6 Ordinální informace o kritériích
|
|
- Stanislav Netrval
- před 7 lety
- Počet zobrazení:
Transkript
1 6 Ordinální informace o kritériích Ordinální informací o kritériích se rozumí jejich uspořádání podle důležitosti. Předpokládejme dále standardní značení jako v předchozích cvičeních. Existují tři základní metody, jak se znalostmi ordinálních informací pracovat lexikografická metoda, permutační metoda a metoda ORESTE. 6.1 Lexikografická metoda Metoda je v zásadě velmi jednoduchá a princip řazení variant je velmi podobný principu řazení slov ve slovníku (proto lexikografická metoda). Nejprve seřadíme kritéria podle důležitosti od nejdůležitějšího po nejméně důležité. Potom začneme varianty z množiny A = {a 1, a 2,..., a p } hodnotit podle jednotlivých kritérií (v pořadí důležitosti). Vybereme ty varianty z množiny A, které podle nejdůležitějšího kritéria dosahují maximální hodnoty, a vytvoříme z nich množinu A (1), A (1) A. Z množiny A (1) vybereme ty varianty, které dosahují maximální hodnoty pro druhé kritérium a vytvoříme tak množinu A (2), A (2) A (1). Tímto způsobem pokračujeme, dokud není množina A (n) jednoprvková. Prvek takovéto jednoprvkové množiny je považován za optimální variantu. Pokud bychom prošli všechna kritéria a množina A (k) by měla více než jeden prvek, jsou varianty z A (k) považovány za rovnocenné. V takovém případě vybereme libovolnou z nich za kompromisní variantu. Nevýhodou této metody je skutečnost, že se nepřihlíží k hodnotám dosaženým podle dalších kritérií. Ukažme si praktické použití této metody na příkladu s Upírem. 1
2 Upír lexikografická metoda Předpokládejme, že vyhledáváme vhodnou oběť podle 9 kritérií, která jsme si představili v předchozích cvičeních. Ohodnotili jsme důležitost jednotlivých kritérií a dospěli k výsledku, který jsme používali pro metodu pořadí (při určování vah). kritérium i pořadí ČES 1 9 VUP 2 2 KPR 3 3 KOS 4 6 KS 5 7 OS 6 1 FIN 7 8 VOR 8 4 VĚK 9 5 Předpokládejme opět 10 možných obětí. Kriteriální matice (všechna kritéria maximalizační) vypadá tedy následovně: Nejdůležitější je šesté kritérium OS, j = 6. Pro šesté kritérium nabývají varianty nejvyšší hodnoty 1. Vybereme tedy všechny varianty, pro které y i6 = 1, a získáme tak množinu A (1) = {a 1, a 2, a 3, a 4, a 6, a 7, a 9, a 10 }. 2
3 Druhým v pořadí je druhé kritérium VUP, j = 2. Pro druhé kritérium nabývají varianty nejvyšší hodnoty 6. Vybereme tedy z A (1) všechny varianty, pro které y i2 = 6, a získáme tak množinu A (2) = {a 2, a 4 }. A pokračujeme dále. Třetím v pořadí je třetí kritérium KPR, j = 3. Pro třetí kritérium nabývají varianty nejvyšší hodnoty 91. Vybereme tedy z A (2) všechny varianty, pro které y i3 = 91, a získáme tak množinu A (3) = {a 4 }. Vzhledem k tomu, že množina A (3) obsahuje jen jeden prvek a sice čtvrtou oběť v pořadí, zvolíme tuto variantu za optimální. Pozn.: Pro každé kritérium hledáme nejvyšší hodnotu mezi variantami ve výběru, nikoliv mezi variantami v původní množině. Lexikografickou metodou lze samozřejmě najít nejen nejlepší variantu, ale také varianty uspořádat. V našem případě by byl konečný výsledek: a 4, a 2, a 1, a 7, a 9, a 6, a 3, a 10, a 8, a Permutační metoda Připomeňme, že i u této metody je třeba znát pořadí důležitosti jednotlivých kritérií. Dále si připomeňme, že počet permutací p variant a 1, a 2,..., a p je p!, což je zásadní nevýhoda této metody. V praxi je totiž použitelná opravdu jen pro malý počet variant. Vezměme v úvahu, že pro 1 variantu existuje jediná permutace, pro dvě varianty jsou permutace dvě, pro tři varianty jich je šest a pro 4 varianty je pormutací 24, což je tak maximum, které je člověk ještě ochoten v ruce počítat. Pro pět variant existuje 120 permutací, pro šest 720 permutací,... Už pro deset variant je permutací přes 3,6 milionů, což je dost už i na čekání u počítače Permutační metoda se znalostí vah Pro tuto část potřebujeme znát váhy, proto je odhadneme např. metodou pořadí, kterou jsme se již zabývali v prvním cvičení. 3
4 Pro každou permutaci určíme pro každou dvojici (a i, a j ) všechna kritéria, pro která je a i preferováno před a j, či kde platí indiference. Množinu indexů těchto kritérií označíme I ij. Pro každé (a i, a j ) stanovíme hodnotu c ij = v h. h I ij Z hodnot c ij sestavíme pro každou permutaci matici C. Kompromisní (optimální) pořadí jednotlivých variant pak vybereme podle permutace, pro kterou je výraz R = c ij c ij maximální. i<j i>j Ukažme si metodu opět na příkladu s Upírem. Upír permutační metoda Vzhledem k tomu, že pro 6 variant bychom museli dělat 720 výpočtů, omezíme množinu variant na první tři oběti. Počítat budeme se všemi devíti kritérii. Máme tedy kriteriální matici se všemi kritérii maximalizačními: Metodou pořadí pak získáme následující váhy uvedené v tabulce: kritérium váhy Nejprve určíme množinu indexů kritérií, pro která je a i alespoň tak dobrá jako a j, tzn. a i P a j či a i Ia j. i j I ij I 12 = {3, 4, 5, 6, 8} I 13 = {1, 2, 3, 4, 5, 6, 8, 9} I 21 = {1, 2, 4, 6, 7, 9} I 23 = {1, 2, 4, 5, 6, 8, 9} I 31 = {4, 5, 6, 7} I 32 = {3, 4, 6, 7} Nyní spočítáme jednotlivé hodnoty c ij. Poznamenejme, že hodnoty c ii nejsou pro konečný výpočet důležité, proto c ii = 0, pro všechna i. Nyní vypočítáme zbývajících šest hodnot c ij : 4
5 c 12 = v h = v 3 +v 4 +v 5 +v 6 +v 8 = = 0.66 h I 11 c 13 = v h = v 1 + v 2 + v 3 + v 4 + v 5 + v 6 + v 8 + v 9 = 0.96 h I 13 c 21 = v h = v 1 + v 2 + v 4 + v 6 + v 7 + v 9 = 0.63 h I 21 c 23 = v h = v 1 + v 2 + v 4 + v 5 + v 6 + v 8 + v 9 = 0.79 h I 23 c 31 = v h = v 4 + v 5 + v 6 + v 7 = 0.40 h I 31 c 32 = v h = v 3 + v 4 + v 6 + v 7 = 0.50 h I 32 Nyní již zbývá jen sestavit matice C a spočítat výrazy R = c ij c ij. i<j i>j Všimněme si, že výraz R je součtem hodnot nad diagonálou matice C mínus součet hodnot pod diagonálou téže matice P 1 = {a 1, a 2, a 3 } = C 1 = R 1 = ( ) ( ) = P 2 = {a 1, a 3, a 2 } = C 2 = R 2 = ( ) ( ) = P 3 = {a 2, a 1, a 3 } = C 3 = R 3 = ( ) ( ) = P 4 = {a 2, a 3, a 1 } = C 4 = R 4 = ( ) ( ) = P 5 = {a 3, a 1, a 2 } = C 5 = R 5 = ( ) ( ) = P 6 = {a 3, a 2, a 1 } = C 6 =
6 R 6 = ( ) ( ) = 0.88 Ze všech uspořádání tedy vybereme tu permutaci, pro kterou je R maximální, v našem případě je to R = 0.88 pro P 1 a optimální uspořádání tedy je (a 1, a 2, a 3 ). Povšimněme si, že hodnota R pro pořadí variant a i, a j, a k je rovna R pro varianty v opačném pořadí (a k, a j, a i ) Permutační metoda bez znalosti vah Permutační metoda je hojně využívána hlavně v případě, kdy váhový vektor neznáme. V této části potřebujeme znát pouze pořadí. Kritéria tedy seřadíme od nejdůležitějšího po nejméně důležité. Předpokládejme, že důležitost kritérií je f 1, f 2,..., f k. Potom pro váhy musí platit: v 1 v 2 v k k v j = 1 j=1 v j 0 Sestavíme k různých váhových vektorů, které splňují výše uvedené podmínky: 1.) v 1 = (1, 0, 0,..., 0) 2.) v 2 = ( 1, 1, 0,..., 0) ) v 3 = ( 1 3, 1 3, 1 3,..., 0). k.) v k = ( 1 k, 1 k, 1 k,..., 1 k ) Pro každý jednotlivý váhový vektor určíme permutační metodou popsanou v předchozí části optimální pořadí (konkrétní váhový vektor je známý). Takto tedy zjistíme, jak se mění optimální pořadí v závislosti na vahách jednotlivých kritérií. 6
7 6.3 Metoda ORESTE I při této metodě je nutná znalost pořadí kritérií (stačí kvaziuspořádání kritérií i kavaziuspořádání variant tzn. že připouštíme stejně důležitá kritéria i stejně důležité varianty). Tato metoda je složená z šesti dílčích kroků. Jednotlivé kroky si nejprve vysvětlíme teoreticky, poté si je ukážeme přímo na příkladu Upíra. 1. V prvním kroku sestavíme vektor q a matici P. Začneme vektorem q = (q 1,..., q k ), kde q j je pořadí j-tého kritéria. Nyní sestavíme matici P = (p ij ), i = 1,..., p a j = 1,..., k, kde p ij je pořadí varianty a i podle j-tého kritéria. V případě indiference pro kritéria či varianty bereme průměrné pořadí pokud po n-tém čísle (pořadí) následuje m indiferentních, pak průměrné pořadí je n + m V druhém kroku vytvoříme matici vzdáleností od fiktivního počátku. Tuto matici budeme značit D = (d ij ). [ ] (pij ) Pro prvky této matice platí d ij = r + (q j) 1/r, r 2 2 kde r R. Obvykle se používá r = 3 a v tomto případě se vzdálenost měří tzv. Dujmovičovou metrikou. Parametr r se nazává Dujmovičův exponent. 3. Ve třetím kroku uspořádáme varianty. Vezmeme hodnoty d ij největší a ohodnotíme pořadím. z celé matice, seřadíme je od nejmenší po Na místo d ij napíšeme pořadí (případně průměrné pořadí) a novou matici označíme R = (r ij ). Pro každou variantu a i spočítáme hodnotu r i = k r ij. Hodnoty r i seřadíme od nejmenší, čímž získáme uspořádání variant. 4. Čtvrtý krok slouží k výpočtu normalizovaných preferenčních intenzit. Začneme tím, že spočítáme hodnoty tzv. preferenčních intenzit, což jsou hodnoty c ij = h I ij (r jh r ih ), i, j = 1,..., p, kde I ij je množina kritérií, pro která a i je preferováno před a j, neboli a i P a j. 7 j=1
8 Dále spočítáme maximální intenzitu c max = k 2 (p 1). Normalizovanou preferenční intenzitou budeme rozumět hodnotu c n ij = c ij c max. Označme dále: symbolem P relaci preference symbolem I relaci indiference symbolem N relaci nesrovnatelnosti symobly α, β, γ prahové hodnoty, parametry pro testy indiference a nesrovnatelnosti. Předpokládejme, že c n ij c n ji 5. Pátý krok se zabývá testem indiference. Test indiference se stává ze dvou podmínek. První podmínka říká, že obě normované preferenční intenzity jsou dostatečně malé, neboli že větší z nich je menší než předem zvolená hodnota α. V matematickém zápisu c n ij α. Druhá podmínka říká, že obě normované preferenční intenzity jsou dostatečně blízko u sebe, neboli že nejsou od sebe dále než je předem stanovená hodnota β. V matematickém zápisu c n ij cn ji β. Pokud jsou obě podmínky splněny, řekneme, že varianta a i je indiferentní s a j, neboli a i Ia j. 6. A šestý krok testuje nesrovnatelnost variant. Podmínka nesrovnatelnosti říká, že preferenční intenzity jsou příliš velké vzhledem k tomu, jak blízko jsou varianty u sebe, ale nejsou indiferentní. Jinými slovy pokud jsme v předchozím kroku nedošli k závěru, že jsou varianty indiferentní, jsou varianty nesrovnatelné, pokud c n ji c n ij cn ji γ. V takovém případě tedy konstatujeme nesrovnatelnost variant a značíme a i Na j. 8
9 Pokud podmínka nesrovnatelnosti tedy c n ji c n ij cn ji c n ji c n ij cn ji γ není splněna, platí-li < γ, konstatujeme, že varianta a i je preferována před variantou a j, neboli a i P a j. Poznamenejme, že podle předpokladu uvedeného nakonci čtvrtého kroku, jsou všechny uváděné rozdíly nezáporné, neboť symbolem c n ij označujeme vyšší normovanou preferenční intenzitu. Pro prahové hodnoty α, β, γ existují omezení, která bychm měli při volbě hodnot respektovat: α 1 2(p 1) β 1 k(p 1) γ k 2 4 Poznamenejme ještě nakonec, že existují 2 způsoby vyjádření výsledků preferenční analýzy: 1. Formou matice o rozměru (p p), kde řádky i sloupce odpovídají variantám. Symboly v matici označují vztah varianty v řádku (a i ) k variantě ve sloupci (a j ). V matici jsou používány 4 symboly: I pro indiferenci N pro nesrovnatelnost > pro případ, že varianta a i je preferována před variantou a j, a i P a j < pro případ, že varianta a j je preferována před variantou a i, a j P a i Pochopitelně, že v matici jsou na diagonále pouze symboly pro indiferenci, protože každá varianta je sama se sebou indiferentní. Dále jsou symboly pro nesrovnatelnost v matici umístěny symetricky, neboť je-li varianta a i nesrovnatelná s variantou a j, pak také varianta a j je nesrovnatelná s variantou a i. Nakonec si všimněme, že na místech symetrických k preferenčnímu symbolu > je symbol opačný < a obráceně. 9
10 2. Grafickou formou, kde do grafu vynášíme normalizované preferenční intenzity pro každou dvojici variant, a používáme stejné symboly jako při užití maticové formy. Upír metoda ORESTE Použijeme opět stejné zadání o potenciálních obětích. Pracovat ovšem tentokrát budeme pouze s prvními 5 kritérii a pouze prvními 4 variantami V prvním kroku sestavíme vektor q a matici P. Kritéria seřadíme podle důležitosti: kritérium pořadí q = (q 1,..., q k ), kde q j je pořadí j-tého kritéria, z tabulky tedy q = (5, 1.5, 1.5, 3, 4). P = (p ij ), i = 1,..., p a j = 1,..., k, kde p ij je pořadí varianty a i podle j-tého kritéria. 10
11 Podle 1. kritéria je pořadí variant: a 4 P a 2 P a 1 P a 3 Podle 2. kritéria je pořadí variant: a 2 I a 4 P a 1 P a 3 Podle 3. kritéria je pořadí variant: a 4 P a 1 P a 3 P a 2 Podle 4. kritéria je pořadí variant: a 1 I a 2 I a 3 P a 4 Podle 5. kritéria je pořadí variant: a 1 P a 2 I a 3 I a 4 Matice P tedy bude vypadat: P = V druhém kroku vytvoříme matici vzdáleností od fiktivního počátku. Použijeme r = 3, Dujmovičovou metrikou. Tuto matici budeme značit D = (d ij ). [ ] (pij ) Pro prvky této matice platí d ij = r + (q j) r 1/r [ ] (pij ) 2 2 = 3 + (q j) 1/ Pro ukázku: d 11 = d 45 = [ (p11 ) 3 + (q 1) [ (p45 ) 3 + (q 5) ] 1/3 [ ] 1/3 = = 3 76 = 4.24 ] 1/3 [ ] 1/3 = = = 3.57 Kompletně dopočítaná matice vzdáleností od fiktivního začátku tedy bude vypadat: D = Ve třetím kroku uspořádáme varianty. Vezmeme hodnoty d ij největší a ohodnotíme pořadím. z celé matice, seřadíme je od nejmenší po Na místo d ij napíšeme pořadí (případně průměrné pořadí) a novou matici označíme R = (r ij ). Matice tedy bude vypadat následovně: 11
12 R = Řádkové součty pak budou r i = 5 r ij j=1 r 1 = = 47.5 r 2 = = 52.5 r 3 = = 60.5 r 4 = = 49.5 Hodnoty r i seřadíme od nejmenší, čímž získáme uspořádání variant a 1, a 4, a 2, a Čtvrtý krok slouží k výpočtu normalizovaných preferenčních intenzit. Preferenční intenzity c ij = (r jh r ih ), i, j = 1,..., p, kde I ij je h I ij množina kritérií, pro která a i je preferováno před a j, neboli a i P a j. Nejprve tedy pro každé kritérium určíme, zda a i před a j : f f je preferováno f f Odtud vidíme: f I 11 = I 22 = I 31 = I 33 = I 44 = {} pro všechna kritéria jsou na všech místech v tabulkách - 12
13 I 12 = {3, 5} I 13 = {1, 2, 3, 5} I 14 = {4, 5} I 21 = I 23 = {1, 2} I 24 = {4} I 32 = {3} I 34 = {4} I 41 = I 43 = {1, 2, 3} I 42 = {1, 3} Pro ukázku si předveďme výpočet některých konkrétních peferenčních intenzit c ij = h I ij (r jh r ih ): c 11 = c 22 = c 31 = c 33 = c 44 = 0, neboť sčítáme přes prázdnou množinu. c 12 = (r 2h r 1h ) = (r 2h r 1h ) = r 23 r 13 +r 25 r 15 = h I 12 h {3,5} = 12 c 13 = (r 3h r 1h ) = (r 3h r 1h ) = r 31 r 11 +r 32 r 12 + h I 13 h {1,2,3,5} r 33 r 13 +r35 r 15 = = 13 c 14 = (r 4h r 1h ) = (r 4h r 1h ) = r 44 r 14 +r 45 r 15 = h I 14 h {4,5} = 13 c 42 = (r 2h r 4h ) = (r 2h r 4h ) = r 21 r 41 +r 23 r 43 = h I 42 h {1,3} = 11.5 Celá dopočítaná matice preferenčních intenzit: C = Maximální intenzita c max = k 2 (p 1) = 5 2 (4 1) = 75. Normalizovaná preferenční intenzita c n ij = c ij c max Matice normalizovaných preferenčních intenzit: = c ij
14 C n = Předpokládejme, že c n ij c n ji 5. Test indiference variant Test indiference se stává ze dvou podmínek: c n ij α a c n ij c n ji β. Pokud jsou obě podmínky splněny, platí a i I a j. Zvolme parametry α a β pro test indiference: α = (p 1) a β = k(p 1). Pro dvojice (i = j = 1), (i = j = 2), (i = j = 3) a (i = j = 4) platí c n ij = cn ji = 0 α = 0.1 a zároveň cn ij cn ji = = β Indiference. Odtud tedy a i I a i. c 12 = 0.16 > 0.09 = c 21 c 12 > α Test nesrovnatelnosti c 13 = 0.17 > 0 = c 31 c 13 > α Test nesrovnatelnosti c 14 = 0.17 > 0.15 = c 41 c 14 > α Test nesrovnatelnosti c 23 = 0.15 > 0.04 = c 32 c 23 > α Test nesrovnatelnosti c 42 = 0.15 > 0.11 = c 24 c 42 > α Test nesrovnatelnosti c 43 = 0.26 > 0.11 = c 34 c 43 > α Test nesrovnatelnosti 6. Test nesrovnatelnosti variant Pokud nejsou varianty indiferentní, pak jsou nesrovnatelné (a i N a j ), pokud Pokud c n ji c n ij cn ji c n ji c n ij cn ji γ. < γ, pak a i P a j. c 12 = 0.16 > 0.09 = c 21 c 21 c 12 c 21 = = 1.29 > γ Nesrovnatelnost. Odtud tedy a 1 N a 2. c 13 = 0.17 > 0 = c 31 c 31 c 13 c 31 = = 0 < γ Preference. Odtud tedy a 1 P a 3. = 7.5 > γ Nesrov- c 14 = 0.17 > 0.15 = c 41 c 41 c 14 c 41 = natelnost. Odtud tedy a 1 N a 4. 14
15 c 23 = 0.15 > 0.04 = c 32 c 32 c 23 c 32 = = 0.36 < γ Preference. Odtud tedy a 2 P a 3. c 42 = 0.15 > 0.11 = c 24 c 24 c 42 c 24 = = 2.75 > γ Nesrovnatelnost. Odtud tedy a 2 N a 4. c 43 = 0.26 > 0.11 = c 34 c 34 c 43 c 34 = = 0.73 < γ Preference. Odtud tedy a 4 P a 3. Výsledky shrneme do tabulky. Použité symboly: I pro indiferenci N pro nesrovnatelnost > pro a i P a j < pro a j P a i Přehled preferenční analýzy: a 1 a 2 a 3 a 4 a 1 I N > N a 2 N I > N a 3 < < I < a 4 N N > I Na diagonále pouze symboly pro indiferenci. Nesrovnatelnost symetrická. Na místech symetrických k > je symbol opačný < a obráceně. 15
7 Kardinální informace o kritériích (část 1)
7 Kardinální informace o kritériích (část 1) Předpokládejme stejná značení jako v předchozích cvičeních. Kardinální informací o kritériích se rozumí ohodnocení jejich důležitosti k pomocí váhového vektoru
Více4 Kriteriální matice a hodnocení variant
4 Kriteriální matice a hodnocení variant V teorii vícekriteriálního rozhodování pracujeme s kritérii, kterých je obecně k, a s variantami, kterých je obecně p. Hodnotu, které dosahuje varianta i pro j-té
Více5 Informace o aspiračních úrovních kritérií
5 Informace o aspiračních úrovních kritérií Aspirační úroveň kritérií je minimální (maximální) hodnota, které musí varianta pro dané maximalizační (minimalizační) kritérium dosáhnout, aby byla akceptovatelná.
VíceMULTIKRITERIÁLNÍ ROZHODOVÁNÍ KOMPLEXNÍ HODNOCENÍ ALTERNATIV
PŘEDNÁŠKA 6 MULTIKRITERIÁLNÍ ROZHODOVÁNÍ KOMPLEXNÍ HODNOCENÍ ALTERNATIV Multikriteriální rozhodování Možnosti řešení podle toho, jaká je množina alternativ pokud množina alternativ X je zadaná implicitně
VíceVícekriteriální 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
Vícevyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých mocnin). Rozhodněte o definitnosti kvadratické formy κ(x).
Řešené příklady z lineární algebry - část 6 Typové příklady s řešením Příklad 6.: Kvadratickou formu κ(x) = x x 6x 6x x + 8x x 8x x vyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých
Vícefakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28.
Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem
VíceVÍCEKRITERIÁLNÍ ROZHODOVANÍ
VÍCEKRITERIÁLNÍ ROZHODOVANÍ 1 Obsah Typy modelů vícekriteriálního rozhodování Základní pojmy Typy informací Cíl modelů Užitek, funkce užitku Grafické zobrazení Metody vícekriteriální analýzy variant 2
VíceLDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25
Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem
VíceParametrické programování
Parametrické programování Příklad 1 Parametrické pravé strany Firma vyrábí tři výrobky. K jejich výrobě potřebuje jednak surovinu a jednak stroje, na kterých dochází ke zpracování. Na první výrobek jsou
Více12. Lineární programování
. Lineární programování. Lineární programování Úloha lineárního programování (lineární optimalizace) je jedním ze základních problémů teorie optimalizace. Našim cílem je nalézt maximum (resp. minimum)
VíceP 1 = P 1 1 = P 1, P 1 2 =
1 Výpočet inverzní matice Věta 1 Necht P U elementární matice vzniklá el úpravou U Pak je P U regulární Důkaz: Protože elementární úprava U je invertovatelná, existuje el úprava U, která vrací změny U
Vícepříkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u.
Několik řešených příkladů do Matematiky Vektory V tomto textu je spočteno několik ukázkových příkladů které vám snad pomohou při řešení příkladů do cvičení. V textu se objeví i pár detailů které jsem nestihl
Více(Cramerovo pravidlo, determinanty, inverzní matice)
KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce
VíceNecht tedy máme přirozená čísla n, k pod pojmem systém lineárních rovnic rozumíme rovnice ve tvaru
2. Systémy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních rovnic s koeficienty z pole reálných případně komplexních čísel. Uvádíme podmínku pro existenci řešení systému lineárních
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceOperační výzkum. Vícekriteriální programování. Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování.
Operační výzkum Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
VíceKolik existuje různých stromů na pevně dané n-prvkové množině vrcholů?
Kapitola 9 Matice a počet koster Graf (orientovaný i neorientovaný) lze popsat maticí, a to hned několika různými způsoby. Tématem této kapitoly jsou incidenční matice orientovaných grafů a souvislosti
VíceOperační výzkum. Přiřazovací problém.
Operační výzkum Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo projektu: CZ..7/2.2./28.326
Více4. Kombinatorika a matice
4 Kombinatorika a matice 4 Princip inkluze a exkluze Předpokládejme, že chceme znát počet přirozených čísel menších než sto, která jsou dělitelná dvěma nebo třemi Označme N k množinu přirozených čísel
VíceInterpolace Uvažujme třídu funkcí jedné proměnné ψ(x; a 0,..., a n ), kde a 0,..., a n jsou parametry, které popisují jednotlivé funkce této třídy. Mějme dány body x 0, x 1,..., x n, x i x k, i, k = 0,
Více1 Vektorové prostory.
1 Vektorové prostory DefiniceMnožinu V, jejíž prvky budeme označovat a, b, c, z, budeme nazývat vektorovým prostorem právě tehdy, když budou splněny následující podmínky: 1 Je dáno zobrazení V V V, které
VícePřipomenutí co je to soustava lineárních rovnic
Připomenutí co je to soustava lineárních rovnic Příklad 2x 3y + z = 5 3x + 5y + 2z = 4 x + 2y z = 1 Soustava lineárních rovnic obecně Maticový tvar: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a
VíceShodná zobrazení. bodu B ležet na na zobrazené množině b. Proto otočíme kružnici b kolem
Shodná zobrazení Otočení Příklad 1. Jsou dány tři různé soustředné kružnice a, b a c. Sestrojte rovnostranný trojúhelník ABC tak, aby A ležel na a, B ležel na b a C ležel na c. Řešení. Zvolíme vrchol A
VíceStavový model a Kalmanův filtr
Stavový model a Kalmanův filtr 2 prosince 23 Stav je veličina, kterou neznáme, ale chtěli bychom znát Dozvídáme se o ní zprostředkovaně prostřednictvím výstupů Příkladem může býapř nějaký zašuměný signál,
VíceMatice. a m1 a m2... a mn
Matice Nechť (R, +, ) je okruh a nechť m, n jsou přirozená čísla Matice typu m/n nad okruhem (R, +, ) vznikne, když libovolných m n prvků z R naskládáme do obdélníkového schematu o m řádcích a n sloupcích
Více1 Polynomiální interpolace
Polynomiální interpolace. Metoda neurčitých koeficientů Příklad.. Nalezněte polynom p co nejmenšího stupně, pro který platí p() = 0, p(2) =, p( ) = 6. Řešení. Polynom hledáme metodou neurčitých koeficientů,
VíceVícekriteriální rozhodování za jistoty
Kapitola 1 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
Víceα β ) právě tehdy, když pro jednotlivé hodnoty platí β1 αn βn. Danou relaci nazýváme relace
Monotónní a Lineární Funkce 1. Relace předcházení a to Uvažujme dva vektory hodnot proměnných α = α,, 1 αn ( ) a β = ( β β ) 1,, n x,, 1 xn. Říkáme, že vekto r hodnot α předchází vektor hodnot β (značíme
VíceZdrojem většiny příkladů je sbírka úloh 1. cvičení ( ) 2. cvičení ( )
Příklady řešené na cvičení LA II - LS 1/13 Zdrojem většiny příkladů je sbírka úloh http://kam.mff.cuni.cz/~sbirka/ 1. cvičení (..13) 1. Rozhodněte, které z následujících operací jsou skalárním součinem
Více1 Lineární prostory a podprostory
Lineární prostory a podprostory Přečtěte si: Učebnice AKLA, kapitola první, podkapitoly. až.4 včetně. Cvičení. Které z následujících množin jsou lineárními prostory s přirozenými definicemi operací?. C
VíceHEURISTICKÉ ALGORITMY PRO ŘEŠENÍ ÚLOH OBCHODNÍHO CESTUJÍCÍHO
HEURISTICKÉ ALGORITMY PRO ŘEŠENÍ ÚLOH OBCHODNÍHO CESTUJÍCÍHO Heuristické algoritmy jsou speciálními algoritmy, které byly vyvinuty pro obtížné úlohy, jejichž řešení je obtížné získat v rozumném čase. Mezi
VíceLineární algebra : Změna báze
Lineární algebra : Změna báze (13. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 8. dubna 2014, 10:47 1 2 13.1 Matice přechodu Definice 1. Nechť X = (x 1,..., x n ) a Y = (y 1,...,
VíceV roce 1998 se v Liberci oženili muži a vdaly ženy v jednotlivých věkových skupinách v následujících počtech:
Příklad 1 V roce 1998 se v Liberci oženili muži a vdaly ženy v jednotlivých věkových skupinách v následujících počtech: Skupina Počet ženichů Počet nevěst 15-19 let 11 30 20-24 let 166 272 25-29 let 191
VíceNumerická matematika 1
Numerická matematika 1 Obsah 1 Řešení nelineárních rovnic 3 1.1 Metoda půlení intervalu....................... 3 1.2 Metoda jednoduché iterace..................... 4 1.3 Newtonova metoda..........................
VíceProblém lineární komplementarity a kvadratické programování
Problém lineární komplementarity a kvadratické programování (stručný učební text 1 J. Rohn Univerzita Karlova Matematicko-fyzikální fakulta Verze: 17. 6. 2002 1 Sepsání tohoto textu bylo podpořeno Grantovou
VíceKapitola 11: Vektory a matice 1/19
Kapitola 11: Vektory a matice 1/19 2/19 Prostor R n R n = {(x 1,..., x n ) x i R, i = 1,..., n}, n N x = (x 1,..., x n ) R n se nazývá vektor x i je i-tá souřadnice vektoru x rovnost vektorů: x = y i =
VíceValue at Risk. Karolína Maňáková
Value at Risk Karolína Maňáková Value at risk Historická metoda Model-Building přístup Lineární model variance a kovariance Metoda Monte Carlo Stress testing a Back testing Potenciální ztráta s danou pravděpodobností
VícePojem relace patří mezi pojmy, které prostupují všemi částmi matematiky.
Relace. Pojem relace patří mezi pojmy, které prostupují všemi částmi matematiky. Definice. Mějme množiny A a B. Binární relace R z množiny A do množiny B je každá množina uspořádaných dvojic (a, b), kde
VíceDefinice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
VíceOperační výzkum. Vícekriteriální hodnocení variant. Grafická metoda. Metoda váženého součtu.
Operační výzkum Vícekriteriální hodnocení variant. Grafická metoda. Metoda váženého součtu. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu
VíceVektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
Více5. Lokální, vázané a globální extrémy
5 Lokální, vázané a globální extrémy Studijní text Lokální extrémy 5 Lokální, vázané a globální extrémy Definice 51 Řekneme, že f : R n R má v bodě a Df: 1 lokální maximum, když Ka, δ Df tak, že x Ka,
VíceÚlohy klauzurní části školního kola kategorie A
62. ročník matematické olympiády Úlohy klauzurní části školního kola kategorie A 1. V obdélníku ABCD o stranách AB = 9, BC = 8 leží vzájemně se dotýkající kružnice k 1 (S 1, r 1 ) a k 2 (S 2, r 2 ) tak,
VíceLineární algebra : Lineární prostor
Lineární algebra : Lineární prostor (3. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 17. dubna 2014, 14:43 1 2 3.1 Aximotické zavedení lineárního prostoru Číselné těleso Celou lineární
VíceMetody výběru variant
Metody výběru variant Používají se pro výběr v případě více variant řešení stejného problému Lze vybírat dle jednoho nebo více kritérií V případě více kritérií mohou mít všechna stejnou důležitost nebo
VíceCo je obsahem numerických metod?
Numerické metody Úvod Úvod Co je obsahem numerických metod? Numerické metody slouží k přibližnému výpočtu věcí, které se přesně vypočítat bud nedají vůbec, nebo by byl výpočet neúměrně pracný. Obsahem
VíceÚvod do informatiky. Miroslav Kolařík. Zpracováno dle učebního textu R. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008.
Úvod do informatiky přednáška čtvrtá Miroslav Kolařík Zpracováno dle učebního textu R. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008. Obsah 1 Pojem relace 2 Vztahy a operace s (binárními) relacemi
Více11 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
VíceJiří 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,
Více10. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo
0. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo (PEF PaA) Petr Gurka aktualizováno 9. prosince 202 Obsah Základní pojmy. Motivace.................................2 Aritmetický vektorový
VíceANTAGONISTICKE HRY 172
5 ANTAGONISTICKÉ HRY 172 Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku, jejíž výše nezávisí
VíceKapitola 11: Vektory a matice:
Kapitola 11: Vektory a matice: Prostor R n R n = {(x 1,, x n ) x i R, i = 1,, n}, n N x = (x 1,, x n ) R n se nazývá vektor x i je i-tá souřadnice vektoru x rovnost vektorů: x = y i = 1,, n : x i = y i
Více1. 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
VíceEkonomická formulace. Matematický model
Ekonomická formulace Firma balící bonboniéry má k dispozici 60 čokoládových, 60 oříškových a 85 karamelových bonbónů. Může vyrábět dva druhy bonboniér. Do první bonboniéry se dávají dva čokoládové, šest
VíceMatematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
VíceHisab al-džebr val-muqabala ( Věda o redukci a vzájemném rušení ) Muhammada ibn Músá al-chvárizmího (790? - 850?, Chiva, Bagdád),
1 LINEÁRNÍ ALGEBRA 1 Lineární algebra Slovo ALGEBRA pochází z arabského al-jabr, což znamená nahrazení. Toto slovo se objevilo v názvu knihy islámského matematika Hisab al-džebr val-muqabala ( Věda o redukci
VíceVícekriteriální 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
Více12. Determinanty. 12. Determinanty p. 1/25
12. Determinanty 12. Determinanty p. 1/25 12. Determinanty p. 2/25 Determinanty 1. Induktivní definice determinantu 2. Determinant a antisymetrické formy 3. Výpočet hodnoty determinantu 4. Determinant
VíceMatematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29
Matematika 1 11. přednáška MA1 1 Opakování 2 Determinant 3 Adjungovaná matice 4 Cramerovo pravidlo 5 Vlastní čísla a vlastní vektory matic 6 Zkouška; konzultace; výběrová matematika;... 11. přednáška (15.12.2010
VíceAVDAT Mnohorozměrné metody metody redukce dimenze
AVDAT Mnohorozměrné metody metody redukce dimenze Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování vlastní čísla a vlastní vektory A je čtvercová matice řádu n. Pak
VíceMatice. Předpokládejme, že A = (a ij ) je matice typu m n: diagonálou jsou rovny nule.
Matice Definice. Maticí typu m n nazýváme obdélníkové pole, tvořené z m n reálných čísel (tzv. prvků matice), zapsaných v m řádcích a n sloupcích. Značíme např. A = (a ij ), kde i = 1,..., m, j = 1,...,
VíceSoustavy lineárních rovnic a determinanty
Soustavy lineárních rovnic a determinanty Petr Hasil Přednáška z matematiky Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
VíceInterpolace Lagrangeovy polynomy. 29. října 2012
Interpolace Lagrangeovy polynomy Michal Čihák 29. října 2012 Problematika interpolace V praxi máme často k dispozici údaje z různých měření tzv. data. Data mohou mít například podobu n uspořádaných dvojic
VíceVýroková logika II. Negace. Již víme, že negace je změna pravdivostní hodnoty výroku (0 1; 1 0).
Výroková logika II Negace Již víme, že negace je změna pravdivostní hodnoty výroku (0 1; 1 0). Na konkrétních příkladech si ukážeme, jak se dají výroky negovat. Obecně se výrok dá negovat tak, že před
VíceTexty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech
Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech 1. července 2008 1 Funkce v R n Definice 1 Necht n N a D R n. Reálnou funkcí v R n (reálnou funkcí n proměnných) rozumíme zobrazení
Více2. prosince velikosti symboly a, b, je b ω a b = a b cosω (1) a. ω pro ω π/2, π platí a b = b a a (3) a b = a 1 b 1 + a 2 b 2 + a 3 b 3 (5)
Vektorové prostory se skalárním součinem 2. prosince 25 1 Skalární součin geometrických vektorů Skalární součin geometrických vektorů je definován jako součin jejich velikostí násobený kosinem jejich odchylky.
VíceŘešené úlohy z Úvodu do algebry 1
Řešené úlohy z Úvodu do algebry Veronika Sobotíková katedra matematiky FEL ČVUT Vzhledem k tomu, že se ze strany studentů často setkávám s nepochopením požadavku zdůvodnit jednotlivé kroky postupu řešení,
VíceLayout pracoviště a řízení Rozvrhování pracovníků
Tento materiál vznikl jako součást projektu, který je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR. Layout pracoviště a řízení Rozvrhování pracovníků Jan Vavruška Technická univerzita
Více11. Skalární součin a ortogonalita p. 1/16
11. Skalární součin a ortogonalita 11. Skalární součin a ortogonalita p. 1/16 11. Skalární součin a ortogonalita p. 2/16 Skalární součin a ortogonalita 1. Definice skalárního součinu 2. Norma vektoru 3.
VíceDEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
VíceVEKTORY. Obrázek 1: Jediný vektor. Souřadnice vektoru jsou jeho průměty do souřadných os x a y u dvojrozměrného vektoru, AB = B A
VEKTORY Vektorem se rozumí množina všech orientovaných úseček, které mají stejnou velikost, směr a orientaci, což vidíme na obr. 1. Jedna konkrétní orientovaná úsečka se nazývá umístění vektoru na obr.
VíceMaticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
VíceM - Příprava na 1. zápočtový test - třída 3SA
M - Příprava na 1. zápočtový test - třída 3SA Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. VARIACE 1 Tento
VíceLineární algebra. Matice, operace s maticemi
Lineární algebra Matice, operace s maticemi Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo
VíceCVIČENÍ 4 Doc.Ing.Kateřina Hyniová, CSc. Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze 4.
CVIČENÍ POZNÁMKY. CVIČENÍ. Vazby mezi systémy. Bloková schémata.vazby mezi systémy a) paralelní vazba b) sériová vazba c) zpětná (antiparalelní) vazba. Vnější popis složitých systémů a) metoda postupného
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
VíceMatice přechodu. Pozorování 2. Základní úkol: Určete matici přechodu od báze M k bázi N. Každou bázi napíšeme do sloupců matice, např.
Matice přechodu Základní úkol: Určete matici přechodu od báze M k bázi N. Každou bázi napíšeme do sloupců matice, např. u příkladu 7 (v ) dostaneme: Nyní bychom mohli postupovat jako u matice homomorfismu
Více2 Spojité modely rozhodování
2 Spojité modely rozhodování Jak již víme z přednášky, diskrétní model rozhodování lze zapsat ve tvaru úlohy hodnocení variant: f(a i ) max, a i A = {a 1, a 2,... a p }, kde f je kriteriální funkce a A
Více9 Kolmost vektorových podprostorů
9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.
Vícex 0; x = x (s kladným číslem nic nedělá)
.. Funkce absolutní hodnota Předpoklady: 08, 07 x - zničí znaménko čísla, všechna čísla změní na nezáporná Jak vyjádřit matematicky? Pomocí číselné osy: x je vzdálenost obrazu čísla na číselné ose od počátku.
Více19. Druhý rozklad lineární transformace
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan Úmluva. Všude P = C. Vpřednášce o vlastních vektorech jsme se seznámili s diagonalizovatelnými
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
Více1 Soustavy lineárních rovnic
1 Soustavy lineárních rovnic 1.1 Základní pojmy Budeme uvažovat soustavu m lineárních rovnic o n neznámých s koeficienty z tělesa T (potom hovoříme o soustavě m lineárních rovnic o n neznámých nad tělesem
Více15 Maticový a vektorový počet II
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 15: Maticový a vektorový počet II 1 15 Maticový a vektorový počet II 15.1 Úvod Opakování z 1. ročníku (z kapitoly 8) Označení. Množinu všech reálných resp.
VíceDerivace funkcí více proměnných
Derivace funkcí více proměnných Pro studenty FP TUL Martina Šimůnková 16. května 019 1. Derivace podle vektoru jako funkce vektoru. Pro pevně zvolenou funkci f : R d R n a bod a R d budeme zkoumat zobrazení,
VícePoznámka. V některých literaturách se pro označení vektoru také používá symbolu u.
Vektory, operace s vektory Ž3 Orientovaná úsečka Mějme dvojici bodů, (na přímce, v rovině nebo prostoru), které spojíme a vznikne tak úsečka. Pokud budeme rozlišovat, zda je spojíme od k nebo od k, říkáme,
VíceVícekriteriální programování příklad
Vícekriteriální programování příklad Pražírny kávy vyrábějí dva druhy kávy (Super a Standard) ze dvou druhů kávových bobů KB1 a KB2, které mají smluvně zajištěny v množství 4 t a 6 t. Složení kávy (v procentech)
VíceModely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT
PEF ČZU Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT Okruhy SZB č. 5 Zdroje: Demel, J., Operační výzkum Jablonský J., Operační výzkum Šubrt, T., Langrová, P., Projektové řízení I. a různá internetová
VíceUčební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty študenti MFF 15. augusta 2008 1 14 Vlastní čísla a vlastní hodnoty Požadavky Vlastní čísla a vlastní hodnoty lineárního
VícePŘEDNÁŠKA 2 POSLOUPNOSTI
PŘEDNÁŠKA 2 POSLOUPNOSTI 2.1 Zobrazení 2 Definice 1. Uvažujme libovolné neprázdné množiny A, B. Zobrazení množiny A do množiny B je definováno jako množina F uspořádaných dvojic (x, y A B, kde ke každému
Více3. ANTAGONISTICKÉ HRY
3. ANTAGONISTICKÉ HRY ANTAGONISTICKÝ KONFLIKT Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku,
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceSoustavy lineárních rovnic
Soustavy lineárních rovnic Základy vyšší matematiky LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny společného
VíceOperace s maticemi
Operace s maticemi Seminář druhý 17.10. 2018 Obsah 1 Operace s maticemi 2 Hodnost matice 3 Regulární matice 4 Inverzní matice Matice Definice (Matice). Reálná matice typu m n je obdélníkové schema A =
VíceM - Příprava na pololetní písemku č. 1
M - Příprava na pololetní písemku č. 1 Určeno pro třídy 3SA, 3SB. VARIACE 1 Tento dokument byl kompletně vytvořen, sestaven a vytištěn v programu dosystem - EduBase. Více informací o programu naleznete
Více1 Mnohočleny a algebraické rovnice
1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem
Více