CAPM atd. Martin Šmíd, listopad 2005
|
|
- Danuše Sedláková
- před 8 lety
- Počet zobrazení:
Transkript
1 CAPM atd. Martin Šmíd, ÚTIA AV ČR listopad 2005
2 Obsah 1. Výběr portfolia 2. CAPM s bezrizikovým aktivem 3. Empirické ověření CAPM Domácí úkol
3 Literatura E. Barucci. Financial Markets Theory. Springer, London, K. Cuthbertson. Quantitative Financial Economics. John Wiley & sons, New York, J. Dupačová, J. Hurt, and J. Štěpán. Stochastic Modelling in Economics and Finance. Kluwer, Dodrecht, 2002.
4 Motto Má vůbec smysl zabývat se (matematickými) modely?
5 Motto Má vůbec smysl zabývat se (matematickými) modely? Paul Krugman říká In fact, we are all builders and purveyors of unrealistic simplifications. Some of us are self-aware: we use our models as metaphors. Others, including people who are indisputably brilliant and seemingly sophisticated, are sleepwalkers: they unconsciously use metaphors as models.
6 Motto Má vůbec smysl zabývat se (matematickými) modely? Paul Krugman říká In fact, we are all builders and purveyors of unrealistic simplifications. Some of us are self-aware: we use our models as metaphors. Others, including people who are indisputably brilliant and seemingly sophisticated, are sleepwalkers: they unconsciously use metaphors as models. Jinými slovy: rozhodujeme se bud vědomě nebo nevědomě, výběr je na nás!
7 1. Výběr portfolia Předpoklady Agenti M agentů Wi - současné bohatství i-tého agenta ui (W) - užitek i-tého agenta z bohatství W
8 1. Výběr portfolia Předpoklady Agenti M agentů Wi - současné bohatství i-tého agenta ui (W) - užitek i-tého agenta z bohatství W Aktiva N aktiv ri náhodný normalizovaný výnos i-tého aktiva
9 1. Výběr portfolia Předpoklady Agenti M agentů Wi - současné bohatství i-tého agenta ui (W) - užitek i-tého agenta z bohatství W Aktiva N aktiv ri náhodný normalizovaný výnos i-tého aktiva i-tý agent řeší (předpokládejme existenci řešení) max Eu i (r w) (1) w R N,w 1=W i
10 Portfoliová hranice (PH) Střední výnos a směrodatné odchylky všech možných portfolíı tvoří tvar viz obrázek (položená odmocněná parabola)
11 Portfoliová hranice (PH) Střední výnos a směrodatné odchylky všech možných portfolíı tvoří tvar viz obrázek (položená odmocněná parabola) 1. Je-li Eu i (z) klesající s rostoucím Dz (D označuje rozptyl), pak optimální portfolio každého agenta leží na tzv. portfoliové hranici (PH).
12 Portfoliová hranice (PH) Střední výnos a směrodatné odchylky všech možných portfolíı tvoří tvar viz obrázek (položená odmocněná parabola) 1. Je-li Eu i (z) klesající s rostoucím Dz (D označuje rozptyl), pak optimální portfolio každého agenta leží na tzv. portfoliové hranici (PH). 2. Je-li navíc Eu i (z) rostoucí s rostoucím Ez, jsou-li indiferenční křivky K x = {(Ez, Dz) : z je n.v., u i (z) = x} striktně konvexní a je-li Dr regulární, pak je optimální portfolio určeno jednoznačně.
13 Portfoliová hranice (PH) Střední výnos a směrodatné odchylky všech možných portfolíı tvoří tvar viz obrázek (položená odmocněná parabola) 1. Je-li Eu i (z) klesající s rostoucím Dz (D označuje rozptyl), pak optimální portfolio každého agenta leží na tzv. portfoliové hranici (PH). 2. Je-li navíc Eu i (z) rostoucí s rostoucím Ez, jsou-li indiferenční křivky K x = {(Ez, Dz) : z je n.v., u i (z) = x} striktně konvexní a je-li Dr regulární, pak je optimální portfolio určeno jednoznačně.
14 Poznámky Předpoklady (1) a (2) jsou splněny například když ui je kvadratická rostoucí konkávní (tj. pokud u i (z) = az bz 2, a, b > 0) r má normální rozdělení a ui je rostoucí konkávní diferencovatelná platí jiné omezující podmínky na rozdělení r a/nebo užitkovou funkci u i, viz [Barucci(2003)]
15 Poznámky Předpoklady (1) a (2) jsou splněny například když ui je kvadratická rostoucí konkávní (tj. pokud u i (z) = az bz 2, a, b > 0) r má normální rozdělení a ui je rostoucí konkávní diferencovatelná platí jiné omezující podmínky na rozdělení r a/nebo užitkovou funkci u i, viz [Barucci(2003)] Pro optimální portfolio se předepsaným střidním výnosem Existuje analytický vzorec.
16 Poznámky Předpoklady (1) a (2) jsou splněny například když ui je kvadratická rostoucí konkávní (tj. pokud u i (z) = az bz 2, a, b > 0) r má normální rozdělení a ui je rostoucí konkávní diferencovatelná platí jiné omezující podmínky na rozdělení r a/nebo užitkovou funkci u i, viz [Barucci(2003)] Pro optimální portfolio se předepsaným střidním výnosem Existuje analytický vzorec. Předpokládali jsme možnost krátkých prodejů, analogická tvrzení však platí i pokud je zakážeme
17 Poznámky Předpoklady (1) a (2) jsou splněny například když ui je kvadratická rostoucí konkávní (tj. pokud u i (z) = az bz 2, a, b > 0) r má normální rozdělení a ui je rostoucí konkávní diferencovatelná platí jiné omezující podmínky na rozdělení r a/nebo užitkovou funkci u i, viz [Barucci(2003)] Pro optimální portfolio se předepsaným střidním výnosem Existuje analytický vzorec. Předpokládali jsme možnost krátkých prodejů, analogická tvrzení však platí i pokud je zakážeme Regularita matice Dr není omezující. Singularita totiž implikuje replikaci výnosů (tj. stejný výnos dosáhneme i po vyžazení replikovaných veličin) nebo arbitráž (tj není co řešit, stačí nakoupit nekonečné množství arbitřážního portfolia a máme nekonečný zisk).
18 Předpoklady Aktiva Existuje bezrizikové aktivum ((ozn. rf jeho výnos a r vektor aktiv včecně b.a., indexovaného nulou) rozptylová matice rizikových aktiv V = Dr je regulární každé portfolio na eficientní hranici (horní půlka PH) má větší střední výnos než b.a. 1 Asi se ptáte, kde se v (1) objevuje cena? Odpověd zní: skrývá se ve výnosu - r j = R j/p j kde R j výnos z jednotky aktiva)
19 Předpoklady Aktiva Existuje bezrizikové aktivum ((ozn. rf jeho výnos a r vektor aktiv včecně b.a., indexovaného nulou) rozptylová matice rizikových aktiv V = Dr je regulární každé portfolio na eficientní hranici (horní půlka PH) má větší střední výnos než b.a. Agenti agenti jsou averzní k riziku ( ui je konkávní 1 i M) 1 Asi se ptáte, kde se v (1) objevuje cena? Odpověd zní: skrývá se ve výnosu - r j = R j/p j kde R j výnos z jednotky aktiva)
20 Předpoklady Aktiva Existuje bezrizikové aktivum ((ozn. rf jeho výnos a r vektor aktiv včecně b.a., indexovaného nulou) rozptylová matice rizikových aktiv V = Dr je regulární každé portfolio na eficientní hranici (horní půlka PH) má větší střední výnos než b.a. Agenti agenti jsou averzní k riziku ( ui je konkávní 1 i M) Dále platí jedna z podmínek zaručující, že optimální portfolio každého agenta leží na PH (viz 1) existuje tržní rovnováha (ekvilibrium), t.j. existuje vektor p R N+1 tak, že (i) portfolia všech agentů jsou optimální ve smyslu (1) 1 (ii)èm i=1 wi = wm kde w i je portfolio i-tého agenta a w m je tržní portfolio všech aktiv na trhu (včetně bezrizikového) (např. pokud u i jsou striktně konkávní spojité + technické předpoklady, viz [Barucci(2003), kpt. 1]) 1 Asi se ptáte, kde se v (1) objevuje cena? Odpověd zní: skrývá se ve výnosu - r j = R j/p j kde R j výnos z jednotky aktiva)
21 Separace do dvou fondů (s b. a.) Necht µ r f. Lze předpokládat W i = 1 (stačí použít jiné měřítko). Úloha min D( w r), (+) w R N+1, w 1=1,E( w r)=µ
22 Separace do dvou fondů (s b. a.) Necht µ r f. Lze předpokládat W i = 1 (stačí použít jiné měřítko). Úloha je zjevně ekvivalentní min D( w r), (+) w R N+1, w 1=1,E( w r)=µ min w Vw (++). w R N, w 1=1,E(w r+(1 w 1)r f )=µ
23 Separace do dvou fondů (s b. a.) Necht µ r f. Lze předpokládat W i = 1 (stačí použít jiné měřítko). Úloha je zjevně ekvivalentní min D( w r), (+) w R N+1, w 1=1,E( w r)=µ min w Vw (++). w R N, w 1=1,E(w r+(1 w 1)r f )=µ Řešení(++): w µ = (µ r f )V 1 (Er r f 1) Arf 2, 2Br f + C A = 1 V 1 1,B = 1 V 1 (Er),C = (Er) V 1 (Er). (pomocí Lagrangeových multiplikátorů, viz literatura)
24 Separace do dvou fondů (s b. a.) Necht µ r f. Lze předpokládat W i = 1 (stačí použít jiné měřítko). Úloha je zjevně ekvivalentní min D( w r), (+) w R N+1, w 1=1,E( w r)=µ min w Vw (++). w R N, w 1=1,E(w r+(1 w 1)r f )=µ Řešení(++): w µ = (µ r f )V 1 (Er r f 1) Arf 2, 2Br f + C A = 1 V 1 1,B = 1 V 1 (Er),C = (Er) V 1 (Er). (pomocí Lagrangeových multiplikátorů, viz literatura) řešení (+): w µ = ( δ, (1 δ)w t), δ = 1 (µ r f )(B Ar f ) Ar 2 f 2Br f + C, wt = V 1 (Er r f 1) B Ar f.
25 Separace do dvou fondů (pokr.) Protože w t je řešením (+) (pro µ = µ t = (C Br f )/(B Ar f )), máme: Větu o separaci do dvou fondů: Každé eficientní portfolio (tj. ležící na EH) sestává s určitého množství b.a. a určité váhy w t.
26 Separace do dvou fondů (pokr.) Protože w t je řešením (+) (pro µ = µ t = (C Br f )/(B Ar f )), máme: Větu o separaci do dvou fondů: Každé eficientní portfolio (tj. ležící na EH) sestává s určitého množství b.a. a určité váhy w t. Důsledek: w m = (c,dw t ) pro nějaká c,d 0
27 Separace do dvou fondů (pokr.) Protože w t je řešením (+) (pro µ = µ t = (C Br f )/(B Ar f )), máme: Větu o separaci do dvou fondů: Každé eficientní portfolio (tj. ležící na EH) sestává s určitého množství b.a. a určité váhy w t. Důsledek: w m = (c,dw t ) pro nějaká c,d 0 viz [Dupačová et al.(2002)dupačová, Hurt, and Štěpán]
28 CAPM Na čem závisí prémie za riziko? Po úpravách dostaneme Er r f } {{ 1 = ρ t } σ 2 (µ t r f ) t riz prémie kde σ 2 t = D(w t r) = µ t r f B Ar f, ρ t = cov(r r f 1,wt r) = Er r f 1 B Ar f
29 Dodatky Exisutje CAPM pro případ pouze rizikových aktiv.
30 Dodatky Exisutje CAPM pro případ pouze rizikových aktiv. + další modifikace.
31 Dodatky Exisutje CAPM pro případ pouze rizikových aktiv. + další modifikace. Místo výnosů w t se bere akciový index.
32 Dodatky Exisutje CAPM pro případ pouze rizikových aktiv. + další modifikace. Místo výnosů w t se bere akciový index. Za r f se obyčjeně berou státní pokladniční poukázky
33 Dodatky Exisutje CAPM pro případ pouze rizikových aktiv. + další modifikace. Místo výnosů w t se bere akciový index. Za r f se obyčjeně berou státní pokladniční poukázky Koeficienty β i se odhadují pomocí regrese.
34 Test CAPM Z předchozího máme Er = β(µ t r f ) + 1 r f, β R N neboli kde r t je výnos w t r = β(r t r f ) + 1 r f + ǫ, β R N, Eǫ = 0,
35 Test CAPM Z předchozího máme Er = β(µ t r f ) + 1 r f, β R N neboli r = β(r t r f ) + 1 r f + ǫ, β R N, Eǫ = 0, kde r t je výnos w t Označme r τ f,rτ,r τ t,ǫτ - hodnoty příslušných veličin v čase τ, 1 τ T. Jsou-li ǫ 1,ǫ 2,... nezávislé (nebo platí-li jiná podobná hypotéza), pak jsou historické průměry výnosů jsou konzistentními odhady středních hodnot.
36 Test CAPM Z předchozího máme Er = β(µ t r f ) + 1 r f, β R N neboli r = β(r t r f ) + 1 r f + ǫ, β R N, Eǫ = 0, kde r t je výnos w t Označme r τ f,rτ,r τ t,ǫτ - hodnoty příslušných veličin v čase τ, 1 τ T. Jsou-li ǫ 1,ǫ 2,... nezávislé (nebo platí-li jiná podobná hypotéza), pak jsou historické průměry výnosů jsou konzistentními odhady středních hodnot. Test má dva kroky 1. Odhad β 2. Zjištění, zda β vyhovují CAPM
37 Přesněji Testujeme platnost modelu r i = β(r t r f ) + r f + ǫ i, 1 i N
38 Přesněji Testujeme platnost modelu r i = β(r t r f ) + r f + ǫ i, 1 i N 1. Pro každé 1 i N z rovnic r τ i r t = α i + β i (r τ t r τ f ) + rτ f + ǫ τ i, 1 τ T odhadneme α i,β i (za r t vezmeme hodnotu burzovního indexu, za r f SPP nebo třeba nějaký úrokový index). Pokud některé α i vyjde významně nenulové, svědčí to proti modelu.
39 Přesněji Testujeme platnost modelu r i = β(r t r f ) + r f + ǫ i, 1 i N 1. Pro každé 1 i N z rovnic r τ i r t = α i + β i (r τ t r τ f ) + rτ f + ǫ τ i, 1 τ T odhadneme α i,β i (za r t vezmeme hodnotu burzovního indexu, za r f SPP nebo třeba nějaký úrokový index). Pokud některé α i vyjde významně nenulové, svědčí to proti modelu. 2. Z rovnic r i = ψ 0 + ψ 1 ˆβi + υ i, 1 i N, kde ˆβ i je odhad β i z prvního kroku, odhadneme ψ 0,ψ 1 a sledujeme, zda ψ 0. = rf, ψ 1. = rt r f, kde x znamená časový průměr x.
40 Ekonometrické poznámky
41 Ekonometrické poznámky Ad 1. Jak odhadovat β? Standardní předpoklad, že covǫ i,(r t,r f ), neplatí. Rovnice z kroku 1. však lze transformovat tak, že se tento probém nevyskytne [Barucci(2003)]
42 Ekonometrické poznámky Ad 1. Jak odhadovat β? Standardní předpoklad, že covǫ i,(r t,r f ), neplatí. Rovnice z kroku 1. však lze transformovat tak, že se tento probém nevyskytne [Barucci(2003)] Ad 2. Spíše heuristika (bereme zde odhady parametrů místo jejich skutečných hodnot).
43 Zadání semestrální práce Odhadněte β i u některé akcie z trhu SPAD (každý student jiné). Pro odhad použijte alespoň 100 pozorování. Za bezrizikový výnos vezměte příslušnou hodnotu indexu PRIBOR, za tržní (tangenciální) portfolio vezměte index PX50. Vyhodnot te výsledky regrese (R 2, F-statistiku a obě t-statistiky) a jejich implikace pro platnost modelu CAPM. Výsledky zašlete alespoň týden před termínem zkoušky na adresu martin@klec.cz.
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
VíceD D P. e e e. ...požadovaná výnosová míra D...očekávané dividendy P. očekávaná prodejní cena. D n. n nekonečno. e e e e
Téma 8: Chování cen akcií a investiční management Struktura přednášky: 1. Chování cen akcií fundamentální a technická analýza a teorie efektivních trhů. Riziko a výnos Markowitzův model 3. Kapitálový trh
VíceÚvod do teorie portfolia. CAPM model. APT model Výhody vs. nevýhody modelů CML SML. Beta faktor
Radka Domanská 1 Úvod do teorie portfolia CML CAPM model SML Beta faktor APT model Výhody vs. nevýhody modelů 2 Množina dostupných portfolií Všechna možná portfolia, která mohou být vytvořena ze skupiny
VíceMatematicko-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
VíceOptimalizace portfolia a míry rizika. Pavel Sůva
Základní seminář 6. října 2009 Obsah Úloha optimalizace portfolia Markowitzův model Míry rizika Value-at-Risk Conditional Value-at-Risk Drawdown míry rizika Minimalizační formule Optimalizační modely Empirická
VíceKMA/MAB. Kamila Matoušková (A07142) Plzeň, 2009 EFEKTIVNÍ PORFÓLIO V MARKOWITZOVĚ SMYSLU
EFEKTIVNÍ PORFÓLIO V MARKOWITZOVĚ SMYSLU KMA/MAB Kamila Matoušková (A07142) Plzeň, 2009 Obsahem práce je vytvoření efektivního portfolia v Markowitzově smyslu.z akcií obchodovaných na SPADu. Dále je uvažována
VíceNáhodné 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,
VíceMatematika I A ukázkový test 1 pro 2014/2015
Matematika I A ukázkový test 1 pro 2014/2015 1. Je dána soustava rovnic s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napište Frobeniovu větu (existence i počet řešení). b)
VíceÚvod do analýzy cenných papírů. Dagmar Linnertová 5. Října 2009
Úvod do analýzy cenných papírů Dagmar Linnertová 5. Října 2009 Investice a investiční rozhodování Každý je potenciální investor Nevynaložením prostředků na svou současnou potřebu se jí tímto vzdává Mít
VíceMartin Chudoba. Seminář - Stochastické modelování v ekonomii a financích KPMS MFF UK. dluhopisů pomocí. Black-Scholesova modelu. M.Chudoba.
Martin Chudoba s Seminář - Stochastické modelování v ekonomii a financích KPMS MFF UK 18.10.2010 Uvažujeme bezkupónový dluhopis vyplácející jednotku v čase T Za předpokladu konstantní úrokové míry r pro
VíceMatematika I A ukázkový test 1 pro 2011/2012. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a
Matematika I A ukázkový test 1 pro 2011/2012 1. Je dána soustava rovnic s parametrem a R x y + z = 1 a) Napište Frobeniovu větu. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a b) Vyšetřete počet řešení soustavy
VíceIX. Vyšetřování průběhu funkce
IX. Vyšetřování průběhu funkce Úvodní poznámky: Cíl: vyšetřit průběh dané funkce f. Zahrnuje: základní vlastnosti: D(f), spojitost, limity v krajních bodech, průsečíky s osami souřadnic, intervaly, kde
VíceZměna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
VíceVlastní (charakteristická) čísla a vlastní (charakteristické) Pro zadanou čtvercovou matici A budeme řešit maticovou
1 Vlastní (charakteristická) čísla a vlastní (charakteristické) vektory matice Pro zadanou čtvercovou matici A budeme řešit maticovou rovnici A x = λ x, kde x je neznámá matice o jednom sloupci (sloupcový
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
Více15. Nulové body a póly. Věta. Je-li funkce f : G holomorfní v oblasti G a f(z 0 ) 0 pro z 0 G, pak
5. Nulové body a póly Věta. Je-li funkce f holomorfní v oblasti G C, a f(z 0 ) 0 pro bod z 0 G, pak existuje okolí U(z 0 ) bodu z 0 takové, že f(z) 0 pro z U(z 0 ). Definice: Je-li funkce f holomorfní
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
Vícek riziku a ve svém důsledku vedlo použití modelu k diverzifikaci portfolia.
MARKOWITZŮV MODEL OPTIMÁLNÍ VOLBY PORTFOLIA PŘEDPOKLADY, DATA, ALTERNATIVY Jitka Dupačová - příprava k přednášce pro ČSOB a Analýze investic Za zakladatele moderní teorie portfolia je pokládán H. Markowitz
Více10 Funkce více proměnných
M. Rokyta, MFF UK: Aplikovaná matematika II kap. 10: Funkce více proměnných 16 10 Funkce více proměnných 10.1 Základní pojmy Definice. Eukleidovskou vzdáleností bodů x = (x 1,...,x n ), y = (y 1,...,y
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,
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
Více5 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
VíceZměna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
VíceStatistická analýza dat
Statistická analýza dat Jméno: Podpis: Cvičení Zkouška (písemná + ústní) 25 Celkem 50 Známka Pokyny k vypracování: doba řešení je 120min, jasně zodpovězte pokud možno všechny otázky ze zadání, pracujte
VíceKapitola 11: Lineární diferenciální rovnice 1/15
Kapitola 11: Lineární diferenciální rovnice 1/15 Lineární diferenciální rovnice 2. řádu Definice: Lineární diferenciální rovnice 2-tého řádu je rovnice tvaru kde: y C 2 (I) je hledaná funkce a 0 (x)y +
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 7: Autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Autokorelace - teorie Zopakujte si G-M
VíceÚlohy nejmenších čtverců
Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.
VíceFakt. Každou soustavu n lineárních ODR řádů n i lze eliminací převést ekvivalentně na jednu lineární ODR
DEN: ODR teoreticky: soustavy rovnic Soustava lineárních ODR 1 řádu s konstantními koeficienty je soustava ve tvaru y 1 = a 11 y 1 + a 12 y 2 + + a 1n y n + b 1 (x) y 2 = a 21 y 1 + a 22 y 2 + + a 2n y
VíceMatematické modelování Náhled do ekonometrie. Lukáš Frýd
Matematické modelování Náhled do ekonometrie Lukáš Frýd Výnos akcie vs. Výnos celého trhu - CAPM model r it = r ft + β 1. (r mt r ft ) r it r ft = α 0 + β 1. (r mt r ft ) + ε it Ekonomický (finanční model)
VíceStochastická dominance a optimalita portfolií
Dopravní fakulta ČVUT 2010 Obsah 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních
VícePřijímací zkouška na navazující magisterské studium 2014
Přijímací zkouška na navazující magisterské studium 4 Studijní program: Studijní obory: Příklad (5 bodů) Spočtěte Matematika MA, MMIB, MMFT, MSTR, NVM, PMSE, MDU Varianta A M xy dxdy, kde M = {(x, y) R
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 7: Časově řady, autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Časové řady Data: HDP.wf1
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
Více2 Hlavní charakteristiky v analýze přežití
2 Hlavní charakteristiky v analýze přežití Předpokládané výstupy z výuky: 1. Student umí definovat funkci přežití, rizikovou funkci a kumulativní rizikovou funkci a zná funkční vazby mezi nimi 2. Student
VíceOhraničená Hessova matice ( bordered hessian ) je. Sestrojíme posloupnost determinantů (minorů):
Ohraničená Hessova matice ( bordered hessian ) je matice 2. parc. derivací L vzhledem k λ λ r x x n v tomto pořadí: g 0 0 g x n g 0 0 2 g 2 x n g 0 0 r g x HB = r x n g g r 2 L 2 L. x 2 x x n g g x 2 r
Vícez dat nasbíraných v letech 1959 1994. Ke zpracování dat byl použit statistický software R. Základní model poptávkové funkce, ze kterého vycházíme,
Úloha 1: V naší studii se zabýváme poptávkovou funkcí životního pojištění, vycházíme z dat nasbíraných v letech 1959 1994. Ke zpracování dat byl použit statistický software R. Základní model poptávkové
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VíceLWS při heteroskedasticitě
Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených
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
VícePřemysl Bejda.
premyslbejda@gmail.com 2010 Obsah 1 2 3 Obchodovatelnost Cena rizika Obsah 1 2 3 Obchodovatelnost Cena rizika Obsah 1 2 3 Obchodovatelnost Cena rizika Itôovo lemma Lemma (Itôovo) Necht X t je stochastický
VíceNMAF 051, ZS Zkoušková písemná práce 16. ledna 2009
Jednotlivé kroky při výpočtech stručně, ale co nejpřesněji odůvodněte. Pokud používáte nějaké tvrzení, nezapomeňte ověřit splnění předpokladů. Jméno a příjmení: Skupina: Příklad 3 5 Celkem bodů Bodů 8
VíceMatice. Modifikace matic eliminační metodou. α A = α a 2,1, α a 2,2,..., α a 2,n α a m,1, α a m,2,..., α a m,n
[1] Základní pojmy [2] Matice mezi sebou sčítáme a násobíme konstantou (lineární prostor) měníme je na jiné matice eliminační metodou násobíme je mezi sebou... Matice je tabulka čísel s konečným počtem
Více1. Obyčejné diferenciální rovnice
& 8..8 8: Josef Hekrdla obyčejné diferenciální rovnice-separace proměnných. Obyčejné diferenciální rovnice Rovnice, ve které je neznámá funkcí a v rovnici se vyskytuje spolu se svými derivacemi, se nazývá
Více1 Determinanty a inverzní matice
Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
VíceMatematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
Vícena magisterský studijní obor Učitelství matematiky pro střední školy
Datum:... Jméno:... Přijímací řízení pro akademický rok 203/4 na magisterský studijní obor Učitelství matematiky pro střední školy Písemná část přijímací zkoušky z matematiky Za každou správnou odpověd
VícePřednáška 11, 12. prosince Část 5: derivace funkce
Přednáška 11, 12. prosince 2014 Závěrem pasáže o spojitých funkcích zmíníme jejich podtřídu, lipschitzovské funkce, nazvané podle německého matematika Rudolfa Lipschitze (1832 1903). Fukce f : M R je lipschitzovská,
Více13. přednáška 13. ledna k B(z k) = lim. A(z) = M(z) m 1. z m.
13. přednáška 13. ledna 2010 Důkaz. M = n=0 a nz n a N = n=0 b nz n tedy buďte dvě mocninné řady, které se jako funkce shodují svými hodnotami na nějaké prosté posloupnosti bodů z k C konvergující k nule.
Více3 Lineární kombinace vektorů. Lineární závislost a nezávislost
3 Lineární kombinace vektorů. Lineární závislost a nezávislost vektorů. Obrázek 5: Vektor w je lineární kombinací vektorů u a v. Vektory u, v a w jsou lineárně závislé. Obrázek 6: Vektor q je lineární
VíceÚvod. Kapitálové statky výrobek není určen ke spotřebě, ale k další výrobě (postupná spotřeba) amortizace Finanční kapitál cenné papíry
TRH KAPITÁLU Úvod Kapitálové statky výrobek není určen ke spotřebě, ale k další výrobě (postupná spotřeba) amortizace Finanční kapitál cenné papíry Vznik díky odložené spotřebě Nutná kompenzace možnost
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceUčební texty k státní bakalářské zkoušce Matematika Základy teorie funkcí více proměnných. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Základy teorie funkcí více proměnných študenti MFF 15. augusta 2008 1 5 Základy teorie funkcí více proměnných Požadavky Parciální derivace a totální
VícePozn. 1. Při návrhu aproximace bychom měli aproximační funkci vybírat tak, aby vektory ϕ (i) byly lineárně
9. Řešení typických úloh diskrétní metodou nejmenších čtverců. DISKRÉTNÍ METODA NEJMENŠÍCH ČTVERCŮ použití: v případech, kdy je nevhodná interpolace využití: prokládání dat křivkami, řešení přeurčených
VíceFINANČNÍ A INVESTIČNÍ MATEMATIKA 2
FINANČNÍ A INVESTIČNÍ MATEMATIKA 2 Metodický list č. 1 Název tématického celku: Dluhopisy a dluhopisové portfolio I. Cíl: Základním cílem tohoto tematického celku je popsat dluhopisy jako investiční instrumenty,
Více1. 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
VíceBodové a intervalové odhady parametrů v regresním modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model Mějme lineární regresní model (LRM) Y = Xβ + e, kde y 1 e 1 β y 2 Y =., e
VíceZápadočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky. Bakalářská práce Optimalizační úlohy v teorii portfolia
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky Bakalářská práce Optimalizační úlohy v teorii portfolia Plzeň 2017 Šárka Kopová Prohlášení Prohlašuji, že jsem tuto bakalářskou
VíceÚvod 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
VíceMatematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29
Matematika 1 11. přednáška MA1 1 Opakování 2 Determinant 3 Adjungovaná matice 4 Cramerovo pravidlo 5 Vlastní čísla a vlastní vektory matic 6 Zkouška; konzultace; výběrová matematika;... 11. přednáška (15.12.2010
VícePodobnostní transformace
Schurova věta 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci tak, aby se řešení úlohy
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
Více9. přednáška 26. listopadu f(a)h < 0 a pro h (0, δ) máme f(a 1 + h, a 2,..., a m ) f(a) > 1 2 x 1
9 přednáška 6 listopadu 007 Věta 11 Nechť f C U, kde U R m je otevřená množina, a a U je bod Pokud fa 0, nemá f v a ani neostrý lokální extrém Pokud fa = 0 a H f a je pozitivně negativně definitní, potom
VíceEKONOMETRIE 4. přednáška Modely chování spotřebitele
EKONOMETRIE 4. řednáška Modely chování sotřebitele Rozočtové omezení Sotřebitel ři svém rozhodování resektuje tzv. rozočtové omezení x + x y, kde x i množství i-té sotřební komodity, i cena i-té sotřební
VíceSoustavy. Terminologie. Dva pohledy na soustavu lin. rovnic. Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová.
[1] Terminologie [2] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová matice.
VíceKapitola 11: Vektory a matice:
Kapitola 11: Vektory a matice: Prostor R n R n = {(x 1,, x n ) x i R, i = 1,, n}, n N x = (x 1,, x n ) R n se nazývá vektor x i je i-tá souřadnice vektoru x rovnost vektorů: x = y i = 1,, n : x i = y i
Více[1] Motivace. p = {t u ; t R}, A(p) = {A(t u ); t R} = {t A( u ); t R}
Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost s diagonální
Více5 Časové řady. Definice 16 Posloupnost náhodných veličin {X t, t T } nazveme slabě stacionární, pokud
5 Časové řady Časovou řadou rozumíme posloupnost reálných náhodných veličin X 1,..., X n, přičemž indexy t = 1,..., n interpretujeme jako časové okamžiky. Někdy však uvažujeme i nekonečné posloupnosti
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VíceOtázku, kterými body prochází větev implicitní funkce řeší následující věta.
1 Implicitní funkce Implicitní funkce nejsou funkce ve smyslu definice, že funkce bodu z definičního oboru D přiřadí právě jednu hodnotu z oboru hodnot H. Přesnější termín je funkce zadaná implicitně.
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
VíceFinanční management. Nejefektivnější portfolio (leží na hranici) dle Markowitze: Přímka kapitálového trhu
Finanční anageent Příka kapitálového trhu, odel CAPM, systeatické a nesysteatické riziko Příka kapitálového trhu Čí vyšší e sklon křivky, tí vyšší e nechuť investora riskovat. očekávaný výnos Množina všech
VíceÁ ě Ě Ň Ý ř ě ř Ř Ě Á Ž ú ř Ž ě Š Ž ě Ž ř ů Ž ř ú ř ř ř ě ě ř ů ř ř ě Ň Ý Ě Á ř ě Ž ř ů ú Ž ř ř Ž Ž ů ř Ž ě ř Ž Í Í Ě Á ě ř Ž ř ž ř ř ž ž Ž Á Í ř ž ř ř ř ř Í Í Ě Á Á ř ř ě ů ěř ě ěř Á Í Ň Ý ř Ý ž ě ě ř
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
VícePrůvodce studiem. do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
6. Extrémy funkcí více proměnných Průvodce studiem Hledání extrémů je v praxi často řešená úloha. Např. při cestě z bodu A do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
Více[1] samoopravné kódy: terminologie, princip
[1] Úvod do kódování samoopravné kódy: terminologie, princip blokové lineární kódy Hammingův kód Samoopravné kódy, k čemu to je [2] Data jsou uložena (nebo posílána do linky) kodérem podle určitého pravidla
Vícez = a bi. z + v = (a + bi) + (c + di) = (a + c) + (b + d)i. z v = (a + bi) (c + di) = (a c) + (b d)i. z v = (a + bi) (c + di) = (ac bd) + (bc + ad)i.
KOMLEXNÍ ČÍSLA C = {a + bi; a, b R}, kde i 2 = 1 Číslo komplexně sdružené k z = a + bi je číslo z = a bi. Operace s komplexními čísly: z = a + bi, kde a, b R v = c + di, kde c, d R Sčítání Odčítání Násobení
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
Více2. Schurova věta. Petr Tichý. 3. října 2012
2. Schurova věta Petr Tichý 3. října 2012 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci
VíceRegresní 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).
VíceFinancial calculus Chapter 6 Bigger models
Financial calculus Chapter 6 Bigger models Tomáš Hanzák Katedra pravděpodobnosti a matematické statistiky MFF UK Praha Seminář Stochastické modelování v ekonomii a financích 1.11. 2010 Tomáš Hanzák Financial
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceSoustavy lineárních rovnic
Soustavy lineárních rovnic Základy vyšší matematiky LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny společného
VíceVybrané poznámky k řízení rizik v bankách
Vybrané poznámky k řízení rizik v bankách Seminář z aktuárských věd Petr Myška 7.11.2008 Obsah přednášky Oceňování nestandartních instrumentů finančních trhů Aplikace analytických vzorců Simulační techniky
Více1 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)
VícePoptávka po penězích
Poptávka po penězích 1. Neoklasické teorie poptávky po penězích - tradiční: Fisherova, Marshallova, cambridgeská - moderní: Friedmanova 2. Keynesiánská teorie poptávky po penězích tradiční: Keynesova moderní:
VíceTestování statistických hypotéz
Testování statistických hypotéz 1 Testování statistických hypotéz 1 Statistická hypotéza a její test V praxi jsme nuceni rozhodnout, zda nějaké tvrzeni o parametrech náhodných veličin nebo o veličině samotné
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristiky často potřebujeme vyšetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VícePRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady
PRAVDĚPODOBNOST A STATISTIKA Bayesovské odhady Bayesovské odhady - úvod Klasický bayesovský přístup: Klasický přístup je založen na opakování pokusech sledujeme rekvenci nastoupení zvolených jevů Bayesovský
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
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
VíceIII) Podle závislosti na celkovém ekonomickém vývoji či na vývoji v jednotlivé firmě a) systematické tržní, b) nesystematické jedinečné.
Měření rizika Podnikatelské riziko představuje možnost, že dosažené výsledky podnikání se budou kladně či záporně odchylovat od předpokládaných výsledků. Toto riziko vzniká např. při zavádění nových výrobků
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2015
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 05 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2017
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 207 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceKapitola 11: Vektory a matice 1/19
Kapitola 11: Vektory a matice 1/19 2/19 Prostor R n R n = {(x 1,..., x n ) x i R, i = 1,..., n}, n N x = (x 1,..., x n ) R n se nazývá vektor x i je i-tá souřadnice vektoru x rovnost vektorů: x = y i =
Více