5 Informace o aspiračních úrovních kritérií
|
|
- Tadeáš Dušek
- před 8 lety
- Počet zobrazení:
Transkript
1 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. Existují tři základní metody jak se znalostmi aspiračních úrovní pracovat konjunktivní metoda, disjunktivní metoda a metoda PRIAM. 5. Konjunktivní metoda Pro každé maximalizační kritérium je stanovena minimální hodnota, které musí varianta dosáhnout. Termín konjunktivní znamená, že varianta je akceptovatelná tehdy, když splňuje zadané aspirační úrovně yj pro všechna kritéria, tzn. varianta a i je akceptovatelná, pokud y ij yj pro všechna j =,..., k. Pro nízká yj bude množina akceptovatelných variant obrovská, pro příliš vysoká yj bude naopak množina akceptovatelných variant prázdná. Počet akceptovatelných variant (lépe řečeno poměr akceptovatelných variant) lze snadno ovlivňovat pomocí aspirační úrovně kritérií. Předpokládejme, že máme k vzájemně nezávislých a stejně důležitých kritérií. Označme r podíl neakceptovatelných variant (kolik procent má z výběru vypadnout). Symbolem q označme pravděpodobnost, že varianta je podle jednoho (libovolného neboť jsou všechna stejně důležitá) kritéria akceptovatelná. Potom pravděpodobnost, že varianta je akceptovatelná podle všech k kritérií je rovna q q... q = q k (pravděpodobnost, že nastanou současně dva nezávislé jevy, je rovna součinu jejich pravděpodobností). Podle zákonů pravděpodobnosti varianta není (podle všech kritérií) akceptovatelná s prvděpodobností q k. A tato pravděpodobnost musí být rovna podílu neakceptovatelných variant r.
2 Platí tedy r = q k, odtud snadno určíme, že q = k r. Ukažme si praktické využití této metody na příkladu s Upírem. Upír konjunktivní metoda Předpokládejme, že hodnotíme potenciální oběti podle 9 kritérií, která jsme si představili v předchozích cvičeních. Předpokládejme nyní, že všech devět kritérií má stejnou váhu. Rozsáhlý seznam obsahuje 50 možných obětí a my potřebujeme výběr zúžit pouze na 0 z nich. Jak bychom měli nastavit aspirační úrovně kritérií? Počet kritérií je tedy k = 9. Dále zvažovat chceme 0 obětí z 50, 40 jich tedy potřebujeme vyloučit a poměr neakceptovatelných obětí tedy bude r = = 4 5 = 0.8. Pravděpodobnost, že oběť bude akceptována podle jednoho kritéria bude tedy podle odvozeného vztahu q = k r = 9 4 = 9 = Je tedy potřeba zvolit aspirační úroveň pro každé kritérium tak, aby 84% variant bylo podle daného kritéria akceptováno. Co by se stalo, kdybychom rozhodovali jen na základě 5 kritérií? k = 5. r = = 4 5 = 0.8. q = k r = = 5 5 = Pro 5 kritérií je potřeba zvolit aspirační úroveň pro každé kritérium tak, aby 72,5% variant bylo podle daného kritéria akceptováno. A jak bychom nastavili úrovně, kdybychom používali jen 3 kritéria, ale byli ochotni dále uvažovat o 5 lidech z 50? k = 3. r = = 7 0 = 0.7. q = k r = 3 7 = 3 3 =
3 Pro 3 kritéria a 5 uvažovaných z 50 je potřeba zvolit aspirační úroveň pro každé kritérium tak, aby 67% variant bylo podle daného kritéria akceptováno. Předpokládejme nyní, že máme 6 obětí, jejichž výsledky jsou zadány kriteriální maticí, ve které jsou všechna kritéria již převedena na maximalizační: Rozhodli jste, že aspirační úrovně kritérií yj = (30, 5, 60, 2, 3,, 20, 5, 2) nastavíte osobně. Určete množinu akceptovatelných variant. Varianta první není akceptovatelná vzhledem k prvnímu kritériu (a také sedmému). Varianta druhá splňuje všechny podmínky a je tedy akceptovatelná, stejně jako varianta čtvrtá. Třetí, pátá a šestá varianta nesplňují aspirační úrovně na první kritérium (a některá další). Bylo by ale možné postupně některé úrovně zvyšovat, až by nakonec zbyla v množině akceptovatelých variant jen jediná oběť. Kdybychom se rozhodli pro jinou volbu a aspirační úrovně nastavili např. y j = (30, 5, 60, 3, 3,, 20, 5, 2), byla by jedinou akceptovatelnou (a tedy také kompromisní a optimální) variantou a 2. V případě aspiračních úrovní yj = (30, 5, 60, 2, 3,, 20, 8, 2) bude jedinou akceptovatelnou (a tedy také kompromisní a optimální) variantou a Disjunktivní metoda Pro každé maximalizační kritérium je opět stanovena minimální hodnota, které musí varianta dosáhnout. 3
4 Termín disjunktivní znamená, že varianta je akceptovatelná tehdy, když splňuje zadané aspirační úrovně yj pro alespoň jedno kritérium, tzn. varianta a i je akceptovatelná, pokud existuje j =,..., k takové, že y ij yj. Počet akceptovatelných variant (lépe řečeno poměr akceptovatelných variant) lze opět snadno ovlivňovat pomocí aspirační úrovně kritérií. Předpokládejme, že máme k vzájemně nezávislých a stejně důležitých kritérií. Označme r podíl neakceptovatelných variant (kolik procent má z výběru vypadnout). Symbolem p označme pravděpodobnost, že varianta je podle jednoho (libovolného neboť jsou všechna stejně důležitá) kritéria akceptovatelná. Potom pravděpodobnost, že varianta není akceptovatelná podle jednoho kritéria je p. Pravděpodobnost, že varianta není akceptovatelná podle žádného z k kritérií je rovna ( p) ( p)... ( p) = ( p) k (pravděpodobnost, že nenastanou současně dva nezávislé jevy, je rovna součinu pravděpodobností, že nenastane každý z nich). A tato pravděpodobnost musí být rovna podílu neakceptovatelných variant r. Platí tedy r = ( p) k, odtud snadno určíme, že p = k r. Předveďme si i tuto metodu na příkladu s Upírem. Upír disjunktivní metoda Předpokládejme opět, že zvažujeme vhodnou oběť podle 9 stejně důležitých kritérií. V seznamu máme 50 osob a my potřebujeme k dalšímu zvážení připustit pouze 0 z nich. Jak bychom měli nastavit aspirační úrovně kritérií? Počet kritérií je tedy k = 9. Přijmout k dalšímu zvážení chceme 0 osob z 50, 40 jich tedy potřebujeme vyloučit a poměr neakceptovatelných osob tedy bude r = = 4 5 = 0.8. Pravděpodobnost, že osoba bude akceptována podle jednoho kritéria bude tedy podle odvozeného vztahu p = k r = =
5 Je tedy potřeba zvolit aspirační úroveň pro každé kritérium tak, aby 2.5% variant bylo podle daného kritéria akceptováno. 5.3 Metoda PRIAM Metoda PRIAM je interaktivní procedura pro vícekriteriální rozhodování s diskrétní množinou p variant A = a, a 2,..., a p. Při použit této metody procházíme jakýmsi stromem (termín z teorie grafů) a uzly, kterými procházíme označujeme buď jako tentativní (ukazují cestu zpět k počátečnímu uzlu a v případě potřeby se k nim vracím) nebo jako imperativní (ty jsou nezajímavé a protože se k nim již nebudu vracet, zapomínám je). Označme symbolem f j (a i ) hodnotu j-tého kritéria pro i-tou variantu, tj. f j (a i ) = y ij, a označme d počet akceptovatelných variant (tedy variant, pro které platí f j (a i ) y (S) j, kde y (S) j jsou aspirační úrovně jednotlivých kritérií). V metodě PRIAM pak mohou nastat tři různé situace: d... rozhodovatel může měnit aspirační úrovně podle počtu akceptovatelných variant d =... je dosaženo jediné akceptovatelné (nedominované) varianty d = 0... neexistuje žádná akceptovatelná varianta V takovém případě je kompromisní varianta vybírána tak, aby minimalizovala vzdálenost od zadné aspirační úrovně, tedy aby minimalizovala výraz k j= jsou ideální kriteriální hodnoty. Ukažme si metodu na příkladu Upíra. y (S) fj j f j (a i ), a i A, kde fj, j =,..., k Upír metoda PRIAM Mějme kriteriální matici s maximalizačními kritérii pro 0 potenciálních obětí (variant). 5
6 Zvolme nyní první aspirační úrovně y () = (00, 2, 30,, 2, 0, 0, 2, 2). d = počet variant, pro které platí f(a i ) y () = 9, jediná varianta, která tyto aspirační úrovně nesplňuje, je a 5. Neboť d, můžeme změnit aspirační úrovně. Zvolme y (2) = (0, 4, 50, 2, 3,, 5, 5, 5). d = 3, akceptovatelné jsou varianty a, a 2, a 4. Opět zvýšíme aspirační úrovně y (3) = (20, 6, 75, 3, 3,, 20, 6, 0). V tomto případě je d = 0 a neexistuje žádná akceptovatelná varianta. Vrátíme se tedy do předchozího uzlu a mezi přípustnými variantami a, a 2, a 4 hledáme tu, která je nejblíže k zadaným aspiračním úrovním. Potřebujeme nejdříve určit ideální variantu. Tu jsme se naučili určovat v předchozím cvičení. f = (50, 6, 00, 3, 4,, 30, 0, 20). Nyní pro každou variantu a i určíme hodnotu výrazu k j= y (S) fj j f j (a i ). a : = a 2 : = a 4 : =
7 Jako kompromisní vybereme variantu, která má tento výraz minimální. V našem případě to bude varianta a 2. A co by se stalo, kdybychom zvolili místo aspiračních úrovní y (3) jiné aspirační úrovně y (4) = (20, 6, 75, 2, 3,, 20, 6, 0)? V takovém případě by d = a existovala by tedy jediná akceptovatelná varianta a 4, kterou bychom prohlásili za optimální. 7
6 Ordinální informace o kritériích
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
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
Více7 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
Více4EK201 Matematické modelování. 10. Teorie rozhodování
4EK201 Matematické modelování 10. Teorie rozhodování 10. Rozhodování Rozhodování = proces výběru nějaké možnosti (varianty) podle stanoveného kritéria za účelem dosažení stanovených cílů Rozhodovatel =
VícePostupy při hodnocení variant a výběru nejvhodnějšího řešení. Šimon Kovář Katedra textilních a jednoúčelových strojů
Postupy při hodnocení variant a výběru nejvhodnějšího řešení Šimon Kovář Katedra textilních a jednoúčelových strojů Znáte nějaké postupy hodnocení variant řešení? Vícekriteriální rozhodování Při výběru
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
VíceVícekriteriální hodnocení variant úvod
Vícekriteriální hodnocení variant úvod Jana Klicnarová Katedra aplikované matematiky a informatiky Jihočeská Univerzita v Českých Budějovicích, Ekonomická fakulta 2010 Vícekriteriální hodnocení variant
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)
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
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 Mgr. Sekničková Jana, Ph.D. 2. PŘEDNÁŠKA MATEMATICKÝ MODEL ÚLOHY LP Mgr. Sekničková Jana, Ph.D. 2 OSNOVA PŘEDNÁŠKY Obecná formulace MM Množina
Vícezejména Dijkstrův algoritmus pro hledání minimální cesty a hladový algoritmus pro hledání minimální kostry.
Kapitola Ohodnocené grafy V praktických aplikacích teorie grafů zpravidla graf slouží jako nástroj k popisu nějaké struktury. Jednotlivé prvky této struktury mají často přiřazeny nějaké hodnoty (může jít
VíceJednokriteriální rozhodování za rizika a nejistoty
Kapitola Jednokriteriální rozhodování za rizika a nejistoty U jednokriteriálních úloh je vždy pouze jedno kritérium optimality, a to buď maximalizační nebo minimalizační. Varianty rozhodování jsou zadány.
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
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
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
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
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
VíceNáhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel.
Základy teorie pravděpodobnosti Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel. Poznámka: Výsledek pokusu není předem znám (výsledek
Více( ) ( ) Binomické rozdělení. Předpoklady: 9209
9..1 Binomické rozdělení Předpoklady: 99 Př. 1: Basketbalista hází trestný hod (šestku) s pravděpodobností úspěchu,9. Urči pravděpodobnosti, že z pěti hodů: a) dá košů b) dá alespoň jeden koš c) dá nejdříve
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
Více( ) ( ) 9.2.10 Binomické rozdělení. Předpoklady: 9209
9..1 Binomické rozdělení Předpoklady: 99 Př. 1: Basketbalista hází trestný hod (šestku) s pravděpodobností úspěchu,9. Urči pravděpodobnosti, že z pěti hodů: a) dá košů; b) dá alespoň jeden koš; c) dá nejdříve
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
VíceVzorový příklad na rozhodování BPH_ZMAN
Vzorový příklad na rozhodování BPH_ZMAN Základní charakteristiky a značení symbol verbální vyjádření interval C g g-tý cíl g = 1,.. s V i i-tá varianta i = 1,.. m K j j-té kriterium j = 1,.. n v j x ij
VíceRozhodování. Ing. 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
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,
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,
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
Více10 Přednáška ze
10 Přednáška ze 17. 12. 2003 Věta: G = (V, E) lze nakreslit jedním uzavřeným tahem G je souvislý a má všechny stupně sudé. Důkaz G je souvislý. Necht v je libovolný vrchol v G. A mějme uzavřený eurelovský
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
VíceSocio-ekonomická evaluace aglomerace z hlediska potřeb a aktivit investorů
Klub regionalistů 11.11.2010 Projekt SGS SP/2010 Socio-ekonomická evaluace aglomerace z hlediska potřeb a aktivit investorů Jiří Adamovský Lucie Holešinská Katedra regionální a environmentální ekonomiky
VíceČást 2 - Řešené příklady do cvičení
Moravská vysoká škola Olomouc, o.p.s., Ústav informatiky a aplikované matematiky METODY MULTIKRITERIÁLNÍHO ROZHODOVANÍ PRO MANAŽERY Část 2 - Řešené příklady do cvičení Prof. Dr. Ing. Miroslav Pokorný PhDr.
VíceŘešené příklady z pravděpodobnosti:
Řešené příklady z pravděpodobnosti: 1. Honza se ze šedesáti maturitních otázek 10 nenaučil. Při zkoušce si losuje dvě otázky. a. Určete pravděpodobnost jevu A, že si vylosuje pouze otázky, které se naučil.
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
VíceSemestrální práce z předmětu Matematické modelování Modely vyjednávání
Semestrální práce z předmětu Matematické modelování Modely vyjednávání Anna Řezníčková A07143 5. 1. 2009 Obsah 1 Úvod...3 2 Modelování základních vztahů...3 3 Koncepce modelování vyjednávacího procesu...7
VíceLineární programování
Lineární programování Petr Tichý 19. prosince 2012 1 Outline 1 Lineární programování 2 Optimalita a dualita 3 Geometrie úlohy 4 Simplexová metoda 2 Lineární programování Lineární program (1) min f(x) za
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
Více( ) ( ) 9.2.7 Nezávislé jevy I. Předpoklady: 9204
9.2.7 Nezávislé jevy I Předpoklady: 9204 Př. : Předpokládej, že pravděpodobnost narození chlapce je stejná jako pravděpodobnost narození dívky (a tedy v obou případech rovna 0,5) a není ovlivněna genetickými
VíceVýběr lokality pro bydlení v Brně
Mendelova univerzita v Brně Provozně ekonomická fakulta Výběr lokality pro bydlení v Brně Projekt do předmětu Optimalizační metody Martin Horák Brno 5 Mendelova univerzita v Brně Provozně ekonomická fakulta
Vícea počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí:
Řešené příklady z lineární algebry - část 1 Typové příklady s řešením Příklady jsou určeny především k zopakování látky před zkouškou, jsou proto řešeny se znalostmi učiva celého semestru. Tento fakt se
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
Víceminimalizaci vzdálenosti od ideální varianty
UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Metody vícekriteriálního rozhodování založené na minimalizaci vzdálenosti od ideální
Více14. cvičení z PSI. 9. ledna 2018
cvičení z PSI 9 ledna 08 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 Příslušný
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)
VíceRegulární matice. Věnujeme dále pozornost zejména čtvercovým maticím.
Regulární matice Věnujeme dále pozornost zejména čtvercovým maticím. Věta. Pro každou čtvercovou matici A = (a ij ) řádu n nad tělesem (T, +, ) jsou následující podmínky ekvivalentní: (i) Řádky matice
VíceMatematika I, část I Vzájemná poloha lineárních útvarů v E 3
3.6. Vzájemná poloha lineárních útvarů v E 3 Výklad A. Vzájemná poloha dvou přímek Uvažujme v E 3 přímky p, q: p: X = A + ru q: X = B + sv a hledejme jejich společné body, tj. hledejme takové hodnoty parametrů
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:
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
VíceBinární vyhledávací stromy pokročilé partie
Binární vyhledávací stromy pokročilé partie KMI/ALS lekce Jan Konečný 30.9.204 Literatura Cormen Thomas H., Introduction to Algorithms, 2nd edition MIT Press, 200. ISBN 0-262-5396-8 6, 3, A Knuth Donald
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
VíceInženýrská 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
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
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
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
VíceTEORIE PRAVDĚPODOBNOSTI. 2. cvičení
TEORIE RAVDĚODONOSTI 2. cvičení Základní pojmy Klasická def. Statistická def. Geometrická def. odmíněná prav. ayesův teorém Test Základní pojmy Náhodný pokus - je každý konečný děj, jehož výsledek není
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VíceMODELY 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
VíceCvičení z Lineární algebry 1
Cvičení z Lineární algebry Michael Krbek podzim 2003 2392003 Hodina Jsou dána komplexní čísla z = +2 i a w = 2 i Vyjádřete c algebraickém tvaru (z + w) 3,, (zw), z w 2 Řešte v komplexním oboru rovnice
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
VíceTeorie her a ekonomické rozhodování. 8. Vyjednávací hry
Teorie her a ekonomické rozhodování 8. Vyjednávací hry 8. Vyjednávání Teorie her Věda o řešení konfliktů Ale také věda o hledání vzájemně výhodné spolupráce Teorie vyjednávání Odvětví teorie her dohoda
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
VíceTento text je stručným shrnutím těch tvrzení Ramseyovy teorie, která zazněla
Ramseyovy věty Martin Mareš Tento text je stručným shrnutím těch tvrzení Ramseyovy teorie, která zazněla na mé letošní přednášce z Kombinatoriky a grafů I Předpokládá, že čtenář se již seznámil se základní
Více4EK311 Operační výzkum. 5. Teorie grafů
4EK311 Operační výzkum 5. Teorie grafů 5. Teorie grafů definice grafu Graf G = uspořádaná dvojice (V, E), kde V označuje množinu n uzlů u 1, u 2,, u n (u i, i = 1, 2,, n) a E označuje množinu hran h ij,
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
Více13. Lineární procesy
. Lineární procesy. Lineární procesy Našim cílem je studovat lineární (iterované) procesy. Každý takový proces je zadán čtvercovou maticí A Mat k k (R). Dále víme, že systém se v čase t n nachází ve stavu
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
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 3. přednáška SIMPLEXOVÁ METODA I. OSNOVA PŘEDNÁŠKY Standardní tvar MM Základní věta LP Princip simplexové metody Výchozí řešení SM Zlepšení řešení
VíceDiskrétní náhodná veličina. November 12, 2008
Diskrétní náhodná veličina November 12, 2008 (Náhodná veličina (náhodná proměnná)) Náhodná veličina (nebo též náhodná proměnná) je veličina X, jejíž hodnota je jednoznačně určena výsledkem náhodného pokusu.
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
VíceDeterminant matice řádu 5 budeme počítat opakovaným použitím rozvoje determinantu podle vybraného řádku nebo sloupce. Aby byl náš výpočet
Řešené příklady z lineární algebry - část 2 Příklad 2.: Určete determinant matice A: A = 4 4. Řešení: Determinant matice řádu budeme počítat opakovaným použitím rozvoje determinantu podle vybraného řádku
VíceNáhodné jevy. Teorie pravděpodobnosti. Náhodné jevy. Operace s náhodnými jevy
Teorie pravděpodobnosti Náhodný pokus skončí jedním z řady možných výsledků předem nevíme, jak skončí (náhoda) příklad: hod kostkou, zítřejší počasí,... Pravděpodobnost zkoumá náhodné jevy (mohou, ale
Více14. cvičení z PSI. 9. ledna Pro každý stav platí, že všechny hrany z něj vycházející mají stejnou pravděpodobnost.
4. cvičení z PSI 9. ledna 09 4. rozdělení po mnoha krocích) Markovův řetězec je dán obrázkem: 8 9 4 7 6 Pro každý stav platí, že všechny hrany z něj vycházející mají stejnou pravděpodobnost. a) Klasifikujte
VíceSTROMY. v 7 v 8. v 5. v 2. v 3. Základní pojmy. Řešené příklady 1. příklad. Stromy
STROMY Základní pojmy Strom T je souvislý graf, který neobsahuje jako podgraf kružnici. Strom dále budeme značit T = (V, X). Pro graf, který je stromem platí q = n -, kde q = X a n = V. Pro T mezi každou
VíceÚvod do teorie grafů
Úvod do teorie grafů Neorientovaný graf G = (V,E,I) V množina uzlů (vrcholů) - vertices E množina hran - edges I incidence incidence je zobrazení, buď: funkce: I: E V x V relace: I E V V incidence přiřadí
VíceČasové rezervy. Celková rezerva činnosti
Časové rezervy Celková rezerva činnosti CR Volná rezerva činnosti VR Nezávislá rezerva činnosti - NR Celková rezerva činnosti Maximální počet časových jednotek, které jsou k dispozici pro provedení činnosti,
VíceSimplexová metoda. Simplexová tabulka: Záhlaví (účelová funkce) A ~ b r βi. z j c j. z r
Simplexová metoda Simplexová metoda, je jedním ze způsobů, jak řešit úlohy lineárního programování. Tato metoda vede k cíly, nelezení optimálního řešení, během konečného počtu kroků, pokud se při prvním
VíceLingebraické kapitolky - Analytická geometrie
Lingebraické kapitolky - Analytická geometrie Jaroslav Horáček KAM MFF UK 2013 Co je to vektor? Šipička na tabuli? Ehm? Množina orientovaných úseček majících stejný směr. Prvek vektorového prostoru. V
VíceUkážeme si lineární algoritmus, který pro pevné k rozhodne, zda vstupní. stromový rozklad. Poznamenejme, že je-li k součástí vstupu, pak rozhodnout
Ukážeme si lineární algoritmus, který pro pevné k rozhodne, zda vstupní graf má stromovou šířku nejvýše k, a je-li tomu tak, také vrátí příslušný stromový rozklad. Poznamenejme, že je-li k součástí vstupu,
VíceANALYTICKÁ GEOMETRIE V ROVINĚ
ANALYTICKÁ GEOMETRIE V ROVINĚ Analytická geometrie vyšetřuje geometrické objekty (body, přímky, kuželosečky apod.) analytickými metodami. Podle prostoru, ve kterém pracujeme, můžeme analytickou geometrii
VíceÚlohy k procvičování textu o univerzální algebře
Úlohy k procvičování textu o univerzální algebře Číslo za pomlčkou v označení úlohy je číslo kapitoly textu, která je úlohou procvičovaná. Každá úloha je vyřešena o několik stránek později. Kontrolní otázky
VíceObsah prezentace. Základní pojmy v teorii o grafech Úlohy a prohledávání grafů Hledání nejkratších cest
Obsah prezentace Základní pojmy v teorii o grafech Úlohy a prohledávání grafů Hledání nejkratších cest 1 Základní pojmy Vrchol grafu: {množina V} Je to styčná vazba v grafu, nazývá se též uzlem, prvkem
VíceNerovnice v součinovém tvaru, kvadratické nerovnice
Nerovnice v součinovém tvaru, kvadratické nerovnice Příklad: Pro která x R je součin x x 5 kladný? Řešení: Víme, že součin je kladný, mají-li oba činitelé stejné znaménko. Tedy aby platilo x x 5 0, musí
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2015
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 05 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceCvičení Programování I. Stručné poznámky ke cvičení ze
Cvičení Programování I Cvičící: Pavel urynek, KIM, pavel.surynek@seznam.cz emestr: Zima 2005/2006 Kroužek: Matematika/59 Rozvrh: Pátek 10:40-12:10 (učebna K2) tručné poznámky ke cvičení ze 14.10.2005 1.
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
Více5.3. Implicitní funkce a její derivace
Výklad Podívejme se na následující problém. Uvažujme množinu M bodů [x,y] R 2, které splňují rovnici F(x, y) = 0, M = {[x,y] D F F(x,y) = 0}, kde z = F(x,y) je nějaká funkce dvou proměnných. Je-li F(x,y)
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 4
Pravděpodobnost a statistika (BI-PST) Cvičení č. 4 J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení technické v Praze ZS 2014/2015
VíceKonkurzní řízení ve společnosti SpenglerFox
Konkurzní řízení ve společnosti SpenglerFox Velká případová studie projektu ZIP ESF napomáhá rozvoji zaměstnanosti podporou zaměstnatelnosti, podnikatelského ducha, rovných příležitostí a investicemi do
VíceAlgoritmus pro hledání nejkratší cesty orientovaným grafem
1.1 Úvod Algoritmus pro hledání nejkratší cesty orientovaným grafem Naprogramoval jsem v Matlabu funkci, která dokáže určit nejkratší cestu v orientovaném grafu mezi libovolnými dvěma vrcholy. Nastudoval
VíceZÁKLADNÍ TYPY ROZHODOVACÍH PROBLÉMŮ
ZÁKLADNÍ TYPY ROZHODOVACÍH PROBLÉMŮ ZPRACOVALA ING. RENATA SKÝPALOVÁ CZ.1.07/1.1.00/14.0143 OSNOVA HODINY Dobře a špatně strukturované problémy Rozhodovací procesy za jistoty, rizika a nejistoty Přehled
VíceCVIČNÝ TEST 37. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 5 III. Klíč 13 IV. Záznamový list 15
CVIČNÝ TEST 37 Mgr. Tomáš Kotler OBSAH I. Cvičný test 2 II. Autorské řešení 5 III. Klíč 13 IV. Záznamový list 15 I. CVIČNÝ TEST VÝCHOZÍ TEXT A OBRÁZEK K ÚLOZE 1 Na staré hliněné desce je namalován čtverec
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
VíceUčební texty k státní bakalářské zkoušce Matematika Základy lineárního programování. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Základy lineárního programování študenti MFF 15. augusta 2008 1 15 Základy lineárního programování Požadavky Simplexová metoda Věty o dualitě (bez důkazu)
Více4EK311 Operační výzkum. 1. Úvod do operačního výzkumu
4EK311 Operační výzkum 1. Úvod do operačního výzkumu Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka Garant kurzu:
VíceProjekt ŠABLONY NA GVM Gymnázium Velké Meziříčí registrační číslo projektu: CZ.1.07/1.5.00/34.0948
Projekt ŠABLONY NA GVM Gymnázium Velké Meziříčí registrační číslo projektu: CZ.1.07/1.5.00/34.0948 IV-2 Inovace a zkvalitnění výuky směřující k rozvoji matematické gramotnosti žáků středních škol PRAVDĚPODOBNOST
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
VíceZáklady teorie množin
1 Základy teorie množin Z minula: 1. Cantorovu větu (x P(x)) 2. základní vlastnosti disjunktního sjednocení, kartézského součinu a množinové mocniny (z hlediska relací, ) 3. vztah P(a) a 2 4. větu (2 a
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
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
VíceH {{u, v} : u,v U u v }
Obyčejný graf Obyčejný graf je dvojice G= U, H, kde U je konečná množina uzlů (vrcholů) a H {{u, v} : u,v U u v } je (konečná) množina hran. O hraně h={u, v} říkáme, že je incidentní s uzly u a v nebo
Více