Vzorový příklad na rozhodování BPH_ZMAN

Rozměr: px
Začít zobrazení ze stránky:

Download "Vzorový příklad na rozhodování BPH_ZMAN"

Transkript

1 Vzorový příklad a rozhodováí BPH_ZMAN Základí charakteristiky a začeí symbol verbálí vyjádřeí iterval C g g-tý cíl g = 1,.. s V i i-tá variata i = 1,.. m K j j-té kriterium j = 1,.. v j x ij u ij váha j-tého kriteria hodota i-té variaty dle j-tého kriteria užitek i-té variaty dle j-tého kriteria S k k-tý scéář k = 1,.. t p k pravděpodobost k-tého scéáře 1) Jedokriteriálí rozhodováí za podmíek jistoty Pa Novák se rozhodl koupit ové auto a je pro ěj rozhodující pouze ejižší cea. Předpokládejme, že paa Nováka v tuto chvíli ezajímají žádé jié parametry, ebo vybral pouze ty modely automobilů, které zcela odpovídají jeho požadavkům a jsou pro všechy vybraé variaty stejé. Pa Novák se rozhoduje mezi třemi modely, které jsou pro ěj variatami ve smyslu rozhodováí, a. Cea prvího modelu je ,- Kč, cea druhého ,- Kč, cea třetího ,- Kč a cea čtvrtého je ,- Kč, přičemž cey jsou jasě daé a ebudou se za žádých okolostí měit. Možé variaty tedy posuzujeme výhradě podle jedoho kritéria. Protože je kritérium pouze jedo, je jeho váha (výzam pro rozhodovatele) rova 1,0. (Pokud by bylo kritérií více, součet jejich vah musí dávat 1,0.) Situaci shruje ásledující tabulka. Cea (K 1 ) v i 1,0 (v 1) , , ,- V ,- Z tabulky i ze zadáí je zřejmé, že v tomto případě zvolí pa Novák variatu, tedy model, jehož cea je ejižší.

2 2) Vícekriteriálí rozhodováí za podmíek jistoty Předpokládejme yí, že pa Novák změil své požadavky. Protože se ožeil a založil rodiu, zajímá jej eje cea vozu, ale i počet dveří, kvůli pohodlému usazeí dětských sedaček. V každém případě chce, aby měl vůz zadí pár dveří a kufr, tj. celkem 5 dveří. Paa Nováka dále zajímá spotřeba pohoých hmot (pro zjedodušeí uvažujme jede typ) čím méě, tím lépe. Důležitá je také záruka vozu (tetokrát je však úměra obráceá čím delší záruka, tím lépe) a výše poviého ručeí. Všecha zmíěá kritéria jsou pro paa Nováka stejě důležitá a váhy se proto rozloží rovoměrě, pouze u počtu dveří se jedá o kritérium, které musí být za všech okolostí splěo a eí možé jej vyvážit úžasými vlastostmi v jié oblasti. Variaty, které toto kritérium esplí, budou z rozhodováí vyloučey. Pa Novák si všechy údaje zapsal do ásledující tabulky: K i Cea (K 1 ) Povié ručeí (K 4 ) v i 0,25 (v 1 ) 0,25 (v 2 ) 0,25 (v 3 ) 0,25 (v 4 ) ,- 7, , ,- 5, , ,- 6,5 5, ,- 5 V ,- 6, ,- 3 Počet dveří (K 5 ) v ks Jak ukazuje předchozí tabulka, 1./2./3./4. variata zcela vypadla z rozhodováí, protože esplila kritérium počtu dveří. Pau Novákovi tedy už ezáleží a tom, jakých hodot dosahují ostatí kritéria této variaty, byť jsou sebelepší. Nyí je třeba převést jedotlivá kritéria a společé jedotky pomocí tzv. ormalizace, která je určea vztahem: u ij = x H ij j D j D j kde u ij je ormalizovaý užitek i-té variaty podle j-tého kritéria, x ij je hodota kritéria, D j je ejhorší hodota kritéria a H j je ejlepší hodota kritéria. Pro kritérium cey tedy bude výpočet vypadat ásledově: u 11 = = ( ) u 21 = = ( ) u 31 = = ( )

3 Stejě vypočteme dílčí hodoty ormalizovaých užitků pro další variaty a doplíme je do ásledující tabulky (počet dveří už emusíme uvažovat, protože kritérium je splěo stejou měrou pro všechy variaty): K i Cea (K 1 ) v i 0,25 (v 1 ) 0,25 (v 2 ) 0,25 (v 3 ) 0,25 (v 4 ) Povié ručeí (K 4 ) Celkový užitek variaty (u i ) Celkový užitek variaty je rove součtu součiů dílčího užitku a váhy kritéria a ejvyšší hodoty celkového užitku dosahuje variata. 3) Změa váhy kritérií Pokud by pro paa Nováka byla apříklad ejdůležitější spotřeba pohoých hmot a až za í by stála všecha ostatí kritéria, mohla by se váha jedotlivých kritérií změit, stejě jako celý výsledek rozhodovacího procesu. Jedotlivé ormalizovaé užitky vždy ásobíme váhou kritéria a součet těchto součiů je celkovým užitkem variaty. K i Cea (K 1 ) v i 0,2 (v 1 ) 0,4 (v 2 ) 0,2 (v 3 ) 0,2 (v 4 ) Povié ručeí (K 4 ) Celkový užitek variaty (u i ) V tomto případě je však ejvyššího celkového užitku dosažeo při výběru variaty. 4) Jedokriteriálí rozhodováí za podmíek rizika Vraťme se yí k původím charakteristikám jedotlivých variat. K i Cea (K 1 ) ,- 7, , ,- 5, , ,- 6,5 5, ,- Povié ručeí (K 4 ) Pa Novák se rozhodl, že si vytvoří z dostupých iformací jedo kritérium, kterým budou áklady a jede rok provozu vozidla v záruce. Podle předchozích zkušeostí zjistil, že za rok ujede km. Pa Novák předpokládá, že po koci záruky vůz prodá a to ve všech třech případech za ,- Kč.

4 Rozdíl mezi pořizovací a prodejí ceou ásledě rozpočítá a jedotlivé roky. Vzorec jeho kritéria tedy bude ásledující: K = kde c je cea pohoých hmot v Kč/l. Problém je v tom, že cea pohoých hmot eí kostatí. Pa Novák si pečlivě prostudoval vývoj ce a dospěl k ázoru, že průměrá cea ve sledovaých letech bude s pravděpodobostí 0,25 rova 27,- Kč/l, s pravděpodobostí 0,5 bude její výše 30,- Kč/l a s pravděpodobostí 0,25 se vyšplhá a 33,- Kč/l. Cea pohoých hmot je pro paa Nováka proměou a její kokrétí hodota představuje tři možé scéáře: Scéář S 1 S 2 S 3 Cea 27,- Kč/l 30,- Kč/l 33,- Kč/l Pravděpodobost 0,25 (p 1 ) 0,5 (p 2 ) 0,25 (p 3 ) Nyí musíme pro každý scéář vypočítat hodoty kritéria pro všechy variaty. Jejich hodoty jsou uvedey v ásledující tabulce (druhý sloupec u každého scéáře je rove součiu hodoty kritéria a pravděpodobosti scéáře): S 1 (27,- Kč/l) S 2 (30 Kč/l) S 3 (33 Kč/l) Očekávaé áklady p i 0,25 0,5 0,25 Σ{K(S k,v j )*p k } Nejižší očekávaé ročí áklady má variata. V případě, že by astal prví scéář, bylo by pro paa Nováka ejlepší, kdyby zvolil variatu, u druhého a třetího scéáře je již výhodější variata. Pokud by byl pa Novák ochote riskovat, vybral by si variatu, pokud by byl jeho vztah k riziku egativí, rozhodl by se spíše pro variatu. 5) Aalýza citlivosti Pa Novák si vybral variatu. Do této chvíle předpokládal, že pořizovací ce vozidla je eměá (co když si ale bude chtít do vozu dokoupit klimatizaci?), cea pohoých hmot abude jedé z předpokládaých hodot a spotřeba uvedeá v dokumetaci vozidla bude totožá se skutečou spotřebou. Je však třeba vzít v úvahu i změu těchto hodot a zjistit, jaký bude mít změa vliv a celkové ročí áklady. Vývoj hodoty kritéria při parciálí změě jedé proměé o 10 % ukazuje ásledující tabulka: Pořizovací cea Cea pohoých hmot Spotřeba Původí ,- 30,- Kč 5,2 Růst o 10 %

5 Původí hodota ákladů Nová hodota ákladů Změa Nejcitlivěji tedy reagují ročí áklady a změu. 6) Jedokriteriálí rozhodováí v podmíkách ejistoty Kvůli áhlým výkyvům a trhu s pohoými hmotami se ukázaly výpočty pravděpodobostí paa Nováka jako bezpředměté. Pa Novák eví, s jakou pravděpodobostí astaou jedotlivé scéáře, a proto musí postupovat podle ěkterého z pravidel rozhodováí v podmíkách ejistoty. Rozhodovací matice je ásledující: S 1 (27,- Kč/l) S 2 (30 Kč/l) S 3 (33 Kč/l) U pravidla maximi se saží pa Novák vybrat tu variatu, kde je v případě ejméě přízivého vývoje hodota kritéria ejlepší. Pa Novák je tedy pesimista. Volí proto variatu. U pravidla maximax je aopak pa Novák optimista a vybírá tu variatu, pro iž je v případě ejpřízivějšího vývoje hodota kritéria ejlepší. Pa Novák je optimista. Volí proto variatu. Hurwitzovo pravidlo pracuje s parametrem β, který udává ochotu rozhodovatele riskovat v rozmezí od 0 do 1. Předpokládejme, že pa Novák má hodotu parametru β=0,5. Pro každou variatu je pak třeba provést ásledující výpočet: určeí maximálí, tj. ejvýhodější (x imax ) a miimálí, tj. ejméě výhodé (x imi ) hodoty kritéria v jedotlivých řádcích, výpočet souhré hodoty kritéria každé variaty dle vztahu K = β. x imax + (1 - β). x imi, S 1 (27,- Kč/l) S 2 (30 Kč/l) S 3 (33 Kč/l) K Pa Novák tedy volí variatu. Podle Laplaceova pravidla jsou všechy variaty stejě pravděpodobé. Proto jsou hodoty jedoduše sečtey pro jedotlivé variaty a vyděley počtem scéářů.

6 S 1 (27,- Kč/l) S 2 (30 Kč/l) S 3 (33 Kč/l) u i Pa Novák tedy volí variatu. 7) Vícekriteriálí rozhodováí v podmíkách rizika Pa Novák se zmíil maželce, že chce koupit ový automobil a ta přidala k jeho ákladovému kritériu ještě desig vozu. Do rozhodováí tedy vstoupilo další kritérium. Paí Nováková hodotí desig jedotlivých variat a bodové stupici od 1 do 10, přičemž 10 bodů je ejlepší hodoceí. Maželé Novákovi se dohodli, že váha desigu vozu bude 0,3 a váha ročích ákladů 0,7. Paí Nováková hodotí desig ásledově: Desig Pro jedotlivé scéáře jsou absolutí hodoty kritérií a ormovaé hodoty užitku ásledující: S 1 (27 Kč/l) Náklady Desig u i v j 0,7 0,3 S 2 (30 Kč/l) Náklady Desig u i v j 0,7 0,3 S 3 (33 Kč/l) Náklady Desig u i v j 0,7 0,3

7 Hodoty celkových očekávaých užitků jedotlivých variat jsou ásledující: S 1 (27,- Kč/l) S 2 (30 Kč/l) S 3 (33 Kč/l) u i p j 0,25 0,5 0,25 Desig hodoceý paí Novákovou tedy převážil výsledek rozhodováí ve prospěch variaty.

MATICOVÉ HRY MATICOVÝCH HER

MATICOVÉ HRY MATICOVÝCH HER MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem

Více

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna. 6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola

Více

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,

Více

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta dopraví Statistika Semestrálí práce Zdražováí pohoých hmot Jméa: Martia Jelíková, Jakub Štoudek Studijí skupia: 2 37 Rok: 2012/2013 Obsah Úvod... 2 Použité

Více

10.3 GEOMERTICKÝ PRŮMĚR

10.3 GEOMERTICKÝ PRŮMĚR Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo

Více

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,

Více

DURACE A INVESTIČNÍ HORIZONT PŘI INVESTOVÁNÍ DO DLUHOPISŮ

DURACE A INVESTIČNÍ HORIZONT PŘI INVESTOVÁNÍ DO DLUHOPISŮ DURACE A INVESTIČNÍ HORIZONT PŘI INVESTOVÁNÍ DO DLUHOPISŮ Ivestičí horizot IH: doba, po kterou má ivestor v daé ivestici vázáy své peíze. Při ivestici do dluhopisu jsme vystavei riziku změy výosů Uvažujme

Více

I. Výpočet čisté současné hodnoty upravené

I. Výpočet čisté současné hodnoty upravené I. Výpočet čisté současé hodoty upraveé Příklad 1 Projekt a výrobu laserových lamp pro dermatologii vyžaduje ivestici 4,2 mil. Kč. Předpokládají se rovoměré peěží příjmy po zdaěí ve výši 1,2 mil. Kč ročě

Více

Pojem času ve finančním rozhodování podniku

Pojem času ve finančním rozhodování podniku Pojem času ve fiačím rozhodováí podiku 1.1. Výzam faktoru času a základí metody jeho vyjádřeí Fiačí rozhodováí podiku je ovlivěo časem. Peěží prostředky získaé des mají větší hodotu ež tytéž peíze získaé

Více

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů. Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího

Více

Mendelova univerzita v Brně Statistika projekt

Mendelova univerzita v Brně Statistika projekt Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4

Více

Deskriptivní statistika 1

Deskriptivní statistika 1 Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky

Více

Posloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b

Posloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b Najděte itu Poslouposti a číselé řady ) + Protože + = + x ) + + =, je + + + + ) + = = 0 + + Najděte itu 3 si! + Protože je si! a 3 = 0, je 3 si! = 0 Najděte itu + a + a + + a + b + b, a

Více

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů: Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy

Více

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy

Více

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých 9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie

Více

Základní požadavky a pravidla měření

Základní požadavky a pravidla měření Základí požadavky a pravidla měřeí Základí požadavky pro správé měřeí jsou: bezpečost práce teoretické a praktické zalosti získaé přípravou a měřeí přesost a spolehlivost měřeí optimálí orgaizace průběhu

Více

2 STEJNORODOST BETONU KONSTRUKCE

2 STEJNORODOST BETONU KONSTRUKCE STEJNORODOST BETONU KONSTRUKCE Cíl kapitoly a časová áročost studia V této kapitole se sezámíte s možostmi hodoceí stejorodosti betou železobetoové kostrukce a prakticky provedete jede z možých způsobů

Více

základním prvkem teorie křivek v počítačové grafice křivky polynomiální n

základním prvkem teorie křivek v počítačové grafice křivky polynomiální n Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky

Více

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ 4 DOPADY ZPŮSOBŮ FACOVÁÍ A VESTČÍ ROZHODOVÁÍ 77 4. ČSTÁ SOUČASÁ HODOTA VČETĚ VLVU FLACE, CEOVÝCH ÁRŮSTŮ, DAÍ OPTMALZACE KAPTÁLOVÉ STRUKTURY Čistá současá hodota (et preset value) Jedá se o dyamickou metodu

Více

14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou

14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou 4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

2.4. INVERZNÍ MATICE

2.4. INVERZNÍ MATICE 24 INVERZNÍ MICE V této kapitole se dozvíte: defiici iverzí matice; základí vlastosti iverzí matice; dvě základí metody výpočtu iverzí matice; defiici celočíselé mociy matice Klíčová slova této kapitoly:

Více

2. Náhodná veličina. je konečná nebo spočetná množina;

2. Náhodná veličina. je konečná nebo spočetná množina; . Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité

Více

(varianta s odděleným hodnocením investičních nákladů vynaložených na jednotlivé privatizované objekty)

(varianta s odděleným hodnocením investičních nákladů vynaložených na jednotlivé privatizované objekty) (variata s odděleým hodoceím ivestičích ákladů vyaložeých a jedotlivé privatizovaé objekty) Vypracoval: YBN CONSULT - Zalecký ústav s.r.o. Ig. Bedřich Malý Ig. Yvetta Fialová, CSc. Václavské áměstí 1 110

Více

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou 1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta B)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta B) Přijímací řízeí pro akademický rok 24/5 a magisterský studijí program: PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test, variata B) Zde alepte své uiverzití číslo U každé otázky či podotázky v ásledujícím

Více

Vyšší mocniny. Předpoklady: Doplň místo obdélníčků správné číslo. a) ( 2) 3. = c) ( ) = 1600 = e) ( 25) 2 0,8 0, 64.

Vyšší mocniny. Předpoklady: Doplň místo obdélníčků správné číslo. a) ( 2) 3. = c) ( ) = 1600 = e) ( 25) 2 0,8 0, 64. 81 Vyšší mociy Předpoklady: 0081 Př 1: Doplň místo obdélíčků správé číslo a) ( ) = b) = 0, 0000 e) ( ) = 0, ( 0) = 100 = f) ( ) = 8 a) ( ) = 8 b) 0, 0 0, 0000 = ( ) 0,8 0, 0 = 100 = e) ( ) = f) ( ) = 8

Více

Internetová matematická olympiáda listopadu ročník -autorská řešení

Internetová matematická olympiáda listopadu ročník -autorská řešení Iteretová matematická olympiáda - 24. listopadu 2009 2. ročík -autorská řešeí. Na ekoečě velkém čtverečkovaém papíře si zvolte mřížový bod A, který bude počátkem. Nadále se od bodu A můžete pohybovat pouze

Více

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus Podklady předmětu pro akademický rok 006007 Radim Faraa Obsah Tvorba algoritmů, vlastosti algoritmu. Popis algoritmů, vývojové diagramy, strukturogramy. Hodoceí složitosti algoritmů, vypočitatelost, časová

Více

8.2.1 Aritmetická posloupnost

8.2.1 Aritmetická posloupnost 8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž

Více

IAJCE Přednáška č. 12

IAJCE Přednáška č. 12 Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích

Více

8.2.1 Aritmetická posloupnost I

8.2.1 Aritmetická posloupnost I 8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu

Více

I. Výpočet čisté současné hodnoty upravené

I. Výpočet čisté současné hodnoty upravené I. Výpočet čisté současé hodoty upraveé Příklad 1 Projekt a výrobu laserových lamp pro dermatologii vyžaduje ivestici 4,2 mil. Kč. Předpokládají se rovoměré peěží příjmy po zdaěí ve výši 1,2 mil. Kč ročě

Více

Kvantová a statistická fyzika 2 (Termodynamika a statistická fyzika)

Kvantová a statistická fyzika 2 (Termodynamika a statistická fyzika) Kvatová a statistická fyzika (Termodyamika a statistická fyzika) Boltzmaovo - Gibbsovo rozděleí - ilustračí příklad Pro ilustraci odvozeí rozděleí eergií v kaoickém asámblu uvažujme ásledující příklad.

Více

8.1.3 Rekurentní zadání posloupnosti I

8.1.3 Rekurentní zadání posloupnosti I 8.. Rekuretí zadáí poslouposti I Předpoklady: 80, 80 Pedagogická pozámka: Podle mých zkušeostí je pro studety pochopitelější zavádět rekuretí posloupost takto (sado kotrolovatelou ukázkou), ež dosazováím

Více

Úloha II.S... odhadnutelná

Úloha II.S... odhadnutelná Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí

Více

Komplexní čísla. Definice komplexních čísel

Komplexní čísla. Definice komplexních čísel Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují

Více

1. K o m b i n a t o r i k a

1. K o m b i n a t o r i k a . K o m b i a t o r i k a V teorii pravděpodobosti a statistice budeme studovat míru výskytu -pravděpodobostvýsledků procesů, které mají áhodý charakter, t.j. při opakováí za stejých podmíek se objevují

Více

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM Difereciálí počet fukcí jedé reálé proměé - - DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ ÚVODNÍ POZNÁMKY I derivace podobě jako limity můžeme počítat ěkolikerým způsobem a to kokrétě pomocí: defiice vět o algebře

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta C)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta C) Přijímací řízeí pro akademický rok 24/ a magisterský studijí program: PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test, variata C) Zde alepte své uiverzití číslo U každé otázky či podotázky v ásledujícím

Více

b c a P(A B) = c = 4% = 0,04 d

b c a P(A B) = c = 4% = 0,04 d Příklad 6: Z Prahy do Athé je 50 km V Praze byl osaze válec auta ovou svíčkou, jejíž životost má ormálí rozděleí s průměrem 0000 km a směrodatou odchylkou 3000 km Jaká je pravděpodobost, že automobil překoá

Více

Spolehlivost a diagnostika

Spolehlivost a diagnostika Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore

Více

Zobrazení čísel v počítači

Zobrazení čísel v počítači Zobraeí ísel v poítai, áklady algoritmiace Ig. Michala Kotlíková Straa 1 (celkem 10) Def.. 1 slabika = 1 byte = 8 bitů 1 bit = 0 ebo 1 (ve dvojkové soustavě) Zobraeí celých ísel Zobraeí ísel v poítai Ke

Více

2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly.

2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly. 0. KOMBINATORIKA, PRAVDĚPODOBNOST, STATISTIKA Dovedosti :. Chápat pojem faktoriál a ovládat operace s faktoriály.. Zát defiici kombiačího čísla a základí vlastosti kombiačích čísel. Ovládat jedoduché operace

Více

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti. 10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé

Více

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad Metody vyhodoceí efektvost vestc Časová hodota peěz Metody vyhodoceí Časová hodota peěz Prostředky, které máme k dspozc v současost mají vyšší hodotu ež prostředky, které budeme mít k dspozc v budoucost.

Více

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT 2 IDENIFIKACE H-MAICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNO omáš Novotý ČESKÉ VYSOKÉ UČENÍ ECHNICKÉ V PRAZE Faulta eletrotechicá Katedra eletroeergetiy. Úvod Metody založeé a loalizaci poruch pomocí H-matic

Více

Aritmetická posloupnost, posloupnost rostoucí a klesající Posloupnosti

Aritmetická posloupnost, posloupnost rostoucí a klesající Posloupnosti 8 Aritmetická posloupost, posloupost rostoucí a klesající Poslouposti Posloupost je fukci s defiičím oborem celých kladých čísel - apř.,,,,,... 3 4 5 Jako fukci můžeme také posloupost zobrazit do grafu:

Více

Sekvenční logické obvody(lso)

Sekvenční logické obvody(lso) Sekvečí logické obvody(lso) 1. Logické sekvečí obvody, tzv. paměťové čley, jsou obvody u kterých výstupí stavy ezávisí je a okamžitých hodotách vstupích sigálů, ale jsou závislé i a předcházejících hodotách

Více

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,

Více

6. FUNKCE A POSLOUPNOSTI

6. FUNKCE A POSLOUPNOSTI 6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat

Více

1 Uzavřená Gaussova rovina a její topologie

1 Uzavřená Gaussova rovina a její topologie 1 Uzavřeá Gaussova rovia a její topologie Podobě jako reálá čísla rozšiřujeme o dva body a, rozšiřujeme také možiu komplexích čísel. Nepřidáváme však dva body ýbrž je jede. Te budeme začit a budeme ho

Více

-1- Finanční matematika. Složené úrokování

-1- Finanční matematika. Složené úrokování -- Fiačí ateatika Složeé úrokováí Při složeé úročeí se úroky přičítají k počátečíu kapitálu ( k poskytutí úvěru, k uložeéu vkladu ) a společě s í se úročí. Vzorec pro kapitál K po letech při složeé úročeí

Více

Metodický postup pro určení úspor primární energie

Metodický postup pro určení úspor primární energie Metodický postup pro určeí úspor primárí eergie Parí protitlaká turbía ORGRZ, a.s., DIVIZ PLNÉ CHNIKY A CHMI HUDCOVA 76, 657 97 BRNO, POŠ. PŘIHR. 97, BRNO 2 z.č. Obsah abulka hodot vstupujících do výpočtu...3

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test) Přijímací řízeí pro akademický rok 2007/08 a magisterský studijí program: Zde alepte své uiverzití číslo PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test) U každé otázky či podotázky v ásledujícím

Více

f x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( )

f x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( ) DSM Cv 9 Vytvořující fukce Vytvořující fukcí ekoečé poslouposti a0, a,, a, reálých čísel mííme formálí ekoečou řadu =. f a i= 0 i i Příklady: f = + = + + + + + ) Platí: (biomická věta). To zameá, že fukce

Více

Iterační výpočty projekt č. 2

Iterační výpočty projekt č. 2 Dokumetace k projektu pro předměty IZP a IUS Iteračí výpočty projekt č. 5..007 Autor: Václav Uhlíř, xuhlir04@stud.fit.vutbr.cz Fakulta Iformačích Techologii Vysoké Učeí Techické v Brě Obsah. Úvodí defiice.....

Více

ÚROKVÁ SAZBA A VÝPOČET BUDOUCÍ HODNOTY. Závislost úroku na době splatnosti kapitálu

ÚROKVÁ SAZBA A VÝPOČET BUDOUCÍ HODNOTY. Závislost úroku na době splatnosti kapitálu ÚROKVÁ SAZBA A VÝPOČET BUDOUÍ HODNOTY. Typy a druhy úročeí, budoucí hodota ivestice Úrok - odměa za získáí úvěru (cea za službu peěz) Ročí úroková sazba (míra)(i) úrok v % z hodoty kapitálu za časové období

Více

Odhady parametrů 1. Odhady parametrů

Odhady parametrů 1. Odhady parametrů Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:

Více

(Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applications)

(Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applications) Základy datové aalýzy, modelového vývojářství a statistického učeí (Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applicatios) Lukáš Pastorek POZOR: Autor upozorňuje, že se jedá

Více

Náhodné jevy a pravděpodobnost

Náhodné jevy a pravděpodobnost Lekce Náhodé jevy a pravděpodobost Výklad pravděpodobosti musí začít evyhutelě od základích pojmů Pravděpodobost, velmi zjedodušeě řečeo, pojedává o áhodých jevech (slově vyjádřeých výsledcích áhodých

Více

MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ

MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ PŘÍSPĚVKY THE SCIENCE FOR POPULATION PROTECTION 0/008 MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ STATISTICAL ASSESSMENT

Více

1. Nakreslete všechny kostry následujících grafů: nemá žádnou kostru, roven. roven n,

1. Nakreslete všechny kostry následujících grafů: nemá žádnou kostru, roven. roven n, DSM2 Cv 7 Kostry grafů Defiice kostry grafu: Nechť G = V, E je souvislý graf. Kostrou grafu G azýváme každý jeho podgraf, který má stejou možiu vrcholů a je zároveň stromem. 1. Nakreslete všechy kostry

Více

1.3. POLYNOMY. V této kapitole se dozvíte:

1.3. POLYNOMY. V této kapitole se dozvíte: 1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí

Více

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují

Více

TECHNICKÝ AUDIT VODÁRENSKÝCH DISTRIBUČNÍCH

TECHNICKÝ AUDIT VODÁRENSKÝCH DISTRIBUČNÍCH ECHNICKÝ AUDI VODÁRENSKÝCH DISRIBUČNÍCH SYSÉMŮ Ig. Ladislav uhovčák, CSc. 1), Ig. omáš Kučera 1), Ig. Miroslav Svoboda 1), Ig. Miroslav Šebesta 2) 1) 2) Vysoké učeí techické v Brě, Fakulta stavebí, Ústav

Více

8. Analýza rozptylu.

8. Analýza rozptylu. 8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,

Více

II. METODICKÉ PŘÍKLADY SESTAVENÍ VÝKAZU PAP

II. METODICKÉ PŘÍKLADY SESTAVENÍ VÝKAZU PAP Istituce i zazameaé operace jsou fiktiví. Ukázkové případy - sezam Případ Vykazující účetí Vykázaé Části I až XIII Straa jedotka (zkráceě až 3) A Půjčka od baky Město, v roce +1, T2 v roce +1, T7, T8,

Více

Laboratorní práce č. 10 Úloha č. 9. Polarizace světla a Brownův pohyb:

Laboratorní práce č. 10 Úloha č. 9. Polarizace světla a Brownův pohyb: ruhlář Michal 8.. 5 Laboratorí práce č. Úloha č. 9 Polarizace světla a Browův pohyb: ϕ p, C 4% 97,kPa Úkol: - Staovte polarizačí schopost daého polaroidu - Určete polarimetrem úhel stočeí kmitavé roviy

Více

AMC/IEM J - HMOTNOST A VYVÁŽENÍ

AMC/IEM J - HMOTNOST A VYVÁŽENÍ ČÁST JAR-OPS 3 AMC/IEM J - HMOTNOST A VYVÁŽENÍ ACJ OPS 3.605 Hodoty hmotostí Viz JAR-OPS 3.605 V souladu s ICAO Ae 5 a s meziárodí soustavou jedotek SI, skutečé a omezující hmotosti vrtulíků, užitečé zatížeí

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

4.5.9 Vznik střídavého proudu

4.5.9 Vznik střídavého proudu 4.5.9 Vzik střídavého proudu Předpoklady: 4508 Miulá hodia: Pokud se v uzavřeém závitu měí magetický idukčí tok, idukuje se v ěm elektrické apětí =. Př. 1: Vodorově orietovaá smyčka se pohybuje rovoměrě

Více

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základy měřeí eelektrických veliči.. Měřicí řetězec Měřicí řetězec (měřicí soustava) je soubor měřicích čleů (jedotek) účelě uspořádaých tak, aby bylo ožě split požadovaý úkol měřeí, tj. získat iformaci

Více

8. Základy statistiky. 8.1 Statistický soubor

8. Základy statistiky. 8.1 Statistický soubor 8. Základy statistiky 7. ročík - 8. Základy statistiky Statistika je vědí obor, který se zabývá zpracováím hromadých jevů. Tvoří základ pro řadu procesů řízeí, rozhodováí a orgaizováí, protoţe a základě

Více

Statistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc

Statistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc Statistika Statistické fukce v tabulkových kalkulátorech MSO Excel a OO.o Calc Základí pojmy tabulkových kalkulátorů Cílem eí vyložit pojmy tabulkových kalkulátorů, ale je defiovat pojmy vyskytující se

Více

9.1.12 Permutace s opakováním

9.1.12 Permutace s opakováním 9.. Permutace s opakováím Předpoklady: 905, 9 Pedagogická pozámka: Pokud echáte studety počítat samostatě příklad 9 vyjde tato hodia a skoro 80 miut. Uvažuji o tom, že hodiu doplím a rozdělím a dvě. Př.

Více

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme

Více

FINANČNÍ MATEMATIKA SBÍRKA ÚLOH

FINANČNÍ MATEMATIKA SBÍRKA ÚLOH FINANČNÍ MATEMATIKA SBÍRKA ÚLOH Zpracováo v rámci projektu " Vzděláváí pro kokureceschopost - kokureceschopost pro Třeboňsko", registračí číslo CZ.1.07/1.1.10/02.0063 Gymázium, Třeboň, Na Sadech 308 Autor:

Více

Elementární zpracování statistického souboru

Elementární zpracování statistického souboru Elemetárí zpracováí statistického souboru Obsah kapitoly 4. Elemetárí statistické zpracováí - parametrizace vhodými empirickými parametry Studijí cíle Naučit se výsledky měřeí parametrizovat vhodými empirickými

Více

1. Definice elektrického pohonu 1.1 Specifikace pohonu podle typu poháněného pracovního stroje 1.1.1 Rychlost pracovního mechanismu

1. Definice elektrického pohonu 1.1 Specifikace pohonu podle typu poháněného pracovního stroje 1.1.1 Rychlost pracovního mechanismu 1. Defiice elektrického pohou Pod pojmem elektrický poho rozumíme soubor elektromechaických vazeb a vztahů mezi pracovím mechaismem a elektromechaickou soustavou. Mezi základí tři části elektrického pohou

Více

9. Měření závislostí ve statistice Pevná a volná závislost

9. Měření závislostí ve statistice Pevná a volná závislost Dráha [m] 9. Měřeí závislostí ve statistice Měřeí závislostí ve statistice se zabývá především zkoumáím vzájemé závislosti statistických zaků vícerozměrých souborů. Závislosti přitom mohou být apříklad

Více

3. Lineární diferenciální rovnice úvod do teorie

3. Lineární diferenciální rovnice úvod do teorie 3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se

Více

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností 4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test) Přijímací řízeí pro akademický rok 2007/08 a magisterský studijí program: Zde alepte své uiverzití číslo PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test) U každé otázky či podotázky v ásledujícím

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test) Přijímací řízeí pro akademický rok 2007/08 a magisterský studijí program: Zde alepte své uiverzití číslo PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test) U každé otázky či podotázky v ásledujícím

Více

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,

Více

U klasifikace podle minimální vzdálenosti je nutno zvolit:

U klasifikace podle minimální vzdálenosti je nutno zvolit: .3. Klasifikace podle miimálí vzdáleosti Tato podkapitola je věováa popisu podstaty klasifikace podle miimálí vzdáleosti, jež úzce souvisí s klasifikací pomocí etaloů klasifikačích tříd. Představíme si

Více

k(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln

k(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln Číselé řady - řešeé přílady ČÍSELNÉ ŘADY - řešeé přílady A. Součty řad Vzorové přílady:.. Přílad. Určete součet řady + = + 6 + +.... Řešeí: Rozladem -tého čleu řady a parciálí zlomy dostáváme + = + ) =

Více

1. Základy počtu pravděpodobnosti:

1. Základy počtu pravděpodobnosti: www.cz-milka.et. Základy počtu pravděpodobosti: Přehled pojmů Jev áhodý jev, který v závislosti a áhodě může, ale emusí při uskutečňováí daého komplexu podmíek astat. Náhoda souhr drobých, ezjistitelých

Více

Návod pro výpočet základních induktorů s jádrem na síťové frekvenci pro obvody výkonové elektroniky.

Návod pro výpočet základních induktorů s jádrem na síťové frekvenci pro obvody výkonové elektroniky. Návod pro cvičeí předmětu Výkoová elektroika Návod pro výpočet základích iduktorů s jádrem a síťové frekveci pro obvody výkoové elektroiky. Úvod V obvodech výkoové elektroiky je možé většiu prvků vyrobit

Více

[ jednotky ] Chyby měření

[ jednotky ] Chyby měření Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá

Více

Obsah. Opravy pro toto vydání: opravy2.proflakace.cz

Obsah. Opravy pro toto vydání: opravy2.proflakace.cz Obsah Úvod... 5 Základí pojmy... 7. Tříděí dat... 7. Míry úrově polohy... 8.3 Míry variability... 8 Počet pravděpodobosti.... Průik a sjedoceí jevů.... Náhodá veličia... 6.3 Rozděleí áhodé veličiy... 8

Více

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů Semárky, předášky, bakalářky, testy - ekoome, ace, účetctví, ačí trhy, maagemet, právo, hstore... PODNIKOVÁ EKONOMIKA 3. Cea ceých papírů Ceé papíry jsou jedím ze způsobů, jak podk může získat potřebý

Více

8.1.2 Vzorec pro n-tý člen

8.1.2 Vzorec pro n-tý člen 8 Vzorec pro -tý čle Předpolady: 80 Pedagogicá pozáma: Přílady a hledáí dalších čleů posloupostí a a objevováí vzorců pro -tý čle do začé míry odpovídají typicým příladům z IQ testů, teré studeti zají

Více

NEPARAMETRICKÉ METODY

NEPARAMETRICKÉ METODY NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost

Více

Intervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním

Intervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním Lekce Itervalový odhad Itervalový odhad je jedou ze stadardích statistických techik Cílem je sestrojit iterval (kofidečí iterval, iterval spolehlivosti, který s vysokou a avíc předem daou pravděpodobostí

Více

9.1.13 Permutace s opakováním

9.1.13 Permutace s opakováním 93 Permutace s opakováím Předpoklady: 906, 9 Pedagogická pozámka: Obsah hodiy přesahuje 45 miut, pokud emáte k dispozici další půlhodiu, musíte žáky echat projít posledí dva příklady doma Př : Urči kolik

Více

z možností, jak tuto veličinu charakterizovat, je určit součet

z možností, jak tuto veličinu charakterizovat, je určit součet 6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p

Více

Chyby přímých měření. Úvod

Chyby přímých měření. Úvod Chyby přímých měřeí Úvod Př zjšťováí velkost sledovaé velčy dochází k růzým chybám, které ovlvňují celkový výsledek. V pra eestuje žádá metoda měřeí a měřcí zařízeí, které by bylo absolutě přesé, což zameá,

Více