5 Informace o aspiračních úrovních kritérií

Rozměr: px
Začít zobrazení ze stránky:

Download "5 Informace o aspiračních úrovních kritérií"

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 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

Více

4 Kriteriální matice a hodnocení variant

4 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

Více

7 Kardinální informace o kritériích (část 1)

7 Kardinální informace o kritériích (část 1) 7 Kardinální informace o kritériích (část 1) Předpokládejme stejná značení jako v předchozích cvičeních. Kardinální informací o kritériích se rozumí ohodnocení jejich důležitosti k pomocí váhového vektoru

Více

Vícekriteriální programování příklad

Vícekriteriální 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)

Více

Operační výzkum. Vícekriteriální programování. Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování.

Operační 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

Více

fakulty 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.

fakulty 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

Více

Vícekriteriální rozhodování za jistoty

Vícekriteriální 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

Více

LDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25

LDF 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

Více

zejména Dijkstrův algoritmus pro hledání minimální cesty a hladový algoritmus pro hledání minimální kostry.

zejména 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

Více

Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT

Modely 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

Více

Vícekriteriální rozhodování za jistoty

Vícekriteriální 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

( ) ( ) 9.2.10 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

Více

Jiří Neubauer. Katedra ekonometrie FEM UO Brno

Jiří 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,

Více

Výběr lokality pro bydlení v Brně

Výběr 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

Více

5. Lokální, vázané a globální extrémy

5. 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,

Více

Socio-ekonomická evaluace aglomerace z hlediska potřeb a aktivit investorů

Socio-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

Více

Definice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně

Definice 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

Teorie her a ekonomické rozhodování. 3. Dvoumaticové hry (Bimaticové hry)

Teorie 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

Více

Operační 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 výzkum Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty

Více

minimalizaci vzdálenosti od ideální varianty

minimalizaci 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

Více

2 Spojité modely rozhodování

2 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

Více

( ) ( ) 9.2.7 Nezávislé jevy I. Předpoklady: 9204

( ) ( ) 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

Více

HEURISTICKÉ ALGORITMY PRO ŘEŠENÍ ÚLOH OBCHODNÍHO CESTUJÍCÍHO

HEURISTICKÉ 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

Více

Nerovnice v součinovém tvaru, kvadratické nerovnice

Nerovnice 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

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

Regulární matice. Věnujeme dále pozornost zejména čtvercovým maticím.

Regulární 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

Více

Vícekriteriální hodnocení variant VHV

Vícekriteriální 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

Více

Diskrétní náhodná veličina. November 12, 2008

Diskrétní 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.

Více

Normální (Gaussovo) rozdělení

Normální (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

Více

Matematika I, část I Vzájemná poloha lineárních útvarů v E 3

Matematika 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

Více

Ekonomická formulace. Matematický model

Ekonomická 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

Více

Simplexová metoda. Simplexová tabulka: Záhlaví (účelová funkce) A ~ b r βi. z j c j. z r

Simplexová 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

Více

STROMY. v 7 v 8. v 5. v 2. v 3. Základní pojmy. Řešené příklady 1. příklad. Stromy

STROMY. 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

Více

Firma a nejistota Aplikace rozhodování v podmínkách rizika a nejistoty na firmu

Firma 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

Více

Tento text je stručným shrnutím těch tvrzení Ramseyovy teorie, která zazněla

Tento 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

Více

Teorie her a ekonomické rozhodování. 2. Maticové hry

Teorie 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

Více

Úlohy k procvičování textu o univerzální algebře

Úlohy 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

Více

Teoretická rozdělení

Teoretická rozdělení Teoretická rozdělení Diskrétní rozdělení Obsah kapitoly Studijní cíle Doba potřebná ke studiu Pojmy k zapamatování Úvod Některá teoretická rozdělení diskrétních veličin: Alternativní rozdělení Binomické

Více

ZÁKLADNÍ TYPY ROZHODOVACÍH PROBLÉMŮ

ZÁKLADNÍ 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

Více

KAPITOLA 11 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM

KAPITOLA 11 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM KAPITOLA 11 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM FILTROVÁNÍ DAT Po filtrování dat jsou zobrazeny pouze řádky, které splňují zadaná kritéria, a řádky, které nechcete zobrazit, jsou skryty. Filtrovat

Více

Teorie her a ekonomické rozhodování. 4. Hry v rozvinutém tvaru

Teorie 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

Více

Učební 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 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)

Více

7. přednáška Systémová analýza a modelování. Přiřazovací problém

7. přednáška Systémová analýza a modelování. Přiřazovací problém Přiřazovací problém Přiřazovací problémy jsou podtřídou logistických úloh, kde lze obecně říci, že m dodavatelů zásobuje m spotřebitelů. Dalším specifikem je, že kapacity dodavatelů (ai) i požadavky spotřebitelů

Více

Teorie her a ekonomické rozhodování. 11. Aukce

Teorie 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,

Více

4.5 Stanovení hodnoticích kritérií a požadavky na jejich obsah

4.5 Stanovení hodnoticích kritérií a požadavky na jejich obsah nadhodnocením ukazatele výkonu). Současně se objektivností rozumí, že technické podmínky nebyly nastaveny diskriminačně, tedy tak, aby poskytovaly některému uchazeči konkurenční výhodu či mu bránily v

Více

ANALYTICKÁ GEOMETRIE V ROVINĚ

ANALYTICKÁ 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

Více

Konkurzní řízení ve společnosti SpenglerFox

Konkurzní 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

Více

Teorie síťových modelů a síťové plánování

Teorie síťových modelů a síťové plánování KSI PEF ČZU Teorie síťových modelů a síťové plánování Část přednášky doc. Jaroslava Švasty z předmětu systémové analýzy a modelování. Zápis obsahuje základní vymezení projektu, časového plánování a popis

Více

1 Linearní prostory nad komplexními čísly

1 Linearní prostory nad komplexními čísly 1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)

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

Projekt 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 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

Více

Metoda analýzy datových obalů (DEA)

Metoda analýzy datových obalů (DEA) Kapitola 1 Metoda analýzy datových obalů (DEA) Modely datových obalů slouží pro hodnocení technické efektivity produkčních jednotek na základě velikosti vstupů a výstupů. Hodnocenými jednotkami mohou být

Více

Poznámka. V některých literaturách se pro označení vektoru také používá symbolu u.

Poznámka. V některých literaturách se pro označení vektoru také používá symbolu u. Vektory, operace s vektory Ž3 Orientovaná úsečka Mějme dvojici bodů, (na přímce, v rovině nebo prostoru), které spojíme a vznikne tak úsečka. Pokud budeme rozlišovat, zda je spojíme od k nebo od k, říkáme,

Více

AKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A

AKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice

Více

Přijímací zkouška - matematika

Přijímací zkouška - matematika Přijímací zkouška - matematika Jméno a příjmení pište do okénka Číslo přihlášky Číslo zadání 1 Grafy 1 Pro který z následujících problémů není znám žádný algoritmus s polynomiální časovou složitostí? Problém,

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

NÁHODNÝ VEKTOR. 4. cvičení

NÁHODNÝ VEKTOR. 4. cvičení NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.

Více

Řešení 1. série. Řešení S-I-1-1 Nejdříve si uvědomme, že platí následující vztahy. h = 1 2 v d, h = 1 2 s k,

Řešení 1. série. Řešení S-I-1-1 Nejdříve si uvědomme, že platí následující vztahy. h = 1 2 v d, h = 1 2 s k, Řešení 1. série Řešení S-I-1-1 Nejdříve si uvědomme, že platí následující vztahy h = 1 2 v d, h = 1 2 s k, kde h je počet hran, v je počet vrcholů, d je stupeň vrcholu, s je počet stěn a k je počet úhlů

Více

1) TEORIE ROZHODOVÁNÍ

1) TEORIE ROZHODOVÁNÍ 1) TEORIE ROZHODOVÁNÍ 1. Uveďte stručný popis libovolného praktického problému, který by bylo možné řešit pomocí rozhodovacího modelu. Zdůvodněte, proč je použití tohoto modelu v dané situaci adekvátní.

Více

Základy informatiky. Teorie grafů. Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová

Základy informatiky. Teorie grafů. Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová Základy informatiky Teorie grafů Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová Obsah přednášky Barvení mapy Teorie grafů Definice Uzly a hrany Typy grafů Cesty, cykly, souvislost grafů Barvení mapy

Více

Otázky ke státní závěrečné zkoušce

Otázky ke státní závěrečné zkoušce Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního

Více

Hledání kořenů rovnic jedné reálné proměnné metoda sečen Michal Čihák 23. října 2012

Hledání kořenů rovnic jedné reálné proměnné metoda sečen Michal Čihák 23. října 2012 Hledání kořenů rovnic jedné reálné proměnné metoda sečen Michal Čihák 23. října 2012 Opakování rovnice přímky Úloha: Určete rovnici přímky procházející body A[a, f(a)] a B[b, f(b)], kde f je funkce spojitá

Více

Kapitola 11. Vzdálenost v grafech. 11.1 Matice sousednosti a počty sledů

Kapitola 11. Vzdálenost v grafech. 11.1 Matice sousednosti a počty sledů Kapitola 11 Vzdálenost v grafech V každém grafu lze přirozeným způsobem definovat vzdálenost libovolné dvojice vrcholů. Hlavním výsledkem této kapitoly je překvapivé tvrzení, podle kterého lze vzdálenosti

Více

Výběr báze. u n. a 1 u 1

Výběr báze. u n. a 1 u 1 Výběr báze Mějme vektorový prostor zadán množinou generátorů. To jest V = M, kde M = {u,..., u n }. Pokud je naším úkolem najít nějakou bázi V, nejpřímočařejším postupem je napsat si vektory jako řádky

Více

8 Kořeny cyklických kódů, BCH-kódy

8 Kořeny cyklických kódů, BCH-kódy 24 8 Kořeny cyklických kódů, BCH-kódy Generující kořeny cyklických kódů Nechť K je cyklický kód délky n nad Z p s generujícím polynomem g(z). Chceme najít rozšíření T tělesa Z p, tedy nějaké těleso GF

Více

Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1

Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1 Lineární algebra 10. přednáška: Ortogonalita II Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1 Text byl vytvořen

Více

3. Optimalizace pomocí nástroje Řešitel

3. Optimalizace pomocí nástroje Řešitel 3. Optimalizace pomocí nástroje Řešitel Rovnováha mechanické soustavy Uvažujme dvě různé nehmotné lineární pružiny P 1 a P 2 připevněné na pevné horizontální tyči splývající s osou x podle obrázku: (0,0)

Více

POSLOUPNOSTI A ŘADY INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky

POSLOUPNOSTI A ŘADY INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky POSLOUPNOSTI A ŘADY Gymnázium Jiřího Wolkera v Prostějově Výukové materiály z matematiky pro vyšší gymnázia Autoři projektu Student na prahu 21. století - využití ICT ve vyučování matematiky na gymnáziu

Více

v z t sin ψ = Po úpravě dostaneme: sin ψ = v z v p v p v p 0 sin ϕ 1, 0 < v z sin ϕ < 1.

v z t sin ψ = Po úpravě dostaneme: sin ψ = v z v p v p v p 0 sin ϕ 1, 0 < v z sin ϕ < 1. Řešení S-I-4-1 Hledáme vlastně místo, kde se setkají. A to tak, aby nemusel pes na zajíce čekat nebo ho dohánět. X...místo setkání P...místo, kde vybíhá pes Z...místo, kde vybíhá zajíc ZX = v z t P X =

Více

Nestranný odhad Statistické vyhodnocování exp. dat M. Čada

Nestranný odhad Statistické vyhodnocování exp. dat M. Čada Nestranný odhad 1 Parametr θ Máme statistický (výběrový) soubor, který je realizací náhodného výběru 1, 2, 3,, n z pravděpodobnostní distribuce, která je kompletně stanovena jedním nebo více parametry

Více

676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368

676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368 Příklad 1 Je třeba prověřit, zda lze na 5% hladině významnosti pokládat za prokázanou hypotézu, že střední doba výroby výlisku je 30 sekund. Přitom 10 náhodně vybraných výlisků bylo vyráběno celkem 540

Více

Výroková logika II. Negace. Již víme, že negace je změna pravdivostní hodnoty výroku (0 1; 1 0).

Výroková logika II. Negace. Již víme, že negace je změna pravdivostní hodnoty výroku (0 1; 1 0). Výroková logika II Negace Již víme, že negace je změna pravdivostní hodnoty výroku (0 1; 1 0). Na konkrétních příkladech si ukážeme, jak se dají výroky negovat. Obecně se výrok dá negovat tak, že před

Více

Testování statistických hypotéz

Testování statistických hypotéz Testování statistických hypotéz Na základě náhodného výběru, který je reprezentativním vzorkem základního souboru (který přesně neznáme, k němuž se ale daná statistická hypotéza váže), potřebujeme ověřit,

Více

Diskriminační analýza hodnocení rozdílů mezi 2 nebo více skupinami objektů charakterizovanými více znaky

Diskriminační analýza hodnocení rozdílů mezi 2 nebo více skupinami objektů charakterizovanými více znaky Diskriminační analýza hodnocení rozdílů mezi 2 nebo více skupinami objektů charakterizovanými více znaky Interpretují rozdíly mezi předem stanovenými třídami Cílem je klasifikace objektů do skupin Hledáme

Více

56. ročník Matematické olympiády. tedy číslice 1, 2, a 3. Dále nám zbývají zlomky. Má-li být jejich součet co nejmenší,

56. ročník Matematické olympiády. tedy číslice 1, 2, a 3. Dále nám zbývají zlomky. Má-li být jejich součet co nejmenší, 6 ročník Matematické olympiády Komentáře k domácímu kolu kategorie Z8 1 Z číslic 1,2,,9 jsme vytvořili tři smíšená čísla a b c Potom jsme tato tři čísla správně sečetli Jaký nejmenší součet jsme mohli

Více

Bayesovské rozhodování - kritétium minimální střední ztráty

Bayesovské rozhodování - kritétium minimální střední ztráty Bayesovské rozhodování - kritétium imální střední ztráty Lukáš Slánský, Ivana Čapková 6. června 2001 1 Formulace úlohy JE DÁNO: X množina možných pozorování (příznaků) x K množina hodnot skrytého parametru

Více

AVDAT Mnohorozměrné metody, metody klasifikace Shluková analýza

AVDAT Mnohorozměrné metody, metody klasifikace Shluková analýza AVDAT Mnohorozměrné metody, metody klasifikace Shluková analýza Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Shluková analýza Cílem shlukové analýzy je nalézt v datech podmnožiny

Více

Operační výzkum. Přiřazovací problém.

Operační výzkum. Přiřazovací problém. Operační výzkum Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo projektu: CZ..7/2.2./28.326

Více

Parametrické programování

Parametrické programování Parametrické programování Příklad 1 Parametrické pravé strany Firma vyrábí tři výrobky. K jejich výrobě potřebuje jednak surovinu a jednak stroje, na kterých dochází ke zpracování. Na první výrobek jsou

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

Aplikovaná numerická matematika

Aplikovaná numerická matematika Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních

Více

Lenka Zalabová. Ústav matematiky a biomatematiky, Přírodovědecká fakulta, Jihočeská univerzita. zima 2012

Lenka Zalabová. Ústav matematiky a biomatematiky, Přírodovědecká fakulta, Jihočeská univerzita. zima 2012 Algebra - třetí díl Lenka Zalabová Ústav matematiky a biomatematiky, Přírodovědecká fakulta, Jihočeská univerzita v Českých Budějovicích zima 2012 Obsah 1 Dělitelnost 2 Grupy zbytkových tříd 3 Jedna z

Více

UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA. KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE

UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA. KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE Testy dobré shody Vedoucí diplomové práce: RNDr. PhDr. Ivo

Více

KOUPENÉ A PRODANÉ OPCE VERTIKÁLNÍ SPREADY

KOUPENÉ A PRODANÉ OPCE VERTIKÁLNÍ SPREADY KAPITOLA 3 KOUPENÉ A PRODANÉ OPCE VERTIKÁLNÍ SPREADY Vertikální spread je kombinace koupené a prodané put nebo call opce se stejným expiračním měsícem. Výraz spread se používá proto, že riziko je rozložené

Více

Jednotkový vektor vektor, která má na jednom místě jedničku a na ostatních nuly, například (0, 1, 0).

Jednotkový vektor vektor, která má na jednom místě jedničku a na ostatních nuly, například (0, 1, 0). 1. Základní pojmy www.cz-milka.net Systém neprázdná, účelově definovaná množina prvků a vazeb mezi nimi, která se zachycením vstupů a výstupů vykazuje kvantifikovatelné chování v čase. Model formalizovaný

Více

Příčíme. Příčíme Zadání první úlohy Zadání druhé úlohy. Příčíme. Jiří Přibyl UJEP

Příčíme. Příčíme Zadání první úlohy Zadání druhé úlohy. Příčíme. Jiří Přibyl UJEP Příčíme Zadání první úlohy Zadání druhé úlohy Příčíme Jiří Přibyl UJEP Úloha první Příčíme Zadání první úlohy Zadání druhé úlohy Úkol Určete příčku mimoběžek p a q, která je dána vektorem w(1, 1, 2), a

Více

ROVNICE, NEROVNICE A JEJICH SOUSTAVY

ROVNICE, NEROVNICE A JEJICH SOUSTAVY Univerzita Karlova v Praze Pedagogická fakulta SEMINÁRNÍ PRÁCE Z METOD ŘEŠENÍ ÚLOH ROVNICE, NEROVNICE A JEJICH SOUSTAVY CIFRIK C. Úloha 1 [kvadratická rovnice s kořeny y_1=x_1^2+x_2^2, y_2=x_1^3+x_2^3]

Více

Jana Vránová, 3.lékařská fakulta UK, Praha. Hypotézy o populacích

Jana Vránová, 3.lékařská fakulta UK, Praha. Hypotézy o populacích Jana Vránová, 3.lékařská fakulta UK, Praha Hypotézy o populacích Příklad IQ test: Předpokládejme, že z nějakého důvodu ministerstvo školství věří, že studenti absolventi středních škol v Hradci Králové

Více

ANTAGONISTICKE HRY 172

ANTAGONISTICKE 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

Více

Kolik existuje různých stromů na pevně dané n-prvkové množině vrcholů?

Kolik existuje různých stromů na pevně dané n-prvkové množině vrcholů? Kapitola 9 Matice a počet koster Graf (orientovaný i neorientovaný) lze popsat maticí, a to hned několika různými způsoby. Tématem této kapitoly jsou incidenční matice orientovaných grafů a souvislosti

Více

VYUŽITÍ FLOYDOVA ALGORITMU NA SITÍCH USE OF FLOYD ALGORITHM IN NETWORKS

VYUŽITÍ FLOYDOVA ALGORITMU NA SITÍCH USE OF FLOYD ALGORITHM IN NETWORKS Ročník., Číslo IV., listopad VYUŽITÍ FLOYDOVA ALGORITMU NA SITÍCH USE OF FLOYD ALGORITHM IN NETWORKS Denisa Moková Anotae: Článek se zabývá využitím Floydova algoritmu pro výpočet vzdáleností na síti,

Více

Soustavy lineárních rovnic

Soustavy lineárních rovnic Soustavy lineárních rovnic Základy vyšší matematiky LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny společného

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

Základní pojmy teorie grafů [Graph theory]

Základní pojmy teorie grafů [Graph theory] Část I Základní pojmy teorie grafů [Graph theory] V matematice grafem obvykle rozumíme grafické znázornění funkční závislosti. Pro tento předmět je však podstatnější pohled jiný. V teorii grafů rozumíme

Více

S1P Příklady 01. Náhodné jevy

S1P Příklady 01. Náhodné jevy S1P Příklady 01 Náhodné jevy Pravděpodobnost, že jedinec z jisté populace se dožije šedesáti let, je 0,8; pravděpodobnost, že se dožije sedmdesáti let, je 0,5. Jaká je pravděpodobnost, že jedinec zemře

Více

PRAVDĚPODOBNOST A JEJÍ UŽITÍ

PRAVDĚPODOBNOST A JEJÍ UŽITÍ PRAVDĚPODOBNOST A JEJÍ UŽITÍ Základním pojmem teorie pravděpodobnosti je náhodný jev. náhodný jev : výsledek nějaké činnosti nebo pokusu, o němž má smysl prohlásit že nastal nebo ne. Náhodné jevy se označují

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

CLARKEOVA-WRIGHTOVA METODA ŘEŠENÍ ÚLOHY VRP

CLARKEOVA-WRIGHTOVA METODA ŘEŠENÍ ÚLOHY VRP CLARKEOVA-WRIGHTOVA METODA ŘEŠENÍ ÚLOHY VRP 1. Definice úlohy Úloha VRP (Vehicle Routing Problem problém okružních jízd) je definována na obecné dopravní síti S = (V,H), kde V je množina uzlů sítě a H

Více

Extremální úlohy v geometrii

Extremální úlohy v geometrii Extremální úlohy v geometrii Petr Vodstrčil petr.vodstrcil@vsb.cz Katedra aplikované matematiky, Fakulta elektrotechniky a informatiky, Vysoká škola báňská Technická univerzita Ostrava 30.4. 2013 Petr

Více

Management. Rozhodování. Ing. Vlastimil Vala, CSc. Ústav lesnické a dřevařské ekonomiky a politiky

Management. Rozhodování. Ing. Vlastimil Vala, CSc. Ústav lesnické a dřevařské ekonomiky a politiky Management Rozhodování Ing. Vlastimil Vala, CSc. Ústav lesnické a dřevařské ekonomiky a politiky Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU

Více