Vzorový příklad na rozhodování BPH_ZMAN

Rozměr: px
Začít zobrazení ze stránky:

Download "Vzorový příklad na rozhodování BPH_ZMAN"

Transkript

1 Vzorový příklad a rozhodováí BPH_ZMAN Základí charakteristiky a začeí symbol verbálí vyjádřeí iterval C g g-tý cíl g = 1,.. s V i i-tá variata i = 1,.. m K j j-té kriterium j = 1,.. v j x ij u ij váha j-tého kriteria hodota i-té variaty dle j-tého kriteria užitek i-té variaty dle j-tého kriteria S k k-tý scéář k = 1,.. t p k pravděpodobost k-tého scéáře 1) Jedokriteriálí rozhodováí za podmíek jistoty Pa Novák se rozhodl koupit ové auto a je pro ěj rozhodující pouze ejižší cea. Předpokládejme, že paa Nováka v tuto chvíli ezajímají žádé jié parametry, ebo vybral pouze ty modely automobilů, které zcela odpovídají jeho požadavkům a jsou pro všechy vybraé variaty stejé. Pa Novák se rozhoduje mezi třemi modely, které jsou pro ěj variatami ve smyslu rozhodováí, a. Cea prvího modelu je ,- Kč, cea druhého ,- Kč, cea třetího ,- Kč a cea čtvrtého je ,- Kč, přičemž cey jsou jasě daé a ebudou se za žádých okolostí měit. Možé variaty tedy posuzujeme výhradě podle jedoho kritéria. Protože je kritérium pouze jedo, je jeho váha (výzam pro rozhodovatele) rova 1,0. (Pokud by bylo kritérií více, součet jejich vah musí dávat 1,0.) Situaci shruje ásledující tabulka. Cea (K 1 ) v i 1,0 (v 1) , , ,- V ,- Z tabulky i ze zadáí je zřejmé, že v tomto případě zvolí pa Novák variatu, tedy model, jehož cea je ejižší.

2 2) Vícekriteriálí rozhodováí za podmíek jistoty Předpokládejme yí, že pa Novák změil své požadavky. Protože se ožeil a založil rodiu, zajímá jej eje cea vozu, ale i počet dveří, kvůli pohodlému usazeí dětských sedaček. V každém případě chce, aby měl vůz zadí pár dveří a kufr, tj. celkem 5 dveří. Paa Nováka dále zajímá spotřeba pohoých hmot (pro zjedodušeí uvažujme jede typ) čím méě, tím lépe. Důležitá je také záruka vozu (tetokrát je však úměra obráceá čím delší záruka, tím lépe) a výše poviého ručeí. Všecha zmíěá kritéria jsou pro paa Nováka stejě důležitá a váhy se proto rozloží rovoměrě, pouze u počtu dveří se jedá o kritérium, které musí být za všech okolostí splěo a eí možé jej vyvážit úžasými vlastostmi v jié oblasti. Variaty, které toto kritérium esplí, budou z rozhodováí vyloučey. Pa Novák si všechy údaje zapsal do ásledující tabulky: K i Cea (K 1 ) Povié ručeí (K 4 ) v i 0,25 (v 1 ) 0,25 (v 2 ) 0,25 (v 3 ) 0,25 (v 4 ) ,- 7, , ,- 5, , ,- 6,5 5, ,- 5 V ,- 6, ,- 3 Počet dveří (K 5 ) v ks Jak ukazuje předchozí tabulka, 1./2./3./4. variata zcela vypadla z rozhodováí, protože esplila kritérium počtu dveří. Pau Novákovi tedy už ezáleží a tom, jakých hodot dosahují ostatí kritéria této variaty, byť jsou sebelepší. Nyí je třeba převést jedotlivá kritéria a společé jedotky pomocí tzv. ormalizace, která je určea vztahem: u ij = x H ij j D j D j kde u ij je ormalizovaý užitek i-té variaty podle j-tého kritéria, x ij je hodota kritéria, D j je ejhorší hodota kritéria a H j je ejlepší hodota kritéria. Pro kritérium cey tedy bude výpočet vypadat ásledově: u 11 = = ( ) u 21 = = ( ) u 31 = = ( )

3 Stejě vypočteme dílčí hodoty ormalizovaých užitků pro další variaty a doplíme je do ásledující tabulky (počet dveří už emusíme uvažovat, protože kritérium je splěo stejou měrou pro všechy variaty): K i Cea (K 1 ) v i 0,25 (v 1 ) 0,25 (v 2 ) 0,25 (v 3 ) 0,25 (v 4 ) Povié ručeí (K 4 ) Celkový užitek variaty (u i ) Celkový užitek variaty je rove součtu součiů dílčího užitku a váhy kritéria a ejvyšší hodoty celkového užitku dosahuje variata. 3) Změa váhy kritérií Pokud by pro paa Nováka byla apříklad ejdůležitější spotřeba pohoých hmot a až za í by stála všecha ostatí kritéria, mohla by se váha jedotlivých kritérií změit, stejě jako celý výsledek rozhodovacího procesu. Jedotlivé ormalizovaé užitky vždy ásobíme váhou kritéria a součet těchto součiů je celkovým užitkem variaty. K i Cea (K 1 ) v i 0,2 (v 1 ) 0,4 (v 2 ) 0,2 (v 3 ) 0,2 (v 4 ) Povié ručeí (K 4 ) Celkový užitek variaty (u i ) V tomto případě je však ejvyššího celkového užitku dosažeo při výběru variaty. 4) Jedokriteriálí rozhodováí za podmíek rizika Vraťme se yí k původím charakteristikám jedotlivých variat. K i Cea (K 1 ) ,- 7, , ,- 5, , ,- 6,5 5, ,- Povié ručeí (K 4 ) Pa Novák se rozhodl, že si vytvoří z dostupých iformací jedo kritérium, kterým budou áklady a jede rok provozu vozidla v záruce. Podle předchozích zkušeostí zjistil, že za rok ujede km. Pa Novák předpokládá, že po koci záruky vůz prodá a to ve všech třech případech za ,- Kč.

4 Rozdíl mezi pořizovací a prodejí ceou ásledě rozpočítá a jedotlivé roky. Vzorec jeho kritéria tedy bude ásledující: K = kde c je cea pohoých hmot v Kč/l. Problém je v tom, že cea pohoých hmot eí kostatí. Pa Novák si pečlivě prostudoval vývoj ce a dospěl k ázoru, že průměrá cea ve sledovaých letech bude s pravděpodobostí 0,25 rova 27,- Kč/l, s pravděpodobostí 0,5 bude její výše 30,- Kč/l a s pravděpodobostí 0,25 se vyšplhá a 33,- Kč/l. Cea pohoých hmot je pro paa Nováka proměou a její kokrétí hodota představuje tři možé scéáře: Scéář S 1 S 2 S 3 Cea 27,- Kč/l 30,- Kč/l 33,- Kč/l Pravděpodobost 0,25 (p 1 ) 0,5 (p 2 ) 0,25 (p 3 ) Nyí musíme pro každý scéář vypočítat hodoty kritéria pro všechy variaty. Jejich hodoty jsou uvedey v ásledující tabulce (druhý sloupec u každého scéáře je rove součiu hodoty kritéria a pravděpodobosti scéáře): S 1 (27,- Kč/l) S 2 (30 Kč/l) S 3 (33 Kč/l) Očekávaé áklady p i 0,25 0,5 0,25 Σ{K(S k,v j )*p k } Nejižší očekávaé ročí áklady má variata. V případě, že by astal prví scéář, bylo by pro paa Nováka ejlepší, kdyby zvolil variatu, u druhého a třetího scéáře je již výhodější variata. Pokud by byl pa Novák ochote riskovat, vybral by si variatu, pokud by byl jeho vztah k riziku egativí, rozhodl by se spíše pro variatu. 5) Aalýza citlivosti Pa Novák si vybral variatu. Do této chvíle předpokládal, že pořizovací ce vozidla je eměá (co když si ale bude chtít do vozu dokoupit klimatizaci?), cea pohoých hmot abude jedé z předpokládaých hodot a spotřeba uvedeá v dokumetaci vozidla bude totožá se skutečou spotřebou. Je však třeba vzít v úvahu i změu těchto hodot a zjistit, jaký bude mít změa vliv a celkové ročí áklady. Vývoj hodoty kritéria při parciálí změě jedé proměé o 10 % ukazuje ásledující tabulka: Pořizovací cea Cea pohoých hmot Spotřeba Původí ,- 30,- Kč 5,2 Růst o 10 %

5 Původí hodota ákladů Nová hodota ákladů Změa Nejcitlivěji tedy reagují ročí áklady a změu. 6) Jedokriteriálí rozhodováí v podmíkách ejistoty Kvůli áhlým výkyvům a trhu s pohoými hmotami se ukázaly výpočty pravděpodobostí paa Nováka jako bezpředměté. Pa Novák eví, s jakou pravděpodobostí astaou jedotlivé scéáře, a proto musí postupovat podle ěkterého z pravidel rozhodováí v podmíkách ejistoty. Rozhodovací matice je ásledující: S 1 (27,- Kč/l) S 2 (30 Kč/l) S 3 (33 Kč/l) U pravidla maximi se saží pa Novák vybrat tu variatu, kde je v případě ejméě přízivého vývoje hodota kritéria ejlepší. Pa Novák je tedy pesimista. Volí proto variatu. U pravidla maximax je aopak pa Novák optimista a vybírá tu variatu, pro iž je v případě ejpřízivějšího vývoje hodota kritéria ejlepší. Pa Novák je optimista. Volí proto variatu. Hurwitzovo pravidlo pracuje s parametrem β, který udává ochotu rozhodovatele riskovat v rozmezí od 0 do 1. Předpokládejme, že pa Novák má hodotu parametru β=0,5. Pro každou variatu je pak třeba provést ásledující výpočet: určeí maximálí, tj. ejvýhodější (x imax ) a miimálí, tj. ejméě výhodé (x imi ) hodoty kritéria v jedotlivých řádcích, výpočet souhré hodoty kritéria každé variaty dle vztahu K = β. x imax + (1 - β). x imi, S 1 (27,- Kč/l) S 2 (30 Kč/l) S 3 (33 Kč/l) K Pa Novák tedy volí variatu. Podle Laplaceova pravidla jsou všechy variaty stejě pravděpodobé. Proto jsou hodoty jedoduše sečtey pro jedotlivé variaty a vyděley počtem scéářů.

6 S 1 (27,- Kč/l) S 2 (30 Kč/l) S 3 (33 Kč/l) u i Pa Novák tedy volí variatu. 7) Vícekriteriálí rozhodováí v podmíkách rizika Pa Novák se zmíil maželce, že chce koupit ový automobil a ta přidala k jeho ákladovému kritériu ještě desig vozu. Do rozhodováí tedy vstoupilo další kritérium. Paí Nováková hodotí desig jedotlivých variat a bodové stupici od 1 do 10, přičemž 10 bodů je ejlepší hodoceí. Maželé Novákovi se dohodli, že váha desigu vozu bude 0,3 a váha ročích ákladů 0,7. Paí Nováková hodotí desig ásledově: Desig Pro jedotlivé scéáře jsou absolutí hodoty kritérií a ormovaé hodoty užitku ásledující: S 1 (27 Kč/l) Náklady Desig u i v j 0,7 0,3 S 2 (30 Kč/l) Náklady Desig u i v j 0,7 0,3 S 3 (33 Kč/l) Náklady Desig u i v j 0,7 0,3

7 Hodoty celkových očekávaých užitků jedotlivých variat jsou ásledující: S 1 (27,- Kč/l) S 2 (30 Kč/l) S 3 (33 Kč/l) u i p j 0,25 0,5 0,25 Desig hodoceý paí Novákovou tedy převážil výsledek rozhodováí ve prospěch variaty.

Vzorový příklad na rozhodování BPH_ZMAN

Vzorový 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

Více

MATICOVÉ HRY MATICOVÝCH HER

MATICOVÉ HRY MATICOVÝCH HER MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem

Více

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna. 6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola

Více

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta dopraví Statistika Semestrálí práce Zdražováí pohoých hmot Jméa: Martia Jelíková, Jakub Štoudek Studijí skupia: 2 37 Rok: 2012/2013 Obsah Úvod... 2 Použité

Více

10.3 GEOMERTICKÝ PRŮMĚR

10.3 GEOMERTICKÝ PRŮMĚR Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo

Více

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,

Více

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,

Více

DURACE A INVESTIČNÍ HORIZONT PŘI INVESTOVÁNÍ DO DLUHOPISŮ

DURACE A INVESTIČNÍ HORIZONT PŘI INVESTOVÁNÍ DO DLUHOPISŮ DURACE A INVESTIČNÍ HORIZONT PŘI INVESTOVÁNÍ DO DLUHOPISŮ Ivestičí horizot IH: doba, po kterou má ivestor v daé ivestici vázáy své peíze. Při ivestici do dluhopisu jsme vystavei riziku změy výosů Uvažujme

Více

I. Výpočet čisté současné hodnoty upravené

I. Výpočet čisté současné hodnoty upravené I. Výpočet čisté současé hodoty upraveé Příklad 1 Projekt a výrobu laserových lamp pro dermatologii vyžaduje ivestici 4,2 mil. Kč. Předpokládají se rovoměré peěží příjmy po zdaěí ve výši 1,2 mil. Kč ročě

Více

Pojem času ve finančním rozhodování podniku

Pojem času ve finančním rozhodování podniku Pojem času ve fiačím rozhodováí podiku 1.1. Výzam faktoru času a základí metody jeho vyjádřeí Fiačí rozhodováí podiku je ovlivěo časem. Peěží prostředky získaé des mají větší hodotu ež tytéž peíze získaé

Více

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů. Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího

Více

Posloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b

Posloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b Najděte itu Poslouposti a číselé řady ) + Protože + = + x ) + + =, je + + + + ) + = = 0 + + Najděte itu 3 si! + Protože je si! a 3 = 0, je 3 si! = 0 Najděte itu + a + a + + a + b + b, a

Více

Mendelova univerzita v Brně Statistika projekt

Mendelova univerzita v Brně Statistika projekt Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4

Více

Deskriptivní statistika 1

Deskriptivní statistika 1 Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky

Více

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů: Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy

Více

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy

Více

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých 9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie

Více

Základní požadavky a pravidla měření

Základní požadavky a pravidla měření Základí požadavky a pravidla měřeí Základí požadavky pro správé měřeí jsou: bezpečost práce teoretické a praktické zalosti získaé přípravou a měřeí přesost a spolehlivost měřeí optimálí orgaizace průběhu

Více

Mod(x) = 2, Med(x) = = 2

Mod(x) = 2, Med(x) = = 2 Pracoví list č.. Při zjišťováí počtu ezletilých dětí ve třiceti vybraých rodiách byly získáy tyto výsledky:,,,,,,,,,,,,,,,,,,,,,,,,,,,,,. Uspořádejte získaé údaje do tabulky rozděleí četostí a vyjádřete

Více

základním prvkem teorie křivek v počítačové grafice křivky polynomiální n

základním prvkem teorie křivek v počítačové grafice křivky polynomiální n Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky

Více

UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ

UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ 3..- 4.. 2009 DIVYP Bro, s.r.o., Filipova, 635 00 Bro, http://www.divypbro.cz UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ autoři: prof. Ig. Mila Holický, PhD., DrSc., Ig. Karel Jug, Ph.D., doc. Ig. Jaa Marková,

Více

14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou

14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou 4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,

Více

2 STEJNORODOST BETONU KONSTRUKCE

2 STEJNORODOST BETONU KONSTRUKCE STEJNORODOST BETONU KONSTRUKCE Cíl kapitoly a časová áročost studia V této kapitole se sezámíte s možostmi hodoceí stejorodosti betou železobetoové kostrukce a prakticky provedete jede z možých způsobů

Více

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ 4 DOPADY ZPŮSOBŮ FACOVÁÍ A VESTČÍ ROZHODOVÁÍ 77 4. ČSTÁ SOUČASÁ HODOTA VČETĚ VLVU FLACE, CEOVÝCH ÁRŮSTŮ, DAÍ OPTMALZACE KAPTÁLOVÉ STRUKTURY Čistá současá hodota (et preset value) Jedá se o dyamickou metodu

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

2.4. INVERZNÍ MATICE

2.4. INVERZNÍ MATICE 24 INVERZNÍ MICE V této kapitole se dozvíte: defiici iverzí matice; základí vlastosti iverzí matice; dvě základí metody výpočtu iverzí matice; defiici celočíselé mociy matice Klíčová slova této kapitoly:

Více

Závislost slovních znaků

Závislost slovních znaků Závislost slovích zaků Závislost slovích (kvalitativích) zaků Obměy slovího zaku Alterativí zaky Možé zaky Tříděí věcé sloví řady: seřazeí obmě je subjektiví záležitostí (podle abecedy), možé i objektiví

Více

Pravděpodobnostní modely

Pravděpodobnostní modely Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k

Více

2. Náhodná veličina. je konečná nebo spočetná množina;

2. Náhodná veličina. je konečná nebo spočetná množina; . Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité

Více

jsou reálná a m, n jsou čísla přirozená.

jsou reálná a m, n jsou čísla přirozená. .7.5 Racioálí a polomické fukce Předpoklad: 704 Pedagogická pozámka: Při opisováí defiic racioálí a polomické fukce si ěkteří studeti stěžovali, že je to příliš těžké. Ve skutečosti je sstém, kterým jsou

Více

P2: Statistické zpracování dat

P2: Statistické zpracování dat P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu

Více

(varianta s odděleným hodnocením investičních nákladů vynaložených na jednotlivé privatizované objekty)

(varianta s odděleným hodnocením investičních nákladů vynaložených na jednotlivé privatizované objekty) (variata s odděleým hodoceím ivestičích ákladů vyaložeých a jedotlivé privatizovaé objekty) Vypracoval: YBN CONSULT - Zalecký ústav s.r.o. Ig. Bedřich Malý Ig. Yvetta Fialová, CSc. Václavské áměstí 1 110

Více

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou 1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i

Více

8.2.1 Aritmetická posloupnost

8.2.1 Aritmetická posloupnost 8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta B)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta B) Přijímací řízeí pro akademický rok 24/5 a magisterský studijí program: PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test, variata B) Zde alepte své uiverzití číslo U každé otázky či podotázky v ásledujícím

Více

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n 8.3. Limity ěkterých posloupostí Předpoklady: 83 Opakováí z miulé hodiy: 8 Hodoty poslouposti + se pro blížící se k ekoeču blíží k a to tak že mezi = posloupostí a číslem eexistuje žádá mezera říkáme že

Více

8.1.3 Rekurentní zadání posloupnosti I

8.1.3 Rekurentní zadání posloupnosti I 8.. Rekuretí zadáí poslouposti I Předpoklady: 80, 80 Pedagogická pozámka: Podle mých zkušeostí je pro studety pochopitelější zavádět rekuretí posloupost takto (sado kotrolovatelou ukázkou), ež dosazováím

Více

8.2.1 Aritmetická posloupnost I

8.2.1 Aritmetická posloupnost I 8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu

Více

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus Podklady předmětu pro akademický rok 006007 Radim Faraa Obsah Tvorba algoritmů, vlastosti algoritmu. Popis algoritmů, vývojové diagramy, strukturogramy. Hodoceí složitosti algoritmů, vypočitatelost, časová

Více

Internetová matematická olympiáda listopadu ročník -autorská řešení

Internetová matematická olympiáda listopadu ročník -autorská řešení Iteretová matematická olympiáda - 24. listopadu 2009 2. ročík -autorská řešeí. Na ekoečě velkém čtverečkovaém papíře si zvolte mřížový bod A, který bude počátkem. Nadále se od bodu A můžete pohybovat pouze

Více

4EK311 Operační výzkum. 4. Distribuční úlohy LP část 2

4EK311 Operační výzkum. 4. Distribuční úlohy LP část 2 4EK311 Operačí výzkum 4. Distribučí úlohy LP část 2 4.1 Dopraví problém obecý model miimalizovat za podmíek: m z = c ij x ij i=1 j=1 j=1 m i=1 x ij = a i, i = 1, 2,, m x ij = b j, j = 1, 2,, x ij 0, i

Více

Pro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.).

Pro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.). STATISTIKA Statistické šetřeí Proveďte a vyhodoťte statistické šetřeí:. Zvolte si statistický soubor. 2. Zvolte si určitý zak (zaky), které budete vyhodocovat. 3. Určete absolutí a relativí četosti zaků,

Více

IAJCE Přednáška č. 12

IAJCE Přednáška č. 12 Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost a aplikovaná statistika Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí

Více

STUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6

STUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6 Středoškolská techika 00 Setkáí a prezetace prací středoškolských studetů a ČVUT STUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6 Pavel Husa Gymázium Jiřího z Poděbrad Studetská 66/II

Více

Vyšší mocniny. Předpoklady: Doplň místo obdélníčků správné číslo. a) ( 2) 3. = c) ( ) = 1600 = e) ( 25) 2 0,8 0, 64.

Vyšší mocniny. Předpoklady: Doplň místo obdélníčků správné číslo. a) ( 2) 3. = c) ( ) = 1600 = e) ( 25) 2 0,8 0, 64. 81 Vyšší mociy Předpoklady: 0081 Př 1: Doplň místo obdélíčků správé číslo a) ( ) = b) = 0, 0000 e) ( ) = 0, ( 0) = 100 = f) ( ) = 8 a) ( ) = 8 b) 0, 0 0, 0000 = ( ) 0,8 0, 0 = 100 = e) ( ) = f) ( ) = 8

Více

Kvantová a statistická fyzika 2 (Termodynamika a statistická fyzika)

Kvantová a statistická fyzika 2 (Termodynamika a statistická fyzika) Kvatová a statistická fyzika (Termodyamika a statistická fyzika) Boltzmaovo - Gibbsovo rozděleí - ilustračí příklad Pro ilustraci odvozeí rozděleí eergií v kaoickém asámblu uvažujme ásledující příklad.

Více

1 ROVNOMĚRNOST BETONU KONSTRUKCE

1 ROVNOMĚRNOST BETONU KONSTRUKCE ROVNOMĚRNOST BETONU KONSTRUKCE Cíl kapitoly a časová áročost studia V této kapitole se sezámíte s možostmi hodoceí rovoměrosti betou železobetoové kostrukce a prakticky provedete jede z možých způsobů

Více

Komplexní čísla. Definice komplexních čísel

Komplexní čísla. Definice komplexních čísel Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují

Více

Úloha III.S... limitní

Úloha III.S... limitní Úloha III.S... limití 10 bodů; průměr 7,81; řešilo 6 studetů a) Zkuste vlastími slovy popsat postup kostrukce itervalových odhadů středí hodoty v případě obecého rozděleí měřeých dat (postačí vlastími

Více

Úloha II.S... odhadnutelná

Úloha II.S... odhadnutelná Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí

Více

Při sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací

Při sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací 3. Náhodý výběr Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých realizací

Více

I. Výpočet čisté současné hodnoty upravené

I. Výpočet čisté současné hodnoty upravené I. Výpočet čisté současé hodoty upraveé Příklad 1 Projekt a výrobu laserových lamp pro dermatologii vyžaduje ivestici 4,2 mil. Kč. Předpokládají se rovoměré peěží příjmy po zdaěí ve výši 1,2 mil. Kč ročě

Více

Statistika pro metrologii

Statistika pro metrologii Statistika pro metrologii T. Rössler Teto projekt je spolufiacová Evropským sociálím fodem a státím rozpočtem České republiky v rámci projektu Vzděláváí výzkumých pracovíků v Regioálím cetru pokročilých

Více

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM Difereciálí počet fukcí jedé reálé proměé - - DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ ÚVODNÍ POZNÁMKY I derivace podobě jako limity můžeme počítat ěkolikerým způsobem a to kokrétě pomocí: defiice vět o algebře

Více

Modelování jednostupňové extrakce. Grygar Vojtěch

Modelování jednostupňové extrakce. Grygar Vojtěch Modelováí jedostupňové extrakce Grygar Vojtěch Soutěží práce 009 UTB ve Zlíě, Fakulta aplikovaé iformatiky, 009 OBSAH ÚVOD...3 1 MODELOVÁNÍ PRACÍCH PROCESŮ...4 1.1 TERMODYNAMIKA PRACÍHO PROCESU...4 1.

Více

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n 8.3. Limity ěkterých posloupostí Předpoklady: 83 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta C)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta C) Přijímací řízeí pro akademický rok 24/ a magisterský studijí program: PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test, variata C) Zde alepte své uiverzití číslo U každé otázky či podotázky v ásledujícím

Více

ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)

ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti

Více

b c a P(A B) = c = 4% = 0,04 d

b c a P(A B) = c = 4% = 0,04 d Příklad 6: Z Prahy do Athé je 50 km V Praze byl osaze válec auta ovou svíčkou, jejíž životost má ormálí rozděleí s průměrem 0000 km a směrodatou odchylkou 3000 km Jaká je pravděpodobost, že automobil překoá

Více

Zobrazení čísel v počítači

Zobrazení čísel v počítači Zobraeí ísel v poítai, áklady algoritmiace Ig. Michala Kotlíková Straa 1 (celkem 10) Def.. 1 slabika = 1 byte = 8 bitů 1 bit = 0 ebo 1 (ve dvojkové soustavě) Zobraeí celých ísel Zobraeí ísel v poítai Ke

Více

Tento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/

Tento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/ Teto projekt je spolufiacová Evropským sociálím fodem a Státím rozpočtem ČR IoBio CZ..07/2.2.00/28.008 Připravil: Ig. Vlastimil Vala, CSc. Metody zkoumáí ekoomických jevů Kapitola straa 3 Metoda Z řeckého

Více

4EK212 Kvantitativní management 4. Speciální úlohy lineárního programování

4EK212 Kvantitativní management 4. Speciální úlohy lineárního programování 4EK212 Kvatitativí maagemet 4. Speciálí úlohy lieárího programováí 3. Typické úlohy LP Úlohy výrobího pláováí (alokace zdrojů) Úlohy fiačího pláováí (optimalizace portfolia) Směšovací problémy Nutričí

Více

2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly.

2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly. 0. KOMBINATORIKA, PRAVDĚPODOBNOST, STATISTIKA Dovedosti :. Chápat pojem faktoriál a ovládat operace s faktoriály.. Zát defiici kombiačího čísla a základí vlastosti kombiačích čísel. Ovládat jedoduché operace

Více

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad Metody vyhodoceí efektvost vestc Časová hodota peěz Metody vyhodoceí Časová hodota peěz Prostředky, které máme k dspozc v současost mají vyšší hodotu ež prostředky, které budeme mít k dspozc v budoucost.

Více

1. K o m b i n a t o r i k a

1. K o m b i n a t o r i k a . K o m b i a t o r i k a V teorii pravděpodobosti a statistice budeme studovat míru výskytu -pravděpodobostvýsledků procesů, které mají áhodý charakter, t.j. při opakováí za stejých podmíek se objevují

Více

2,3 ČTYŘI STANDARDNÍ METODY I, ČTYŘI STANDARDNÍ METODY II

2,3 ČTYŘI STANDARDNÍ METODY I, ČTYŘI STANDARDNÍ METODY II 2,3 ČTYŘI STADARDÍ METODY I, ČTYŘI STADARDÍ METODY II 1.1.1 Statické metody a) ARR - Average Rate of Retur průměrý ročí čistý zisk (po zdaěí) ARR *100 % ( 20 ) ivestic do projektu V čitateli výrazu ( 20

Více

Spolehlivost a diagnostika

Spolehlivost a diagnostika Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore

Více

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti. 10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé

Více

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě. 3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet

Více

1 Uzavřená Gaussova rovina a její topologie

1 Uzavřená Gaussova rovina a její topologie 1 Uzavřeá Gaussova rovia a její topologie Podobě jako reálá čísla rozšiřujeme o dva body a, rozšiřujeme také možiu komplexích čísel. Nepřidáváme však dva body ýbrž je jede. Te budeme začit a budeme ho

Více

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT 2 IDENIFIKACE H-MAICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNO omáš Novotý ČESKÉ VYSOKÉ UČENÍ ECHNICKÉ V PRAZE Faulta eletrotechicá Katedra eletroeergetiy. Úvod Metody založeé a loalizaci poruch pomocí H-matic

Více

Aritmetická posloupnost, posloupnost rostoucí a klesající Posloupnosti

Aritmetická posloupnost, posloupnost rostoucí a klesající Posloupnosti 8 Aritmetická posloupost, posloupost rostoucí a klesající Poslouposti Posloupost je fukci s defiičím oborem celých kladých čísel - apř.,,,,,... 3 4 5 Jako fukci můžeme také posloupost zobrazit do grafu:

Více

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,

Více

Spojitost a limita funkcí jedné reálné proměnné

Spojitost a limita funkcí jedné reálné proměnné Spojitost a limita fukcí jedé reálé proměé Pozámka Vyšetřeí spojitosti fukce je možo podle defiice převést a výpočet limity V dalším se proto soustředíme je problém výpočtu limit Pozámka Limitu fukce v

Více

FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL

FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL Difereciálí počet fukcí jedé reálé proměé - 6. - PRVNÍ DIFERENCIÁL TAYLORŮV ROZVOJ FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL PŘÍKLAD Pomocí věty o prvím difereciálu ukažte že platí přibližá rovost

Více

n=0 a n, n=0 a n = ±. n=0 n=0 a n diverguje k ±, a píšeme n=0 n=0 b n = t. Pak je konvergentní i řada n=0 (a n + b n ) = s + t. n=0 k a n a platí n=0

n=0 a n, n=0 a n = ±. n=0 n=0 a n diverguje k ±, a píšeme n=0 n=0 b n = t. Pak je konvergentní i řada n=0 (a n + b n ) = s + t. n=0 k a n a platí n=0 Nekoečé řady, geometrická řada, součet ekoečé řady Defiice Výraz a 0 a a a, kde {a i } i0 je libovolá posloupost reálých čísel, azveme ekoečou řadou Číslo se azývá -tý částečý součet Defiice Nekoečá řada

Více

6. FUNKCE A POSLOUPNOSTI

6. FUNKCE A POSLOUPNOSTI 6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat

Více

Metodický postup pro určení úspor primární energie

Metodický postup pro určení úspor primární energie Metodický postup pro určeí úspor primárí eergie Parí protitlaká turbía ORGRZ, a.s., DIVIZ PLNÉ CHNIKY A CHMI HUDCOVA 76, 657 97 BRNO, POŠ. PŘIHR. 97, BRNO 2 z.č. Obsah abulka hodot vstupujících do výpočtu...3

Více

Definice obecné mocniny

Definice obecné mocniny Defiice obecé mociy Zavedeí obecé mociy omocí ity číselé oslouosti lze rovést ěkolika zůsoby Níže uvedeý zůsob využívá k defiici eoeciálí fukce itu V dalším budeme otřebovat ásledující dvě erovosti: Lemma

Více

Sekvenční logické obvody(lso)

Sekvenční logické obvody(lso) Sekvečí logické obvody(lso) 1. Logické sekvečí obvody, tzv. paměťové čley, jsou obvody u kterých výstupí stavy ezávisí je a okamžitých hodotách vstupích sigálů, ale jsou závislé i a předcházejících hodotách

Více

f x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( )

f x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( ) DSM Cv 9 Vytvořující fukce Vytvořující fukcí ekoečé poslouposti a0, a,, a, reálých čísel mííme formálí ekoečou řadu =. f a i= 0 i i Příklady: f = + = + + + + + ) Platí: (biomická věta). To zameá, že fukce

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

VaR analýza citlivosti, korekce

VaR analýza citlivosti, korekce VŠB-TU Ostrava, Ekoomická fakulta, katedra fiací.-. září 008 VaR aalýza citlivosti, korekce Fratišek Vávra, Pavel Nový Abstrakt Práce se zabývá rozbory citlivosti ěkterých postupů, zahrutých pod zkratkou

Více

Iterační výpočty projekt č. 2

Iterační výpočty projekt č. 2 Dokumetace k projektu pro předměty IZP a IUS Iteračí výpočty projekt č. 5..007 Autor: Václav Uhlíř, xuhlir04@stud.fit.vutbr.cz Fakulta Iformačích Techologii Vysoké Učeí Techické v Brě Obsah. Úvodí defiice.....

Více

Odhady parametrů 1. Odhady parametrů

Odhady parametrů 1. Odhady parametrů Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:

Více

Sborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava číslo 1, rok 2011, ročník XI, řada stavební článek č.

Sborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava číslo 1, rok 2011, ročník XI, řada stavební článek č. Sborík vědeckých prací Vysoké školy báňské - Techické uiverzity Ostrava číslo 1, rok 2011, ročík XI, řada stavebí čláek č. 18 Marcela HALÍŘOVÁ 1 OPTIMALIZACE VÝBĚRU SKLADBY MATERIÁLŮ PRO NENOSNÉ STĚNY

Více

MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ

MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ PŘÍSPĚVKY THE SCIENCE FOR POPULATION PROTECTION 0/008 MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ STATISTICAL ASSESSMENT

Více

(Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applications)

(Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applications) Základy datové aalýzy, modelového vývojářství a statistického učeí (Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applicatios) Lukáš Pastorek POZOR: Autor upozorňuje, že se jedá

Více

1. Nakreslete všechny kostry následujících grafů: nemá žádnou kostru, roven. roven n,

1. Nakreslete všechny kostry následujících grafů: nemá žádnou kostru, roven. roven n, DSM2 Cv 7 Kostry grafů Defiice kostry grafu: Nechť G = V, E je souvislý graf. Kostrou grafu G azýváme každý jeho podgraf, který má stejou možiu vrcholů a je zároveň stromem. 1. Nakreslete všechy kostry

Více

2. Finanční rozhodování firmy (řízení investic a inovací)

2. Finanční rozhodování firmy (řízení investic a inovací) 2. Fiačí rozhodováí firmy (řízeí ivestic a iovací) - fiačí rozhodováí je podmožiou fiačího řízeí (domiatí) - kompoety = složky: výběr optimálí variaty zdrojů fiacováí užití získaých prostředků uvážeí vlivu

Více

II. METODICKÉ PŘÍKLADY SESTAVENÍ VÝKAZU PAP

II. METODICKÉ PŘÍKLADY SESTAVENÍ VÝKAZU PAP Istituce i zazameaé operace jsou fiktiví. Ukázkové případy - sezam Případ Vykazující účetí Vykázaé Části I až XIII Straa jedotka (zkráceě až 3) A Půjčka od baky Město, v roce +1, T2 v roce +1, T7, T8,

Více

1.3. POLYNOMY. V této kapitole se dozvíte:

1.3. POLYNOMY. V této kapitole se dozvíte: 1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí

Více

-1- Finanční matematika. Složené úrokování

-1- Finanční matematika. Složené úrokování -- Fiačí ateatika Složeé úrokováí Při složeé úročeí se úroky přičítají k počátečíu kapitálu ( k poskytutí úvěru, k uložeéu vkladu ) a společě s í se úročí. Vzorec pro kapitál K po letech při složeé úročeí

Více

8. Analýza rozptylu.

8. Analýza rozptylu. 8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,

Více

TECHNICKÝ AUDIT VODÁRENSKÝCH DISTRIBUČNÍCH

TECHNICKÝ AUDIT VODÁRENSKÝCH DISTRIBUČNÍCH ECHNICKÝ AUDI VODÁRENSKÝCH DISRIBUČNÍCH SYSÉMŮ Ig. Ladislav uhovčák, CSc. 1), Ig. omáš Kučera 1), Ig. Miroslav Svoboda 1), Ig. Miroslav Šebesta 2) 1) 2) Vysoké učeí techické v Brě, Fakulta stavebí, Ústav

Více

Elementární zpracování statistického souboru

Elementární zpracování statistického souboru Elemetárí zpracováí statistického souboru Obsah kapitoly 4. Elemetárí statistické zpracováí - parametrizace vhodými empirickými parametry Studijí cíle Naučit se výsledky měřeí parametrizovat vhodými empirickými

Více

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují

Více

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson STATISTIKA Statistika se těší pochybému vyzameáí tím, že je ejvíce epochopeým vědím oborem. H. Leviso Charakterizace statistického souboru Statistický soubor Prvek souboru Zak prvku kvatitativí teplota,

Více

AMC/IEM J - HMOTNOST A VYVÁŽENÍ

AMC/IEM J - HMOTNOST A VYVÁŽENÍ ČÁST JAR-OPS 3 AMC/IEM J - HMOTNOST A VYVÁŽENÍ ACJ OPS 3.605 Hodoty hmotostí Viz JAR-OPS 3.605 V souladu s ICAO Ae 5 a s meziárodí soustavou jedotek SI, skutečé a omezující hmotosti vrtulíků, užitečé zatížeí

Více