Simulační modely. Kdy použít simulaci?

Rozměr: px
Začít zobrazení ze stránky:

Download "Simulační modely. Kdy použít simulaci?"

Transkript

1 Simulační modely Simulace z lat. Simulare (napodobení). Princip simulace spočívá v sestavení modelu reálného systému a provádění opakovaných experimentů s tímto modelem. Simulaci je nutno považovat za deskriptivní nástroj, protože hledá iteračním postupem vyhovující řešení, které nemusí být automaticky optimem. Kdy použít simulaci? problém je značně komplexní s mnoha proměnnými a interagujícími prvky, základ modelu tvoří proměnné a vztahy, které jsou nelineární, model obsahuje náhodné proměnné, řešení standardními nástroji je finančně a časově velmi náročné. 1

2 Metodologie simulace 1. Definování problému 2. Sestavení simulačního modelu 3. Zkoušení a verifikace modelu 4. Návrh experimentu (přesnost, náklady) 5. Provádění experimentu 6. Vyhodnocení výsledků 7. Realizace Typy simulací pravděpodobnostní simulace, simulace systémové dynamiky. 2

3 Pravděpodobnostní simulace Používá se pro studium a řešení komplexních dynamických problémů, kdy jedna nebo několik proměnných mají pravděpodobnostní charakter. Výsledkem simulace je statistický odhad sledovaných parametrů, jejichž přesnost roste s počtem opakovaných pokusů. Pravděpodobnostní simulace se provádí pomocí metody Monte Carlo. Simulace systémové dynamiky Umožňuje provádět složité simulace celých ekonomických systémů (podniků, národních ekonomik). Systém množina prvků a vazeb mezi nimi, které se vztahují na určitý objekt. Tento typ simulace je založen na koncepci, že komplexní systémy jsou obvykle složeny z řetězců příčin a důsledků, přičemž některé vazby mají zpětný charakter (vstup závislý na výstupu). 3

4 Metoda Monte Carlo Používá se pro simulaci systémů, ve kterých se vyskytují náhodné veličiny (např. poptávka zákazníků, poruchovost zařízení). Při napodobování náhodné veličiny se vychází ze znalosti rozdělení pravděpodobnosti náhodné veličiny, stanovené nejč. pozorováním náhodné veličiny v minulosti. Cíl metody Monte Carlo Vytvořit takovou posloupnost hodnot náhodné veličiny, která odpovídá danému rozdělení pravděpodobnosti. Náhodná veličina je pak simulována v souladu s tímto rozdělením. K tvorbě posloupnosti hodnot náhodné veličiny se využívají tzv. náhodná čísla. 4

5 Náhodná čísla Čísla vybíraná náhodně ze souboru čísel s rovnoměrným rozdělením. Každé číslo souboru má stejnou pravděpodobnost, že bude vybráno. Zdroj čísel: ruleta ( Monte Carlo ), tabulky náhodných čísel, generátory pseudonáhodných čísel na PC. Tabulka náhodných čísel: sekvenci náhodných čísel lze volit v kterémkoliv směru, do tabulky lze vstoupit v libovolném místě, lze použít libovolný počet cifer

6 Tvorba posloupnosti náhodné veličiny 1. Sestavení kumulativního rozdělení pravděpodobnosti a stanovení rozmezí náhodných čísel 2. Generování náhodných čísel a hodnot náhodné veličiny Stanovení kumulativního rozdělení pravděpodobnosti a stanovení rozmezí náhodných čísel Poptávka (ks) Pravděpodob. výskytu Kumulativní pravděpodob. Rozmezí náhodných čísel 300 0,6 0, ,287 0, ,194 0, ,195 0, ,8 1,

7 7 Generování náhodných čísel a hodnot náhodné veličiny Simulovaná poptávka (ks) Náhodné číslo

8 Praktická aplikace metody Monte Carlo Definování problému: Obchodní firma odebírá každý den z výroby zboží pro okamžitou spotřebu. Poptávka po tomto zboží kolísá. Zboží neprodané v daný den je neprodejné a má nulovou hodnotu. Pro obchod představuje ztrátu. Ke ztrátě tržeb dochází i tehdy, když firma odebere z výroby menší množství výrobků, než kolik činí poptávka. Firma proto hledá vhodnou taktiku objednávání zboží u výrobce, která by ztráty minimalizovala a maximalizovala zisk. Použité veličiny x y p c n c p R 1 R 2 Z d denní objednané množství (ks), denní poptávka (ks), denní prodané množství (ks), nákupní cena za jednotku množství (4 Kč/ks), prodejní cena za jednotku množství (5 Kč /ks), ztráta v důsledku nízké objednávky, ztráta vlivem neprodaného zboží, denní zisk. 8

9 Začátek Volba x Generování náhodného čísla Stanovení y Je y > x? A Ztráta z nízké objednávky R 1 =(y x)*(c p c n ) Prod. množství p = x N Je y < x? A Ztráta z neprod. zboží R 2 =(x y)*c n Prod. množství p = y N Prod. množství p = x = y Z d = p * c p x * c n Další běh? N Konec A Návrh experimentu Předpokládejme zvážení následujících čtyř variant denního objednávání zboží u výrobce: a) ks, b) ks, c) ks, d) 18 ks. 9

10 Stanovení rozmezí náhodných čísel Poptávka (ks) Pravděpodob. výskytu Kumulativní pravděpodob. Rozmezí náhodných čísel 0,09 0, , 0, ,34 0, ,23 0, ,09 0, ,08 1, Provádění simulace Ke generování posloupnosti hodnot poptávky použijeme první sloupec tabulky náhodných čísel. Jako příklad uvedeme simulaci 30 denního období pro případ objednávání ks/den. Výsledky nejsou zcela reprezentativní. Platí, že čím větší množství cyklů provedeme, tím bude přesnost výsledků větší. 10

11 ,00 50, , , , , , , , , , , , , , Z d p R 2 R 1 y NČ x den d Z pokračování

12 den x NČ y R 1 R 2 P Z d Zd 58, , , , , , , , , , , , , , ,00 součet průměr,4 0,8 1,6,6 - Vývoj průměrného denního zisku,50,00 průměrný zisk (Kč/den),50,00,50,00 14,50 14,00 13, počet cyklů (dny) 12

13 Hodnocení výsledků Třicetidenní simulací varianty c) jsme dospěli k těmto výsledkům: průměrný denní zisk: Kč průměrné denní ztráty vůči ideálnímu stavu: 2,40 Kč průměrná denní výše poptávky:,4 ks průměrná denní výše prodeje:,6 ks pravděpodobnost nedostatečné objednávky: 12/30 = 0,40 pravděpodobnost neprodání zboží: 7/30 = 0,23 Porovnání výsledků jednotlivých variant x R1 2 R R1 R2 Zd 2,40 0,00 2,40,00 1,57 0,67 2,24, 0,80 1,60 2,40, ,40 4,40 4,40 13,00 13

14 Srovnání s analytickým řešením statický model s pohybem zásob úplně pravděpodobnostně determinovaným c p cz c 0,09 0,20 0,26 x z opt. 1 0, ks 20 Nc () cp( y)p(y) cz (y )p(y) y y Nc () 4*(1*0,09 0* 0,) 1*(1*0,34 2*0,23 3* 0,09 4* 0,08) 1,75 Kč Počítačová podpora simulačních experimentů Existují 3 základní možnosti, jak provádět experimentování na modelu prostřednictvím počítače: klasický programovací nebo speciální simulační jazyk, tabulkový kalkulátor, speciální simulační software. 14

15 Vizualizace řešení Grafické zobrazení počítačových výsledků různých manažerských rozhodnutí s možností zkoumání alternativních strategií. Generování pseudonáhodných čísel v prostředí MS Excel pomocí funkcí NÁHČÍSLO, RANDBETWEEN 1) Generování PNČ z intervalu 0, 1) podskupina matematické funkce Syntaxe: =NÁHČÍSLO() 2) Generování PNČ z intervalu 0, b) Syntaxe: =NÁHČÍSLO()*b 3) Generování PNČ z intervalu a, b) Syntaxe: =NÁHČÍSLO()*(b-a)+a 4) Generování celých PNČ z intervalu a, b) podskupina matematická analýza Syntaxe: =RANDBETWEEN(a, b)

16 Generování pseudonáhodných čísel v prostředí MS Excel pomocí nástroje generátor pseudonáhodných čísel Nástroje Analýza dat Tento nástroj umožňuje vytvářet posloupnost hodnot náhodné veličiny pro požadované rozdělení pravděpodobnosti (rovnoměrné, normální, Bernoulliho, binomické, Poissonovo, ad.). Generování PNČ pomocí tohoto nástroje je jednorázové a při přepočtu listu se nemění. Generátor pseudonáhodných čísel počet sloupců výstupní tabulky počet řádků výstupní tabulky typ rozdělení pravděpodobnosti hodnota, od níž se budou generovat PNČ

17 Speciální simulační software SIMPLE++ (AESOP Corp.) WITNESS (Lanner Group) POWERSIM Studio 2000 (Powersim) DOMISIS-3 (SDZ) ITHINK (High Performance Systems)

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) = Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní

Více

Vybraná rozdělení náhodné veličiny

Vybraná rozdělení náhodné veličiny 3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.

Více

7. Rozdělení pravděpodobnosti ve statistice

7. Rozdělení pravděpodobnosti ve statistice 7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,

Více

IMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně

IMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně IMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně Simulátor označujeme jako kredibilní v případě, že: byla úspěšně završena fáze verifikace simulátoru se podařilo přesvědčit zadavatele simulačního

Více

Model pro simulaci staví na výpočtu hrubého domácího produktu výdajovou metodou:

Model pro simulaci staví na výpočtu hrubého domácího produktu výdajovou metodou: Model vývoje HDP ČR Definice problému Očekávaný vývoj hrubého domácího produktu jakožto základní makroekonomické veličiny ovlivňuje chování tržních subjektů, které v důsledku očekávání modulují své chování

Více

Modelování a simulace Lukáš Otte

Modelování a simulace Lukáš Otte Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast

Více

Aplikace při posuzování inv. projektů

Aplikace při posuzování inv. projektů Aplikace při posuzování inv. projektů Pokročilé metody investiční analýzy Výpočet bodu zvratu Citlivostní analýza Analýzy scénářů Statistické simulace Reálné opce Analýza stochastických procesů Příklad

Více

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN? NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU

Více

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel: NÁHODNÁ ČÍSLA TYPY GENERÁTORŮ, LINEÁRNÍ KONGRUENČNÍ GENERÁTORY, TESTY NÁHODNOSTI, VYUŽITÍ HODNOT NÁHODNÝCH VELIČIN V SIMULACI CO JE TO NÁHODNÉ ČÍSLO? Náhodné číslo definujeme jako nezávislé hodnoty z rovnoměrného

Více

1 Analytické metody durace a konvexita aktiva (dluhopisu) $)*

1 Analytické metody durace a konvexita aktiva (dluhopisu) $)* Modely analýzy a syntézy plánů MAF/KIV) Přednáška 10 itlivostní analýza 1 Analytické metody durace a konvexita aktiva dluhopisu) Budeme uvažovat následující tvar cenové rovnice =, 1) kde jsou současná

Více

Náhodná veličina a rozdělení pravděpodobnosti

Náhodná 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

Více

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY 4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY Průvodce studiem V této kapitole se seznámíte se základními typy rozložení diskrétní náhodné veličiny. Vašim úkolem by neměla být

Více

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI Josef Křepela, Jiří Michálek OSSM při ČSJ Červen 009 Hodnocení způsobilosti atributivních znaků jakosti (počet neshodných jednotek) Nechť p je pravděpodobnost

Více

Ekonomické modelování pro podnikatelskou praxi

Ekonomické modelování pro podnikatelskou praxi pro podnikatelskou praxi Ing. Jan Vlachý, Ph.D. vlachy@atlas.cz Dlouhý, M. a kol. Simulace podnikových procesů Vlachý, J. Řízení finančních rizik Scholleová, H. Hodnota flexibility: Reálné opce Sylabus

Více

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

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

Více

Logistika. Souhrnné analýzy. Radek Havlík tel.: URL: listopad 2012 CO ZA KOLIK PROČ KDE

Logistika. Souhrnné analýzy. Radek Havlík tel.: URL:  listopad 2012 CO ZA KOLIK PROČ KDE Logistika Souhrnné analýzy listopad 2012 KDE PROČ KDY CO ZA KOLIK JAK KDO Radek Havlík tel.: 48 535 3366 e-mail: radek.havlik@tul.cz URL: http:\\www.kvs.tul.cz Paretova, ABC a XYZ analýzy Obsah Paretova

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

ROZDĚLENÍ NÁHODNÝCH VELIČIN

ROZDĚLENÍ NÁHODNÝCH VELIČIN ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)

Více

Simulace. Simulace dat. Parametry

Simulace. Simulace dat. Parametry Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,

Více

PARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ

PARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ PARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ Ing. David KUDLÁČEK, Katedra stavební mechaniky, Fakulta stavební, VŠB TUO, Ludvíka Podéště 1875, 708 33 Ostrava Poruba, tel.: 59

Více

Téma 4: Stratifikované a pokročilé simulační metody

Téma 4: Stratifikované a pokročilé simulační metody 0.007 0.006 0.005 0.004 0.003 0.002 0.001 Dlouhodobé nahodilé Std Distribution: Gumbel Min. EV I Mean Requested: 140 Obtained: 141 Std Requested: 75.5 Obtained: 73.2-100 0 100 200 300 Mean Std Téma 4:

Více

Pojem a úkoly statistiky

Pojem a úkoly statistiky Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby

Více

Návrh a vyhodnocení experimentu

Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentů v procesech vývoje a řízení kvality vozidel Ing. Bohumil Kovář, Ph.D. FD ČVUT Ústav aplikované matematiky kovar@utia.cas.cz Mladá Boleslav

Více

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN

ROZDĚLENÍ 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

Více

TECHNICKÁ UNIVERZITA V LIBERCI

TECHNICKÁ UNIVERZITA V LIBERCI TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl

Více

ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ

ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ 18.11.2012 Radim Tvardek, Petr Bulava, Daniel Mašek U&SLUNO a.s. I Sadová 28 I 702 00 Ostrava I Czech Republic PŘEDPOKLADY PRO ANALÝZU NÁKUPNÍHO KOŠÍKU 18.11.2012 Daniel

Více

Národní informační středisko pro podporu kvality

Národní informační středisko pro podporu kvality Národní informační středisko pro podporu kvality Využití metody bootstrapping při analýze dat II.část Doc. Ing. Olga TŮMOVÁ, CSc. Obsah Klasické procedury a statistické SW - metody výpočtů konfidenčních

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza

Více

PRŮZKUM VÝŽIVY LESA NA ÚZEMÍ ČESKÉ REPUBLIKY

PRŮZKUM VÝŽIVY LESA NA ÚZEMÍ ČESKÉ REPUBLIKY PRŮZKUM VÝŽIVY LESA NA ÚZEMÍ ČESKÉ REPUBLIKY Aplikované metodické postupy Tomáš Samek počet odběrných míst/vzorků volba odběrných míst pokyny k odběru vzorků, jejich označování a skladování předávání

Více

Vstup a úkoly pro 4. kapitolu LOGISTIKA V ZÁSOBOVÁNÍ. MODELY ZÁSOB. Smysl zásob

Vstup a úkoly pro 4. kapitolu LOGISTIKA V ZÁSOBOVÁNÍ. MODELY ZÁSOB. Smysl zásob Vstup a úkoly pro 4. kapitolu LOGISTIKA V ZÁSOBOVÁNÍ. MODELY ZÁSOB. Smysl zásob Smyslem zásob je zajistit bezporuchový a plynulý výdej skladovaných položek do spotřeby. Jejich výše je ovlivněna požadavkem

Více

Monte Carlo. Simulační metoda založená na užití stochastických procesů a generace náhodných čísel.

Monte Carlo. Simulační metoda založená na užití stochastických procesů a generace náhodných čísel. Monte Carlo Simulační metoda založená na užití stochastických procesů a generace náhodných čísel. Typy MC simulací a) MC integrace b) Geometrické MC c) Termodynamické MC d) Modelování vývoje na strukturální

Více

Téma 3: Metoda Monte Carlo

Téma 3: Metoda Monte Carlo y Náhodná proměnná D Téma 3: Metoda Monte Carlo Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia 1,0 1,00 0,80 0,60 0,40 0,0 0,00 0,00 0,0 0,40 0,60 0,80 1,00

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza

Více

Stavebnictví NÁKLADY, CENA A OBJEM PRODUKCE

Stavebnictví NÁKLADY, CENA A OBJEM PRODUKCE Nákladové funkce Cílem managementu podniku je většinou minimalizace celkových nákladů vynaložených na výrobní a jinou činnost podniku. Pro analýzu činitelů, které toto mohou ovlivňovat, se v manažerské

Více

Optimalizace prodeje prošlého zboží

Optimalizace prodeje prošlého zboží Západočeská univerzita v Plzni Plán prezentace Seznámení se s problematikou a popis matematického modelu Analytické vyjádření zisku v jednotlivých případech, kromě posledního Stochastický model posledního

Více

Metoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu

Metoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu Metoda Monte Carlo a její aplikace v problematice oceňování technologií Manuál k programu This software was created under the state subsidy of the Czech Republic within the research and development project

Více

Jarqueův a Beryho test normality (Jarque-Bera Test, JB test)

Jarqueův a Beryho test normality (Jarque-Bera Test, JB test) Jarqueův a Beryho test normality (Jarque-Bera Test, JB test) Autoři: Carlos M. Jarque and Anil K. Bera Předpoklady: - Výběrová data mohou obsahovat chybějící pozorování (chybějící hodnoty) vhodné zejména

Více

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,

Více

Limitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Limitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností

Více

Význam ekonomického modelování

Význam ekonomického modelování Základy ekonomického modelování Ing. Jan Vlachý, Ph.D. vlachy@atlas.cz Dlouhý, M. a kol. Simulace podnikových procesů Hnilica, J., Fotr, J. Aplikovaná analýza rizika Scholleová, H. Hodnota flexibility:

Více

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor Management jakosti Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2009/2010 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.

Více

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy Ekonometrická analýza proces, skládající se z následujících fází: a) specifikace b) kvantifikace c) verifikace d) aplikace Postupné zpřesňování jednotlivých

Více

Teorie zásob. Kvantifikace zásob. V zásobách je vázáno v průměru 20 % kapitálu (u výrobních podniků) až 50 % kapitálu (u obchodních podniků).

Teorie zásob. Kvantifikace zásob. V zásobách je vázáno v průměru 20 % kapitálu (u výrobních podniků) až 50 % kapitálu (u obchodních podniků). Teorie zásob Souhrn matematických metod používaných k modelování a optimalizaci procesů hromadění různých položek k zabezpečení plynulého chodu zásobovaných složek. Kvantifikace zásob V zásobách je vázáno

Více

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor Management jakosti Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2013/2014 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.

Více

Regresní analýza 1. Regresní analýza

Regresní analýza 1. Regresní analýza Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému

Více

UČENÍ BEZ UČITELE. Václav Hlaváč

UČENÍ BEZ UČITELE. Václav Hlaváč UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení

Více

Testování hypotéz o parametrech regresního modelu

Testování hypotéz o parametrech regresního modelu Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,

Více

Statistická teorie učení

Statistická teorie učení Statistická teorie učení Petr Havel Marek Myslivec přednáška z 9. týdne 1 Úvod Představme si situaci výrobce a zákazníka, který si u výrobce objednal algoritmus rozpoznávání. Zákazník dodal experimentální

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická

Více

KGG/STG Statistika pro geografy

KGG/STG Statistika pro geografy KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení

Více

Určeno studentům středního vzdělávání s maturitní zkouškou, předmět: Marketing a management, téma: Marketingový výzkum

Určeno studentům středního vzdělávání s maturitní zkouškou, předmět: Marketing a management, téma: Marketingový výzkum Určeno studentům středního vzdělávání s maturitní zkouškou, předmět: Marketing a management, téma: Marketingový výzkum Pracovní list vytvořila: Mgr. Radka Drobná Období vytvoření VM: duben 2012 Klíčová

Více

Pravděpodobnost, náhoda, kostky

Pravděpodobnost, náhoda, kostky Pravděpodobnost, náhoda, kostky Radek Pelánek IV122, jaro 2015 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností krátké

Více

Jednofaktorová analýza rozptylu

Jednofaktorová analýza rozptylu I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých

Více

Úvod do managementu rizik ve smyslu směrnice 2004/49/ES a nařízení č. 352/2009

Úvod do managementu rizik ve smyslu směrnice 2004/49/ES a nařízení č. 352/2009 Úvod do managementu rizik ve smyslu směrnice 2004/49/ES a nařízení č. 352/2009 Ing. Miroslav Šídlo 13.6.2011 Agenda Úvod do problematiky Způsob řízení rizika, optimalizace Proces řízení rizika Vymezení

Více

VYUŽITÍ SIMULACE PŘI MODELOVÁNÍ PROVOZU NA SVÁŽNÉM PAHRBKU SEŘAĎOVACÍ STANICE

VYUŽITÍ SIMULACE PŘI MODELOVÁNÍ PROVOZU NA SVÁŽNÉM PAHRBKU SEŘAĎOVACÍ STANICE VYUŽITÍ SIMULACE PŘI MODELOVÁNÍ PROVOZU NA SVÁŽNÉM PAHRBKU SEŘAĎOVACÍ STANICE 1 Úvod Michal Dorda, Dušan Teichmann VŠB - TU Ostrava, Fakulta strojní, Institut dopravy Seřaďovací stanice jsou železniční

Více

Allegro obchodní doklady

Allegro obchodní doklady Allegro obchodní doklady Modul obchodních dokladů nabízí vše, co je zapotřebí pro obchodování menších a středních firem. K dispozici je evidence nákupu a objednávek materiálu, systém pokrývá celý prodejní

Více

Náhodná veličina X má Poissonovo rozdělení se střední hodnotou lambda. Poissonovo rozdělení je definováno jako. P(X=k) = 0,036

Náhodná veličina X má Poissonovo rozdělení se střední hodnotou lambda. Poissonovo rozdělení je definováno jako. P(X=k) = 0,036 Příklad : Statistika A, doc. Kropáč, str. 6, příklad 2 K benzínovému čerpadlu přijíždí průměrně 4 aut za hodinu. Určete pravděpodobnost, že během pěti minut přijede nejvýše jedno auto. Pokus: Zjištění,

Více

Testování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času

Testování 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

Více

Inženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.

Inženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti. Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je

Více

Statické modely zásob Nazývají se také modely s jedním cyklem. Pořízení potřebných zásob se realizuje jedinou dodávkou.

Statické modely zásob Nazývají se také modely s jedním cyklem. Pořízení potřebných zásob se realizuje jedinou dodávkou. Statiké modely zásob Nazývají se také modely s jedním yklem. Pořízení potřebnýh zásob se realizuje jedinou dodávkou. Náklady na pořízení zásob jsou finí a nemohou ovlivňovat rozhodovaí strategii. Statiký

Více

Jak používat statistiky položkové v systému WinShop Std.

Jak používat statistiky položkové v systému WinShop Std. Jak používat statistiky položkové v systému WinShop Std. Systém WinShop Std. využívá k zápisům jednotlivých realizovaných pohybů (příjem zboží, dodací listy, výdejky, převodky, prodej zboží na pokladně..)

Více

ODBYT (marketing) Odbyt a marketing. Prodej zboží a služeb. Obchodní plán Marketingové techniky Organizace marketingu v podniku

ODBYT (marketing) Odbyt a marketing. Prodej zboží a služeb. Obchodní plán Marketingové techniky Organizace marketingu v podniku ODBYT (marketing) Odbyt a marketing. Prodej zboží a služeb. Obchodní plán Marketingové techniky Organizace marketingu v podniku Odbyt a marketing. Prodej zboží a služeb Odbyt = završení podnikového reprodukčního

Více

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D. Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která

Více

Příklad 1. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 11

Příklad 1. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 11 Příklad 1 Vyhláška Ministerstva zdravotnictví předpokládala, že doba dojezdu k pacientovi od nahlášení požadavku nepřekročí 17 minut. Hodnoty deseti náhodně vybraných dob příjezdu sanitky k nemocnému byly:

Více

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

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

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza

Více

Výpočet pravděpodobností

Výpočet pravděpodobností Výpočet pravděpodobností Pravděpodobnostní kalkulátor v programu STATISTICA Cvičení 5 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen 2016 Ambrožová Klára Trocha teorie Náhodné jevy mají

Více

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012 Tutoriál č. 4: Exploratorní analýza Jan Kracík jan.kracik@vsb.cz Statistika věda o získávání znalostí z empirických dat empirická

Více

ZÁKLADNÍ NÁSTROJE ŘÍZENÍ JAKOSTI

ZÁKLADNÍ NÁSTROJE ŘÍZENÍ JAKOSTI ZÁKLADNÍ NÁSTROJE ŘÍZENÍ JAKOSTI SPŠ na Proseku 4-1 Ing. A. Styblíková, Ing. L. Procházka - pevně stanovený soubor grafických technik napomáhajících při řešení problémů s kvalitou - jedná se o 7 nástrojů

Více

Vícekanálové čekací systémy

Vícekanálové čekací systémy Vícekanálové čekací systémy Stanice obsluhy sestává z několika kanálů obsluhy, pracujících paralelně a navzájem nezávisle. Vstupy i výstupy systému mají poissonovský charakter. Jednotky vstupující do systému

Více

Téma 22. Ondřej Nývlt

Téma 22. Ondřej Nývlt Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené

Více

Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice

Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u

Více

KE STATISTICKÉ DEFINICI DOMÁCNOSTI Jaromír Běláček

KE STATISTICKÉ DEFINICI DOMÁCNOSTI Jaromír Běláček KE STATISTICKÉ DEFINICI DOMÁCNOSTI Jaromír Běláček (9.SLOVENSKÁ DEMOGRAFICKÁ KONFERENCIA RODINA, 17.-19.9.2003, Tajov pro Banskej Bystrici) 1 ÚVOD Při úlohách vztažených k analýze a prezentaci výsledků

Více

Statistika. Klíčové kompetence V rámci výuky statistiky jsou naplňovány tyto klíčové kompetence: řešení problémů, komunikativní,

Statistika. Klíčové kompetence V rámci výuky statistiky jsou naplňovány tyto klíčové kompetence: řešení problémů, komunikativní, Dodatek č. 5. Školního vzdělávacího programu Obchodní akademie Lysá nad Labem, obor 63-41-M/02 Obchodní akademie, platného od 1. 9. 2012 - platnost od 1. 9. 2015 Statistika je povinný předmět pro 2. ročník,

Více

DOE (Design of Experiments)

DOE (Design of Experiments) DOE - DOE () DOE je experimentální strategie, při které najednou studujeme účinky několika faktorů, prostřednictvím jejich testování na různých úrovních. Charakteristika jakosti,y je veličina, pomocí které

Více

Význam ekonomického modelování

Význam ekonomického modelování Základy ekonomického modelování Ing. Jan Vlachý, Ph.D. vlachy@atlas.cz Dlouhý, M. a kol. Simulace podnikových procesů Hnilica, J., Fotr, J. Aplikovaná analýza rizika Scholleová, H. Hodnota flexibility:

Více

Farmakoekonomika pro praxi: Analýza senzitivity

Farmakoekonomika pro praxi: Analýza senzitivity Farmakoekonomika pro praxi: Analýza senzitivity MUDr. Michal Prokeš INFOPHARM a.s. www.drugagency.cz Farmakoekonomie vždy porovnává náklady a přínosy léčebné intervence Náklady na zdravotní péči: Výsledky

Více

Využití teorie her při řešení konfliktních situací JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH

Využití teorie her při řešení konfliktních situací JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH Ekonomická fakulta Katedra aplikované matematiky a informatiky Studijní program: Studijní obor: 6208 B Ekonomika a management Účetnictví a finanční řízení podniku

Více

Výpočet nejistot metodou Monte carlo

Výpočet nejistot metodou Monte carlo Výpočet nejistot metodou Monte carlo Mgr. Martin Šíra, Ph.D. (ČMI, Brno) červen 2012 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem České republiky. p. 1 Výpočty nejistot

Více

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu

Více

43A111 Návrh řízení podvozku vozidla pomocí lineárního elektrického pohonu.

43A111 Návrh řízení podvozku vozidla pomocí lineárního elektrického pohonu. 43A111 Návrh řízení podvozku vozidla pomocí lineárního elektrického pohonu. Popis aktivity Návrh a realizace řídicích algoritmů pro lineární elektrický motor použitý jako poloaktivní aktuátor tlumení pérování

Více

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y 9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud

Více

Teorie měření a regulace

Teorie měření a regulace Ústav technologie, mechanizace a řízení staveb CW01 Teorie měření a regulace Praxe názvy 1. ZS 2015/2016 2015 - Ing. Václav Rada, CSc. OBECNÝ ÚVOD - praxe Elektrotechnická měření mohou probíhat pouze při

Více

Infor APS (Scheduling) Tomáš Hanáček

Infor APS (Scheduling) Tomáš Hanáček Infor APS (Scheduling) Tomáš Hanáček Klasické plánovací metody a jejich omezení MRP, MRPII, CRP Rychlost Delší plánovací cyklus Omezená reakce na změny Omezené možnosti simulace Funkčnost Nedokonalé zohlednění

Více

Řízení procesů zkušenosti v ČR

Řízení procesů zkušenosti v ČR Řízení procesů zkušenosti v ČR V Praze dne 16.4.2013 Done, s.r.o. Done, s.r.o. Na Krčské stráni 1434/30 140 00 Praha 4 Tel.: Fax: E-mail: +420 222 362 551 +420 222 362 594 vkopriva@done.cz Obsah 1. Procesy

Více

řešeny numericky 6 Obyčejné diferenciální rovnice řešeny numericky

řešeny numericky 6 Obyčejné diferenciální rovnice řešeny numericky řešeny numericky řešeny numericky Břetislav Fajmon, UMAT FEKT, VUT Brno Na minulé přednášce jsme viděli některé klasické metody a přístupy pro řešení diferenciálních rovnic: stručně řečeno, rovnice obsahující

Více

POČÍTAČOVÁ SIMULACE PODNIKOVÝCH PROCESŮ. Ing. V. Glombíková, PhD.

POČÍTAČOVÁ SIMULACE PODNIKOVÝCH PROCESŮ. Ing. V. Glombíková, PhD. POČÍTAČOVÁ SIMULACE PODNIKOVÝCH PROCESŮ Ing. V. Glombíková, PhD. SIMULACE nástroj pro studium chování objektů reálného světa SYSTÉM určitým způsobem uspořádána množina komponent a relací mezi nimi. zjednodušený,

Více

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině

Více

CENTRUM VZDĚLÁVÁNÍ PEDAGOGŮ ODBORNÝCH ŠKOL

CENTRUM VZDĚLÁVÁNÍ PEDAGOGŮ ODBORNÝCH ŠKOL Projekt: CENTRUM VZDĚLÁVÁNÍ PEDAGOGŮ ODBORNÝCH ŠKOL Kurz: Stavba a provoz strojů v praxi 1 OBSAH 1. Úvod Co je CNC obráběcí stroj. 3 2. Vlivy na vývoj CNC obráběcích strojů. 3 3. Směry vývoje CNC obráběcích

Více

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

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

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základ ekonometrie Odhad klasického lineárního regresního modelu I Cvičení 2 Zuzana Dlouhá Metodologický postup tvor EM 1. Specifikace modelu určení proměnných určení vzájemných vaze mezi proměnnými

Více

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}. VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:

Více

Vzorce. StatSoft. Vzorce. Kde všude se dá zadat vzorec

Vzorce. StatSoft. Vzorce. Kde všude se dá zadat vzorec StatSoft Vzorce Jistě se Vám již stalo, že data, která máte přímo k dispozici, sama o sobě nestačí potřebujete je nějak upravit, vypočítat z nich nějaké další proměnné, provést nějaké transformace, Jinak

Více

Cvičení ze statistiky - 5. Filip Děchtěrenko

Cvičení ze statistiky - 5. Filip Děchtěrenko Cvičení ze statistiky - 5 Filip Děchtěrenko Minule bylo.. Začali jsme pravděpodobnost Klasická a statistická definice pravděpodobnosti Náhodný jev Doplněk, průnik, sjednocení Podmíněná pravděpodobnost

Více

10. Předpovídání - aplikace regresní úlohy

10. Předpovídání - aplikace regresní úlohy 10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu

Více

Úkol 1: Obchodní rozpětí

Úkol 1: Obchodní rozpětí Obchodní rozpětí Úkol 1: Obchodní rozpětí obchodní rozpětí = rozdíl mezi prodejní a nákupní cenou U kterých z následujících produktů je obvykle obchodní rozpětí v maloobchodě relativně nízké a u kterých

Více

Vstupní požadavky, doporučení a metodické pokyny

Vstupní požadavky, doporučení a metodické pokyny Název modulu: Základy PHP Označení: C9 Stručná charakteristika modulu Modul je orientován na tvorbu dynamických stánek aktualizovaných podle kontextu volání. Jazyk PHP umožňuje velmi jednoduchým způsobem

Více

31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě

31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě 31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě Motto Statistika nuda je, má však cenné údaje. strana 3 Statistické charakteristiky Charakteristiky polohy jsou kolem ní seskupeny ostatní hodnoty

Více

Markovské metody pro modelování pravděpodobnosti

Markovské metody pro modelování pravděpodobnosti Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou

Více