Teorie her a ekonomické rozhodování. 10. Rozhodování při jistotě, riziku a neurčitosti
|
|
- Žaneta Hrušková
- před 7 lety
- Počet zobrazení:
Transkript
1 Teore her a ekonomcké rozhodování 10. Rozhodování př stotě, rzku a neurčtost
2 10.1 Jednokrterální dskrétní model Jednokrterální model rozhodování: f a ) max a Aa, a,..., a ( 1 2 f krterální funkce (zsk, užtek, apod.) A rozhodovací množna (varanty, stratege, rozhodnutí) p Mgr. Jana Seknčková, Ph.D. 2
3 10.1 Jednokrterální dskrétní model 1. Rozhodování př stotě rozhodnutím e výsledek dán ednoznačně 2. Rozhodování př nestotě Rozhodnutí nemá ednoznačný výsledek Výsledek závsí také na stavu okolí Rozhodování př rzku a př neurčtost Mgr. Jana Seknčková, Ph.D. 3
4 10.1 Jednokrterální dskrétní model 2. Rozhodování př nestotě a) Rozhodování př rzku Množna varant stavů sou známé Známé rozložení pravděpodobností b) Rozhodování př neurčtost Neznámé pravděpodobnost stavů Mgr. Jana Seknčková, Ph.D. 4
5 10.2 Rozhodování př stotě Vše e známé, cíl e edný a tak nede v podstatě o žádný konflkt Nemá smysl analyzovat tento problém z pohledu teore her Mgr. Jana Seknčková, Ph.D. 5
6 10.3 Rozhodování př rzku Výsledek rozhodnutí není dán s stotou Závsí na rozložení pravděpodobností Příklad Házím kostkou a vsadím, že padne 6 Výsledek není dán s stotou Znám však pravděpodobnost úspěchu (a neúspěchu) = 1/6 Mgr. Jana Seknčková, Ph.D. 6
7 10.3 Rozhodování př rzku Jedná se o hru ednoho hráče (teore rozhodování, operačního výzkumu nebo pravděpodobnost) Lze na problém pohlížet z ného úhlu 1. hráč = ntelgentní (rozhodovatel) 2. hráč = nentelgentní (vybírá náhodně, příroda, losovací zařízení apod.) Mgr. Jana Seknčková, Ph.D. 7
8 10.3 Rozhodování př rzku 2. hráč tedy nesledue vlastní záem, ale edná (rozhodue se) náhodně podle daného pravděpodobnostního rozdělení Příklady: Losovací zařízení sportka Příroda poštění žvelných událostí Fnanční trh nvestce do akcí Mgr. Jana Seknčková, Ph.D. 8
9 10.3 Rozhodování př rzku Intelgentní hráč 1 (volba řádků) Maxmalzace výhry dle matce a Nentelgentní hráč 2 (volba sloupců) Podle pravděpodobnostního rozdělení p Můžeme na ně pohlížet ako na známé smíšené stratege 2. hráče Mgr. Jana Seknčková, Ph.D. 9
10 10.3 Rozhodování př rzku Sestavme matc hry: řádky = varanty a (1. hráč raconální) sloupce = možné stavy S s danou p (2. hráč příroda) prvky matce = výhra 1. hráče př stavu S a 11 a 12 a 1n a 21 a 22 a 2n a p1 a p2 a pn Mgr. Jana Seknčková, Ph.D. 10
11 10.3 Rozhodování př rzku Intelgentní hráč 1 Maxmalzace střední hodnoty výhry n EV max 1 p a Tento prncp není nelepší (e třeba také zvažovat rozptyl) Mgr. Jana Seknčková, Ph.D. 11
12 10.3 Rozhodování př rzku Podrobný pops včetně teore: v učebnc: Fala, Modely a metody rozhodování, VŠE 2003 Postup (8 kroků) e dán: Prncpem maxmalzace očekávané hodnoty Vz předchozí vztah Bayesovskou analýzou Mgr. Jana Seknčková, Ph.D. 12
13 Příklad EV n max 3 n 1 p a S1 S2 S3 A A A p 0,5 0,2 0,3 A1 : p a p a1 0,5 100,28 0, n 3 A2 : p a p a2 0,5 1 0,23 0, n 3 A3 : p a p a3 0,5 7 0,28 0, ,2 3,2 7,8 Mgr. Jana Seknčková, Ph.D. EV=7,8 13
14 10.4 Rozhodování př neurčtost Známe stavy S (stratege 2. hráče) Ale neznáme pravděpodobnost, se kterým e hrae 1. hráč vybírá strateg (rozhodnutí), která musí být nedomnovaná Mgr. Jana Seknčková, Ph.D. 14
15 10.4 Rozhodování př neurčtost Rozhodnutí by mělo respektovat: Axom relevance nerozlšuící přdané varanty přdání nového stavu s téměř steným hodnotam pro všechny varanty nezmění rozhodnutí Axom relevance přdané neoptmální varanty po přdání nové varanty se buď nová varanta stane optmální (byla dobrá) nebo zůstane optmální varantou ta původní (tzn. optmální rozhodnutí se nemůže zhoršt tak, že přdáme něaké špatné) Mgr. Jana Seknčková, Ph.D. 15
16 10.4 Rozhodování př neurčtost Rozhodnutí by mělo respektovat: Axom úplnost množny optmálních strategí sou-l rozhodnutí v a w optmální a rozhodnutí z e něakým váženým průměrem v a w, pak by také mělo být optmální (příklad nvestčního portfola) Axom ednoznačnost Vybráno by mělo být edno rozhodnutí (alespoň edno z důvodu řešení stuace a maxmálně edno z důvodu praktckého využtí) Mgr. Jana Seknčková, Ph.D. 16
17 Matce hry: 10.4 Rozhodování př neurčtost řádky = varanty a (1. hráč raconální) sloupce = možné stavy S (2. hráč příroda) a 11 a 12 a 1n a 21 a 22 a 2n a p1 a p2 a pn Mgr. Jana Seknčková, Ph.D. 17
18 Prncpy pro rozhodování 1. Prncp ekvvalentní pravděpodobnost Laplaceovo krtérum 2. Prncp maxmaxu 3. Prncp maxmnu Waldovo krtérum 4. Prncp ukazatele optmsmu Hurwczovo krtérum 5. Prncp mnmaxu ztráty Savageovo krtérum Mgr. Jana Seknčková, Ph.D. 18
19 1. Prncp ekvvalentní pravděpodobnost Všechny stavy sou steně pravděpodobné max n 1 p a S1 S2 S3 A A A max n 1 1 n a 1 max n n 1 n A1 : a a1 n a , 67 n A2 : a a2 n n A : a a n , Mgr. Jana Seknčková, Ph.D. 19
20 2. Prncp maxmaxu Optmstcký přístup nastane nelepší stuace S1 S2 S3 A A A maxmaxa A1 : maxa maxa1 A maxa maxa A 2 : 2 3 : maxa maxa Mgr. Jana Seknčková, Ph.D. 20
21 3. Prncp maxmnu Pesmstcký přístup nastane nehorší stuace maxmna S1 S2 S3 A A A A1 : mna mna1 2 A2 : mna mna2 1 A 3 : mna mna3 7 Mgr. Jana Seknčková, Ph.D. 21
22 4. Prncp ukazatele optmsmu Ukazatel optmsmu mez nulou a ednčkou 1proabsolutníoptmsty 0proabsolutnípesmsty max[ a 1 a ] S1 S2 S3 A A A max mn EV A α + 2 (1 α) A α + 1 (1 α) A α + 7 (1 α) Mgr. Jana Seknčková, Ph.D. 22
23 max[ a 1 a ] Výpočtem sme získal: A1 volím, pokud: α α α α A2 volím, pokud: α α α α A3 volím, pokud: α α α α max mn Očekávaná hodnota A α + 2 (1 α) = α A α + 1 (1 α) = α A α + 7 (1 α) = α 2 α 1 α 1/2 6 α 5 α 5/6 α 5/6; 1 2 α 1 α 1/2 4 α 6 α 3/2 6 α 5 α 5/6 4 α 6 α 3/2 α 0; 5/6 Mgr. Jana Seknčková, Ph.D. 23
24 5. Prncp mnmaxu ztráty Z = Vytvoříme matc ztrát tak, že: z 11 z 12 z 1n z 21 z 22 z 2n z p1 z p2 z pn z (maxa ) k k a S1 S2 S3 A A A Z = Mgr. Jana Seknčková, Ph.D. 24
25 Prncp mnmaxu ztráty Optmální varanta (rozhodnutí): mnmaxz Z = A1 : max z maxz1 A2 : max z maxz2 9 A max z maxz 3 3 : 3 7 Mgr. Jana Seknčková, Ph.D. 25
26 Prncp mnmaxu ztráty Ztrátovou matc sme počítal ako: z (maxa ) Druhý možný přístup: z = a (max k a k ) Ztráty pak maí až na sloupcová maxma záporné znaménko Aplkueme prncp maxmnu k k a Mgr. Jana Seknčková, Ph.D. 26
27 KONEC Mgr. Jana Seknčková, Ph.D. 27
Cvičení 13 Vícekriteriální hodnocení variant a vícekriteriální programování
Cvčení 3 Vícekrterální hodnocení varant a vícekrterální programování Vícekrterální rozhodování ) vícekrterální hodnocení varant konkrétní výčet, seznam varant ) vícekrterální programování varanty ve formě
VíceMANAŽERSKÉ ROZHODOVÁNÍ
MANAŽERSKÉ ROZHODOVÁNÍ Téma 14 POSUZOVÁNÍ A HODNOCENÍ VARIANT doc. Ing. Monka MOTYČKOVÁ (Grasseová), Ph.D. Unverzta obrany Fakulta ekonomka a managementu Katedra voenského managementu a taktky Kouncova
VíceMetody vícekriteriálního hodnocení variant a jejich využití při výběru produktu finanční instituce
. meznárodní konference Řízení a modelování fnančních rzk Ostrava VŠB-TU Ostrava, Ekonomcká fakulta, katedra Fnancí 8. - 9. září 200 Metody vícekrterálního hodnocení varant a ech využtí př výběru produktu
VíceVícekriteriální rozhodování. Typy kritérií
Vícekrterální rozhodování Zabývá se hodnocením varant podle několka krtérí, přčemž varanta hodnocená podle ednoho krtéra zpravdla nebývá nelépe hodnocená podle krtéra ného. Metody vícekrterálního rozhodování
VíceAttitudes and criterias of the financial decisionmaking under uncertainty
8 th Internatonal scentfc conference Fnancal management of frms and fnancal nsttutons Ostrava VŠB-TU Ostrava, faculty of economcs,fnance department 6 th 7 th September 2011 Atttudes and crteras of the
VíceJednokriteriální rozhodování za rizika a nejistoty
Jeokrterálí rozoováí za rzka a estoty U eokrterálíc úlo e vžy pouze eo krtérum optmalty, a to buď maxmalzačí ebo mmalzačí. araty rozoováí sou zaáy mplctě - pomíkam, které musí být splěy (vz úloy leárío
VíceEKONOMICKO-MATEMATICKÉ METODY
. přednáška EKONOMICKO-MATEMATICKÉ METODY Ekonomcko matematcké metody (též se užívá název operační analýza) sou metody s matematckým základem, využívané především v ekonomcké oblast, v oblast řízení a
VíceDopravní plánování a modelování (11 DOPM )
Department of Appled Mathematcs Faculty of ransportaton Scences Czech echncal Unversty n Prague Dopravní plánování a modelování (11 DOPM ) Lekce 5: FSM: rp dstrbuton Prof. Ing. Ondře Přbyl, Ph.D. Ing.
Více1. Nejkratší cesta v grafu
08. Nekratší cesty. Úloha obchodního cestuícího. Heurstky a aproxmační algortmy. Metoda dynamckého programování. Problém batohu. Pseudopolynomální algortmy 1. Nekratší cesta v grafu - sled e lbovolná posloupnost
VíceProces řízení rizik projektu
Proces řízení rzk projektu Rzka jevy a podmínky, které nejsou pod naší přímou kontrolou a ovlvňují cíl projektu odcylky, předvídatelná rzka, nepředvídatelná rzka, caotcké vlvy Proces řízení rzk sled aktvt,
VíceObsah přednášky 1. Bayesův teorém 6. Naivní Bayesovský klasifikátor (NBK)
Obsah přednášky 1. Bayesův teorém 2. Brutální Bayesovský klasfkátor (BBK) 3. Mamální aposterorní pravděpodobnost (MA) 4. Optmální Bayesovský klasfkátor (OBK) 5. Gbbsův alortmus (GA) 6. Navní Bayesovský
VíceSÍŤOVÁ ANALÝZA. Základní pojmy síťové analýzy. u,. Sjednocením množin { u, u,..., 2. nazýváme grafem G.
SÍŤOVÁ ANALÝZA Využívá grafcko-analytcké metody pro plánování, řízení a kontrolu složtých návazných procesů. yto procesy se daí rozložt na dílčí a organzačně spolu souvseící čnnost. yto procesy se nazývaí
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regulární systém hustot Vychází se z: -,, P - pravděpodobnostní prostor -, R neprázdná množna parametrů - X X 1,, náhodný vektor s sdruženou hustotou X n nebo s sdruženou pravděpodobnostní
Více1. dílčí téma: Rozhodování při riziku, neurčitosti a hry s neúplnou informací
Cíl tematického celku: Student získá komplexní přehled teorií oligopolu, které lze úspěšně aplikovat v realitě. Druhým cílem je naučit se chápat obsah komunikace, která se vede při projednávání nejrůznějších
VíceTeorie efektivních trhů (E.Fama (1965))
Teore efektvních trhů (E.Fama (965)) Efektvní efektvní zpracování nových nformací Efektvní trh trh, který rychle a přesně absorbuje nové nf. Ceny II (akcí) náhodná procházka Předpoklady: na trhu partcpuje
VíceOperační výzkum. Teorie her. Hra v normálním tvaru. Optimální strategie. Maticové hry.
Operační výzkum Hra v normálním tvaru. Optimální strategie. Maticové hry. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MTMTICKÁ TORI ROZODOVÁNÍ odklady k soustředění č. 3 ráce s neurčtostí Většna našch znalostí o reálném světě je zatížena ve větší č menší míře neurčtostí. Na druhou stranu, schopnost rozhodovat se v stuacích,
VíceTeorie her a ekonomické rozhodování. 7. Hry s neúplnou informací
Teorie her a ekonomické rozhodování 7. Hry s neúplnou informací 7.1 Informace Dosud hráči měli úplnou informaci o hře, např. znali svou výplatní funkci, ale i výplatní funkce ostatních hráčů často to tak
Více2. Posouzení efektivnosti investice do malé vtrné elektrárny
2. Posouzení efektvnost nvestce do malé vtrné elektrárny Cíle úlohy: Posoudt ekonomckou výhodnost proektu malé vtrné elektrárny pomocí základních metod hodnocení efektvnost nvestních proekt ako sou metoda
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
VíceTGH13 - Teorie her I.
TGH13 - Teorie her I. Jan Březina Technical University of Liberec 19. května 2015 Hra s bankéřem Máte právo sehrát s bankéřem hru: 1. hází se korunou dokud nepadne hlava 2. pokud hlava padne v hodu N,
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,
Více2 Rozhodovací problém
Rozhodovaí problém Rozhodovaí problém je problém s víe možným řešením. Jde tedy o problémy se kterým se setkáváme v běžném žvotě. Základním krokem každého rozhodování je proes volby, tedy poszování jednotlvýh
VíceTeorie her a ekonomické rozhodování. 2. Maticové hry
Teorie her a ekonomické rozhodování 2. Maticové hry 2.1 Maticová hra Teorie her = ekonomická vědní disciplína, která se zabývá studiem konfliktních situací pomocí matematických modelů Hra v normálním tvaru
VíceTeorie her a ekonomické rozhodování. 11. Aukce
Teorie her a ekonomické rozhodování 11. Aukce 11. Aukce Příklady tržních mechanismů prodej s pevnou cenou cenové vyjednávání aukce Využití aukcí prodej uměleckých předmětů, nemovitostí, prodej květin,
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
Více1. Úvod. Cílem teorie her je popsat situaci, která nás zajímá, jako hru. Klasickým případem
Kvaternon 2/204, 79 98 79 MATICOVÉ HRY V INŽENÝRSTVÍ JAROSLAV HRDINA a PETR VAŠÍK Abstrakt. Následuící text pokrývá eden z cyklů přednášek předmětu Aplkovaná algebra pro nženýry (0AA) na FSI VUT. Text
VíceMANAŽERSKÉ ROZHODOVÁNÍ
MANAŽERSKÉ ROZHODOVÁNÍ Téma 21 - PRAVIDLA ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY doc. Ing. Monika MOTYČKOVÁ (Grasseová), Ph.D. Univerzita obrany Fakulta ekonomika a managementu Katedra vojenského managementu
Více( ) = H zásobitel = 1. H i = 1+ +...
sou fnance důležté? nanční management Základní pojmy e NPV důležté? Základy úrokového počtu reálná aktva fnanční aktva hmotná aktva nehmotná aktva sou fnance důležté? Kolk a do jakých aktv má frma nvestovat?
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
VíceIng. Alena Šafrová Drášilová
Rozhodování II Ing. Alena Šafrová Drášilová Obsah vztah jedince k riziku rozhodování v podmínkách rizika rozhodování v podmínkách nejistoty pravidlo maximin pravidlo maximax Hurwitzovo pravidlo Laplaceovo
VíceŘEŠENÍ PROBLÉMU LOKALIZACE A ALOKACE LOGISTICKÝCH OBJEKTŮ POMOCÍ PROGRAMOVÉHO SYSTÉMU MATLAB. Vladimír Hanta 1, Ivan Gros 2
ŘEŠENÍ PROBLÉMU LOKALIZACE A ALOKACE LOGISTICKÝCH OBJEKTŮ POMOCÍ PROGRAMOVÉHO SYSTÉMU MATLAB Vladmír Hanta 1 Ivan Gros 2 Vysoká škola chemcko-technologcká Praha 1 Ústav počítačové a řídcí technky 2 Ústav
VíceTestování hypotéz. testujeme (většinou) tvrzení o parametru populace. tvrzení je nutno předem zformulovat
Testování hypotéz testujeme (většinou) tvrzení o parametru populace tvrzení je nutno předem zformulovat najít odpovídající test, podle kterého se na základě informace z výběrového souboru rozhodneme, zda
Víceina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)
Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.
Více12 HRY S NEÚPLNOU INFORMACÍ
12 HRY S NEÚPLNOU INFORMACÍ 543 Ne v každé hře mají všichni hráči úplné informace o výplatních funkcích ostatních. Ve skutečnosti je většina situací s informací neúplnou. Například: V aukcích zpravidla
VíceLékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)
Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 4. až 5.4 hod. http://www.osu.cz/~tvrdik
VíceRizikového inženýrství stavebních systémů
Rzkového nženýrství stavebních systémů Mlan Holcký, Kloknerův ústav ČVUT Šolínova 7, 166 08 Praha 6 Tel.: 24353842, Fax: 24355232 E-mal: Holcky@vc.cvut.cz Základní pojmy Management rzk Metody analýzy rzk
VíceLokace odbavovacího centra nákladní pokladny pro víkendový provoz
Markéta Brázdová 1 Lokace odbavovacího centra nákladní pokladny pro víkendový provoz Klíčová slova: odbavování záslek, centrum grafu, vážená excentrcta vrcholů sítě, časová náročnost odbavení záslky, vážená
Více(motto: Jestliže má jednotlivec rád čísla, pokládá se to za neurózu. Celá společnost se ale sklání před statistickými čísly. Alfred Paul Schmidt)
Popisná státistiká (motto: Jestliže má jednotlivec rád čísla, pokládá se to za neurózu. Celá společnost se ale sklání před statistickými čísly. Alfred Paul Schmidt) 1. Příklad V pobočce banky za celý den
VíceMetody volby financování investičních projektů
7. meznárodní konference Fnanční řízení podnků a fnančních nsttucí Ostrava VŠB-T Ostrava konomcká fakulta katedra Fnancí 8. 9. září 00 Metody volby fnancování nvestčních projektů Dana Dluhošová Dagmar
VíceTeorie her a ekonomické rozhodování. 4. Hry v rozvinutém tvaru
Teorie her a ekonomické rozhodování 4. Hry v rozvinutém tvaru 4.1 Hry v rozvinutém tvaru Hra v normálním tvaru hráči provedou jediné rozhodnutí a to všichni najednou v rozvinutém tvaru řada po sobě následujících
VíceOperační výzkum. Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry.
Operační výzkum Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty
VíceVÍCEKRITERIÁLNÍ MANAŢERSKÉ ROZHODOVÁNÍ V PODMÍNKÁCH RIZIKA A NEJISTOTY
Internetový časopis o jakosti Vydavatel: Katedra kontroly a řízení jakosti, FMMI, VŠB-TU Ostrava VÍCEKRITERIÁLNÍ MANAŢERSKÉ ROZHODOVÁNÍ V PODMÍNKÁCH RIZIKA A NEJISTOTY ÚVOD Všemi sekvenčními manažerskými
VíceFirma a nejistota Aplikace rozhodování v podmínkách rizika a nejistoty na firmu
Firma a nejistota Aplikace rozhodování v podmínkách rizika a nejistoty na firmu Teorie firmy Rozhodování Jedna z významných činností manažera Nedílná součást manažerské práce Zásadně ovlivňuje budoucí
VíceAPLIKACE MATEMATICKÉHO PROGRAMOVÁNÍ PŘI NÁVRHU STRUKTURY DISTRIBUČNÍHO SYSTÉMU
APLIKACE MATEMATICKÉHO PROGRAMOVÁNÍ PŘI NÁVRHU STRUKTURY DISTRIBUČNÍHO SYSTÉMU APPLICATION OF MATHEMATICAL PROGRAMMING IN DESIGNING THE STRUCTURE OF THE DISTRIBUTION SYSTEM Martn Ivan 1 Anotace: Prezentovaný
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 1
Pravděpodobnost a statistika (BI-PST) Cvičení č. 1 Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení technické v Praze ZS 2014/2015 (FIT ČVUT) BI-PST, Cvičení č. 1 ZS 2014/2015
VíceIng. Alena Šafrová Drášilová, Ph.D.
Rozhodování Ing. Alena Šafrová Drášilová, Ph.D. Rozhodování??? video Obsah typy rozhodování principy rozhodování rozhodovací fáze základní pojmy hodnotícího procesu rozhodovací podmínky rozhodování v podmínkách
VíceStatické okolí Dynamické okolí relativně stabilní faktory
SIR Přednášející: doc. Ing. Jaroslav Knápek, CSc. Email: knapek@fel.cvut.cz Katedra: K1316, katedra ekonomiky, manažerství a humanitních věd Adresa: Zikova 2, 2. patro KH: úterý, 13-14 14 hod Manažerské
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VíceTeorie her a ekonomické rozhodování. 3. Dvoumaticové hry (Bimaticové hry)
Teorie her a ekonomické rozhodování 3. Dvoumaticové hry (Bimaticové hry) 3.1 Neantagonistický konflikt Hra v normálním tvaru hráči provedou jediné rozhodnutí a to všichni najednou v rozvinutém tvaru řada
VíceLineární a adaptivní zpracování dat. 8. Kumulační zvýrazňování signálů v šumu 2
Lneární a adaptvní zpracování dat 8. Kumulační zvýrazňování sgnálů v šumu 2 Danel Schwarz Investce do rozvoe vzdělávání Opakování Kumulační zpracování sgnálů co to e, k čemu to e? Prncp metody? Nutné podmínky
VíceKapitálová struktura versus rating #
Kaptálová struktura versus ratng # (Dskuse k článku: Ksgen, Darren J.: Credt Ratngs and Captal Structure. Journal of Fnance, 006, roč. 61, č. 3, s. 1035-107.) Pavel Marnč * Darren J. Ksgen v článku Credt
VíceNávrh zákona o řízení a kontrole veřejných financí řídicí
Návrh zákona o řízení a kontrole veřejných fnancí řídcí Mgr. Jana Kranecová, Ph.D. Mnsterstvo fnancí České republky Kraj Správce veřejného rozpočtu Hejtman Rada ukládá úkoly hejtmanov, hejtman může pozastavt
VíceRozhodování při riziku, neurčitosti a hry s neúplnou informací. Rozhodování při riziku
Rozhodování při riziku, neurčitosti a hry s neúplnou informací Obsah kapitoly Studijní cíle Doba potřebná ke studiu Pojmy k zapamatování Úvod Výkladová část 1) Rozhodování při riziku a neurčitosti I. Rozhodování
VíceČasová hodnota peněz ve finančním rozhodování podniku. 1.1. Význam faktoru času a základní metody jeho vyjádření
Časová hodnota peněz ve fnančním rozhodování podnku 1.1. Význam faktoru času a základní metody jeho vyjádření Fnanční rozhodování podnku je ovlvněno časem. Peněžní prostředky získané dnes mají větší hodnotu
VícePlánování a rozvrhování. Podmínky pro zdroje. Typy zdrojů. Zdroje. časové vztahy. omezení kapacity zdrojů. Roman Barták, KTIML
12 Plánování a rozvrhování Roman Barták, KTIML roman.bartak@mff.cun.cz http://ktml.mff.cun.cz/~bartak Rozvrhování jako CSP Rozvrhovací problém je statcký, takže může být přímo zakódován jako CSP. Splňování
Vícepravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti.
3.1 Základy teorie pravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti. Co se dozvíte Náhodný pokus a náhodný jev. Pravděpodobnost, počítání s pravděpodobnostmi.
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE. 2013 Radka Luštincová
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE 2013 Radka Luštncová VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Název bakalářské práce: Aplkace řezných
VícePomocné texty pro přípravu ke státním zkouškám
Pomocné texty pro přípravu ke státním zkouškám Jndřch Klapka, Vítězslav Ševčík 1. března 2014 15 Lneární programování, smplexová metoda, způsoby převádění optmalsačního problému na kanoncký tvar (Zde e
VícePRAVDĚPODOBNOST A STATISTIKA. Testování hypotéz o rozdělení
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz o rozdělení Testování hypotéz o rozdělení Nechť X e náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládeme, že neznáme tvar distribuční funkce
VíceUrčeno studentům středního vzdělávání s maturitní zkouškou, 4. ročník, okruh Základy počtu pravděpodobnosti
PRAVDĚPODOBNOST anotace Určeno studentům středního vzdělávání s maturitní zkouškou, 4. ročník, okruh Základy počtu pravděpodobnosti VM vytvořil: Mgr. Marie Zapadlová Období vytvoření VM: září 2013 Klíčová
VíceSolventnost II. Standardní vzorec pro výpočet solventnostního kapitálového požadavku. Iva Justová
2. část Solventnost II Standardní vzorec pro výpočet solventnostního kaptálového požadavku Iva Justová Osnova Úvod Standardní vzorec Rzko selhání protstrany Závěr Vstupní údaje Vašíčkovo portfolo Alternatvní
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
Více13. cvičení z PSI ledna 2017
cvičení z PSI - 7 ledna 07 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Řešení:
VíceTestování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času
Testování hypotéz 1 Jednovýběrové testy 90/ odhad času V podmínkách naprostého odloučení má voák prokázat schopnost orientace v čase. Úkolem voáka e provést odhad časového intervalu 1 hodiny bez hodinek
VíceČísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)
. NÁHODNÁ VELIČINA Průvodce studem V předchozích kaptolách jste se seznáml s kombnatorkou a pravděpodobností jevů. Tyto znalost použjeme v této kaptole, zavedeme pojem náhodná velčna, funkce, které náhodnou
Více2012 LOGOS POLYTECHNIKOS
01 ROČNÍK 3 ČÍSLO 3 LOGOS POLYTECHNIKOS 1 Vážení čtenář, třetí číslo odborného časopsu LOGOS POLYTECHNIKOS, který vdává jako čtvrtletník Vsoká škola poltechncká Jhlava, je jž tradčně tematck zaměřeno na
VíceNáhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
VíceĚ ÁÁ Ú é é ý ů ý ů é ý ů é é ú Ž ý ů é ů é é Ě ÁÁ Ú é Ý ž ý ž ý ý ů ž ů ň é Ž ý Ž ů ý é é é é ý ž Í Ě ÁÁ Ú é é ň é Ž ý ž Ž Í ý é ý Í ů ý ý ý é ý é ý é ň Ž Ž Ě ÁÁ Ú é é ý Ý é é ý Ž Í Í é ž Í Ž Ě ÁÁ Ú é
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10
SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním
VíceRozhodnutí / Skutečnost platí neplatí Nezamítáme správně chyba 2. druhu Zamítáme chyba 1. druhu správně
Testování hypotéz Nechť,, je náhodný výběr z nějakého rozdělení s neznámými parametry. Máme dvě navzájem si odporující hypotézy o parametrech daného rozdělení: Nulová hypotéza parametry (případně jediný
Více9.12.2009. Metody analýzy rizika. Předběžné hodnocení rizika. Kontrolní seznam procesních rizik. Bezpečnostní posudek
9.2.29 Bezpečnost chemckých výrob N Petr Zámostný místnost: A-72a tel.: 4222 e-mal: petr.zamostny@vscht.cz Analýza rzka Vymezení pojmu rzko Metody analýzy rzka Prncp analýzy rzka Struktura rzka spojeného
VíceMatematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 000/00 Michal Marvan 3. Matice lineárního zobrazení V této přednášce budeme používat indexy dvoího druhu:
VíceB) EX = 0,5, C) EX = 1, F) nemáme dostatek informací.
Hlasovací otázka 9 Náhodná veličina X nabývá jen dvou různých hodnot, 0 a 1. Předpokládejme P(X = 0) = 0,5. Co můžeme říci o EX? Hlasovací otázka 9 Náhodná veličina X nabývá jen dvou různých hodnot, 0
VíceOperační výzkum. Teorie her. Řešení maticových her převodem na úlohu LP.
Operační výzkum Řešení maticových her převodem na úlohu LP. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu
VíceMann-Whitney U-test. Znaménkový test. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek
10. Neparametrické y Mann-Whitney U- Wilcoxonův Znaménkový Shrnutí statistických ů Typ srovnání Nulová hypotéza Parametrický Neparametrický 1 skupina dat vs. etalon Střední hodnota je rovna hodnotě etalonu.
VíceVYBRANÁ ROZDĚLENÍ DISKRÉTNÍ NÁHODNÉ VELIČINY
VYBRANÁ ROZDĚLENÍ DISKRÉTNÍ NÁHODNÉ VELIČINY Název NV X Popis Pravděpodobnostní funkce E(X) D(X) Binomická - Bi(n, ) počet úspěchů v n Bernoulliho pokusech P(X = k) = ( n k ) k (1 ) k n n(1 ) Hypergeometrická
VíceREGRESNÍ ANALÝZA. 13. cvičení
REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká
Více1 Analytická geometrie
1 Analytická geometrie 11 Přímky Necht A E 3 a v R 3 je nenulový Pak p = A + v = {X E 3 X = A + tv, t R}, je přímka procházející bodem A se směrovým vektorem v Rovnici X = A + tv, t R, říkáme bodová rovnice
VíceRozhodovací procesy 10
Rozhodovací procesy 10 Rozhodování za rizika a nejistoty Příprava předmětu byla podpořena projektem OPPA č. CZ.2.17/3.1.00/33253 X rozhodování 1 Rozhodování za rizika a nejistoty Cíl přednášky 10: Rozlišení
VíceMODEL IS-LM-BP.
MODEL IS-LM-BP OBECNÁ FAKTA Krátké období: Nedochází ke změně cenové hladny r= Nevyužté kapacty v ekonomce pod potencálním produktem Úroková míra endogenní nepadá z nebes je určována v modelu Otevřená
VíceROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b
Více5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}.
5. Náhodná veličina Poznámka: Pro popis náhodného pokusu jsme zavedli pojem jevového pole S jako množiny všech možných výsledků a pravděpodobnost náhodných jevů P jako míru výskytů jednotlivých výsledků.
VícePřednáška. Diskrétní náhodná proměnná. Charakteristiky DNP. Základní rozdělení DNP
IV Přednáška Diskrétní náhodná proměnná Charakteristiky DNP Základní rozdělení DNP Diskrétní náhodná veličina Funkce definovaná na Ω, přiřazující každému elementárnímu jevu E prvky X(E) D R kde D je posloupnost
VíceVOLBA HODNOTÍCÍCH KRITÉRIÍ VE VEŘEJNÝCH ZAKÁZKÁCH
VOLBA HODNOTÍCÍCH KRITÉRIÍ VE VEŘEJNÝCH ZAKÁZKÁCH THE CHOICE OF EVALUATION CRITERIA IN PUBLIC PROCUREMENT Martn Schmdt Masarykova unverzta, Ekonomcko-správní fakulta m.schmdt@emal.cz Abstrakt: Článek zkoumá
VíceFRAIT, J., ZEDNÍČEK, R. Makroekonomie. Ostrava: MC Prom, str
Lteratura: FRAIT, J., ZEDNÍČEK, R. Makroekonome. Ostrava: MC Prom, 1994. str. 17-27. DORNBUSCH, R., FISCHER, S. Makroekonome. Praha: SPN a Nadace Economcs,1994. ISBN 80-04-25 556-6. Kaptola 3. PAULÍK,
VíceRegresní a korelační analýza
Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností připomenutí, souvislosti
VíceLékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)
Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 14.10 až 15.40 hod. http://www1.osu.cz/~tvrdik
Více4. cvičení 4ST201. Pravděpodobnost. Obsah: Pravděpodobnost Náhodná veličina. Co je třeba znát z přednášek
cvičící 4. cvičení 4ST201 Obsah: Pravděpodobnost Náhodná veličina Vysoká škola ekonomická 1 Pravděpodobnost Co je třeba znát z přednášek 1. Náhodný jev, náhodný pokus 2. Jev nemožný, jev jistý 3. Klasická
VícePodmíněná pravděpodobnost, spolehlivost soustav
S1 odmíněná pravděpodobnost, spolehlvost soustav odmíněná pravděpodobnost, spolehlvost soustav Lbor Žák odmíněná pravděpodobnost Nechť,, 0, podmíněná pravděpodobnost evu vzhledem k evu : S akou pravděpodobností
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
VíceOptimalizace 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
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
VíceTepelná kapacita = T. Ē = 1 2 hν + hν. 1 = 1 e x. ln dx. Einsteinův výpočet (1907): Soustava N nezávislých oscilátorů se stejnou vlastní frekvencí má
Tepelná kapacta C x = C V = ( ) dq ( ) du Dulong-Pettovo pravdlo: U = 3kT N C V = 3kN x V = T ( ) ds x Tepelná kapacta mřížky Osclátor s kvantovanou energí E n = ( n + 2) hν má střední hodnotu energe (po
VíceAproximace binomického rozdělení normálním
Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Příklad Sybilla a Kassandra tvrdí, že mají telepatické schopnosti, a chtějí to dokázat následujícím pokusem: V jedné
VíceUrčete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
Více