny možné situace, ale ne jejich pravděpodobnosti
Více