7 Kardinální informace o kritériích (část 1)

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "7 Kardinální informace o kritériích (část 1)"

Transkript

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 v = (v 1,..., v k ), = 1, v j 0. Existují tři základní výpočetní principy pro práci s kardinálními informacemi: 1. Princip maximalizace užitku 2. Princip minimální vzdálenosti od ideální varianty 3. Princip vyhodnocování variant na základě preferenční relace 7.1 Maximalizace užitku Princip maximalizace užitku spočívá ve skutečnosti, že ke každé variantě určíme užitek z intervalu < 0, 1 >, který varianta přináší. Čím vhodnější varianta bude, tím vyšší bude mít hodnotu užitku. Seznámíme se se třemi metodami založenými na principu maximalizace užitku: 1. Metoda funkce užitku (UFA) 2. Metoda váženého součtu (WSA) 3. Metoda pro analýzu rozhodovacích problémů pomocí hierarchického znázornění (AHP) UFA Označme: a i obecná i-tá varianta f j obecné j-té kritérium f j (a i ) hodnota varianty a i podle kritéria f j (v předchozích cvičeních jsme tuto hodnotu označovali y ij ) u j (f j (a i )) nebo zjednodušeně u j (a i ) z intervalu < 0, 1 > dílčí funkce užitku 1

2 To, že určitá varianta a i dosáhla podle kritéria f j určité hodnoty f j (a i ) přináší uživateli určitý užitek, který měříme pomocí právě zmíněné dílčí funkce užitku. Pochopitelně, že čím vyšší je vhodnost varianty, tím vyšší dává uživateli užitek, a proto také má tím vyšší hodnotu dílčí funkce užitku u j (a i ). Pomocí funkce užitku lze modelovat preference uživatele. Označme: P j preferenční relace mezi variantami podle kritéria f j I j indiferenční relace mezi variantami podle kritéria f j H j nejvíce preferovaná varianta podle kritéria f j D j nejméně preferovaná varianta podle kritéria f j Pak pro dílčí funkci užitku platí: u j (a) > u j (b) ap j b u j (a) = u j (b) ai j b u j (H j ) = 1 u j (D j ) = 0 Rozeznáváme tři základní typy: 1. Lineární funkce užitku konstantní přírůstky užitku 2. Konvexní funkce užitku u D j jsou přírůstky užitku menší než v blízkosti H j 3. Konkávní funkce užitku u D j jsou přírůstky užitku větší než v blízkosti H j Konstrukce funkce užitku se provádí metodou dělících bodů. Na horizontální osu budeme vynášet hodnoty y j, na vertikální osu hodnoty dílčí funkce užitku u j (y j ). Uživatel určí na vodorovné ose yj 0.5 mezi hodnotami D j a H j tak, aby u j (yj 0.5 ) u j (D j ) = u j (H j ) u j (yj 0.5 ). Je zřejmé, že pro yj 0.5 bude u j (yj 0.5 ) = 0.5, neboť u j (H j ) = 1 a u j (D j ) = 0. Zcela stejným způsobem určí uživatel na vodorovné ose yj 0.25 mezi hodnotami D j a yj 0.5 tak, aby u j (yj 0.25 ) u j (D j ) = u j (yj 0.5 ) u j (yj 0.25 ). Je zřejmé, že pro yj 0.25 bude u j (yj 0.25 ) =

3 Dále uživatel určí na vodorovné ose yj 0.75 mezi hodnotami yj 0.5 a H j tak, aby u j (yj 0.75 ) u j (yj 0.5 ) = u j (H j ) u j (yj 0.75 ). Je zřejmé, že pro yj 0.75 bude u j (yj 0.75 ) = Tímto způsobem vytvoříme několik bodů a těmi pak proložíme (po částech lineární) křivku. Dílčí funkce užitku lze poté agregovat do jediné funkce, kterou budeme nazývat vícekriteriální funkcí užitku: u(a i ) = u{u 1 (f 1 (a i )),..., u k (f k (a i ))} = u{u 1 (a i ),..., u k (a i )}. V praxi se nejčastěji používá aditivní tvar funkce užitku: u(a i ) = v 1 u 1 (a i ) v k u k (a i ) = k v j u j (a i ), kde u j (a i ) jsou dílčí funkce užitku a v j jsou váhy jednotlivých kritérií. Jelikož váhy jsou normalizované, platí u(a i ) < 0, 1 >. Důležitou podmínkou je vzájemná preferenční nezávislost kritérií. Pozn.: Kromě aditivního tvaru funkce užitku existuje i multiplikativní tvar, podrobnosti v učebnicích, např. Fiala, Jablonský, Maňas: Vícekriteriální rozhodování, VŠE, 1994 nebo Fiala: Teorie rozhodování, VŠE, Pro nalezení kompromisní varianty pak maximalizujeme vícekriteriální funkci užitku na množině variant: max u(a i ) pro a i A = {a 1,..., a p }. Podle klesajících hodnot vícekriteriální funkce užitku lze varianty uspořádat. Nicméně podotkněme na závěr, že tato metoda je pro ruční počítání dost složitá a tak při jejím použití pracujeme s počítači. Příklad Upír Předpokládejme příklad s úpírem, který podle prvních tří kritérií hodnotí své 4 oběti. Hodnotíme tedy 4 varianty podle 3 kritérií, ktireriální hodnoty jsou v matici: 3

4 Předpokládejme, že máme následující informace o dílčích funkcích užitku: užitky ČES VUP KPR Funkce užitku je mezi jednotlivými body v tabulce po částech lineární. Pokud užitek pro 120 metrovou vzdálenost od česnekového pole je 0.25 a pro 150 metrovou vzdálenost je užitek 0.75, lze snadno, např. trojčlenkou, spočítat, že užitek 121 metrové vzdálenosti je u = = Podobně užitek 30 pro vzdálenost 107 metrů je u = = V tabulce jsou spočítány hodnoty dílčí funkce užitku pro údaje z výše uvedené matice: užitky ČES VUP KPR a a a a Navíc máme pro jednotlivá kritéria zadané váhy v = (0.1, 0.6, 0.3). Agregované užitky spočítáme jako násobek váhy a hodnoty dílčí funkce užitku nasčítané přes všechna kritéria: u(a i ) = v 1 u 1 (a i ) v k u k (a i ) = k v j u j (a i ), v našem případě u(a i ) = v 1 u 1 (a i ) + v 2 u 2 (a i ) + v 3 u 3 (a i ). Konkrétně tedy pro varianty: užitky UFA a = a = a = a = Vzhledem k tomu, že se jedná o funkci užitku a my chceme užitek maximalizovat, vybíráme variantu s maximální hodnotou ve sloupci UFA. Optimální variantou při použití metody UFA tedy bude a 4. Povšimněme si, že varianta a 3 je jako jediná dominována, proto je hodnota jejího užitku nejnižší. 4

5 7.1.2 WSA Metodu jsme si představili již v kap. 2.6, kdy jsme si její pomocí ukazovali práci s kriteriální maticí. Tato metoda také vychází z principu maximalizace užitku, předpokládá však pouze lineární funkci užitku. Jde vlastně o speciální případ metody UFA. Tuto metodu lze s úspěchem použít při ručních výpočtech. Nejprve je třeva sestavit tzv. normalizovanou kriteriální matici. Označme symbolem D j bazální (dolní) hodnotu pro kritérium j a symbolem H j ideální (horní) hodnotu pro kritérium j. Normalizovaná kriteriální matice (r ij ) vzniká transformací původní kriteriální matice (y ij ) podle vztahu: r ij = y ij D j H j D j. Normalizovaná kriteriální matice je v tomto případě maticí hodnot užitku z i-té varianty podle j-tého kritéria. Pro prvky této normalizované kriteriální matice platí: r ij < 0, 1 > pro všechna i, j r ij = 0 pro D j r ij = 1 pro H j Při užití metody WSA pracujeme s váhami jednotlivých kritérií, které jsou buď dány, nebo které jsme již nějakým vhodným způsobem odhadli (metodou pořadí, bodovací metodou, metodou párového srovnávání, metodou kvantitativního párového srovnávání). Máme tedy dány váhy v = (v 1, v 2,..., v k ) pro k maximalizačních kritérií. WSA pak maximalizuje vážený součet, tedy k v j r ij. Tento vážený součet je pak aditivním tvarem vícekriteriální funkce užitku: u(a i ) = k v j r ij Spočítáme proto hodnotu tohoto váženého součtu pro každou variantu a za kompromisní variantu vybereme tu, která bude mít vážený součet nejvyšší. 5

6 Podle klesající hodnoty funkce užitku můžeme varianty uspořádat. Opět si metodu předvedeme na příkladu s Upírem. Příklad Upír Máme kriteriální matici pro maximalizační kritéria, přidáme si řádky s ideální a bazální variantou (narozdíl od kap. 2.6 budeme ale nyní uvažovat všechny ideální a bazální hodnoty jako relativní nejnižší a nejvyšší hodnota budou vybrány z kriteriální matice) a podle výše uvedeného vztahu sestavíme normalizovanou kriteriální matici. Podle vztahu uvedeném v posledním řádku snadno sestavíme žádanou matici: var./krit a a a a a a a a a a H j D j H j D j r ij y i y i2 3 3 y i y i4 1 2 y i5 2 2 y i6 1 y i y i8 2 7 y i9 20 6

7 R = Použijeme váhy, které jsme dostali metodou párového srovnávání. v = (0, 0.17, 0.19, 0.11, 0.03, 0.19, 0.06, 0.17, 0.08) Vážený součet pro variantu a 1 je: = Podobně spočítáme vážený součet i pro zbývajících 9 variant: var. u(a i ) = k v j r ij pořadí a a a a a a a a a a AHP Znázornění rozhodovacího problému jako hierarchické struktury (hierarchie). Hierarchická struktura = lineární struktura obsahující s úrovní. Úrovně jsou uspořádány od obecného ke konkrétnímu. 7

8 Prvky na libovolné úrovni jsou bezprostředně řízeny či ovlivňovány prvky na předchozí úrovni. Intenzity jednotlivých prvků v hierarchii mohou být kvantifikovány. Nejvyšší úroveň obsahuje vždy pouze jeden prvek s definicí cíle vyhodnocování, tomuto prvku je přiřazena hodnota 1, která je rozdělena mezi prvky na druhé úrovni. Ohodnocení prvků na libovolné úrovni je rozděleno mezi prvky o úroveň níž. V teorii grafů lze takovou strukturu modelovat stromem, v němž by uzly tvořily prvky struktury a hrany by byly tvořeny vazbami mezi jednotlivými prvky. Tato metoda je vhodná pro: běžné úlohy vícekriteriálního hodnocení variant (VHV) úlohy lineárního cílového programování (LCP) analýzy portfólia rozsáhlé makroekonomické modely Pro typickou úlohu VHV má hierarchie 5 úrovní: 1. úroveň cíl vyhodnocování (1 prvek) 2. úroveň experti (r prvků) 3. úroveň kritéria (k prvků) 4. úroveň subkritéria (záleží na struktuře) 5. úroveň varianty (p prvků) Na druhé úrovni hodnotíme fundovanost expertů něčím jako jsou váhy, na třetí a čtvrté úrovni hodnotíme důležitost kritérií formou vah, na páté úrovni hodnotíme důležitost variant pomocí preferencí. Pro běžné rozhodování nám však stačí tři úrovně (cíl, kritéria a varianty). Jak tedy bude vypadat použití metody AHP v praxi? 8

9 Připomeňme si nejprve metodu kvantitativního párového srovnávání pro odhad vah (Saatyho metodu). Saatyho metoda patří mezi nejčastěji používané metody pro volbu vah, používá se např. v postupu AHP. Srovnávají se opět vždy páry kritérií (stejně jako v předchozím případě) a hodnocení se ukládá do tzv. Saatyho matice S = (s ij ) podle následujícího systému: 1 i a j jsou rovnocenná 3 i je slabě preferováno před j (s ij ) = 5 i je silně preferováno před j 7 i je velmi silně preferováno před j 9 i je absolutně preferováno před j Hodnoty 2,4,6 a 8 jsou ponechány pro hodnocení mezistupňů. Je zřejmé, že s ii = 1, neboť kritérium je rovnocenné samo se sebou. Navíc musí platit, že s ji = 1/s ij pro všechna i. Hodnota s ij představuje přibližný poměr vah kritéria i a j, v matematickém zápisu s ij v i /v j. Předpokládejme, že skutečný poměr vah je v i /v j, my tento poměr odhadujeme hodnotou s ij a chceme, aby se toto s ij co nejméně lišilo od v i /v j. Samotná metoda je velmi jednoduchá a zahrnuje následujících 5 kroků. Nejprve vyplníme Saatyho matici: 1. Na diagonále budou jedničky (s ii = 1). 2. s ij < 0, 9 >, pokud i je preferováno před j. 3. s ji = 1/s ij Pro každé i spočítáme hodnotu s i = k s ij. Pro každé i spočítáme hodnotu R i = (s i ) 1/k = k s i. Dále spočítáme k R i. i=1 Nakonec určíme váhy kritérií podle vztahu v i = R i k 9. R i i=1

10 Přesně takto metodu kvantitativního párového srovnávání použijeme a to opakovaně dvakrát. Metodu kvantitativního párového srovnávání nejprve aplikujeme na kritéria a získáme tak odhad vah jednotlivých kritérií. Získáme váhový vektor v = (v 1, v 2,... v k ). Po té vezmeme první kritérium a jednotlivé varianty metodou kvantitativního párového srovnávání srovnáme podle tohoto prvního kritéria. Řekneme si tedy, jak důležitá je podle prvního kritéria každá varianta vůči ostatním a vyplníme Saatyho matici. Metodou kvantitativního párového srovnávání dostaneme odhadnuté váhy pro jednotlivé varianty. Tento váhový vektor pak bude tvořit první sloupec matice vah W. Pak provedeme totéž podle druhého kritéria a výsledné váhy budou tvořit druhý sloupec matice W, atd. až kvantitativním srovnáváním variant podle posledního kritéria získáme poslední (k-tý) sloupec matice W. Máme tedy váhový vektor v pro kritéria a matici vah W pro varianty v závislosti na kritériích. Spočítáme nyní agregovanou váhu pro každou variantu: w i = Jedná se v podstatě o vážený součet v jednotlivých řádcích. k v j w ij. Neboť i metoda AHP je v principu metoda maximalizující užitek, vybíráme opět variantu, která má nejvyšší vypočtenou hodnotu agregované váhy. Tato metoda v této základní podobě není určena pro příliš rozsáhlé úlohy, běžně se používá pro problémy, které mají na každé úrovni hierarchie nejvýše 7 prvků (variant, kritérií,... ), pro úlohy s větším počtem variant používáme jakási subkritéria, čímž sice zvýšíme počet úrovní, ale snížíme počet porovnávání při vyplňování Saatyho matice. Uvědomme si totiž, že při řešení takovéto úlohy provedeme N = ( ( ) k 2) + k p 2 porovnání, což je pro p = 10, k = 9 (jak je v příkladě s upírem) 441 porovnání. Příklad Upír Předpokládejme, že máme opět příklad s upírem a uvažujeme prvních 5 kritérií a první 4 varianty. 10

11 Metodou kvantitativního párového srovnávání určíme váhy kro kritéria: v = (0.0545, , , , ). Pak vezmeme první kritérium a metodou kvantitativního párového srovnávání variant získáme vektor odhadu vah w i1 = (0.121, 0.341, 0.054, 0.483). Totéž provedeme pro druhé kritérium a metodou kvantitativního párového srovnávání variant získáme vektor odhadu vah w i2 = (0.167, 0.394, 0.045, 0.394). Postup opakujeme pro třetí kritérium a metodou kvantitativního párového srovnávání variant získáme vektor odhadu vah w i3 = (0.208, 0.061, 0.096, 0.635). Pro čtvrté kritérium metodou kvantitativního párového srovnávání variant získáme vektor odhadu vah w i4 = (0.308, 0.308, 0.308, 0.077). A pro poslední kritérium metodou kvantitativního párového srovnávání variant získáme vektor odhadu vah w i5 = (0.571, 0.143, 0.143, 0.143). Vektory seřadíme do sloupců matice W : W = Spočítáme nyní agregovanou váhu pro každou variantu: w i = k v j w ij, v = (0.0545, , , , ). Jedná se v podstatě o vážený součet v jednotlivých řádcích. w 1 = = w 2 = w 3 = w 4 =

12 Neboť metoda maximalizuje užitek, vybíráme variantu, která má nejvyšší vypočtenou hodnotu agregované váhy. Optimální variantou tedy bude a 4. 12

Vícekriteriální hodnocení variant VHV

Vícekriteriální hodnocení variant VHV Vícekriteriální hodnocení variant VHV V lineárním programování jsme se naučili hledat optimální řešení pro úlohy s jedním (maximalizačním nebo minimalizačním) kritériem za předpokladu, že podmínky i účelová

Více

5 Informace o aspiračních úrovních kritérií

5 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.

Více

Vícekriteriální rozhodování za jistoty

Vícekriteriální rozhodování za jistoty 1 Část I Vícekriteriální rozhodování za jistoty Při řešení rozhodovacích problémů se často setkáváme s případy, kdy optimální rozhodnutí musí vyhovovat více než jednomu kritériu. Zadaná kritéria mohou

Více

Socio-ekonomická evaluace aglomerace z hlediska potřeb a aktivit investorů

Socio-ekonomická evaluace aglomerace z hlediska potřeb a aktivit investorů Klub regionalistů 11.11.2010 Projekt SGS SP/2010 Socio-ekonomická evaluace aglomerace z hlediska potřeb a aktivit investorů Jiří Adamovský Lucie Holešinská Katedra regionální a environmentální ekonomiky

Více

Jiří Neubauer. Katedra ekonometrie FEM UO Brno

Jiří Neubauer. Katedra ekonometrie FEM UO Brno Přednáška č. 11 Katedra ekonometrie FEM UO Brno Jedná se o speciální případ dopravních úloh, řeší např. problematiku optimálního přiřazení strojů na pracoviště. Příklad Podnik má k dispozici 3 jeřáby,

Více

BAKALÁŘSKÁ PRÁCE. Realizace metody AHP v prostředí tabulkového kalkulátoru. Univerzita Pardubice Fakulta ekonomicko-správní

BAKALÁŘSKÁ PRÁCE. Realizace metody AHP v prostředí tabulkového kalkulátoru. Univerzita Pardubice Fakulta ekonomicko-správní Univerzita Pardubice Fakulta ekonomicko-správní Ústav systémového inženýrství a informatiky BAKALÁŘSKÁ PRÁCE Realizace metody AHP v prostředí tabulkového kalkulátoru Autor: Jaroslav Shejbal Vedoucí práce:

Více

Konkurzní řízení ve společnosti SpenglerFox

Konkurzní řízení ve společnosti SpenglerFox Konkurzní řízení ve společnosti SpenglerFox Velká případová studie projektu ZIP ESF napomáhá rozvoji zaměstnanosti podporou zaměstnatelnosti, podnikatelského ducha, rovných příležitostí a investicemi do

Více

JčU - Cvičení z matematiky pro zemědělské obory (doc. RNDr. Nýdl, CSc & spol.) Minitest MT4

JčU - Cvičení z matematiky pro zemědělské obory (doc. RNDr. Nýdl, CSc & spol.) Minitest MT4 ŘEŠENÍ MINITESTŮ JčU - Cvičení z matematiky pro zemědělské obory (doc. RNDr. Nýdl, CSc & spol.) Minitest MT4. Z daných tří soustav rovnic o neznámých x, x vyberte právě všechny ty, které jsou regulární.

Více

DIPLOMOVÁ PRÁCE. AHP - její silné a slabé stránky

DIPLOMOVÁ PRÁCE. AHP - její silné a slabé stránky UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY DIPLOMOVÁ PRÁCE AHP - její silné a slabé stránky Vedoucí diplomové práce: Doc. RNDr. Jana Talašová,

Více

Aplikace metod vícekriteriálního rozhodování v lázeňském hotelu

Aplikace metod vícekriteriálního rozhodování v lázeňském hotelu Vysoká škola ekonomická v Praze Fakulta informatiky a statistiky Vyšší odborná škola informačních služeb v Praze Tatyana Shevtsova Aplikace metod vícekriteriálního rozhodování v lázeňském hotelu Bakalářská

Více

Hodnocení vybraných zemí EU za podpory metod multikriteriálního hodnocení variant

Hodnocení vybraných zemí EU za podpory metod multikriteriálního hodnocení variant JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH EKONOMICKÁ FAKULTA Katedra aplikované matematiky a informatiky Studijní program: N6208 Ekonomika a management Studijní obor: Účetnictví a finanční řízení podniku

Více

2. Numerické výpočty. 1. Numerická derivace funkce

2. Numerické výpočty. 1. Numerická derivace funkce 2. Numerické výpočty Excel je poměrně pohodlný nástroj na provádění různých numerických výpočtů. V příkladu si ukážeme možnosti výpočtu a zobrazení diferenciálních charakteristik analytické funkce, přičemž

Více

VHODNOST A DOSTUPNOST TECHNOLOGIE PŘEPRAVY SILNIČNÍCH NÁVĚSŮ V TERMINÁLU KP

VHODNOST A DOSTUPNOST TECHNOLOGIE PŘEPRAVY SILNIČNÍCH NÁVĚSŮ V TERMINÁLU KP VHODNOST A DOSTUPNOST TECHNOLOGIE PŘEPRAVY SILNIČNÍCH NÁVĚSŮ V TERMINÁLU KP SUITABILITY AND AVAILABILITY OF ROAD TRAILERS TRANSPORT TECHNOLOGIES IN THE INTERMODAL TERMINAL Jaromír Široký 1, Martin Závojko

Více

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

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

Více

4.2.15 Funkce kotangens

4.2.15 Funkce kotangens 4..5 Funkce kotangens Předpoklady: 44 Pedagogická poznámka: Pokud nemáte čas, doporučuji nechat tuto hodinu studentům na domácí práci. Nedá se na tom nic zkazit a v budoucnu to není nikde příliš potřeba.

Více

11 Analýza hlavních komponet

11 Analýza hlavních komponet 11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu

Více

1 Linearní prostory nad komplexními čísly

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

Více

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

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

Více

5 Minimální kostry, Hladový algoritmus

5 Minimální kostry, Hladový algoritmus 5 Minimální kostry, Hladový algoritmus Kromě teoretických hrátek mají kostry grafů (Oddíl 4.4) následující důležité praktické použití: Dříve jsme uvažovali spojení v grafech cestami jdoucími z jednoho

Více

Lineární programování

Lineární programování 24.9.205 Lineární programování Radim Farana Podklady pro výuku pro akademický rok 203/204 Obsah Úloha lineárního programování. Formulace úlohy lineárního programování. Typické úlohy lineárního programování.

Více

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

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

Více

Měření závislosti statistických dat

Měření závislosti statistických dat 5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě

Více

7.2.12 Vektorový součin I

7.2.12 Vektorový součin I 7 Vektorový součin I Předpoklad: 708, 7 Při násobení dvou čísel získáváme opět číslo Skalární násobení vektorů je zcela odlišné, protože vnásobením dvou vektorů dostaneme číslo, ted něco jiného Je možné

Více

Řešení 1. série. Řešení S-I-1-1 Nejdříve si uvědomme, že platí následující vztahy. h = 1 2 v d, h = 1 2 s k,

Řešení 1. série. Řešení S-I-1-1 Nejdříve si uvědomme, že platí následující vztahy. h = 1 2 v d, h = 1 2 s k, Řešení 1. série Řešení S-I-1-1 Nejdříve si uvědomme, že platí následující vztahy h = 1 2 v d, h = 1 2 s k, kde h je počet hran, v je počet vrcholů, d je stupeň vrcholu, s je počet stěn a k je počet úhlů

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

Diferenciální počet 1 1. f(x) = ln arcsin 1 + x 1 x. 1 x 1 a x 1 0. f(x) = (cos x) cosh x + 3x. x 0 je derivace funkce f(x) v bodě x0.

Diferenciální počet 1 1. f(x) = ln arcsin 1 + x 1 x. 1 x 1 a x 1 0. f(x) = (cos x) cosh x + 3x. x 0 je derivace funkce f(x) v bodě x0. Nalezněte definiční obor funkce Diferenciální počet f = ln arcsin + Definiční obor funkce f je určen vztahy Z těchto nerovností plyne < + ln arcsin + je tedy D f =, Určete definiční obor funkce arcsin

Více

Řešení slovních úloh pomocí lineárních rovnic

Řešení slovních úloh pomocí lineárních rovnic Řešení slovních úloh pomocí lineárních rovnic Řešení slovních úloh představuje spojení tří, dnes bohužel nelehkých, úloh porozumění čtenému textu (pochopení zadání), jeho matematizaci (převedení na rovnici)

Více

Číselné charakteristiky a jejich výpočet

Číselné charakteristiky a jejich výpočet Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky

Více

4.5 Stanovení hodnoticích kritérií a požadavky na jejich obsah

4.5 Stanovení hodnoticích kritérií a požadavky na jejich obsah nadhodnocením ukazatele výkonu). Současně se objektivností rozumí, že technické podmínky nebyly nastaveny diskriminačně, tedy tak, aby poskytovaly některému uchazeči konkurenční výhodu či mu bránily v

Více

Historie matematiky a informatiky Cvičení 2

Historie matematiky a informatiky Cvičení 2 Historie matematiky a informatiky Cvičení 2 Doc. RNDr. Alena Šolcová, Ph. D., KAM, FIT ČVUT v Praze 2014 Evropský sociální fond Investujeme do vaší budoucnosti Alena Šolcová Číselně teoretické funkce (Number-Theoretic

Více

Kapitola 7 TESTOVÁNÍ LAKTÁTOVÉHO PRAHU. Definice laktátového prahu

Kapitola 7 TESTOVÁNÍ LAKTÁTOVÉHO PRAHU. Definice laktátového prahu Kapitola 7 TESTOVÁNÍ LAKTÁTOVÉHO PRAHU Definice laktátového prahu Laktátový práh je definován jako maximální setrvalý stav. Je to bod, od kterého se bude s rostoucí intenzitou laktát nepřetržitě zvyšovat.

Více

2.6. Vlastní čísla a vlastní vektory matice

2.6. Vlastní čísla a vlastní vektory matice 26 Cíle V této části se budeme zabývat hledáním čísla λ které je řešením rovnice A x = λ x (1) kde A je matice řádu n Znalost řešení takové rovnice má řadu aplikací nejen v matematice Definice 261 Nechť

Více

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

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D. Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní

Více

Matematika stavebního spoření

Matematika stavebního spoření Matematika stavebního spoření Výpočet salda ve stacionárním stavu a SKLV Petr Kielar Stavební spořitelny se od klasických bank odlišují tím, že úvěry ze stavebního spoření poskytují zásadně z primárních

Více

STATISTICA Téma 1. Práce s datovým souborem

STATISTICA Téma 1. Práce s datovým souborem STATISTICA Téma 1. Práce s datovým souborem 1) Otevření datového souboru Program Statistika.cz otevíráme z ikony Start, nabídka Programy, podnabídka Statistika Cz 6. Ze dvou nabídnutých možností vybereme

Více

přesné jako tabulky, ale rychle a lépe mohou poskytnou názornou představu o důležitých tendencích a souvislostech.

přesné jako tabulky, ale rychle a lépe mohou poskytnou názornou představu o důležitých tendencích a souvislostech. 3 Grafické zpracování dat Grafické znázorňování je velmi účinný způsob, jak prezentovat statistické údaje. Grafy nejsou tak přesné jako tabulky, ale rychle a lépe mohou poskytnou názornou představu o důležitých

Více

FUNKCE PRO ANALYTICKÉ ZPRACOVÁNÍ DAT

FUNKCE PRO ANALYTICKÉ ZPRACOVÁNÍ DAT FUNKCE PRO ANALYTICKÉ ZPRACOVÁNÍ DAT V PRODUKTECH YAMACO SOFTWARE PŘÍRUČKA A NÁVODY PRO ÚČELY: - RUTINNÍ PRÁCE S DATY YAMACO SOFTWARE 2008 1. ÚVODEM Vybrané produkty společnosti YAMACO Software obsahují

Více

Využití matematických metod pro hodnocení spořicích účtů

Využití matematických metod pro hodnocení spořicích účtů Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta Katedra aplikované matematiky a informatiky Bakalářská práce Využití matematických metod pro hodnocení spořicích účtů Vypracovala: Jana Jonášová

Více

Metodologický přístup a popis prací na projektu

Metodologický přístup a popis prací na projektu Metodologický přístup a popis prací na projektu Použitá metodika Projekt vychází metodologicky z přístupu ke gender analýze strategických dokumentů zpracované v rámci diplomové práce Ludmily Rejmanové

Více

1 Zdroj napětí náhradní obvod

1 Zdroj napětí náhradní obvod 1 Zdroj napětí náhradní obvod Příklad 1. Zdroj napětí má na svorkách naprázdno napětí 6 V. Při zatížení odporem 30 Ω klesne napětí na 5,7 V. Co vše můžete o tomto zdroji říci za předpokladu, že je v celém

Více

scale n_width width center scale left center range right center range value weight_sum left right weight value weight value weight_sum weight pixel

scale n_width width center scale left center range right center range value weight_sum left right weight value weight value weight_sum weight pixel Změna velikosti obrázku Převzorkování pomocí filtrů Ačkoliv jsou výše uvedené metody mnohdy dostačující pro běžné aplikace, občas je zapotřebí dosáhnout lepších výsledků. Pokud chceme obrázky zvětšovat

Více

24.11.2009 Václav Jirchář, ZTGB

24.11.2009 Václav Jirchář, ZTGB 24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci

Více

Protokol č. 7. Jednotné objemové křivky. Je zadána výměra porostu, výška dřevin a počty stromů v jednotlivých tloušťkových stupních.

Protokol č. 7. Jednotné objemové křivky. Je zadána výměra porostu, výška dřevin a počty stromů v jednotlivých tloušťkových stupních. Protokol č. 7 Jednotné objemové křivky Zadání: Pro zadané dřeviny stanovte zásobu pomocí JOK tabulek. Součástí protokolu bude tabulka obsahující střední Weisseho tloušťku, Weisseho procento, číslo JOK,

Více

Semestrální práce z předmětu MAB

Semestrální práce z předmětu MAB Západočeská univerzita v Plzni Fakulta aplikovaných věd Semestrální práce z předmětu MAB Modely investičního rozhodování Helena Wohlmuthová A07148 16. 1. 2009 Obsah 1 Úvod... 3 2 Parametry investičních

Více

Poznámka: V kurzu rovnice ostatní podrobně probíráme polynomické rovnice a jejich řešení.

Poznámka: V kurzu rovnice ostatní podrobně probíráme polynomické rovnice a jejich řešení. @083 6 Polynomické funkce Poznámka: V kurzu rovnice ostatní podrobně probíráme polynomické rovnice a jejich řešení. Definice: Polynomická funkce n-tého stupně (n N) je dána předpisem n n 1 2 f : y a x

Více

Použití základních typů grafu v programu EXCEL

Použití základních typů grafu v programu EXCEL Použití základních typů grafu v programu EXCEL (doplňující výukový text, únor 2013) Václav Synek 1 Použití základních typů grafu v programu EXCEL Václav Synek Graf sloupcový Graf spojnicový Graf XY bodový

Více

1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy:

1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy: Opakování středoškolské matematiky Slovo úvodem: Tato pomůcka je určena zejména těm studentům presenčního i kombinovaného studia na VŠFS, kteří na středních školách neprošli dostatečnou průpravou z matematiky

Více

Projekt IMPLEMENTACE ŠVP. pořadí početních operací, dělitelnost, společný dělitel a násobek, základní početní operace

Projekt IMPLEMENTACE ŠVP. pořadí početních operací, dělitelnost, společný dělitel a násobek, základní početní operace Střední škola umělecká a řemeslná Evropský sociální fond "Praha a EU: Investujeme do vaší budoucnosti" Projekt IMPLEMENTACE ŠVP Evaluace a aktualizace metodiky předmětu Matematika Výrazy Obory nástavbového

Více

Vytváření grafů v aplikaci Helios Red

Vytváření grafů v aplikaci Helios Red Vytváření grafů v aplikaci Helios Red Grafy jsou v Helios Red součástí generátoru sestav a jsou tedy dostupné ve všech modulech a výstupech, kde je k dispozici generátor sestav. Největší použití mají v

Více

Matematika I, část I Vzájemná poloha lineárních útvarů v E 3

Matematika I, část I Vzájemná poloha lineárních útvarů v E 3 3.6. Vzájemná poloha lineárních útvarů v E 3 Výklad A. Vzájemná poloha dvou přímek Uvažujme v E 3 přímky p, q: p: X = A + ru q: X = B + sv a hledejme jejich společné body, tj. hledejme takové hodnoty parametrů

Více

Dotazy tvorba nových polí (vypočítané pole)

Dotazy tvorba nových polí (vypočítané pole) Téma 2.4 Dotazy tvorba nových polí (vypočítané pole) Pomocí dotazu lze také vytvářet nová pole, která mají vazbu na již existující pole v databázi. Vznikne tedy nový sloupec, který se počítá podle vzorce.

Více

Optimalizace úvěrových nabídek. EmbedIT 7.11.2013 Tomáš Hanžl

Optimalizace úvěrových nabídek. EmbedIT 7.11.2013 Tomáš Hanžl Optimalizace úvěrových nabídek EmbedIT 7.11.2013 Tomáš Hanžl Obsah Spotřebitelský úvěr Popis produktu Produktová definice v HC Kalkulace úvěru Úloha nalezení optimálního produktu Shrnutí Spotřebitelský

Více

Gymnázium Vysoké Mýto nám. Vaňorného 163, 566 01 Vysoké Mýto

Gymnázium Vysoké Mýto nám. Vaňorného 163, 566 01 Vysoké Mýto Gymnázium Vysoké Mýto nám. Vaňorného 163, 566 01 Vysoké Mýto Registrační číslo projektu Šablona Autor Název materiálu CZ.1.07/1.5.00/34.0951 III/2 INOVACE A ZKVALITNĚNÍ VÝUKY PROSTŘEDNICTVÍM ICT Mgr. Jana

Více

Analýza finančních produktů pro studenty v České republice a vybrané zemi Evropské unie

Analýza finančních produktů pro studenty v České republice a vybrané zemi Evropské unie Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta Katedra aplikované matematiky a informatiky Studijní program: N6208 Ekonomika a management Studijní obor: Řízení a ekonomika podniku Analýza

Více

15. Moduly. a platí (p + q)(x) = p(x) + q(x), 1(X) = id. Vzniká tak struktura P [x]-modulu na V.

15. Moduly. a platí (p + q)(x) = p(x) + q(x), 1(X) = id. Vzniká tak struktura P [x]-modulu na V. Učební texty k přednášce ALGEBRAICKÉ STRUKTURY Michal Marvan, Matematický ústav Slezská univerzita v Opavě 15. Moduly Definice. Bud R okruh, bud M množina na níž jsou zadány binární operace + : M M M,

Více

SÍŤOVÁ ANALÝZA. Kristýna Slabá, kslaba@students.zcu.cz. 1. července 2010

SÍŤOVÁ ANALÝZA. Kristýna Slabá, kslaba@students.zcu.cz. 1. července 2010 SÍŤOVÁ ANALÝZA Kristýna Slabá, kslaba@students.zcu.cz 1. července 2010 Obsah 1 Úvod do síťové analýzy Hlavní metody síťové analýzy a jejich charakteristika Metoda CPM Metoda PERT Nákladová analýza Metoda

Více

Kapitola 2. o a paprsek sil lze ztotožnit s osou x (obr.2.1). sil a velikost rovnou algebraickému součtu sil podle vztahu R = F i, (2.

Kapitola 2. o a paprsek sil lze ztotožnit s osou x (obr.2.1). sil a velikost rovnou algebraickému součtu sil podle vztahu R = F i, (2. Kapitola 2 Přímková a rovinná soustava sil 2.1 Přímková soustava sil Soustava sil ležící ve společném paprsku se nazývá přímková soustava sil [2]. Působiště všech sil m i lze posunout do společného bodu

Více

Malé statistické repetitorium Verze s řešením

Malé statistické repetitorium Verze s řešením Verze s řešením Příklad : Rozdělení náhodné veličiny základní charakteristiky Rozdělení diskrétní náhodné veličiny X je dáno následující tabulkou x 0 4 5 P(X = x) 005 05 05 0 a) Nakreslete graf distribuční

Více

Algoritmy I, složitost

Algoritmy I, složitost A0B36PRI - PROGRAMOVÁNÍ Algoritmy I, složitost České vysoké učení technické Fakulta elektrotechnická v 1.01 Rychlost... Jeden algoritmus (program, postup, metoda ) je rychlejší než druhý. Co ta věta znamená??

Více

Všechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat

Všechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat Všechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat Čtvercová matice n n, např. může reprezentovat: A = A A 2 A 3 A 2 A 22 A 23 A 3 A 32 A 33 matici koeficientů soustavy n lineárních

Více

Výběr optimální varianty financování bydlení pro vybraného klienta

Výběr optimální varianty financování bydlení pro vybraného klienta Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta Katedra aplikované matematiky a informatiky Studijní program: 6208 N Ekonomika a management Studijní obor: Účetnictví a finanční řízení podniku

Více

UNIVERZITA PARDUBICE FAKULTA EKONOMICKO - SPRÁVNÍ BAKALÁŘSKÁ PRÁCE

UNIVERZITA PARDUBICE FAKULTA EKONOMICKO - SPRÁVNÍ BAKALÁŘSKÁ PRÁCE UNIVERZITA PARDUBICE FAKULTA EKONOMICKO - SPRÁVNÍ BAKALÁŘSKÁ PRÁCE 2008 Kateřina KOUBOVÁ Univerzita Pardubice Fakulta ekonomicko správní Vícekriteriální hodnocení variant za jistoty metody rozhodování

Více

StatSoft Jak poznat vliv faktorů vizuálně

StatSoft Jak poznat vliv faktorů vizuálně StatSoft Jak poznat vliv faktorů vizuálně V tomto článku bychom se rádi věnovali otázce, jak poznat již z grafického náhledu vztahy a závislosti v analýze rozptylu. Pomocí následujících grafických zobrazení

Více

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7 Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku

Více

Téma 1: Elektrostatika I - Elektrický náboj Kapitola 22, str. 577 592

Téma 1: Elektrostatika I - Elektrický náboj Kapitola 22, str. 577 592 Téma 1: Elektrostatika I - Elektrický náboj Kapitola 22, str. 577 592 Shrnutí: Náboj a síla = Coulombova síla: - Síla jíž na sebe náboje Q působí je stejná - Pozn.: hledám-li velikost, tak jen dosadím,

Více

Neuronové časové řady (ANN-TS)

Neuronové 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

Více

Pojem a úkoly statistiky

Pojem 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

Více

PROGRAM RP45. Vytyčení podrobných bodů pokrytí. Příručka uživatele. Revize 05. 05. 2014. Pragoprojekt a.s. 1986-2014

PROGRAM RP45. Vytyčení podrobných bodů pokrytí. Příručka uživatele. Revize 05. 05. 2014. Pragoprojekt a.s. 1986-2014 ROADPAC 14 RP45 PROGRAM RP45 Příručka uživatele Revize 05. 05. 2014 Pragoprojekt a.s. 1986-2014 PRAGOPROJEKT a.s., 147 54 Praha 4, K Ryšánce 16 RP45 1. Úvod. Program VÝŠKY A SOUŘADNICE PODROBNÝCH BODŮ

Více

Výsledný graf ukazuje následující obrázek.

Výsledný graf ukazuje následující obrázek. Úvod do problematiky GRAFY - SPOJNICOVÝ GRAF A XY A. Spojnicový graf Spojnicový graf používáme především v případě, kdy chceme graficky znázornit trend některé veličiny ve zvoleném časovém intervalu. V

Více

Kartogramy. Přednáška z předmětu Tematická kartografie (KMA/TKA) Otakar Čerba Západočeská univerzita

Kartogramy. Přednáška z předmětu Tematická kartografie (KMA/TKA) Otakar Čerba Západočeská univerzita Kartogramy Přednáška z předmětu Tematická kartografie (KMA/TKA) Otakar Čerba Západočeská univerzita Datum vytvoření dokumentu: 20. 9. 2004 Datum poslední aktualizace: 17. 10. 2011 Definice Kartogram je

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

N i investiční náklady, U roční úspora ročních provozních nákladů

N i investiční náklady, U roční úspora ročních provozních nákladů Technicko-ekonomická optimalizace cílem je určení nejvýhodnějšího řešení pro zamýšlenou akci Vždy existují nejméně dvě varianty nerealizace projektu nulová varianta realizace projektu Konstrukce variant

Více

Postup: Nejprve musíme vyplnit tabulku. Pak bude vypadat takto:

Postup: Nejprve musíme vyplnit tabulku. Pak bude vypadat takto: Úkol: Jednoduchá tabulka v Excelu Obrázky jsou vytvořené v Excelu verze 2003 CZ. Postupy jsou platné pro všechny běžně dostupné české verze Excelu s výjimkou verze roku 2007. Postup: Nejprve musíme vyplnit

Více

KAPITOLA 9 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM

KAPITOLA 9 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM KAPITOLA 9 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM CÍLE KAPITOLY Využívat pokročilé možnosti formátování, jako je podmíněné formátování, používat vlastní formát čísel a umět pracovat s listy. Používat

Více

Teorie síťových modelů a síťové plánování

Teorie 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

Více

Limita a spojitost funkce

Limita a spojitost funkce Limita a spojitost funkce Základ všší matematik Dana Říhová Mendelu Brno Průřezová inovace studijních programů Lesnické a dřevařské fakult MENDELU v Brně (LDF) s ohledem na disciplin společného základu

Více

Funkce, které jsme až dosud probírali, se souhrnně nazývají elementární funkce. Elementární snad proto, že jsou takové hladké, žádný nečekaný zlom.

Funkce, které jsme až dosud probírali, se souhrnně nazývají elementární funkce. Elementární snad proto, že jsou takové hladké, žádný nečekaný zlom. @213 17. Speciální funkce Funkce, které jsme až dosud probírali, se souhrnně nazývají elementární funkce. Elementární snad proto, že jsou takové hladké, žádný nečekaný zlom. Nyní si řekneme něco o třech

Více

Semestrální práce z předmětu Matematika 6F

Semestrální práce z předmětu Matematika 6F vypracoval: Jaroslav Nušl dne: 17.6.24 email: nusl@cvut.org Semestrální práce z předmětu Matematika 6F Zádání: Cílem semestrální práce z matematiky 6F bylo zkoumání hudebního signálu. Pluginem ve Winampu

Více

FOTOGRAMMETRIE. Rekonstrukce svislého nezáměrně pořízeného snímku, známe-li obraz čtverce ve vodorovné rovině

FOTOGRAMMETRIE. Rekonstrukce svislého nezáměrně pořízeného snímku, známe-li obraz čtverce ve vodorovné rovině FOTOGRAMMETRIE Máme-li k dispozici jednu nebo několik fotografií daného objektu (objekt zobrazený v lineární perspektivě), pomocí fotogrammetrie můžeme zjistit jeho tvar, rozměr či polohu v prostoru. Známe-li

Více

Základní pojmy teorie grafů [Graph theory]

Základní pojmy teorie grafů [Graph theory] Část I Základní pojmy teorie grafů [Graph theory] V matematice grafem obvykle rozumíme grafické znázornění funkční závislosti. Pro tento předmět je však podstatnější pohled jiný. V teorii grafů rozumíme

Více

2. spojitost (7. cvičení) 3. sudost/lichost, periodicita (3. cvičení) 4. první derivace, stacionární body, intervaly monotonie (10.

2. spojitost (7. cvičení) 3. sudost/lichost, periodicita (3. cvičení) 4. první derivace, stacionární body, intervaly monotonie (10. MA. cvičení průběh funkce Lukáš Pospíšil,202 Průběh funkce Pod úkolem vyšetřete průběh funkce budeme rozumět nalezení všech kvalitativních vlastností zadané funkce - tedy bude potřeba zjistit o funkci

Více

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

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

Více

Jevy A a B jsou nezávislé, jestliže uskutečnění jednoho jevu nemá vliv na uskutečnění nebo neuskutečnění jevu druhého

Jevy A a B jsou nezávislé, jestliže uskutečnění jednoho jevu nemá vliv na uskutečnění nebo neuskutečnění jevu druhého 8. Základy teorie pravděpodobnosti 8. ročník 8. Základy teorie pravděpodobnosti Pravděpodobnost se zabývá matematickými zákonitostmi, které se projevují v náhodných pokusech. Tyto zákonitosti mají opodstatnění

Více

Hodnocení kvality logistických procesů

Hodnocení kvality logistických procesů Téma 5. Hodnocení kvality logistických procesů Kvalitu logistických procesů nelze vyjádřit absolutně (nelze ji měřit přímo), nýbrž relativně porovnáním Hodnoty těchto znaků někdo buď předem stanovil (norma,

Více

Optimalizace portfolia a míry rizika. Pavel Sůva

Optimalizace 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

Více

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií Hodina 50 Strana /4 Gymnázium Budějovická Volitelný předmět Ekonomie - jednoletý BLOK ČÍSLO 8 Hodnocení akcií Předpokládaný počet : 9 hodin Použitá literatura : František Egermayer, Jan Kožíšek Statistická

Více

Použijeme-li prostorový typ grafu, můžeme pro každou datovou zvolit jiný tvar. Označíme datovou řadu, zvolíme Formát datové řady - Obrazec

Použijeme-li prostorový typ grafu, můžeme pro každou datovou zvolit jiný tvar. Označíme datovou řadu, zvolíme Formát datové řady - Obrazec Čtvrtek 15. září Grafy v Excelu 2010 U grafů, ve kterých se znázorňují hodnoty řádově rozdílné, je vhodné zobrazit ještě vedlejší osu 1994 1995 1996 1997 1998 1999 2000 hmotná investice 500 550 540 500

Více

Čistá současná hodnota a vnitřní výnosové procento

Čistá 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.

Více

OFFICE MS EXCEL SEZNÁMENÍ S PROGRAMEM

OFFICE MS EXCEL SEZNÁMENÍ S PROGRAMEM Škola: Autor: DUM: Vzdělávací obor: Tematický okruh: Téma: Masarykovo gymnázium Vsetín Mgr. Petr Koňařík MGV_VT_SS_1S2-D12_Z_OFF_EX_UVOD Informatika MS Office MS Excel - úvod OFFICE MS EXCEL SEZNÁMENÍ

Více

jklzxcvbnmqwertyuiop dfghjklzxcvbnmqwerty iopasdfghjklzxcvbnmqw tyuiopasdfghjklzxcvbn

jklzxcvbnmqwertyuiop dfghjklzxcvbnmqwerty iopasdfghjklzxcvbnmqw tyuiopasdfghjklzxcvbn qwertyuiopasdfghjklzxc nmqwertyuiopasdfghjk xcvbnmqwertyuiopasdf Mikroekonomická jklzxcvbnmqwertyuiop analýza dfghjklzxcvbnmqwerty Jindřich Soukup iopasdfghjklzxcvbnmqw 2012 tyuiopasdfghjklzxcvbn qwertyuiopasdfghjklzxc

Více

CZ 1.07/1.1.32/02.0006

CZ 1.07/1.1.32/02.0006 PO ŠKOLE DO ŠKOLY CZ 1.07/1.1.32/02.0006 Číslo projektu: CZ.1.07/1.1.32/02.0006 Název projektu: Po škole do školy Příjemce grantu: Gymnázium, Kladno Název výstupu: Prohlubující semináře Matematika (MI

Více

Univerzita Pardubice. Fakulta ekonomicko-správní Ústav podnikové ekonomiky a managementu

Univerzita Pardubice. Fakulta ekonomicko-správní Ústav podnikové ekonomiky a managementu Univerzita Pardubice Fakulta ekonomicko-správní Ústav podnikové ekonomiky a managementu Výběr internetového připojení pro podnik Matouš Téra Bakalářská práce 2013 PROHLÁŠENÍ Prohlašuji, že jsem tuto

Více

15. Goniometrické funkce

15. Goniometrické funkce @157 15. Goniometrické funkce Pravoúhlý trojúhelník Ze základní školy znáte funkce sin a cos jako poměr odvěsen pravoúhlého trojúhelníka ku přeponě. @160 Měření úhlů Velikost úhlů se měří buď mírou stupňovou

Více

Výhody a nevýhody jednotlivých reprezentací jsou shrnuty na konci kapitoly.

Výhody a nevýhody jednotlivých reprezentací jsou shrnuty na konci kapitoly. Kapitola Reprezentace grafu V kapitole?? jsme se dozvěděli, co to jsou grafy a k čemu jsou dobré. rzo budeme chtít napsat nějaký program, který s grafy pracuje. le jak si takový graf uložit do počítače?

Více

O FUNKCÍCH. Obsah. Petr Šedivý www.e-matematika.cz Šedivá matematika

O FUNKCÍCH. Obsah. Petr Šedivý www.e-matematika.cz Šedivá matematika O FUNKCÍCH Obsah Nezbytně nutná kapitola, kterou musíte znát pro studium limit, derivací a integrálů. Základ, bez kterého se neobejdete. Nejprve se seznámíte se všemi typy funkcí, které budete potřebovat,

Více

ý ď Í Ž ú Ž é š é Š Ž Ú ú ú ú š é Š Ž Í Ú ú Í ú ú š é Ž Ú ú ú ý ú ť é ž é Ž ú ó ý ý Ž š é š é Ú ú ý ú ť ú ť ý Ž Í ú ý ů é ý Ž É ú ý ú ů ž ž š ú Í š ý ú ÚÁ Ú é ž ý Ú Ě ú ó ý ý ů Ž ú Ž é Ý Ž Ž Ž Í Ú Ž é

Více

4. Topologické vlastnosti množiny reálných

4. Topologické vlastnosti množiny reálných Matematická analýza I přednášky M. Málka cvičení A. Hakové a R. Otáhalové Zimní semestr 2004/05 4. Topologické vlastnosti množiny reálných čísel V této kapitole definujeme přirozenou topologii na množině

Více

Triangulace. Význam triangulace. trojúhelník je základní grafický element aproximace ploch předzpracování pro jiné algoritmy. příklad triangulace

Triangulace. Význam triangulace. trojúhelník je základní grafický element aproximace ploch předzpracování pro jiné algoritmy. příklad triangulace Význam triangulace trojúhelník je základní grafický element aproximace ploch předzpracování pro jiné algoritmy příklad triangulace Definice Triangulace nad množinou bodů v rovině představuje takové planární

Více

Disjunktivní a konjunktivní lní tvar formule. 2.přednáška

Disjunktivní a konjunktivní lní tvar formule. 2.přednáška Disjunktivní a konjunktivní normáln lní tvar formule 2.přednáška Disjunktivní normáln lní forma Definice Řekneme, že formule ( A ) je v disjunktivním normálním tvaru (formě), zkráceně v DNF, jestliže je

Více