Obecná úloha lineárního programování. Úloha LP a konvexní množiny Grafická metoda. Jiří Neubauer. Katedra ekonometrie FEM UO Brno
|
|
- Eliška Sedláková
- před 8 lety
- Počet zobrazení:
Transkript
1 Přednáška č. 3 Katedra ekonometrie FEM UO Brno
2 Optimalizace portfolia Investor se s pomocí makléře rozhoduje mezi následujícími investicemi: akcie A, akcie B, státní pokladniční poukázky, dluhopis A, dluhopis B a depozitní certifikáty. Investor rozhodl, riziko celkového portfolia, definované jako vážený průměr rizikových koeficientů jednotlivých variant (riziko je vyjádřeno koeficientem ve stupnici 1 10), by nemělo být větší než 5. Investiční strategie dále očekává, že do dluhopisů bude investováno minimálně 40 % celkové částky a státní pokladniční poukázky by měly být nakoupeny v minimálně dvojnásobném objemu než akcie A a B celkem. Kvůli diverzifikaci by měl být podíl jakékoli varianty v portfoliu maximálně 30 %. Cílem je navrhnout skladbu portfolia tak, aby byl maximalizován celkový výnos.
3 Optimalizace portfolia Investice Očekávaný výnos [%] Riziko Akcie A 18,0 10 Akcie B 12,0 7 Pokladniční poukázky 6,5 1 Dluhopis A 8,5 3 Dluhopis B 9,25 5 Depozitní certifikáty 8,0 2
4 Optimalizace portfolia Formulace matematického modelu: Proměnné x j, j = 1, 2,..., 6 udávají procentní podíl dané investice v portfoliu. celková investovaná částka je rovna 100 % x 1 + x 2 + x 3 + x 4 + x 5 + x 6 = 100
5 Optimalizace portfolia Formulace matematického modelu: Proměnné x j, j = 1, 2,..., 6 udávají procentní podíl dané investice v portfoliu. celková investovaná částka je rovna 100 % x 1 + x 2 + x 3 + x 4 + x 5 + x 6 = 100 do dluhopisů by mělo být investováno minimálně 40 % x 4 + x 5 40
6 Optimalizace portfolia Formulace matematického modelu: Proměnné x j, j = 1, 2,..., 6 udávají procentní podíl dané investice v portfoliu. celková investovaná částka je rovna 100 % x 1 + x 2 + x 3 + x 4 + x 5 + x 6 = 100 do dluhopisů by mělo být investováno minimálně 40 % x 4 + x 5 40 pokladniční poukázky mají být koupeny v minimálně dvojnásobném objemu než oba druhy akcií celkem x 3 2(x 1 + x 2 )
7 Optimalizace portfolia celková míra rizika by neměla přesáhnou hodnotu 5 10x 1 + 7x 2 + x 3 + 3x 4 + 5x 5 + 2x 6 x 1 + x 2 + x 3 + x 4 + x 5 + x 6 5
8 Optimalizace portfolia celková míra rizika by neměla přesáhnou hodnotu 5 10x 1 + 7x 2 + x 3 + 3x 4 + 5x 5 + 2x 6 x 1 + x 2 + x 3 + x 4 + x 5 + x 6 5 maximální podíl každé investice je 30 % x j 30, j = 1, 2,..., 6
9 Optimalizace portfolia celková míra rizika by neměla přesáhnou hodnotu 5 10x 1 + 7x 2 + x 3 + 3x 4 + 5x 5 + 2x 6 x 1 + x 2 + x 3 + x 4 + x 5 + x 6 5 maximální podíl každé investice je 30 % podmínky nezápornosti x j 30, j = 1, 2,..., 6 x j 0, j = 1, 2,..., 6
10 Optimalizace portfolia celková míra rizika by neměla přesáhnou hodnotu 5 10x 1 + 7x 2 + x 3 + 3x 4 + 5x 5 + 2x 6 x 1 + x 2 + x 3 + x 4 + x 5 + x 6 5 maximální podíl každé investice je 30 % podmínky nezápornosti x j 30, j = 1, 2,..., 6 x j 0, j = 1, 2,..., 6 Účelová funkce vyjadřuje maximalizaci výnosu z = 0,18x 1 +0,12x 2 +0,065x 3 +0,085x 4 +0,0925x 5 +0,08x 6 max
11 Optimalizace portfolia Celkový model x 1 + x 2 + x 3 + x 4 + x 5 + x 6 = 100 x 4 + x x 1 + 2x 2 x 3 0 5x 1 + 2x 2 4x 3 2x 4 3x 6 0 x j 30, j = 1, 2,..., 6 x j 0, j = 1, 2,..., 6 z = 0,18x 1 +0,12x 2 +0,065x 3 +0,085x 4 +0,0925x 5 +0,08x 6 max
12 Optimalizace portfolia Optimální řešení x = (15, 0, 30, 25, 30, 0), z = 9,55 % akcie A 15 % akcie B nebudou zastoupeny státní pokladniční poukázky 30 % dluhopis A 25 % dluhopis B 30 % depozitní certifikáty nebudou zastoupeny výnos celého portfolia bude 9,55 %
13 Jde o to nalézt extrém (maximum nebo minimum) lineární účelové funkce při splnění podmínek vyjádřených lineárními nerovnicemi (příp. rovnicemi) a podmínkami nezápornosti. Lineární nerovnice převedeme pomocí doplňkových proměnných na rovnice.
14 Rozvrhování reklamy Reklamní agentura dostala zakázku na zpracování měsíční reklamní kampaně jistého produktu (penzijní připojištění). Celkový objem prostředků uvolněný na tuto kampaň je 10 mil. Kč. Pro reklamu přichází do úvahy 5 médií televize, rozhlas, časopisy, noviny a billboardy. Na základě pravidelných průzkumů, které má agentura k dispozici, bylo odhadnuto, že 1000 Kč prostředků vynaložených na reklamu v uvedených pěti médiích povede k oslovení 750, 420, 300, 360 resp. 180 osob.
15 Rozvrhování reklamy Při plánování reklamy je třeba dodržovat omezení, určená zadavatelem zakázky: do televize a rozhlasu dohromady nelze umístit více než 50 % celkového rozpočtu na reklamu, do žádného z pěti médií je třeba umístit alespoň 10 % celkového rozpočtu do každého z pěti médií nelze umístit více než 30 % celkového rozpočtu reklamu je třeba rozvrhnout tak, aby reklamou bylo osloveno alespoň 2,5 mil. osob ve věku od 30 do 50 let, alespoň 0,8 mil. osob v příjmové skupině nad Kč měsíčně, alespoň 1,5 mil. osob s minimálně středoškolským vzděláním.
16 Rozvrhování reklamy Následující tabulka přináší informace týkající se struktury diváků (čtenářů, posluchačů) daných médií z hlediska uvedených hledisek (koeficienty v tabulce udávají vždy počet osob dané kategorie, zasažených reklamou na 1000 Kč vynaložených prostředků): druh média TV rozhlas časopis noviny bilboard věk příjem nad SŠ vzdělání
17 Rozvrhování reklamy V matematickém modelu budou objemy prostředků vynaložených do jednotlivých médií (v milionech Kč) vyjádřeny pomocí 5 proměnných x l (televize), x 2 (rozhlas), x 3 (časopis), x 4 (noviny) a x 5 (billboardy). Omezující podmínky modelu budou vyjadřovat výše uvedené požadavky: celkový rozpočet reklamy nesmí překročit 10 mil. Kč x 1 + x 2 + x 3 + x 4 + x 5 10,
18 Rozvrhování reklamy V matematickém modelu budou objemy prostředků vynaložených do jednotlivých médií (v milionech Kč) vyjádřeny pomocí 5 proměnných x l (televize), x 2 (rozhlas), x 3 (časopis), x 4 (noviny) a x 5 (billboardy). Omezující podmínky modelu budou vyjadřovat výše uvedené požadavky: celkový rozpočet reklamy nesmí překročit 10 mil. Kč x 1 + x 2 + x 3 + x 4 + x 5 10, do televize a rozhlasu maximálně 50 %, tj. 5 mil. Kč x 1 + x 2 5
19 Rozvrhování reklamy V matematickém modelu budou objemy prostředků vynaložených do jednotlivých médií (v milionech Kč) vyjádřeny pomocí 5 proměnných x l (televize), x 2 (rozhlas), x 3 (časopis), x 4 (noviny) a x 5 (billboardy). Omezující podmínky modelu budou vyjadřovat výše uvedené požadavky: celkový rozpočet reklamy nesmí překročit 10 mil. Kč x 1 + x 2 + x 3 + x 4 + x 5 10, do televize a rozhlasu maximálně 50 %, tj. 5 mil. Kč x 1 + x 2 5 dolní mez pro reklamu v každém z médií je 10 % (1 mil. Kč), podobně horní mez je 30 % (3 mil. Kč) 1 x j 3, j = 1,... 5,
20 Rozvrhování reklamy podmínky pro věk, příjmovou skupinu a vzdělání 320x x x x x x x x x x x x x x x Účelová funkce vyjadřuje maximalizaci celkového dopadu reklamy z = 750x x x x x 5 max
21 Optimalizace portfolia Optimální řešení x = (3, 2, 1, 3, 1), z = 4650 televize 3 mil. Kč rozhlas 2 mil. Kč časopisy 1 mil. Kč noviny 3 mil. Kč bilboardy 1 mil. Kč celkový dopad reklamy 4650 osob
22 Hledáme řešení soustavy m lineárních rovnic o n neznámých a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2.. a m1 x 1 + a m2 x a mn x n = b m takové, aby byly splněny podmínky nezápornosti x j 0, j = 1,..., n a aby účelová funkce z = c 1 x 1 + c 2 x c n x n nabývala extrému (maxima resp. minima).
23 předpokládejme, že soustava rovnic má alespoň 1 řešení. V případě m < n má nekonečně mnoho řešení. Smysl mají pouze ta, která splňují podmínky nezápornosti přípustná řešení.
24 předpokládejme, že soustava rovnic má alespoň 1 řešení. V případě m < n má nekonečně mnoho řešení. Smysl mají pouze ta, která splňují podmínky nezápornosti přípustná řešení. přípustné řešení, pro které nabývá účelová funkce maxima (resp. minima) se nazývá optimální řešení.
25 předpokládejme, že soustava rovnic má alespoň 1 řešení. V případě m < n má nekonečně mnoho řešení. Smysl mají pouze ta, která splňují podmínky nezápornosti přípustná řešení. přípustné řešení, pro které nabývá účelová funkce maxima (resp. minima) se nazývá optimální řešení. při hledání optimálního řešení se můžeme omezit jen na základní řešení, kterých je konečně mnoho... ( n m), a která splňují podmínky nezápornosti základní přípustná řešení
26 ZÁKLADNÍ VĚTA LINEÁRNÍHO PROGRAMOVÁNÍ Úloha LP má optimální řešení právě tehdy, když má základní optimální řešení.
27 Příklad Formulace úloh lineárního programování Řešte soustavu nerovnic 7x 1 + 5x x 1 + x x 1 0, x 2 0
28 Příklad Formulace úloh lineárního programování Řešte soustavu nerovnic Soustava lin. rovnic má tvar 7x 1 + 5x x 1 + x x 1 0, x 2 0 7x 1 + 5x 2 + x 1 = 850 x 1 + x 2 + x 2 = 150 x 1 0, x 2 0, x 1 0, x 2 0
29 Příklad Formulace úloh lineárního programování Základní řešení: x 1 = (0, 0, 850, 150) je přípustné x 2 = (0, 150, 100, 0) je přípustné x 3 = (50, 100, 0, 0) je přípustné x 4 = (150, 0, 200, 0) není přípustné x 5 = ( , 0, 0, 7 ) je přípustné x 6 = (0, 170, 0, 20) není přípustné
30 Příklad Formulace úloh lineárního programování Přípustná řešení jsou tedy x 1, x 2, x 3 a x 5. Budeme-li hledat maximum účelové funkce z = 7x 1 + 6x 2, stačí určit hodnoty této funkce v jednotlivých přípustných řešeních.
31 Příklad Formulace úloh lineárního programování Přípustná řešení jsou tedy x 1, x 2, x 3 a x 5. Budeme-li hledat maximum účelové funkce z = 7x 1 + 6x 2, stačí určit hodnoty této funkce v jednotlivých přípustných řešeních. z 1 = = 0
32 Příklad Formulace úloh lineárního programování Přípustná řešení jsou tedy x 1, x 2, x 3 a x 5. Budeme-li hledat maximum účelové funkce z = 7x 1 + 6x 2, stačí určit hodnoty této funkce v jednotlivých přípustných řešeních. z 1 = = 0 z 2 = = 900
33 Příklad Formulace úloh lineárního programování Přípustná řešení jsou tedy x 1, x 2, x 3 a x 5. Budeme-li hledat maximum účelové funkce z = 7x 1 + 6x 2, stačí určit hodnoty této funkce v jednotlivých přípustných řešeních. z 1 = = 0 z 2 = = 900 z 3 = = 950
34 Příklad Formulace úloh lineárního programování Přípustná řešení jsou tedy x 1, x 2, x 3 a x 5. Budeme-li hledat maximum účelové funkce z = 7x 1 + 6x 2, stačí určit hodnoty této funkce v jednotlivých přípustných řešeních. z 1 = = 0 z 2 = = 900 z 3 = = 950 z 5 = = 850
35 Příklad Formulace úloh lineárního programování Přípustná řešení jsou tedy x 1, x 2, x 3 a x 5. Budeme-li hledat maximum účelové funkce z = 7x 1 + 6x 2, stačí určit hodnoty této funkce v jednotlivých přípustných řešeních. z 1 = = 0 z 2 = = 900 z 3 = = 950 z 5 = = 850 Optimální řešení je tedy x 3 = (50, 100, 0, 0) s hodnotou účelové funkce z = 950.
36 Příklad Formulace úloh lineárního programování Najdeme nyní maximální hodnotu účelové funkce při platnosti stejných omezení. z = 2x 1 + 7x 2
37 Příklad Formulace úloh lineárního programování Najdeme nyní maximální hodnotu účelové funkce z = 2x 1 + 7x 2 při platnosti stejných omezení. z 1 = = 0
38 Příklad Formulace úloh lineárního programování Najdeme nyní maximální hodnotu účelové funkce při platnosti stejných omezení. z 1 = = 0 z 2 = = 1050 z = 2x 1 + 7x 2
39 Příklad Formulace úloh lineárního programování Najdeme nyní maximální hodnotu účelové funkce při platnosti stejných omezení. z 1 = = 0 z 2 = = 1050 z 3 = = 800 z = 2x 1 + 7x 2
40 Příklad Formulace úloh lineárního programování Najdeme nyní maximální hodnotu účelové funkce při platnosti stejných omezení. z 1 = = 0 z 2 = = 1050 z 3 = = 800 z 5 = = z = 2x 1 + 7x 2
41 Příklad Formulace úloh lineárního programování Najdeme nyní maximální hodnotu účelové funkce při platnosti stejných omezení. z 1 = = 0 z 2 = = 1050 z 3 = = 800 z 5 = = z = 2x 1 + 7x 2 Optimální řešení je tedy x 2 = (0, 150, 100, 0) s hodnotou účelové funkce z = 1050.
42 Při řešení úlohy lineárního programování hledáme takové řešení, které vyhovuje jak vlastním omezením (ty jsou dány soustavou lin. rovnic a nerovnic), tak i podmínkám nezápornosti. Množina přípustných řešení tvoří konvexní množinu.
43 Při řešení úlohy lineárního programování hledáme takové řešení, které vyhovuje jak vlastním omezením (ty jsou dány soustavou lin. rovnic a nerovnic), tak i podmínkám nezápornosti. Množina přípustných řešení tvoří konvexní množinu. Krajní body konvexní množiny odpovídají základním přípustným řešením. Optimální řešení budeme hledat mezi přípustnými základními řešeními.
44 Věta Je-li množina všech přípustných řešení konvexní množina, pak funkce z = c 1 x c n x n nabývá svého extrému v některém z krajních bodů konvexní množiny.
45 Věta Jsou-li x 1 a x 2 dvě přípustná řešení úlohy LP, pak i každé je přípustným řešením. x = (1 λ) x 1 + λ x 2, λ 0, 1
46 Věta Jsou-li x 1 a x 2 dvě přípustná řešení úlohy LP, pak i každé je přípustným řešením. x = (1 λ) x 1 + λ x 2, λ 0, 1 Pozn. Jestliže funkce z nabývá extrému ve více krajních bodech (vrcholech) konvexní množiny, pak nabývá téže hodnoty i v libovolném bodě úsečky spojující tyto body.
47 Příklad Formulace úloh lineárního programování Nakreslete množinu přípustných řešení a zakreslete základní řešení dané soustavy. 7x 1 + 5x x 1 + x x 1, x 2 0
48 Příklad Formulace úloh lineárního programování
49 nejedná se o univerzální metodu
50 nejedná se o univerzální metodu lze řešit jen úlohy o 2 proměnných (3 proměnných)
51 Postup sestavíme matematický model dané úlohy
52 Postup sestavíme matematický model dané úlohy přípustná řešení tvoří konvexní množinu v E 2
53 Postup sestavíme matematický model dané úlohy přípustná řešení tvoří konvexní množinu v E 2 zakreslíme tuto množinu do souřadnicové soustavy (průnik polorovin)
54 Postup sestavíme matematický model dané úlohy přípustná řešení tvoří konvexní množinu v E 2 zakreslíme tuto množinu do souřadnicové soustavy (průnik polorovin) optimální řešení nalezneme pomocí grafického vyjádření účelové funkce z = c 1 x 1 + c 2 x 2
55 Postup sestavíme matematický model dané úlohy přípustná řešení tvoří konvexní množinu v E 2 zakreslíme tuto množinu do souřadnicové soustavy (průnik polorovin) optimální řešení nalezneme pomocí grafického vyjádření účelové funkce z = c 1 x 1 + c 2 x 2 c 1 x 1 + c 2 x 2 = konst je rovnicí přímky s normálovým vektorem n = (c 1, c 2 )
56 grafickým vyjádřením účelové funkce je libovolná přímka kolmá na normálový vektor n = (c 1, c 2 )
57 grafickým vyjádřením účelové funkce je libovolná přímka kolmá na normálový vektor n = (c 1, c 2 ) nakreslenou účelovou funkci rovnoběžně posuneme ve směru normálového vektoru n tak, aby procházela alespoň jedním bodem množiny přípustných řešení
58 grafickým vyjádřením účelové funkce je libovolná přímka kolmá na normálový vektor n = (c 1, c 2 ) nakreslenou účelovou funkci rovnoběžně posuneme ve směru normálového vektoru n tak, aby procházela alespoň jedním bodem množiny přípustných řešení její vzdálenost od počátku souřadného systému byl maximální (u maximalizačních úloh), resp. minimální (u minimalizačních úloh)
59 Příklad Formulace úloh lineárního programování Grafickou metodou řešte úlohu LP 7x 1 + 5x x 1 + x x 1 0, x 2 0 pro účelové funkce a) z = 7x 1 + 6x 2, b) z = 2x 1 + 7x 2.
60 Příklad Formulace úloh lineárního programování Obrázek: Řešení pro z = 7x 1 + 6x 2
61 Příklad Formulace úloh lineárního programování Obrázek: Řešení pro z = 7x 1 + 6x 2
62 Počet optimálních řešení právě jedno přímka prochází právě 1 bodem množiny přípustných řešení
63 Počet optimálních řešení právě jedno přímka prochází právě 1 bodem množiny přípustných řešení nekonečně mnoho přímka prochází nekonečně mnoha body množiny přípustných řešení
64 Počet optimálních řešení právě jedno přímka prochází právě 1 bodem množiny přípustných řešení nekonečně mnoho přímka prochází nekonečně mnoha body množiny přípustných řešení neexistuje žádné optimální řešení
Lineární programování
24.9.205 Lineární programování Radim Farana Podklady pro výuku pro akademický rok 203/204 Obsah Úloha lineárního programování. Formulace úlohy lineárního programování. Typické úlohy lineárního programování.
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
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
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
Více4EK311 Operační výzkum. 2. Lineární programování
4EK311 Operační výzkum 2. Lineární programování 2.2 Matematický model úlohy LP Nalézt extrém účelové funkce z = c 1 x 1 + c 2 x 2 + + c n x n na soustavě vlastních omezení a 11 x 1 + a 12 x 2 + a 13 x
VíceKonvexní množiny Formulace úloh lineárního programování. Jiří Neubauer. Katedra ekonometrie FEM UO Brno
Přednáška č. 2 Katedra ekonometrie FEM UO Brno Euklidovský prostor E n Pod pojmem n-rozměrný euklidovský prostor budeme rozumnět prostor, jehož prvky jsou uspořádané n-tice reálných čísel X = (x 1, x 2,...,
Vícee-mail: RadkaZahradnikova@seznam.cz 1. července 2010
Optimální výrobní program Radka Zahradníková e-mail: RadkaZahradnikova@seznam.cz 1. července 2010 Obsah 1 Lineární programování 2 Simplexová metoda 3 Grafická metoda 4 Optimální výrobní program Řešení
Více4EK201 Matematické modelování. 2. Lineární programování
4EK201 Matematické modelování 2. Lineární programování 2.1 Podstata operačního výzkumu Operační výzkum (výzkum operací) Operational research, operations research, management science Soubor disciplín zaměřených
VíceExtrémy funkce dvou proměnných
Extrémy funkce dvou proměnných 1. Stanovte rozměry pravoúhlé vodní nádrže o objemu 32 m 3 tak, aby dno a stěny měly nejmenší povrch. Označme rozměry pravoúhlé nádrže x, y, z (viz obr.). ak objem této nádrže
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)
Více4EK212 Kvantitativní management. 2. Lineární programování
4EK212 Kvantitativní management 2. Lineární programování 1.7 Přídatné proměnné Přídatné proměnné jsou nezáporné Mají svoji ekonomickou interpretaci, která je odvozena od ekonomické interpretace omezení
VíceFunkce - pro třídu 1EB
Variace 1 Funkce - pro třídu 1EB Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv využití výukového materiálu je povoleno pouze s odkazem na www.jarjurek.cz. 1. Funkce Funkce je přiřazení, které každému
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
Více15. Soustava lineárních nerovnic - optimalizace
@173 15. Soustava lineárních nerovnic - optimalizace Jak jsme se dozvěděli v 3. lekci tohoto kurzu, je obrazem rovnice ax + by + c = 0, a,b,c R (a; b) (0; 0) přímka a obrazem nerovnic ax + by + c 0, a,b,c
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
VíceKvadratickou funkcí se nazývá každá funkce, která je daná rovnicí. Definičním oborem kvadratické funkce je množina reálných čísel.
Kvadratická funkce Kvadratickou funkcí se nazývá každá funkce, která je daná rovnicí y = ax 2 + bx + c Číslo a je různé od nuly, b,c jsou libovolná reálná čísla. Definičním oborem kvadratické funkce je
VíceNejprve si uděláme malé opakování z kurzu Množiny obecně.
@021 3. Řešení grafické přímka v kartézské soustavě souřadnic Nejprve si uděláme malé opakování z kurzu Množiny obecně. Rovnice ax + by + c = 0, kde aspoň jedno z čísel a,b je různé od nuly je v kartézské
VíceFunkce a lineární funkce pro studijní obory
Variace 1 Funkce a lineární funkce pro studijní obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Funkce
VíceEkonomická formulace. Matematický model
Ekonomická formulace Firma balící bonboniéry má k dispozici 60 čokoládových, 60 oříškových a 85 karamelových bonbónů. Může vyrábět dva druhy bonboniér. Do první bonboniéry se dávají dva čokoládové, šest
VíceMatematika I, část I. Rovnici (1) nazýváme vektorovou rovnicí roviny ABC. Rovina ABC prochází bodem A a říkáme, že má zaměření u, v. X=A+r.u+s.
3.4. Výklad Předpokládejme, že v prostoru E 3 jsou dány body A, B, C neležící na jedné přímce. Těmito body prochází jediná rovina, kterou označíme ABC. Určíme vektory u = B - A, v = C - A, které jsou zřejmě
Více4EK212 Kvantitativní management. 3. Typické úlohy LP
4EK212 Kvantitativní management 3. Typické úlohy LP 3. Typické úlohy LP a ILP Úlohy výrobního plánování (alokace zdrojů) Úlohy finančního plánování (optimalizace portfolia) Úlohy reklamního plánování (plánování
VíceParametrické programování
Parametrické programování Příklad 1 Parametrické pravé strany Firma vyrábí tři výrobky. K jejich výrobě potřebuje jednak surovinu a jednak stroje, na kterých dochází ke zpracování. Na první výrobek jsou
VíceMatematický model. omezující podmínky. Tab. 2.1 Prvky ekonomického a matematického modelu
16 Čeho chceme dosáhnout? Co můžeme ovlivnit? Jaké jsou překážky? Ekonomický model cíl analýzy procesy činitelé Matematický model účelová funkce proměnné omezující podmínky Příklady maximalizace zisku
Více4EK213 Lineární modely. 12. Dopravní problém výchozí řešení
4EK213 Lineární modely 12. Dopravní problém výchozí řešení 12. Distribuční úlohy LP Úlohy výrobního plánování (alokace zdrojů) Úlohy finančního plánování (optimalizace portfolia) Úlohy reklamního plánování
VíceLineární funkcí se nazývá každá funkce, která je daná rovnicí y = ax + b, kde a, b jsou reálná čísla.
Lineární funkce Lineární funkcí se nazývá každá funkce, která je daná rovnicí y = ax + b, kde a, b jsou reálná čísla. Číslo b je hodnota funkce f v bodě 0. Definičním oborem lineární funkce je množina
VíceVZÁJEMNÁ POLOHA DVOU PŘÍMEK
VZÁJEMNÁ POLOHA DVOU PŘÍMEK VZÁJEMNÁ POLOHA DVOU PŘÍMEK p: a x b y c 0 q: a x b y c 0 ROVNOBĚŽNÉ PŘÍMKY (RŮZNÉ) nemají žádný společný bod, můžeme určit jejich vzdálenost, jejich odchylka je 0. Normálové
VíceŘešení 1b Máme najít body, v nichž má funkce (, ) vázané extrémy, případně vázané lokální extrémy s podmínkou (, )=0, je-li: (, )= +,
Příklad 1 Najděte body, v nichž má funkce (,) vázané extrémy, případně vázané lokální extrémy s podmínkou (,)=0, je-li: a) (,)= + 1, (,)=+ 1 lok.max.v 1 2,3 2 b) (,)=+, (,)= 1 +1 1 c) (,)=, (,)=+ 1 lok.max.v
Více4EK213 Lineární modely. 5. Dualita v úlohách LP
4EK213 Lineární modely 5. Dualita v úlohách LP 5. Dualita v úlohách LP Obecné vyjádření simplexové tabulky Formulace duálního problému Formulace symetrického duálního problému Formulace nesymetrického
VíceKOMPLEXNÍ ČÍSLA INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
KOMPLEXNÍ ČÍSLA 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 INVESTICE
Více4EK212 Kvantitativní management. 1. Úvod do kvantitativního managementu a LP
4EK212 Kvantitativní management 1. Úvod do kvantitativního managementu a LP Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka
VíceCVIČNÝ TEST 22. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 13 IV. Záznamový list 15
CVIČNÝ TEST 22 Mgr. Tomáš Kotler OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 13 IV. Záznamový list 15 I. CVIČNÝ TEST VÝCHOZÍ TEXT K ÚLOZE 1 Kontroloři Státní zemědělské a potravinářské inspekce
Více3. ANTAGONISTICKÉ HRY
3. ANTAGONISTICKÉ HRY ANTAGONISTICKÝ KONFLIKT Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku,
VícePříklady k analytické geometrii kružnice a vzájemná poloha kružnice a přímky
Příklady k analytické geometrii kružnice a vzájemná poloha kružnice a přímky Př. 1: Určete rovnice všech kružnic, které procházejí bodem A = * 6; 9+, mají střed na přímce p: x + 3y 18 = 0 a jejich poloměr
VíceDefinice globální minimum (absolutní minimum) v bodě A D f, jestliže X D f
Výklad Globální extrémy mají stejný význam jako u funkcí jedné proměnné. Hledáme je bud na celém definičním oboru dané funkce, nebo na předem zadané podmnožině definičního oboru. Definice 6..1. Řekneme,
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
VíceMatematika pro informatiky
(FIT ČVUT v Praze) Konvexní analýza 13.týden 1 / 1 Matematika pro informatiky Jaroslav Milota Fakulta informačních technologíı České vysoké učení technické v Praze Letní semestr 2010/11 Extrémy funkce
VíceANTAGONISTICKE HRY 172
5 ANTAGONISTICKÉ HRY 172 Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku, jejíž výše nezávisí
Více4EK213 Lineární modely. 10. Celočíselné programování
4EK213 Lineární modely 10. Celočíselné programování 10.1 Matematický model úlohy ILP Nalézt extrém účelové funkce z = c 1 x 1 + c 2 x 2 + + c n x n na soustavě vlastních omezení a 11 x 1 + a 12 x 2 + a
VíceProjekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci
Projekt OPVK - CZ.1.07/1.1.00/26.0047 Matematika pro všechny Univerzita Palackého v Olomouci Tematický okruh: Závislosti a funkční vztahy Gradovaný řetězec úloh Téma: Kvadratická funkce Autor: Kubešová
VíceOPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB D24FZS
OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb Anotace: Optimalizace objektů pozemních staveb
VíceDIPLOMOVÁ PRÁCE. Petra Váchová Lineární programování ve výuce na střední
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Petra Váchová Lineární programování ve výuce na střední škole Katedra didaktiky matematiky Vedoucí diplomové práce: RNDr. Pavla
VíceFunkce pro studijní obory
Variace 1 Funkce pro studijní obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Funkce Funkce je přiřazení,
VíceVEKTOR. Vymyslete alespoň tři příklady vektorových a skalárních fyzikálních veličin. vektorové: 1. skalární
VEKTOR Úvod Vektor je abstraktní pojem sloužící k vyjádření jistého směru a velikosti. S vektorovými veličinami se setkáváme například ve fyzice. Jde o veličiny, u nichž je rozhodující nejen velikost,
VíceEKONOMICKO-MATEMATICKÉ METODY
UNIVERZITA OBRANY KATEDRA EKONOMETRIE UČEBNÍ TEXT PRO DISTANČNÍ STUDIUM EKONOMICKO-MATEMATICKÉ METODY RNDr. Michal ŠMEREK doc. RNDr. Jiří MOUČKA, Ph.D. B r n o 2 0 0 8 Anotace: Skriptum Ekonomicko-matematické
VíceFunkce pro učební obory
Variace 1 Funkce pro učební obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Funkce Funkce je přiřazení,
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,
VíceDalší polohové úlohy
5.1.16 alší polohové úlohy Předpoklady: 5115 Průniky přímky s tělesem Př. 1: Je dána standardní krychle. Sestroj průnik přímky s krychlí pokud platí: leží na polopřímce, =, leží na polopřímce, =. Příklad
VíceKapitola 4: Průběh funkce 1/11
Kapitola 4: Průběh funkce 1/11 Funkce monotonní 2/11 Věta: Necht je f spojitá a má derivaci na intervalu I. Potom platí (i) Je-li f (x) > 0 na I, je f rostoucí na I. (ii) Je-li f (x) 0 na I, je f neklesající
Více2.2 Grafické ešení úloh LP
2. Lineární programování 21 zabránili záporným hodnotám produkce, nezabývali jsme se pípady, kdy jako výsledný objem produkce získáme desetinné číslo. Nápravu lze snadno sjednat zahrnutím tzv. podmínek
VíceLineární programování
Lineární programování Úlohy LP patří mezi takové úlohy matematického programování, ve kterých jsou jak kriteriální funkce, tak i všechny rovnice a nerovnice podmínek výhradně tvořeny lineárními výrazy.
VíceCVIČNÝ TEST 42. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 13 IV. Záznamový list 15
CVIČNÝ TEST 42 Mgr. Tomáš Kotler OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 13 IV. Záznamový list 15 I. CVIČNÝ TEST VÝCHOZÍ TEXT A OBRÁZEK K ÚLOZE 1 Na číselné ose jsou zakresleny obrazy čísel
VíceDiferenciální počet 1 1. f(x) = ln arcsin 1 + x 1 x. 1 x 1 a x 1 0. f(x) = (cos x) cosh x + 3x. x 0 je derivace funkce f(x) v bodě x0.
Nalezněte definiční obor funkce Diferenciální počet f = ln arcsin + Definiční obor funkce f je určen vztahy Z těchto nerovností plyne < + ln arcsin + je tedy D f =, Určete definiční obor funkce arcsin
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
Více7. 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
VíceOptimalizace úvěrových nabídek. EmbedIT 7.11.2013 Tomáš Hanžl
Optimalizace úvěrových nabídek EmbedIT 7.11.2013 Tomáš Hanžl Obsah Spotřebitelský úvěr Popis produktu Produktová definice v HC Kalkulace úvěru Úloha nalezení optimálního produktu Shrnutí Spotřebitelský
VíceGymnázium Jiřího Ortena, Kutná Hora. Průřezová témata Poznámky. Téma Školní výstupy Učivo (pojmy) volné rovnoběžné promítání průmětna
Předmět: Matematika Náplň: Stereometrie, Analytická geometrie Třída: 3. ročník a septima Počet hodin: 4 hodiny týdně Pomůcky: PC a dataprojektor, učebnice Stereometrie Volné rovnoběžné promítání Zobrazí
VíceMetody lineární optimalizace Simplexová metoda. Distribuční úlohy
Metody lineární optimalizace Simplexová metoda Dvoufázová M-úloha Duální úloha jednofázová Post-optimalizační analýza Celočíselné řešení Metoda větví a mezí Distribuční úlohy 1 OÚLP = obecná úloha lineárního
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
VíceMatematika 1 MA1. 1 Analytická geometrie v prostoru - základní pojmy. 4 Vzdálenosti. 12. přednáška ( ) Matematika 1 1 / 32
Matematika 1 12. přednáška MA1 1 Analytická geometrie v prostoru - základní pojmy 2 Skalární, vektorový a smíšený součin, projekce vektoru 3 Přímky a roviny 4 Vzdálenosti 5 Příčky mimoběžek 6 Zkouška;
VíceGrafické řešení rovnic a jejich soustav
.. Grafické řešení rovnic a jejich soustav Předpoklady: 003 Pedagogická poznámka: V této hodině kreslíme na čtverečkovaný papír tak, aby jeden čtvereček představovala vzdálenost. Př. : Vyřeš graficky soustavu
VíceAPLIKACE. Poznámky Otázky
APLIKACE Následující úlohy lze zhruba rozdělit na geometrické, algebraické a úlohy popisující různé stavy v některých oblastech jiných věd, např. fyziky nebo ekonomie. GEOMETRICKÉ ÚLOHY Mezi typické úlohy
VíceAnalytická geometrie v prostoru
Analytická geometrie v prostoru Jméno autora: Ivana Dvořáková Období vytvoření: prosinec 2012 Ročník: 4. ročník střední odborné školy Tematická oblast: Matematické vzdělávání Předmět: Matematika 4. ročník
Více4EK311 Operační výzkum. 4. Distribuční úlohy LP část 1
4EK311 Operační výzkum 4. Distribuční úlohy LP část 1 4. Distribuční úlohy LP Úlohy výrobního plánování (alokace zdrojů) Úlohy finančního plánování (optimalizace portfolia) Úlohy reklamního plánování (plánování
VíceFunkce v ıce promˇ enn ych Extr emy Pˇredn aˇska p at a 12.bˇrezna 2018
Funkce více proměnných Extrémy Přednáška pátá 12.března 2018 Zdroje informací Diferenciální počet http://homen.vsb.cz/~kre40/esfmat2/fceviceprom.html http://www.studopory.vsb.cz/studijnimaterialy/sbirka_uloh/pdf/7.pdf
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,
VíceAnalytická geometrie lineárních útvarů
) Na přímce: a) Souřadnice bodu na přímce: Analtická geometrie lineárních útvarů Bod P nazýváme počátek - jeho souřadnice je P [0] Nalevo od počátku leží čísla záporná, napravo čísla kladná. Každý bod
VíceINVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.0141 Báze vektorových prostorů, transformace souřadnic Michal Botur Přednáška
VíceO nerovnostech. In: František Veselý (author): O nerovnostech. (Czech). Praha: Mladá fronta, pp
O nerovnostech 8. Lineární programování In: František Veselý (author): O nerovnostech. (Czech). Praha: Mladá fronta, 1963. pp. 58 70. Persistent URL: http://dml.cz/dmlcz/403477 Terms of use: František
VíceKapitola 4: Průběh funkce 1/11
Kapitola 4: Průběh funkce 1/11 Funkce monotonní 2/11 Věta: Necht je f spojitá a má derivaci na intervalu I. Potom platí (i) Je-li f (x) > 0 na I, je f rostoucí na I. (ii) Je-li f (x) 0 na I, je f neklesající
VíceÚvod do optimalizace Matematické metody pro ITS (11MAMY)
Úvod do optimalizace Matematické metody pro ITS (11MAMY) Jan Přikryl (volně dle M.T. Heathe) 10. přednáška 11MAMY úterý 22. března 2016 verze: 2016-04-01 16:10 Obsah Optimalizační problém 1 Definice 1
VíceAritmetika s didaktikou I.
Katedra matematiky PF UJEP Aritmetika s didaktikou I. KM1 / 0001 Přednáška 12 Diofantovské rovnice O čem budeme hovořit: Lineární neurčité rovnice a jejich řešení Diofantovské rovnice a jejich řešení Začněme
Více7 Konvexní množiny. min c T x. při splnění tzv. podmínek přípustnosti, tj. x = vyhovuje podmínkám: A x = b a x i 0 pro každé i n.
7 Konvexní množiny Motivace. Lineární programování (LP) řeší problém nalezení minima (resp. maxima) lineárního funkcionálu na jisté konvexní množině. Z bohaté škály úloh z této oblasti jmenujme alespoň
Více1 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)
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 Mgr. Sekničková Jana, Ph.D. GARANT KURZU Prof. Ing. Josef Jablonský, CSc. Místnost: NB 437 Konzultační hodiny: úterý 13:00 15:00 E-mail: jablon@vse.cz
Více14. přednáška. Přímka
14 přednáška Přímka Začneme vyjádřením přímky v prostoru Přímku v prostoru můžeme vyjádřit jen parametricky protože obecná rovnice přímky v prostoru neexistuje Přímka v prostoru je určena bodem A= [ a1
VíceSoustavy lineárních rovnic
Přednáška MATEMATIKA č 4 Katedra ekonometrie FEM UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz 27 10 2010 Soustava lineárních rovnic Definice Soustava rovnic a 11 x 1 + a 12 x 2 + + a
Více4EK213 Lineární modely. 4. Simplexová metoda - závěr
4EK213 Lineární modely 4. Simplexová metoda - závěr 4. Simplexová metoda - závěr Konečnost simplexové metody Degenerace Modifikace pravidla pro volbu vstupující proměnné Blandovo pravidlo Kontrola výpočtu
Více11 Vzdálenost podprostorů
11 Vzdálenost podprostorů 11.1 Vzdálenost bodů Eukleidovský bodový prostor E n = afinní bodový prostor, na jehož zaměření je definován skalární součin. (Pech:AGLÚ/str.126) Definováním skalárního součinu
VícePŘÍMKA A JEJÍ VYJÁDŘENÍ V ANALYTICKÉ GEOMETRII
PŘÍMKA A JEJÍ VYJÁDŘENÍ V ANALYTICKÉ GEOMETRII V úvodu analytické geometrie jsme vysvětlili, že její hlavní snahou je popsat geometrické útvary (body, vektory, přímky, kružnice,...) pomocí čísel nebo proměnných.
VícePříklad 1 ŘEŠENÉ PŘÍKLADY Z M1A ČÁST 6
Příklad 1 Vyšetřete průběh funkce: a) = b) = c) = d) =ln1+ e) =ln f) = Poznámka K vyšetřování průběhu funkce použijeme postup uvedený v zadání. Některé kroky nejsou již tak detailní, všechny by ale měly
VíceDERIVACE. ln 7. Urči, kdy funkce roste a klesá a dále kdy je konkávní a
DERIVACE 1. Zderivuj funkci y = ln 2 (sin x + tg x 2 ) 2. Zderivuj funkci y = 2 e x2 cos x 3. Zderivuj funkci y = 3 e sin2 (x 2 ) 4. Zderivuj funkci y = x3 +2x 2 +sin x x 5. Zderivuj funkci y = cos2 x
VíceIX. Vyšetřování průběhu funkce
IX. Vyšetřování průběhu funkce Úvodní poznámky: Cíl: vyšetřit průběh dané funkce f. Zahrnuje: základní vlastnosti: D(f), spojitost, limity v krajních bodech, průsečíky s osami souřadnic, intervaly, kde
VíceAB = 3 CB B A = 3 (B C) C = 1 (4B A) C = 4; k ]
1. část 1. (u 1, u 2, u, u 4 ) je kladná báze orientovaného vektorového prostoru V 4. Rozhodněte, zda vektory (u, 2u 1 + u 4, u 4 u, u 2 ) tvoří kladnou, resp. zápornou bázi V 4. 0 2 0 0 0 0 0 1 0 2 0
VíceVektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3,
Vektorový prostor Příklady: Př.1. R 2 ; R 3 ; R n...aritmetický n-rozměrný prostor Dvě operace v R n : součet vektorů u = (u 1,...u n ) a v = (v 1,...v n ) je vektor u + v = (u 1 + v 1,...u n + v n ),
VíceKRUŽNICE, KRUH, KULOVÁ PLOCHA, KOULE
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 KRUŽNICE,
VíceCVIČNÝ TEST 3. OBSAH I. Cvičný test 2. Mgr. Zdeňka Strnadová. II. Autorské řešení 7 III. Klíč 17 IV. Záznamový list 19
CVIČNÝ TEST 3 Mgr. Zdeňka Strnadová OBSAH I. Cvičný test 2 II. Autorské řešení 7 III. Klíč 17 IV. Záznamový list 19 I. CVIČNÝ TEST VÝCHOZÍ TEXT K ÚLOZE 1 Jsou dány intervaly A = ( ; 2), B = 1; 3, C = 0;
VíceA[a 1 ; a 2 ; a 3 ] souřadnice bodu A v kartézské soustavě souřadnic O xyz
1/15 ANALYTICKÁ GEOMETRIE Základní pojmy: Soustava souřadnic v rovině a prostoru Vzdálenost bodů, střed úsečky Vektory, operace s vektory, velikost vektoru, skalární součin Rovnice přímky Geometrie v rovině
VíceZásady investiční politiky hl. m. Prahy při zhodnocování volných finančních prostředků
Příloha č. 1 k usnesení Rady č. 1253 ze dne 30. 8. 2011 Zásady investiční politiky hl. m. Prahy při zhodnocování volných finančních prostředků ) Základní principy strategie při zhodnocování dočasně volných
VíceZáklady matematiky pracovní listy
Dagmar Dlouhá, Michaela Tužilová Katedra matematiky a deskriptivní geometrie VŠB - Technická univerzita Ostrava Úvod Pracovní listy jsou určeny pro předmět Základy matematiky vyučovaný Katedrou matematiky
VíceSystémové modelování. Ekonomicko matematické metody I. Lineární programování
Ekonomicko matematické metody I. Lineární programování Modelování Modelování je způsob zkoumání reality, při němž složitost, chování a další vlastnosti jednoho celku vyjadřujeme složitostí, chováním a
VíceAplikovaná matematika I
Metoda nejmenších čtverců Aplikovaná matematika I Dana Říhová Mendelu Brno c Dana Říhová (Mendelu Brno) Metoda nejmenších čtverců 1 / 8 Obsah 1 Formulace problému 2 Princip metody nejmenších čtverců 3
Víceobecná rovnice kružnice a x 2 b y 2 c x d y e=0 1. Napište rovnici kružnice, která má střed v počátku soustavy souřadnic a prochází bodem A[-3;2].
Kružnice množina bodů, které mají od středu stejnou vzdálenost pojmy: bod na kružnici X [x, y]; poloměr kružnice r pro střed S[0; 0]: SX =r x 0 2 y 0 2 =r x 2 y 2 =r 2 pro střed S[m; n]: SX =r x m 2 y
VíceMatematika 5 FSV UK, ZS Miroslav Zelený
Matematika 5 FSV UK, ZS 2018-19 Miroslav Zelený 1. Stabilita řešení soustav diferenciálních rovnic 2. Úvod do variačního počtu 3. Globální extrémy 4. Teorie optimálního řízení 5. Různé 1. Stabilita řešení
VíceMATEMATIKA vyšší úroveň obtížnosti
MATEMATIKA vyšší úroveň obtížnosti DIDAKTICKÝ TEST MAMVD2C0T0 Maximální bodové hodnocení: 50 bodů Hranice úspěšnosti: 33 % Základní informace k zadání zkoušky Didaktický test obsahuje 23 úloh. Časový limit
VíceZáklady matematiky pro FEK
Základy matematiky pro FEK 3. přednáška Blanka Šedivá KMA zimní semestr 2016/2017 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 2016/2017 1 / 21 Co nás dneska čeká... Co je to soustava lineárních
VíceMATEMATIKA II - vybrané úlohy ze zkoušek (2015)
MATEMATIKA II - vybrané úlohy ze zkoušek (2015) doplněné o další úlohy 24. 2. 2015 Nalezené nesrovnalosti ve výsledcích nebo připomínky k tomuto souboru sdělte laskavě F. Mrázovi (e-mail: Frantisek.Mraz@fs.cvut.cz
Více6 Simplexová metoda: Principy
6 Simplexová metoda: Principy V této přednášce si osvětlíme základy tzv. simplexové metody pro řešení úloh lineární optimalizace. Tyto základy zahrnují přípravu kanonického tvaru úlohy, definici a vysvětlení
VíceUrci parametricke vyjadreni primky zadane body A[2;1] B[3;3] Urci, zda bod P [-3;5] lezi na primce AB, kde A[1;1] B[5;-3]
1 Parametricke vyjadreni primky Priklad 16 Priklad 17 Priklad 18 jestlize Urci parametricke vyjadreni primky zadane body A[2;1] B[3;3] Urci, zda bod P [-3;5] lezi na primce AB, kde A[1;1] B[5;-3] Urci,
VíceX = A + tu. Obr x = a 1 + tu 1 y = a 2 + tu 2, t R, y = kx + q, k, q R (6.1)
.6. Analtická geometrie lineárních a kvadratických útvarů v rovině. 6.1. V této kapitole budeme studovat geometrické úloh v rovině analtick, tj. lineární a kvadratické geometrické útvar vjádříme pomocí
VíceKOMPLEXNÍ ČÍSLA INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky
KOMPLEXNÍ ČÍSLA 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 INVESTICE
Více