- 1 - Ekonomicko-matematické metody II Rozhodování a rozhodovací modely

Rozměr: px
Začít zobrazení ze stránky:

Download "- 1 - Ekonomicko-matematické metody II Rozhodování a rozhodovací modely"

Transkript

1 Ekoomicko-matematické metody II Rozhodováí a ozhodovací modely Vybaé aplikace - Řízeí a všech jeho úovích - Zemědělství - Hazadí hy - Běžá každodeí ozhodutí Poblém k zamyšleí - Lze systematicky bohatout - haím a hacích automatech? - sázeím a spotoví události? - haím ulety? - haím pokeu? - sázeím v číselých loteiích? Rozhodovací poces - Poces řešeí ozhodovacích poblémů - poces volby výběu ozhodutí - Má dvě stáky - věcou: co řešíme; - poceduálí: jak postupujeme. - Postupy mohou být - omativí: saha ajít ejlepší řešeí; - deskiptiví: saha popsat systém a aalyzovat jeho ukazatele. Fáze ozhodovacího pocesu - Itelligece - zkoumáí eality, idetifikace a defiice poblému, defiice systému - Desig - kostukce modelu, shomážděí dat, ávhy řešeí - Choice - výbě řešeí modelu - Implemetatio: řešeí eálého poblému Teoie ozhodováí - Cíl: volba ejlepšího ozhodutí - Rozhodutí - čií iteligetí ozhodovatel; - čiěo yí. - Výsledek ozhodutí - ovlivě působeím eovladatelého faktou; - zám v budoucu. Kompoety modelu - Alteativy ozhodutí - Stavy okolostí - Rozhodovací kitéium - Vekto izika (je-li zám) Jistota, iziko a ejistota - Rozhodováí za jistoty - pavděpodobost ealizace jistého stavu okolostí je ova a pavděpodobosti ostatích stavů okolostí jsou ovy ule. - Rozhodováí za izika - pavděpodobosti ealizace stavů okolostí jsou odhadováy či zámy. - Rozhodováí za úplé ejistoty - pavděpodobosti ealizace stavů okolostí jsou ezámé ebo je za ezámé považujeme. Rozhodovací tabulka Rozhodovací stom Modely kofliktích situací - Teoie he - koflikt iteligetích háčů; - oběma staám záleží a výsledku. - Teoie ozhodováí - ha poti eiteligetímu háči; - potiháči ezáleží a výsledku; - hy poti příodě. - -

2 Příklad Počet ávštěvíků víkedové kultuí akce záleží a tom, jaké bude počasí. Stákař ví, že si u ěj v půměu koupí každý ávštěvík páek. Zisk z každého podaého páku je Kč. Pokud mu ale ějaké páky zbudou, ztáta z každého epodaého páku je 5 Kč. Kolik páků si má stákař akoupit před víkedovou akcí, aby maximalizoval zisk? Pofil izika Poblém stákaře - Doplěí: podle předpovědi počasí byly staovey pavděpodobosti astáí jedotlivých stavů okolostí takto: Domiace alteativ - Domiace podle výplat - ejsilější typ domiace - mi(v aj ) max(v bj ) A domiuje B podle výplat - Domiace podle stavů okolostí - v aj v bj po všecha j A domiuje B podle stavů okolostí - Domiace podle pavděpodobostí - pofil izika Výbě alteativ - Rozhodováí za jistoty - Rozhodováí za ejistoty - maximaxové pavidlo - Waldovo - maximiové pavidlo - Huwitzovo pavidlo - Savageovo pavidlo miimálí ztáty - Laplaceovo pavidlo edostatečé evidece - Rozhodováí za izika - pavidlo EMV - očekávaé hodoty výplaty - pavidlo EOL - očekávaé možé ztáty - pavděpodobost dosažeí aspiačí úově - -

3 Modely teoie he Nomálí tva hy Rozviutý tva hy Vybaé aplikace - Maažeské ozhodováí - Stategie podikáí - Spotoví utkáí - Malé hy Kofliktí situace - Teoie he - koflikt iteligetích háčů; - oběma staám záleží a výsledku. - Teoie ozhodováí - ha poti eiteligetímu háči; - potiháči ezáleží a výsledku; - hy poti příodě. Teoie he - Cíl: volba ejlepšího chováí v ámci kofliktu - Ha pobíhá v čase - ha patie stategie tah; - opakuje se x eopakuje se; - dva ebo více háčů; - vytvářejí x evytvářejí koalice; - s koečým x ekoečým počtem stategií; - s kostatím (ulovým) x ekostatím součtem. Kompoety modelu - Dva háči - Možia stategií každého háče - Kitéium hy - výplaty po každou dvojici stategií; - výplatí matice; - ulový, kostatí, ekostatí součet. Výplatí matice Příklad Dvě televizí staice se ozhodují, jaký typ pogamu asadit do hlavího vysílacího času v učitý de, kdy se a televizi dívá 5 mil. diváků. V tabulce jsou výsledky půzkumu počet diváků z těch 5 mil., kteří by se dívali a televizí staici A v případě kombiací jedotlivých pořadů: Řešitelost hy - Základí věta teoie maticových he Každá maticová ha je řešitelá - existují optimálí stategie háčů a cea hy. - Stategie zaučující ejlepší možý výsledek háčů, když eudělají chybu - Čistá stategie - jedozačě učeá stategie háče - Smíšeá stategie - pouze elativí četost použití stategie při opakováí hy - Čistá stategie je speciálí případ smíšeé stategie, vekto s = (,,,,,., ) Postup řešeí he - Staoveí stategií háčů a sestaveí výplatí matice - Pokus o řešeí hy v obou čistých stategií - Pokud ha emá sedlový bod, řešeí hy v obou smíšeých stategií - 3 -

4 Řešeí v obou čistých stategií Kostukce modelu LP příklad Po takto upaveé zadáí a háče (televizi A): Postup - Nalezeí dolí cey hy - Nalezeí hoí cey hy - Pokud se cey ovají, existuje alespoň jede sedlový bod, tj. ha má řešeí v obou čistých stategií,3x +,8x +,7x 3 x + 4x + x 3,5x +,5x + 3x 3 z = x + x + x 3 MIN x, x, x 3 Řešeí v obou smíšeých stategií - Neexistece sedlového bodu - V případě opakováí kofliktu je uté stategie střídat - Cíl: alézt optimálí elativí četosti používáí jedotlivých stategií - Postředek: pomocý model lieáího pogamováí - vzpomíáte si, z čeho se skládá model LP? Kostukce modelu LP picipy - Vždy kostuujeme z hlediska jedoho háče - Nutá podmíka: kladé hodoty ve výplatí matici - pokud ejsou, přičteme k celé matici vhodou kostatu - Po háče (má stategie v řádku): - poměé: elativí četosti volby stategií i ; - podmíky: každá stategie má přiést výhu alespoň w; - účelová fukce: w MAX - podmíky ezápoosti. - Úpava do tvau vhodého po výpočet (viz tabule) - Výsledky - háč : hodoty bázických ozhodovacích poměých; - háč : duálí cey ebázických doplňkových poměých; - ezapomeout a zpětou tasfomaci

5 Vybaé aplikace - Výbě a ákup užitých předmětů ebo služeb - Výbě pacovíků a pacoví místo - Výběová řízeí a veřejé zakázky - Hodoceí efektivosti - Staoveí pořadí závodíků ve vícebojích Vícekiteiálí ozhodováí Typy modelů - Vícekiteiálí optimalizačí model - přípustá řešeí jsou vymezea pouze implicitě (omezujícími podmíkami); - optimalizace podle dvou a více účelových fukcí; - příklad: optimalizace potfolia. - Model vícekiteiálí aalýzy vaiat - všechy přípusté vaiaty lze explicitě vypsat; - vybíáme podle dvou a více kitéií; - příklady: podle staoveého cíle (viz dále). Cíl řešeí modelů VAV - Nalezeí jedié kompomisí vaiaty, kompomisího řešeí - Nalezeí učitého počtu kompomisích vaiat - Rozděleí možiy řešeí a efektiví a eefektiví - Uspořádáí všech řešeí od ejlepšího k ejhošímu Kompoety modelu - vaiaty a i, i =,, m; - kitéia f j, j =,, ; - kiteiálí matice Y = (y ij ); - váhy kitéií v j, j =,,,. Maticový zápis modelu - Podle směu pefeece - maximalizačí kitéium; - miimalizačí kitéium. - Podle vyjádřeí pefeece - měřitelá (objektiví); - eměřitelá (subjektiví). Váhy kitéií - Vyjadřují elativí důležitost kitéia - Zapisují se číselě ve fomě omalizovaého váhového vektou - Nomalizace: - b j je kvatitativě vyjádřeá ifomace od uživatele, viz dále - Výsledek: desetiá čísla z itevalu od do, součet je ove jedé - Itepetace: jaký díl ze % připadá a daé kitéium - NEJSOU DŮLEŽITÉ ROZDÍLY MEZI VAHAMI KRITÉRIÍ, ALE POMĚRY VAH Gafické zobazeí - Hvězdicové (polygoálí) zobazeí - Každé kitéium má svoji osu - špaté hodoty u středu; - dobé hodoty ke kaji. - Spojeím pozic vaiaty a osách kitéií vziká její polygo - Lze využít po posouzeí domiovaosti vaiat Vaiaty speciálí případy Kompomisí vaiata - temí optimálí řešeí obvykle emá smysl; - přijatelé ozhodutí, elativě výhodý kompomis. Domiovaá vaiata - jeda vaiata domiuje duhou, pokud je podle všech kitéií hodocea alespoň tak dobře jako vaiata domiovaá a alespoň v jedom kitéiu je ostře lepší; - a domiuje a s (y, y,, y ) (y s, y s,, y s ) j: y j >y sj. Ideálí a bazálí vaiata - ideálí vaiata H = (h,, h ) je vaiata složeá z ejlepších hodot všech kitéií současě; - bazálí vaiata D = (d,, d ) je vaiata složeá z ejhoších hodot všech kitéií současě. Kitéia klasifikace Ifomace o pefeeci objektů - Ite a ita kiteiálí pefeece - pefeece jedotlivých kitéií; - hodoceí vaiat podle každého kitéia. - Základí typy ifomací o pefeeci objektů - žádá ifomace; - omiálí ifomace aspiačí úově; - odiálí ifomace kvalitativí uspořádáí; - kadiálí ifomace kvatitativí

6 Žádá ifomace - Možé pouze po váhy kitéií - Picip: kitéium je tím důležitější, čím více přispívá k ozlišeí vaiat - Nevýhoda: uto zát kiteiálí matici v okamžiku staoveí vah kitéií - Etopická metoda Nomiálí ifomace - Pacujeme s aspiačími hodotami kitéií - Aspiačí úoveň: ejhoší přípustá hodota kitéia, aby vaiata byla akceptovatelá - Vhodé po edukci ozsáhlých souboů vaiat (předvýbě) - Picip páce: expeimetováí s hodotami, aby zůstal požadovaý počet vaiat - Metody páce s aspiačími úověmi - kojuktiví metoda; - disjuktiví metoda. Odiálí ifomace - Metoda pořadí - objekty ohodotíme pořadovými čísly podle pefeecí; - stejá pefeece objektů půměá pořadová čísla; - pořadová čísla převedeme a bodové hodoceí; - bodové hodoceí omalizujeme. - Metoda kvalitativího páového poováí - objekty poováváme páově - každý s každým; - pefeece se vyjadřuje pouze stupi lepší x hoší ; - ekvivalece se vyjadřuje stupěm stejé. - Zápis pefeece - tabulka páového poováí (hodoty,5 ); - Fulleův tojúhelík (zvýazěí pefeovaého objektu). - Odvozeí vah - podklad: počet vítězých poováí ; - váhy: omalizace. Kadiálí ifomace - Bodovací metoda - objekty ohodotíme bodově a staoveé škále; - stejá pefeece objektů stejé bodové hodoceí; - bodové hodoceí omalizujeme. - Saatyho metoda - založea a páovém poováí důležitosti objektů; - povádí se v Saatyho matici. - Stupice - ovoceost; - 3 slabá pefeece; - 5 silá pefeece; - 7 velmi silá pefeece; - 9 absolutí pefeece. - Saatyho matice čtvecová, ecipočí - Váhy omalizovaý geometický půmě řádků Saatyho matice Vícekiteiálí aalýza vaiat výbě kompomisí vaiaty Kofiguace modelu VAV - Chybý postup (viz ůzé BP) - Začu defiicí kitéií. Zvolím si jich aspoň, ezapomeu vymezit kitéium Ostatí faktoy. Staovím jim důležitost podle vlastího uvážeí alespoň ve třech ůzých sadách vah. Vezmu softwae a model popočítám podle všech metod, kteé tam ajdu (aspoň 5). Použiju všechy sady vah. Všechy výsledky sečtu dohomady a mám ejobjektivější dosažitelý výsledek, kteý dopoučím k ealizaci. - Takhle v žádém případě e!!! Kofiguace modelu VAV Itelligece - Spávý postup: uto espektovat fáze ozhodovacího pocesu - Itelligece - chaakteistika zkoumaého objektu; - popis edostatků současého stavu; - idetifikace poblému a cíle jeho řešeí. - Výstupy po VAV - cíl ozhodováí; - pofil ozhodovatele

7 Kofiguace modelu VAV Desig - Staoveí kitéií ozhodováí - musí vycházet z cíle řešeí poblému. - Na soubo kitéií klademe tyto požadavky - úplost: esmí být zaedbá žádý důležitý aspekt ozhodováí; - opeacioalita: každé kitéium musí mít jasě staoveý obsah a míu; - vyloučeí duplicit: každý důležitý aspekt ozhodováí je epezetová pávě jedím kitéiem; - miimálí ozsah: vyloučit kitéia s vahou blížící se ule, ale e a úko úplosti soubou kitéií. - Staoveí vah kitéií - musí vycházet z cíle řešeí poblému; - musí vycházet z pofilu ozhodovatele; - stačí jeda sada, pokud je to přípusté, lze ve fázi Choice doplit aalýzou citlivosti. - Nejlépe Saatyho metodou ebo aspoň metodou bodovací, metodu pořadí používat pouze v ouzi - Staoveí metody výběu kompomisí vaiaty - Volba závisí a - ifomaci o pefeeci mezi vaiatami a kitéii; - ozsahu soubou vaiat a kitéií; - míře sahy elimiovat lidský fakto při povedeí výběu. - Kofiguace metody výběu - vyžaduje-li volbu paametů; - hodoty paametů musí vycházet z pofilu ozhodovatele. - Staoveí možiy vaiat - po každou vaiatu musí být uvedea stučá chaakteistika; - vaiata musí být ohodocea z hlediska všech kitéií. - Výstup fáze desig po VAV - model VAV připaveý k aplikaci vybaé metody. Kofiguace modelu VAV Choice - Popočet modelu pomocí zvoleé metody - Pokud je to přípusté lze dále - povést aalýzu citlivosti vzhledem ke změám vah; - v případě ejedozačého výsledku ověřit dopoučeí pomocí jiého přístupu (uto opakovat fázi Desig). - Výstup fáze Choice po VAV - vaiata dopoučeá k ealizaci. Přehled metod - Metoda aspiačích úoví - omiálí ifomace; - iteačí, páce s astaveím aspiačích úoví; - vhodá po předvýbě v případě ozsáhlé úlohy. - Metoda pořadí - odiálí ifomace; - kostukce matice pořadových čísel; - vhodá po oietačí učeí okuhu dobých vaiat. - Metoda bodovací - kadiálí ifomace; - kostukce matice bodových hodoceí; - uté dodžet stejé bodové stupice po všecha kitéia; - vhodá po staoveí kompomisí vaiaty v případě, že eí možost použití objektivější metody. Pokočilé metody VAV - Fukce užitku - Metoda vážeého součtu - Metoda bazické vaiaty - Miimalizace vzdáleosti od ideálí vaiaty - Metoda TOPSIS - Aalýza pefeečích vztahů - Metoda PROMETHEE - Metoda AHP - Mezí mía substituce - Metoda postupých substitucí Užitek, fukce užitku - Každé ohodoceí vaiaty je možo vyjádřit ve fomě užitku, kteý tato vaiata přiáší - Dílčí hodoty užitku lze sloučit do celkového užitku vaiaty a podle toho vaiaty vybíat - Metody jsou poměě objektiví, pacují s předložeými daty bez zásahu uživatele Dílčí fukce užitku - Dílčí fukce užitku převádí ohodoceí řešeí do itevalu, - Může mít ůzý půběh - 7 -

8 Metoda vážeého součtu - Založeá a lieáí fukci užitku - Vytvoříme omalizovaou kiteiálí matici dílčích užitků R = ( ij ), jejíž pvky získáme pomocí vzoce yij dj ij = h d j - Po jedotlivé vaiaty vypočteme celkový užitek k u(a ) = i j j= v j ij Příklad Pokočilé kocepty výběu kompomisí vaiaty Pokočilé metody VAV - Fukce užitku - Metoda vážeého součtu - Metoda bazické vaiaty - Miimalizace vzdáleosti od ideálí vaiaty - Metoda TOPSIS - Aalýza pefeečích vztahů - v hieachii - metoda AHP - podle pefeečích fukcí - metoda PROMETHEE - Mezí mía substituce - Metoda postupých substitucí Příklad Vybete ejlepší automobil podle cey, objemu zavazadlového postou a spotřeby. Metoda bazické vaiaty - Nomalizujeme kiteiálí hodoty vzhledem k vybaé (bazické) hodotě y B - Maximalizačí kitéium - Miimalizačí kitéium ij ij = = - Po jedotlivé vaiaty vypočteme celkový užitek y y u( a ) i y ij B j y B j ij k = j= v j ij Příklad Metoda TOPSIS - Saha ajít řešeí, kteé je - co ejdále od bazálí vaiaty; - co ejblíže ideálí vaiatě. - Nomalizace kiteiálí matice ij = i= ij - Nikdy epřevádět povahu kitéií mi --> max - Zohleděí vah kitéií v omalizovaé matici - Staoveí ideálí a bazálí vaiaty H a D - Výpočet vzdáleostí všech vaiat od ideálí vaiaty m y ij w = v y ij ij j k + i = ij j j= d ( w h ) - 8 -

9 - Výpočet vzdáleostí všech vaiat od bazálí vaiaty - Staoveí elativí vzdáleosti vaiat od bazálí vaiaty Metoda TOPSIS - příklad k i = ij j j= d ( w d ) c i = d d i + i + di Metoda AHP příklad Kvatifikace 3. úově Saatyho metoda Metoda PROMETHEE - Založea a vyhodocováí vztahů mezi všemi dvojicemi vaiat z hlediska všech kitéií - Po každé kitéium je zvolea pefeečí fukce a její paamety Aalytický hieachický poces (Metoda AHP) - Základem je hieachická stuktua úlohy Kitéium Cíl aalýzy Kitéium Vaiata Vaiata Vaiata m Úoveň Kitéium Úoveň Úoveň 3 - Lze přidat další úově (apř. subkitéia, expety) - Metoda založeá a postupém ozvhu vah - vychází ze staoveé hieachické stuktuy poblému; - pvky a vyšší úovi hieachie předávají svoji váhu k ozděleí pvkům a ižší úovi hieachie. - Velice dobře umožňuje pacovat s eměřitelými kitéii - Pacá po ozsáhlejší úlohy Metoda AHP příklad: Hieachie úlohy - Po každou dvojici vaiat a všecha kitéia učíme itezitu pefeecí - Po j-té kitéium - P j (a, a s ) = Q(d j ), pokud je hodoceí vaiaty a lepší ež hodoceí vaiaty a s ; - P j (a, a s ) =, pokud ikoliv. - Globálí pefeečí idex (GPI): P(a, a s ) = Σv j.p j (a, a s ) - Staoveí uspořádáí vaiat: čistý tok - kladý tok půmě hodot řádků matice GPI; - zápoý tok půmě hodot sloupců matice GPI; - čistý tok ozdíl mezi kladým a zápoým tokem

10 Metoda PROMETHEE příklad Volba pefeečích fukcí - cea: č. 5, p = 5, q = 5; - kuf: č. 3, p = 3; - spotřeba: č. 3, p =,6. Metoda postupých substitucí - Picip: vyplatí se dát více/méě peěz za lepší/hoší užité vlastosti poduktů a služeb? - Idifeečí křivka: spojice bodů vaiat se stejou hladiou pefeece - Poováváme vaiaty vždy podle dvou kitéií - řídící kitéium vyřazujeme z hodoceí; - ekvivalizovaé kitéium sloučeí ifomací z obou kitéií, používáme po další hodoceí. - Po kitéií potřebujeme - koků - Volba dvojice kitéií - Staoveí základí idifeečí křivky - Ekvivalizace hodot řídícího kitéia - Vyloučeí řídícího kitéia z ozhodováí - Ekvivalizovaé kitéium vstupuje do dalšího hodoceí - Ukočeí: zůstalo pouze kitéium Vybaé přístupy k hodoceí efektivosti. Metoda DEA. Paktické aplikace - Řízeí lidských zdojů - Měřeí výkoosti ogaizace ebo její části - Výko státí spávy - Meziáodí sováváí Pojem efektivosti - Musíme vždy vědět, jakou efektivost zkoumáme - Základem je kocept 3E - Ecoomy dělat věci hospodáě; - Efficiecy dělat věci účiě; - Effectiveess dělat věci účelě. - Dál se budeme zabývat zejméa měřeím účiosti - hospodáost přiděleí zdojů a jejich šetřeí; - účelost dáa stategickou úoví řízeí. Metoda DEA - Data Evelopmet Aalysis - Hodotí pomě vstupy/výstupy - Měří efektivost objektů (tzv. podukčích jedotek) v ámci daého soubou - ozděluje jedotky a efektiví a eefektiví; - poovává jedotky vzhledem k ejlepším jedotkám; - udává, v čem a jak zlepšit eefektiví jedotky, aby se staly efektivími. Metoda DEA kompoety - Podukčí jedotky (DMU - DMU p ) jedotlivé hodoceé objekty vaiaty - Vstupy (X X m ) miimalizačí kitéia - Výstupy (Y Y ) maximalizačí kitéia - Spotřeba vstupů (x x pm ) a podukce výstupů (y y p ) kiteiálí matice - Techická efektivost DMU (φ - φ p ) agegovaé kitéium účiosti tasfomace Metoda DEA - vstupí údaje - -

11 Metoda DEA pojetí efektivosti - Relativí mía efektivosti vážeá suma výstupů efektivost = vážeá suma vstupů - Jedotka je efektiví, jestliže spotřebovává elativě malé možství vstupů k podukci elativě velkého možství výstupů - Po všechy podukčí jedotky počítáme elativí techickou efektivost j= Φk =, k =,,... p m v x i= u y jk ik jk ik - jako pomě vážeé sumy vstupů a vážeé sumy výstupů - Váhy astavujeme tak, aby φ k bylo maximálí - Efektivost jedotek dále ovlivňuje zvoleý typ výosů z ozsahu - Výosy z ozsahu mohou být - kostatí; - ostoucí; - klesající; - eostoucí; - eklesající; - pomělivé. Vituálí jedotka a pee jedotky - Vždy se učují vzhledem k vybaé podukčí jedotce - Vituálí jedotka hypotetická (ěkdy eálá) efektiví jedotka, kteá vyjadřuje efektiví spotřebu vstupů a podukci výstupů po eefektiví jedotku - Pee jedotky eálé efektiví jedotky, jejichž vážeý součet učuje daou vituálí jedotku Příklad Šest obchodích zástupců uzavřelo za sledovaé období kotakty ve stejé výši 5 mil. Kč. Jejich mzdy a celková ajetá vzdáleost za sledovaé období jsou v tabulce: Vstupově oietovaý model CCR Řešeí příkladu tis. Km Dolejšová Aděl Cik Eliášová Buda Fulíová 3 4 tis. Kč Základí typy modelů DEA - S kostatím výosem z ozsahu - CCR autoři Chaes, Coope, Rhodes; - lieáí výos z ozsahu; - vstupově ebo výstupově oietovaý. - S pomělivým výosem z ozsahu - BCC autoři Bake, Chaes, Coope; - po částech lieáí výos z ozsahu; - opět vstupově ebo výstupově oietovaý. - Dále se budeme zabývat pouze modely CCR Zjistěte, kteří obchodí zástupci hospodařili se svými zdoji efektivě. U eefektivích avhěte káceí zdojů. - -

12 Vstupově oietovaý model CCR - Hledá efektiví možství vstupů odpovídající daým výstupům - Po každou jedotku staoví idividuálí váhy vstupů a výstupů - jedotka maximalizuje svůj koeficiet techické efektivosti Φ H ; - váhy emohou být zápoé; - při použití tohoto soubou vah po všechy jedotky esmí být žádý koeficiet techické efektivosti větší ež jeda. Matematický zápis modelu - Každá podukčí jedotka má svůj vlastí model - Po H-tou podukčí jedotku: Φ H j = m = ih i= u u v,v ih j= m ih i= y x jk ik u v y x ih MAX po k =,,..., p Výsledek modelu - Efektivost zkoumaé jedotky - Φ H =, potom je jedotka efektiví; - Φ H <, potom je jedotka eefektiví. - Váhy vstupů hodoty poměých v i - Váhy výstupů hodoty poměých u j - Pee jedotky viz ebázické doplňkové poměé - Vituálí jedotka - lieáí kombiace pee jedotek; - koeficiety jejich duálí cey. - Po úpavě model lieáího pogamováí - Stále po H-tou podukčí jedotku: Φ m ih i= m u H = i= v,v v j = x ih ih ih x u = ik + y j = MAX u y jk po k =,,..., p Příklad V dalším období pacovali obchodí zástupci s ásledujícími paamety: Zhodoťte efektivost vyaložeých ákladů a čiost těchto zástupců. Model LP pa Aděl Likosa Kompletí výsledky Model LP pa Aděl Φ = 4u MAX v + 5v = v 5v + 4u 8v 3v + 5u v 3v + 5u 7v 6v + 5, 5u 3v 5v + 8u 4v v + 5u u, v, v Výsledek pa Aděl Likosa Itepetace po paa Aděla Efektivost = 7% Pee jedotky: Cik, Dolejšová Vituálí jedotka: - mzda: 3 97 Kč - ajeto: 3 5 Km - -

13 Výstupově oietovaý model CCR - Někdy ám až tak ezáleží a zdojích, ale chceme odpovídající výko - Hledá se tedy efektiví možství výstupů odpovídající daým vstupům - Po každou jedotku se staoví idividuálí váhy vstupů a výstupů - jedotka miimalizuje svůj koeficiet techické efektivosti Φ H ; - váhy emohou být zápoé; - při použití tohoto soubou vah po všechy jedotky esmí být žádý koeficiet techické efektivosti meší ež jeda. Matematický zápis modelu - Každá podukčí jedotka má opět svůj vlastí model - Po H-tou podukčí jedotku: Φ H m i= j= u ih m vih xih i= = MIN u y j= v x u ik jk, v ih y po k =,,..., p Výsledek modelu - Koeficiet efektivosti zkoumaé jedotky - Φ H =, potom je jedotka efektiví; - Φ H >, potom je jedotka eefektiví. - Váhy vstupů hodoty poměých v i - Váhy výstupů hodoty poměých u j - Pee jedotky viz ebázické doplňkové poměé - Vituálí jedotka - lieáí kombiace pee jedotek; - koeficiety jejich duálí cey. - Po úpavě model lieáího pogamováí - Stále po H-tou podukčí jedotku: H ih ih i= j= m m Φ = v x MIN = v x + u y po k =,,..., p u ih ik jk i= j= u, v ih y Příklad Uzejte obchodím zástupcům jejich vstupy ve II. období, ale pověřte jejich efektivost z hlediska uzavřeých kotaktů Neefektivím obchodím zástupcům učete výko odpovídající efektivímu vyaložeí zdojů Model LP pa Aděl Likosa Kompletí výsledky Model LP pa Aděl Φ = v + 5v MIN 4u = v 5v + 4u 8v 3v + 5u v 3v + 5u 7v 6v + 5,5u 3v 5v + 8u 4v v + 5u u, v, v Výsledek pa Aděl Likosa Itepetace po paa Aděla Efektivost = 43% (měl by zvýšit výstup o 43%) Pee jedotky: Cik, Dolejšová Vituálí jedotka: - kotakty: 5,74 mil. Kč Metoda DEA - výhody a evýhody Výhody - idividuálí model po každou jedotku; - dobře itepetovatelé výsledky; - evyžaduje agegovatelost vstupů a výstupů; - dobře si poadí s měkkými faktoy (sociálí, eviometálí, apod.) jako vstupy a výstupy. Nevýhody - platost výsledků je omezea a daou skupiu objektů; - ezkoumá se efektivost teoetická, ale paktická; - áočé a učí zpacováí výpočtu (odpadá při použití vhodého softwau)

14 Vícekiteiálí optimalizace Vybaé aplikace Pakticky vše je možé hodotit vícekiteiálě - zemědělství podukčí x mimopodukčí fukce; - ivestice výos x izikovost; - pojektové řízeí čas x áklady; - dopaví poblémy čas x spotřeba paliva; - apod. Model poblém ivestoa x akcie (mil. Kč) x podílové fody (mil. Kč) x + x (mil. Kč) x (mil. Kč) x (mil. Kč) z = 6x + 4x MAX ( tis. Kč) z = x + x MIN (mil. b.) x, x Vícekiteiálí ozhodováí - Vícekiteiálí optimalizačí model - možia přípustých řešeí je ekoečá. - Model vícekiteiálí aalýzy vaiat - možia přípustých řešeí je koečá. Vícekiteiálí optimalizace - Cíl: alézt řešeí, kteé bude co ejlepší z hlediska více kitéií - Kitéia mohou být potichůdá řešeí eí optimálí, pouze kompomisí - Techicky se jedá o model vícekiteiálího lieáího pogamováí Zápis modelu T z ( x) = c x MAX T z ( x) = c x MAX... T z ( x) = c x MAX k k Ax b x Hledáí kompomisu - Paciálí optimalizace alezeí dílčích optimálích řešeí - Staoveí ideálí a bazálí vaiaty - Růzé přístupy k hledáí kompomisího řešeí - agegace kiteiálích fukcí; - převod kiteiálích fukcí a omezující podmíky; - cílové pogamováí. Paciálí optimalizace - Dílčí optimálí řešeí - optimalizace podle jedotlivých kiteiálích fukcí (bez ohledu a fukce ostatí); - výsledky zapisujeme do kiteiálí tabulky. - Ideálí hodoty kitéií -> ideálí vaiata - Bazálí hodoty kitéií-> bazálí vaiata Paciálí optimalizace ivesto Ideálí vaiata H = (56; 4) Bazálí vaiata D = (4; 8) Příklad poblém ivestoa Ivesto se ozhoduje o ozložeí ivestice o výši maximálě mil. Kč mezi akcie a podílové fody (PF). Požaduje akoupit akcie za miimálě mil. Kč a miimálě mil. Kč uložit do PF. Ivesto předpokládá výos z ivestice Kč do akcií ve výši 6 hal., z ivestice Kč do PF ve výši 4 hal. Ivesto si dále ohodotil izikovost Kč ivestovaé do akcií dvěma body (do PF jedím bodem). Jak má ivesto ozložit ivestici, aby za daých podmíek maximalizoval výos a záoveň miimalizoval izikovost svého potfolia? - 4 -

15 Agegace kiteiálích fukcí - Součtová agegace uto ošetřit 3 aspekty - Růzé jedotky kiteiálích fukcí - omalizace ceových koeficietů poměých. - Váhy kiteiálích fukcí - eí utý omalizovaý vekto vah; - ásobíme jimi omalizovaé ceové koeficiety. - Povaha kiteiálí fukce - maximalizačí fukce přičítáme; - miimalizačí fukce odčítáme; - výsledá fukce je maximalizačí. Agegace kiteiálích fukcí ivesto Vaiata váhy : Nomalizace (6; 4) (,6;,4) (; ) 3 (/3; /3) Váhy.(,6;,4) = (,6;,4). (/3; /3) = (/3; /3) Povaha a agegace z A: = +(,6;,4) - (/3; /3) z A: = -,67x +,67x MAX Převod kiteiálích fukcí a omezující podmíky - Převod všech kiteiálích fukcí a omezeí komě jedé - Levá staa omezující podmíky - dáa předpisem kiteiálí fukce. - Staoveí hodoty pavé stay - v itevalu daém ideálí a bazálí hodotou daého kitéia. - Staoveí typu omezeí - maximalizačí fukce požadavková OP; - miimalizačí fukce kapacití OP. - Kompomisí řešeí optimalizace podle kiteiálí fukce epřevedeé a omezeí Převod kitéia a omezeí ivesto Ivesto je ochote přijmout iziko do výše mil. bodů. Nová omezující podmíka x + x (mil. bodů) Optimalizujeme výos z = 6x + 4x MAX ( tis. Kč) Agegace kiteiálích fukcí ivesto Vaiata váhy :3 Nomalizace (6; 4) (,6;,4) (; ) 3 (/3; /3) Váhy.(,6;,4) = (,6;,4) 3. (/3; /3) = (; ) Povaha a agegace z A:3 = +(,6;,4) - (; ) z A:3 = -,4x -,6x MAX z A:3 =,4x +,6x MIN - 5 -

16 Cílové pogamováí - Staoveí cíle po všechy kiteiálí fukce - z itevalu daého ideálí a bazálí hodotou daého kitéia. - Miimalizace odchylek od zvoleých cílů - edosažeí: odchylkové poměé ; - překočeí: odchylkové poměé p. - Cílové omezující podmíky - levá staa: předpis kiteiálí fukce a odchylkové poměé; - pavá staa: cíl; - typ podmíky: učeí (pávě ovo). - Nové kitéium: miimalizace odchylek od cílů - oboustaé: z = + p mi; - jedostaé: pealizujeme pouze hoší ež cílové hodoty, ale překočeí cílů ám evadí; - s váhami: váhy použijeme jako ceové koeficiety odchylkových poměých. Cílové pogamováí ivesto Staoveé cíle Cílové omezující podmíky z = 4 ( tis. Kč) 6x + 4x + - p = 4 ( tis. Kč) z = (mil. bodů) x + x + - p = (mil. b.) Nová kiteiálí fukce (oboustaá pealizace odchylek) z = + + p + p MIN Nová kiteiálí fukce (jedostaá pealizace odchylek) z = + p MIN Nová kiteiálí fukce (oboustaá pealizace odchylek s váhami :3) z = p + 3p MIN Nová kiteiálí fukce (jedostaá pealizace odchylek s váhami 5:) z = 5 + p MIN x, x,,, p, p Staoveé cíle z = 4 ( tis. Kč) z = (mil. bodů) Nová kiteiálí fukce z = + + p + p MIN x, x,,, p, p Lze takto vyřešit gaficky Cílové pogamováí - ivesto Staoveé cíle z = 48 ( tis. Kč) z = (mil. bodů) Nová kiteiálí fukce z = + + p + p MIN x, x,,, p, p Cíl iziko Přímky cílů se epotíají v možiě přípustých řešeí Cíl výos Gaficky obtížé, uto simplexem - 6 -

17 Stuktuí aalýza Výzam stuktuích modelů - Bilace vztahů mezi jedotlivými hospodářskými souboy (odvětvími) - aalýza miulého stavu systému - Pláováí čiosti systému, využití výobích zařízeí apod. - Možost sledovat vliv změ v systému při zachováí výchozích elací. - Vyčísleí vlivu hodotových změ - popočty ceových úpav - Učeí podmíek hospodářské stability a ovováhy systému, ikoliv alezeí optimálího stavu. Klasifikace stuktuích modelů Třídící zak Typ modelu Oblast použití Vazba a okolí otevřeý poblematika ávazosti zkoumaého systému a jié systémy uzavřeý Stuktuí aalýza picip Každé odvětví učitého systému je záoveň - spotřebitelem - poduktů od jiých odvětví; - části své vlastí podukce; - pimáích čiitelů (vstupy z okolí). - dodavatelem vlastí podukce - po ostatí odvětví; - po sebe; - po podej fiálí podukce. poblematika vitří stuktuy systému Fakto času statický statistická bilace Rozsah ifomací dyamický áodohospodářská bilace dílčí bilace (odvětvová, podiková) pespektiví plá statistický ozbo a pláováí aalýza vztahů mezi výobími pocesy Měé jedotky atuálí aalýza mateiálových toků hodotové tvoba ce Kvadaty modelu stuktuí aalýzy I. kvadat výobí spotřeby matice meziodvětvových (edogeích) toků. II. kvadat koečé spotřeby exogeí (vější) toky podukce - ozděleí fiálí podukce (čtyři sektoy: spotřeba obyvatelstva, celospolečeská spotřeba, ivestičí výstavba a zahaičí obchod III. kvadat pimáích čiitelů spotřeba živé páce, akoupeých mateiálů, eegie, suovi apod. (apř. odpisy, mzdy, zisky včetě daí). IV. kvadat údaje o tocích pimáích zdojů ve fiálí spotřebě. Otevřeý stuktuí model x = (x, x,..., x ) T vekto celkové podukce X = (x ij ), i =,...,, j =,..., matice výobí spotřeby mezipoduktu y = (y, y,..., y ) T vekto fiálí podukce z = (z, z,..., z ) T vekto celkové spotřeby pimáích čiitelů Z = (z kj ), k =,...,, j =,..., matice spotřeby pimáích čiitelů v jedotlivých odvětvích Rozdělovací ovice j= j= x + y = x, i =,..., ij i i z = z, k =,..., kj k Stuktuí aalýza model Iput-output tabulka Příklad zadáí Podik se zabývá ostliou a živočišou výobou a ověž povozuje vlastí pekáu. Komě toho, že část své podukce spotřebuje ve výobě, ještě sleduje exteí vstupy: mzdy a mateiálové áklady a zisk před odpisy a daěmi. Techicko-ekoomické koeficiety Nomy spotřeby pimáích čiitelů x A = a = eboli x = a x ( ) ij ij ij ij j x j z M = m = eboli z = m x ( ) kj kj kj kj j x j - 7 -

18 Rozdělovací ovice x = Ax + y z = Mx x - Ax = y y = (E - A)x Jaká bude fiálí podukce? Příklad řešeí - Vliv požadavku avýšeí fiálí podukce ostlié výoby o % a ostatí paamety systému - ová fiálí podukce: y = (; 7; 7) T - ová celková podukce: x = (9,3; 8,4;,) T ová matice X ová matice Z,6 3,5 4, 5,3 5,,, 5, 5, 46,6 5,4 5, 3,77 5,3, Leotiefova matice (E-A) učuje vypodukovaou fiálí podukci z jedotky celkové podukce x = (E - A) - y Jaká bude celková podukce? Ivezí Leotiefova matice (E-A) - učuje požadovaou celkovou podukci potřebou po jedotku fiálí podukce, obsahuje potřebu spotřeby. Příklad Matice (E-A) (E-A) - M, ,375 -,4 -,5556,9375 -,65,75 Fiálí podukce jedotlivých odvětví y = (; 7; 7) T,5648,537,6679,6853,9656,3655,57,9376, Učete ásledující údaje: - fiálí podukci jedotlivých odvětví; - vliv sížeí celkové podukce pekáe o % a ostatí paamety systému; - vliv požadavku avýšeí fiálí podukce ostlié výoby o % a ostatí paamety systému. Vliv sížeí celkové podukce pekáe o % a ostatí paamety systému ová celková podukce: x = (9; 8; 9) T ová fiálí podukce: y = (4; 7; 6,5) T ová matice X ová matice Z , , ,5,35,5,333333,875, Smíšeá úloha Jde o úlohu, kdy je u ěkteých odvětví záme pláovaou celkovou podukci a u zbývajících pláovaou fiálí podukci. x k y k x =, y = xe ye záme x k a y e A A = A Výchozí model - ozděleá matice A Vede a řešeí soustavy ovic o ezámých Příklad kk ek A A ke ee xk Akk Ake xk yk =. + xe Aek Aek xe ye Po výše uvedeý podik staove ásledující plá: celková podukce ostlié výoby celková podukce živočišé výoby fiálí podukce pekáe 6 Učete zbývající hodoty celkové a fiálí podukce a ostatí paamety v systému

19 Příklad řešeí Soustava lieáích ovic =,* +,375* +,4*x3 + y =,56* +,63* + x3 + y x3 = * +,63* +,5x3 + 6 Řešeí x3 = 9 y = 7,889 y = 6,944 ová matice X ová matice Z, 45, 36, 5,56 7,5,, 7,5,5 5, 37,5 3,5 33,33,5 8, Uzavřeý stuktuí model - Vitří ovováha systému - podukce každého vyobeého poduktu se pávě ová požadovaému možství Ceové idexy z aj I aj = z aj = zaj. I z aj Příklad: Amotizace v pvím odvětví stoupe o %, v ostatích odvětvích zůstae ezměěá. Jak se zěí vekto amotizace? z a =, ( 5 5 ). = ( 5,5 5) Příklad Jak se změí cey podukce jedotlivých odvětví, jestliže zisk před odpisy a daěmi v pvím odvětví vzoste o %, ve duhém o % a ve třetím o 5%? Mzdové a mateiálové áklady se eměí. aj Ax = x tedy (E - A)x = - Náklady a výobu j-tého výobku esmí být větší ež jeho cea (podmíka etability) p T A p T eboli p T (E - A) (p vekto ce výobků jedotlivých odvětví) Popočty ceových změ podmíky: - Záme meziodvětvovou bilaci v peěžím vyjádřeí - Platí předpoklad, že typický ozsah podukce se v důsledku změ ce, mezd, zisků eměí Výsledky Nedostatky stuktuích modelů - Nelze dobře zobazit záměu suovi, techologií ebo kapacit. - Neespektují při popočtu kapacití, suoviová a jiá omezeí. - Nejsou to modely optimalizačí. - Nelze zjistit, je-li ovovážý stav, o kteý usilujeme, výhodý Základí model v maticovém zápisu ˆ T I p = XA ˆ I p + RI ˆ a + MI ˆ + m X Zˆ I + když tam budou další pimáí čiitelé, pokačuje se stejým způsobem dále T ( ) ˆ ( ˆ ˆ ˆ ) I = E A X RI + MI + ZI p aj mj zj z X Diagoálí matice celkové podukce I p Idex ce podukce odvětví I a Idex amotizace I m Idex mezd I z Idex zisku A T Taspoovaá matice techických koeficietů R Diagoálí matice amotizace M Diagoálí matice mezd Z Diagoálí matice zisku - 9 -

20 Stochastické pocesy I. Základí pojmy, Beoulliho posloupost, Makovské řetězce Vybaé aplikace Obecě: všude, kde působí fakto áhody Odhad pavděpodobosti pouchy ebo pojisté události Obova a zálohováí pouchových částí stojů Výpočty v pojišťovictví Pogózy volebích výsledků, účiosti maketigových kampaí Defiice stochastického pocesu Stochastický poces je fukce dvou poměých, jeda z ich je áhodá a duhá eáhodá. X(t) = F(t,e) teplota podělí e áhodý jev t eáhodá veličia (obvykle čas) Realizace stochastického pocesu Realizace áhodého pocesu je eáhodá fukce. (ahoře ve spojitém čase, dole v diskétím čase) e = e (, ) = x( t) F t e teplota podělí Nejdůležitější paamety Středí hodota=středí hodotě odpovídajícího půseku Rozptyl =ozptylu odpovídajícího půseku Pulsace=cetovaý stochastický poces Koelačí fukce o { ( )}, x ( t) E X t { } o ( ) D{ X ( t) } = E ( X ( t) x ( t )) = E X t ( ) ( ) X = X t x t { } (, ) ( ) ( ) ( ) ( ) o o = E{ X ( t ) X ( t )} k t t = E X t x t X t x t = (, ) Nomovaá koelačí fukce=koelačí koeficiet t t Čleěí stochastických pocesů Příklady stochastických pocesů = σ k ( t, t ) ( t ) σ ( t ) 4 Půsek stochastického pocesu Půsek stochastického pocesu je áhodá veličia. Má středí hodotu a ozptyl teplota podělí - teplota úteý teplota středa -4 t = t F t e X t ( ) ( ), =

21 Defiice pavděpodobosti Rozvoj: od 7 stol. (hazadí hy) Mía očekávatelosti výskytu áhodého jevu Klasická (Laplaceova) defiice: o koečý počet ůzých výsledků; o všechy výsledky jsou stejě možé; o žádé dva výsledky emohou astat současě. Statistická defiice: o N áhodých pokusů; o výskyt jevu A v K případech. Další defiice: o geometická defiice, o Kolmogoova defiice, m P( A) = K P( A) N Výpočty Pay-off odds o Poováme odds PROTI a pomě výplaty a ivestice o Pokud odds PROTI > V /W, ivestici zamíteme Implied pay-off odds (spekulativí) o Pokud odds PROTI > V /W, ivestici zatím ezamíteme o Vypočteme utou celkovou výplatu V > odds PROTI * W o Dodatečá výplata V = V V o Pokud usoudíme, že jsme schopi ji získat, ivestici přijmeme Revese implied pay-off odds (spekulativí) o Pokud odds PROTI < V /W, ivestici zatím epřijmeme Zvážíme dodatečá izika a možosti ztát Obvykle vede a ový model Vyjádřeí pavděpodobosti Relativí četost o desetiým číslem p <; >; o v pocetech. Šace (odds) o pomě pavděpodobostí astáí a eastáí jevu; o :, :5, atd., obecě x:y. Vztah mezi elativí četostí a šací x p = x + y Úzké spojeí s teoií ozhodováí o picip EMV bude fugovat vždy; o po oietačí popočty je ěkdy šace vhodější. Pavděpodobost a ozhodováí Šace a zisk výplaty (Pay-off odds, lze spočítat) o Získáí beefitu (výplaty) V je závislé a áhodém jevu A, kteý astae s pavděpodobostí p(a), a podmíěo ivesticí W Šace s dodatečou výplatou (Implied pay-off odds, spekulativí) o Získáí beefitu (výplaty) V je závislé a áhodém jevu A, kteý astae s pavděpodobostí p(a), a podmíěo ivesticí W. V případě astáí jevu A lze kalkulovat s dodatečou výplatou ve výši V, tj. celkem poté ealizujeme výplatu V = V + V Šace s dodatečou ztátou (Revese implied pay-off odds, spekulativí) o Získáí beefitu (výplaty) V je závislé a áhodém jevu A, kteý astae s pavděpodobostí p(a), a podmíěo ivesticí W. V případě astáí jevu A však musíme kalkulovat s dodatečými áklady ve výši V, tj. celkem poté ealizujeme výplatu V = V - V Příklady Tží cea ojetého automobilu ve fukčím stavu je 35 tis. Kč. Poouchal se moto, opava bude stát 5 tis. Kč, ale pavděpodobost úspěchu opavy je pouze p = /3. Vyplatí se echat si auto opavit? Dvě politické stay (A, B) se ucházejí o přízeň stejé skupiy voličů. Současý stav je 6/4 po A. Staa B uvažuje o zveřejěí kompomitující ifomace a leadea A (pavdivost ifomace p =,6). V případě epokázáí pavdivosti ifomace iskuje zechuceí % bodů svých voličů, kteří by učitě přešli k A. V případě pavdivosti % bodů voličů A učitě přejde k B a další voliči spíše přejdou k B. Je výhodé ifomaci zveřejit? Ivesto má EUR. Může ivestovat ihed s čistým výosem,4% p.a. při iflaci Euozóy,3%, ebo může spekulovat a vydáí ové emise státích dluhopisů ČR (p =,9) a ivestovat s čistým výosem % p.a. při iflaci,4%. Vyplatí se ivestoovi počkat? Řešeí příkladů Opava automobilu o Odds poti: : =,5 < pay-off odds 35/5 =,3 echat opavit Volby o Odds poti: 4:6 =,67 > pay-off odds / =,5 ezveřejňovat, ale: o Otázka: Kolik dalších voličů bychom museli získat, aby se to vyplatilo? Je to eálé? o / >,67 > 3,33 Pokud eálě dokážeme získat další 3,33% bodu voličů, ifomaci se vyplatí zveřejit. Ivesto o Odds poti: :9 =, > pay-off odds,6/, = 6 počkat, ale: o Nehozí devalvace/zvýšeí iflace CZK? o Těžko spočítat s ozumou spolehlivostí. - -

22 Beoulliho posloupost počet ezávislých pokusů celkem k počet pokusů při ichž astae jev A p pavděpodobost, že astae jev A q=-p pavděpodobost, že jev A eastae Pavděpodobost, že se jev A uskutečí pávě k-kát je: Příklad Hod micí Vypočítejte pavděpodobost, že při hodech mici pade pávě 5x oel. p pavděpodobost, že pade oel při jedotlivém hodu q pavděpodobost, že epade oel 5 5 p5 { oel},5.,5 k k pk { A} = p q ; q = p k Beoulliho posloupost - příklad Pavděpodobosti, že oel pade -x k k pk { A} = p q ; q = p k = = =,35.,35 =, ,5,,5,,5 { } k k pk A p q p p { pade } { pade } 3 Příklad - Klíčivost seme Uvažujme klíčivost kukuřice 96%. Jaká je pavděpodobost, že z zasetých seme jich vyklíčí 9? =; k=9; p=,96; q=,4 Řešeí: =,77 = k = 3..,347 = = = = 3.. =, p3 { pade 6} = =.. =, p + p + p =, 4 Z zasetých seme vyklíčí 9 s pavděpodobostí 7,7%. pp., že vyklíčí pávě seme, je,66. pp., že vyklíčí alespoň 9 seme, je,94. Makovské řetězce Makovská vlastost Stav v okamžiku + závisí pouze a stavu v okamžiku. Podmíěá pavděpodobost přechodu p ij Pavděpodobost přechodu ze stavu i v okamžiku do stavu j v okamžiku Příklad : Hod kostkou Vypočítejte pavděpodobost, že při 3 hodech kostkou pade alespoň jeda šestka. p pavděpodobost, že pade šestka při jedotlivém hodu q pavděpodobost, že epade šestka Budeme sčítat pavděpodobosti, že pade, ebo 3 šestky. Matice přechodu Makovského řetězce Vždy čtvecová Součet řádků se ová P p p K p p p p K M M M M p p K p = - -

23 Vekto absolutích pavděpodobostí Vekto pavděpodobostí jedotlivých stavů v učitém okamžiku V okamžiku : vekto počátečích pavděpodobostí ( ) ( ) ( ) ( ) ( ) p m = p m, p m,..., p m, m =,,,... Výpočty absolutích pavděpodobostí vekto absolutích pavděpodobostí (řádkový) ásobíme maticí přechodu: Příklad : Opava stoje Stoj může být buď v povozu (stav P), ebo v opavě (stav O). Pavděpodobost, že se stoj během de poouchá je,. Pavděpodobost, že stoj bude během de opave je,7. Na začátku sledováí je stoj v povozu. Výpočet limitích pavděpodobostí ( ) ( ) p() = p P p() = p P M ( ) p( ) = p P Absopčí stav pokud se do ěj Makovský řetězec jedou dostal, emůže se dostat do jiého stavu Tvalý stav systém se do ěj vací s pavděpodobostí Přechodý stav pavděpodobost ávatu do tohoto stavu je meší ež Tvalý ulový stav tvalý stav se azývá ulový, jestliže počet koků po ávat má ekoečě velkou středí hodotu (azývá se také ekuetí ulový) Tvalý eulový stav tvalý stav, po ež má počet koků po ávat koečou středí hodotu pokud ávat může astat kdykoliv, jedá se o egodický stav pokud ávat může astat po učitém počtu koků, jedá se o peiodický stav Možé stavy Makovských řetězců Reguláí řetězec koveguje limití pavděpodobosti existují Učete, jaké povahy jsou ásledující stavy: Egodický stav stav, kteý je tvalý, eí ulový a eí peiodický Nepodstatý stav přechod ze stavu s i do stavu s j je možý přechod opačým směem eí možý Podstatý stav stav, kteý eí epodstatý vzájemě dosažitelé stavy jsou sousledé Uzavřeá třída skupia vzájemě dosažitelých stavů Reguláí řetězec všechy stavy jsou egodické a tvoří jedu uzavřeou třídu takový řetězec je eozložitelý Rozložitelý řetězec změou pořadí stavů lze vytvořit jedotkovou submatici ebo submatice Někteé řetězce se po učitém počtu koků dostaou do stavu, kdy se v dalších okamžicích eměí = kovegují. Jejich stav je potom a čase ezávislý. Limití pavděpodobosti - příklad p p + + = p p = p + p p p + p p p = p p p = p p + p p + p p =,8 p =, p +,7 p +,3 p, p +,7 p =, p,7 p = - 3 -, p,7 p = p + p = 7 p = ; p = 9 9

24 Příklad - Výpočet limitích pavděpodobostí: Je daá matice přechodu Výsledek limití pavděpodobosti - Egodické pavděpodobosti: p=(,88;,9;,9;,9) - Oba stoje ve stavu poucha odpovídá stavu s4 a jeho dlouhodobá pavděpodobost je,9%. Soustava ovic Jedu z ovic (),(),(3) můžeme vyechat z důvodu lieáí závislosti apř. () a řešíme soustavu tří ovic o třech ezámých p =, 9 p +,5 p +,p 3 p =,5 p +,4 p +,5 p 3 p =,5 p +,p +,4 p 3 3 = p + p + p 3 Aplikace Makovských etězců:modely posté obovy - Stále stejý počet jedotek v soubou - Poouchaá jedotka se eopavuje ahazuje se ovou - Během jedoho časového koku jedotka buď: - Zestáe - Selže a je ahazea ovou Příklad 3 - Dva idetické stoje Po zlepšeí spolehlivosti stoje byl istalová ještě jede idetický stoj, kteý se ale v případě fugováí pvího stoje epoužívá. Na koci každého pacovího de se povozovaý stoj kotoluje. Pavděpodobost pouchy během de je, a ezávisí a době, po jakou byl epřetžitě v povozu. Opava tvá vždy přesě dva dy. Poouchaý stoj se ahazuje záložím pokud teto eí také poouchaý. Spočítejte pavděpodobost, že budou oba stoje ve stavu poucha. Postup:. Přesá defiice možých stavů systému:. Sestaveí matice přechodu 3. Výpočet absolutích pavděpodobostí po dí 4. Zhodoceí, zda řetězec koveguje, vekto limitích pavděpodobostí. s oba stoje v povozu s jede stoj. de v opavě, duhý stoj v povozu s3 jede stoj. de v opavě, duhý stoj v povozu s4 jede stoj. de v opavě, duhý stoj. de v opavě Matice podmíěých pavděpodobostí přechodu a, i =,,..., T i a =, i = T +, T +,... i T i i= a = a = V T = i= ia Matice přechodu i = = T T = a T = a + a a, i =,,..., T i i+ i+ T = a, i =,,..., T i i i V T = i= i stav 3 K T a K a a 3 3 a T K K M M M M M M M K T T T T T K,,..., T q = V V V Půměá věková stuktua N N NT N =,,..., V V V - 4 -

25 Model obovy: příklad V call-cetu pacuje 5 osob. Zaměstaci se často měí a ikdo tam evydží víc ež 4 oky. Nábo ových zaměstaců se povádí půběžě a áklady se odhadují a,- Kč a získáí a zaučeí ového zaměstace. Jaké jsou půměé áklady a ábo za jede ok Výpočty pavděpodobostí - Pavděpodobost, že v čase t astae pávě k událostí! = (cokoli) = - Pavděpodobost, že v čase t eastae žádá událost { ( ) } { ( ) f } P N t = λt = e, t P N t λt ( = e Lpavděp.,že alespo jeda astae { ( ) } k ( t), t P N t = k = e t k! λ λ Ročí počet odcházejících Matice přechodu: Půměá životost: Výpočty pavděpodobostí - Pavděpodobost, že v čase t astae ejvýše k- událostí { } k j= ( λt) λt P Sk > t = e, t j! j +,+,+,5=,35 Počet přijatých každý ok: /,35=,74,74*5=37 Náklady: 37* = 74 Kč Stochastické pocesy II Poissoův poces, Systémy homadé obsluhy Vybaé aplikace - Zjišťováí počtu zákazíků, stávíků - Vytížeí obsluhy, potřeba pacovíků - Potřeba lékařů a pohotovosti - Optimalizace počtu poklade v povozu - Návhy kapacity a ávazosti výobích liek Poissoův poces - Čítací (diskétí) poces, kteý zkoumá počet učitých jevů v daém itevalu. - Pavděpodobost, že astae alespoň jeda událost v čase x. - Distibučí fukce po itevaly po sobě jdoucích událostí je expoeciálí. - X čas, kteý uplye mezi (-) výskytem a -tým výskytem e základ přiozeého logaitmu λ...itezita Poissoova pocesu - Pavděpodobost, že v čase t astae alespoň k událostí Příklad autobus Autobus č. 47 jezdí půměě 6x za hodiu. Autobus č. 7 jezdí půměě x za hodiu. a) Jaká je pavděpodobost, že během 6 miut pojede alespoň x autobus č. 47? b) Jaká je pavděpodobost, že během 6 miut pojede alespoň x autobus č. 7? c) Jaká je pavděpodobost, že pojedou oba? d) Jaká je pavděpodobost, že epojede žádý? Výpočet a),45 b),63 c) pp, že pojedou oba:,45.,63=,85 d) pp, že epojede žádý: (-,45)(-,63) = =,8 Jaká je pp., že pojede aspoň jede? { } k j= ( λt) λt P Sk t = e, t j! j P λx { X p x} = e, x - 5 -

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

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

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

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

Vzorový příklad na rozhodování BPH_ZMAN

Vzorový příklad na rozhodování BPH_ZMAN 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

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

Kapitola 12: Zpracování dotazů. Základní kroky ve zpracování dotazů

Kapitola 12: Zpracování dotazů. Základní kroky ve zpracování dotazů - 12.1 - Přehled Ifomace po odhad ákladů Míy po áklady dotazu Opeace výběu Řazeí Opeace spojeí Vyhodocováí výazů Tasfomace elačích výazů Výbě pláu po vyhodoceí Kapitola 12: Zpacováí dotazů Základí koky

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

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

Měření na D/A a A/D převodnících

Měření na D/A a A/D převodnících Měřeí a D/A a A/D převodících. Zadáí A. Na D/A převodíku ealizovaém pomocí MDAC 8: a) Změřte závislost výstupího apětí převodíku v ozsahu až V a zvoleé vstupí kombiaci sousedích kódových slov. Měřeí poveďte

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

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

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

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

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

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

Finanční řízení podniku. Téma: Časová hodnota peněz

Finanční řízení podniku. Téma: Časová hodnota peněz Fiačí řízeí podiku Téma: Časová hodota peěz Faktor času se ve fiačím řízeí uplatňuje a) při rozhodováí o ivesticích b) při staoveí trží cey majetku podiku c) při ukládáí volých peěžích prostředků d) při

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

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

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

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

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

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

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

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t.

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t. Techická aalýza Techická aalýza z vývoje cey a obchodovaých objemů akcie odvozuje odhad budoucího vývoje cey. Dalšími metodami odhadu vývoje ce akcií jsou apř. fudametálí aalýza (zkoumá podrobě účetictví

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

ÚROKOVÁ SAZBA A VÝPOČET BUDOUCÍ HODNOTY

ÚROKOVÁ SAZBA A VÝPOČET BUDOUCÍ HODNOTY ÚROKOVÁ SAZBA A VÝPOČET BUDOUÍ HODNOTY 1. Typy a druhy úročeí, budoucí hodota ivestice Úrok - odměa za získáí úvěru (cea za službu peěz) Ročí úroková sazba (míra)(r) úrok v % z hodoty kapitálu za časové

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

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. 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

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

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

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

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

Technická univerzita v Liberci

Technická univerzita v Liberci Techická uiveita v Libeci Fakulta stojí Kateda výobích systémů VÝROBNÍ TROJE. Obáběcí stoje Podklady po cvičeí 005 g. Pet ZELENÝ CVČENÍ VÝROBNÍ TROJE. Obáběcí stoje Výpočet sovávací saby stoje a výpočet

Více

6. Posloupnosti a jejich limity, řady

6. Posloupnosti a jejich limity, řady Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme

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

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

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

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

VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ

VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ Vlastosti úloh celočíselého programováí VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ PRINCIP ZESILOVÁNÍ NEROVNOSTÍ A ZÁKLADNÍ METODY. METODA VĚTVENÍ A HRANIC. TYPY ÚLOH 1. Úloha lieárího programováí: max{c

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

(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

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

Pravděpodobnost a statistika - absolutní minumum

Pravděpodobnost a statistika - absolutní minumum Pravděpodobost a statistika - absolutí miumum Jaromír Šrámek 4108, 1.LF, UK Obsah 1. Základy počtu pravděpodobosti 1.1 Defiice pravděpodobosti 1.2 Náhodé veličiy a jejich popis 1.3 Číselé charakteristiky

Více

L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y

L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATED RA F YZIKY L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y Jméo TUREČEK Daiel Datum měřeí 8.11.2006 Stud. rok 2006/2007 Ročík 2. Datum odevzdáí 15.11.2006 Stud.

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

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti 1 Základí statistické zpracováí dat 1.1 Základí pojmy Populace (základí soubor) je soubor objektů (statistických jedotek), který je vymeze jejich výčtem ebo charakterizací jejich vlastostí, může být proto

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

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

Cvičení 3 - teorie. Teorie pravděpodobnosti vychází ze studia náhodných pokusů.

Cvičení 3 - teorie. Teorie pravděpodobnosti vychází ze studia náhodných pokusů. Cvičeí 3 - teorie Téma: Teorie pravděpodobosti Teorie pravděpodobosti vychází ze studia áhodých pokusů. Náhodý pokus Proces, který při opakováí dává ze stejých podmíek rozdílé výsledky. Výsledek pokusu

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

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

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

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost

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

Metody zkoumání závislosti numerických proměnných

Metody zkoumání závislosti numerických proměnných Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy

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

Příklady k přednášce 9 - Zpětná vazba

Příklady k přednášce 9 - Zpětná vazba Příklady k předášce 9 - Zpětá vazba Michael Šebek Automatické řízeí 205 6--5 Příklad: Přibližá iverze tak průřezu s výškou hladiy y(t), přítokem u(t) a odtokem dy() t dt + 2 yt () = ut () Cíl řízeí: sledovat

Více

17. Statistické hypotézy parametrické testy

17. Statistické hypotézy parametrické testy 7. Statistické hypotézy parametrické testy V této části se budeme zabývat statistickými hypotézami, pomocí vyšetřujeme jedotlivé parametry populace. K takovýmto šetřeím většiou využíváme ám již dobře zámé

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

SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU

SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU Matematické modelováí (KMA/MM Téma: Model pohybu mraveců Zdeěk Hazal (A8N18P, zhazal@sezam.cz 8/9 Obor: FAV-AVIN-FIS 1. ÚVOD Model byl převzat z kihy Spojité modely v biologii

Více

OPTIMALIZACE AKTIVIT SYSTÉMU PRO URČENÍ PODÍLU NA VYTÁPĚNÍ A SPOTŘEBĚ VODY.

OPTIMALIZACE AKTIVIT SYSTÉMU PRO URČENÍ PODÍLU NA VYTÁPĚNÍ A SPOTŘEBĚ VODY. OPTIMALIZACE AKTIVIT SYSTÉMU PRO URČENÍ PODÍLU NA VYTÁPĚNÍ A SPOTŘEBĚ VODY. Ig.Karel Hoder, ÚAMT-VUT Bro. 1.Úvod Optimálí rozděleí ákladů a vytápěí bytového domu mezi uživatele bytů v domě stále podléhá

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

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení Odhad parametru p biomického rozděleí a test hypotézy o tomto parametru Test hypotézy o parametru p biomického rozděleí Motivačí úloha Předpokládejme, že v důsledku realizace jistého áhodého pokusu P dochází

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

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

Interval spolehlivosti pro podíl

Interval spolehlivosti pro podíl Iterval polehlivoti pro podíl http://www.caueweb.org/repoitory/tatjava/cofitapplet.html Náhodý výběr Zkoumaý proce chápeme jako áhodou veličiu určitým ám eámým roděleím a měřeá data jako realiace této

Více

Výroční zpráva fondů společnosti Pioneer investiční společnost, a.s. - neauditovaná

Výroční zpráva fondů společnosti Pioneer investiční společnost, a.s. - neauditovaná Výročí zpráva fodů společosti Pioeer ivestičí společost, a.s. - eauditovaá Obsah 1. Účetí závěrka: Pioeer Sporokoto, Pioeer obligačí fod, Pioeer růstový fod, Pioeer dyamický fod, Pioeer akciový fod, BALANCOVANÝ

Více

Makroekonomie cvičení 1

Makroekonomie cvičení 1 Makroekoomie cvičeí 1 D = poptávka. S = Nabídka. Q = Možství. P = Cea. Q* = Rovovážé možství (Q E ). P* = Rovovážá caa (P E ). L = Práce. K = Kapitál. C = Spotřeba domácosti. LR = Dlouhé období. SR = Krátké

Více

GRADIENTNÍ OPTICKÉ PRVKY Gradient Index Optical Components

GRADIENTNÍ OPTICKÉ PRVKY Gradient Index Optical Components Nové metody a postupy v oblasti přístrojové techiky, automatického řízeí a iformatiky Ústav přístrojové a řídicí techiky ČVUT v Praze, odbor přesé mechaiky a optiky Techická 4, 66 7 Praha 6 GRADIENTNÍ

Více

ÚLOHA ČÍNSKÉHO LISTONOŠE, MATEMATICKÉ MODELY PRO ORIENTOVANÝ A NEORIENTOVANÝ GRAF

ÚLOHA ČÍNSKÉHO LISTONOŠE, MATEMATICKÉ MODELY PRO ORIENTOVANÝ A NEORIENTOVANÝ GRAF Úloha číského listooše ÚLOHA ČÍNSKÉHO LISTONOŠE, MATEMATICKÉ MODELY PRO ORIENTOVANÝ A NEORIENTOVANÝ GRAF Uvažujme situaci, kdy exstuje ějaký výchozí uzel a další uzly spojeé hraami (může jít o cesty, ulice

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

8.2.10 Příklady z finanční matematiky I

8.2.10 Příklady z finanční matematiky I 8..10 Příklady z fiačí matematiky I Předoklady: 807 Fiačí matematika se zabývá ukládáím a ůjčováím eěz, ojišťováím, odhady rizik aod. Poměrě důležitá a výosá discilía. Sořeí Při sořeí vkladatel uloží do

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

1. Číselné obory, dělitelnost, výrazy

1. Číselné obory, dělitelnost, výrazy 1. Číselé obory, dělitelost, výrazy 1. obor přirozeých čísel - vyjadřující počet prvků možiy - začíme (jsou to kladá edesetiá čísla) 2. obor celých čísel - možia celých čísel = edesetiá, ale kladá i záporá

Více

Téma 3: Popisná statistika

Téma 3: Popisná statistika Popá tatta Téma : Popá tatta Předáša 7 Záladí tattcé pojmy Pojem a úoly tatty Statta je věda, teá e zabývá zíáváím, zpacováím a aalýzou dat po potřeby ozhodováí. Zoumá tav a vývoj homadých jevů a vztahů

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která

Více

pravděpodobnostn podobnostní jazykový model

pravděpodobnostn podobnostní jazykový model Pokročilé metody rozpozáváířeči Předáška 8 Rozpozáváí s velkými slovíky, pravděpodobost podobostí jazykový model Rozpozáváí s velkým slovíkem Úlohy zaměřeé a diktováíči přepis řeči vyžadují velké slovíky

Více

POLYNOM. 1) Základní pojmy. Polynomem stupně n nazveme funkci tvaru. a se nazývají koeficienty polynomu. 0, n N. Čísla. kde

POLYNOM. 1) Základní pojmy. Polynomem stupně n nazveme funkci tvaru. a se nazývají koeficienty polynomu. 0, n N. Čísla. kde POLYNOM Zákldí pojmy Polyomem stupě zveme fukci tvru y ( L +, P + + + + kde,,, R,, N Čísl,,, se zývjí koeficiety polyomu Číslo c zveme kořeem polyomu P(, je-li P(c výrz (-c pk zýváme kořeový čiitel Vlstosti

Více

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1 [M2-P9] KAPITOLA 5: Číselé řady Ozačeí: R, + } = R ( = R) C } = C rozšířeá komplexí rovia ( evlastí hodota, číslo, bod) Vsuvka: defiujeme pro a C: a ± =, a = (je pro a 0), edefiujeme: 0,, ± a Poslouposti

Více

( + ) t NPV 10000 + + = NPV

( + ) t NPV 10000 + + = NPV Základní pojmy Finanční management Základní pojmy ozhodování a nejčastější omyly ovlivnitelné a neovlivnitelné položky elevantní náklad stálé a poměnné náklady půměné náklady maginální náklady Příklad

Více

STATISTIKA PRO EKONOMY

STATISTIKA PRO EKONOMY EDICE UČEBNÍCH TEXTŮ STATISTIKA PRO EKONOMY EDUARD SOUČEK V Y S O K Á Š K O L A E K O N O M I E A M A N A G E M E N T U Eduard Souček Statistika pro ekoomy UČEBNÍ TEXT VYSOKÁ ŠKOLA EKONOMIE A MANAGEMENTU

Více

Geometrická optika. Zákon odrazu a lomu světla

Geometrická optika. Zákon odrazu a lomu světla Geometrická optika Je auka o optickém zobrazováí. Je vybudováa a 4 zákoech, které vyplyuly z pozorováí a ke kterým epotřebujeme zalosti o podstatě světla: ) přímočaré šířeí světla (paprsky) ) ezávislost

Více

Rozhodovací stromy. Úloha klasifikace objektů do tříd. Top down induction of decision trees (TDIDT) - metoda divide and conquer (rozděl a panuj)

Rozhodovací stromy. Úloha klasifikace objektů do tříd. Top down induction of decision trees (TDIDT) - metoda divide and conquer (rozděl a panuj) Rozhodovací stromy Úloha klasifikace objektů do tříd. Top dow iductio of decisio trees (TDIDT) - metoda divide ad coquer (rozděl a pauj) metoda specializace v prostoru hypotéz stromů (postup shora dolů,

Více

Statistické metody ve veřejné správě ŘEŠENÉ PŘÍKLADY

Statistické metody ve veřejné správě ŘEŠENÉ PŘÍKLADY Statitické metody ve veřejé právě ŘEŠENÉ PŘÍKLADY Ig. Václav Friedrich, Ph.D. 2013 1 Kapitola 2 Popi tatitických dat 2.1 Tabulka obahuje rozděleí pracovíků podle platových tříd: TARIF PLAT POČET TARIF

Více

Regulace frekvence a velikosti napětí Řízení je spojeno s dodávkou a přenosem činného a jalového výkonu v soustavě.

Regulace frekvence a velikosti napětí Řízení je spojeno s dodávkou a přenosem činného a jalového výkonu v soustavě. 18. Řízeí elektrizačí soustavy ES je spojeí paralelě pracujících elektráre, přeosových a rozvodých sítí se spotřebiči. Provoz je optimálě spolehlivá hospodárá dodávka kvalití elektrické eergie. Stěžejími

Více

Patří slovo BUSINESS do zdravotnictví?. 23. 6. 2005

Patří slovo BUSINESS do zdravotnictví?. 23. 6. 2005 Patří slovo BUSINESS do zdravotictví?. 23. 6. 2005 Společost Deloitte Společost Deloitte v České republice má více ež 550 zaměstaců a kaceláře v Praze a Olomouci. Naše česká pobočka je součástí aší regioálí

Více

Integrace hodnot Value-at-Risk lineárních subportfolií na bázi vícerozměrného normálního rozdělení výnosů aktiv

Integrace hodnot Value-at-Risk lineárních subportfolií na bázi vícerozměrného normálního rozdělení výnosů aktiv 3. meziárodí koferece Řízeí a modelováí fiačích rizik Ostrava VŠB-U Ostrava, Ekoomická fakulta, katedra Fiací 6.-7. září 006 tegrace hodot Value-at-Risk lieárích subportfolií a bázi vícerozměrého ormálího

Více

Matematika I. Název studijního programu. RNDr. Jaroslav Krieg. 2014 České Budějovice

Matematika I. Název studijního programu. RNDr. Jaroslav Krieg. 2014 České Budějovice Matematika I Název studijího programu RNDr. Jaroslav Krieg 2014 České Budějovice 1 Teto učebí materiál vzikl v rámci projektu "Itegrace a podpora studetů se specifickými vzdělávacími potřebami a Vysoké

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

Téma 6: Indexy a diference

Téma 6: Indexy a diference dexy a dferece Téma 6: dexy a dferece ředáška 9 dvdálí dexy a dferece Základí ojmy Vedle elemetárího statstckého zracováí dat se hromadé jevy aalyzjí tzv. srováváím růzých kazatelů. Statstcký kazatel -

Více

Měřící technika - MT úvod

Měřící technika - MT úvod Měřící techika - MT úvod Historie Už Galileo Galilei zavádí vědecký přístup k měřeí. Jeho výrok Měřit vše, co je měřitelé a co eí měřitelým učiit platí stále. - jedotá soustava jedotek fyz. veliči - símače

Více

METODICKÝ NÁVOD PRO MĚŘENÍ A HODNOCENÍ HLUKU A VIBRACÍ NA PRACOVIŠTI A VIBRACÍ V CHRÁNĚNÝCH VNITŘNÍCH PROSTORECH STAVEB

METODICKÝ NÁVOD PRO MĚŘENÍ A HODNOCENÍ HLUKU A VIBRACÍ NA PRACOVIŠTI A VIBRACÍ V CHRÁNĚNÝCH VNITŘNÍCH PROSTORECH STAVEB 6 VĚSTNÍK MZ ČR ČÁSTKA 4 METODICKÝ NÁVOD PRO MĚŘENÍ A HODNOCENÍ HLUKU A VIBRACÍ NA PRACOVIŠTI A VIBRACÍ V CHRÁNĚNÝCH VNITŘNÍCH PROSTORECH STAVEB Miisterstvo zdravotictví vydává podle 80 odst., písm. a)

Více

Optimalizace portfolia

Optimalizace portfolia Optmalzace portfola ÚVOD Problémy vestováí prostředctvím ákupu ceých papírů sou klasckým tématem matematcké ekoome. Celkový výos z portfola má v době rozhodováí o vestcích povahu áhodé velčy, eíž rozložeí

Více

Matice. nazýváme m.n reálných čísel a. , sestavených do m řádků a n sloupců ve tvaru... a1

Matice. nazýváme m.n reálných čísel a. , sestavených do m řádků a n sloupců ve tvaru... a1 Matice Matice Maticí typu m/ kde m N azýváme m reálých čísel a sestaveých do m řádků a sloupců ve tvaru a a a a a a M M am am am Prví idex i začí řádek a druhý idex j sloupec ve kterém prvek a leží Prvky

Více

1 Trochu o kritériích dělitelnosti

1 Trochu o kritériích dělitelnosti Meu: Úloha č.1 Dělitelost a prvočísla Mirko Rokyta, KMA MFF UK Praha Jaov, 12.10.2013 Růzé dělitelosti, třeba 11 a 7 (aeb Jak zfalšovat rodé číslo). Prvočísla: které je ejlepší, které je ejvětší a jak

Více

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota

Více

IV-1 Energie soustavy bodových nábojů... 2 IV-2 Energie elektrického pole pro náboj rozmístěný obecně na povrchu a uvnitř objemu tělesa...

IV-1 Energie soustavy bodových nábojů... 2 IV-2 Energie elektrického pole pro náboj rozmístěný obecně na povrchu a uvnitř objemu tělesa... IV- Eergie soustavy bodových ábojů... IV- Eergie elektrického pole pro áboj rozmístěý obecě a povrchu a uvitř objemu tělesa... 3 IV-3 Eergie elektrického pole v abitém kodezátoru... 3 IV-4 Eergie elektrostatického

Více

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D.

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D. MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ PH.D. Obsah MNOŽINY.... ČÍSELNÉ MNOŽINY.... OPERACE S MNOŽINAMI... ALGEBRAICKÉ VÝRAZY... 6. OPERACE S JEDNOČLENY A MNOHOČLENY...

Více