Kapitola 1. Teorie portfolia. 1.1 Výnos a riziko akcie

Rozměr: px
Začít zobrazení ze stránky:

Download "Kapitola 1. Teorie portfolia. 1.1 Výnos a riziko akcie"

Transkript

1 Kapitola 1 Teorie portfolia 1.1 Výnos a riziko akcie Výnosem akcie rozumíme míru zisku, která plyne z investice do akcie. Tento zisk se v t²inou skládá ze dvou sloºek kapitálového výnosu a výnosu z dividend. Kapitálový výnos realizujeme nákupem akcie a jejím pozd j²ím prodejem za vy²²í cenu. Kapitálový výnos je hlavní motivací ke spekulativním obchod m s akciemi. Dividendový výnos získáváme z dividend vyplacených b hem drºení akcie. Ozna íme-li ceny akcie p i nákupu a prodeji P t 1, P t a dividendy vyplacené b hem tohoto období D t, lze výnos z této akcie za sledované období ur it (bez ohledu na asové rozloºení dividend 1 ) dle následujícího vztahu: r t = (P t P t 1 ) + D t P t 1 (1.1) Pozn. V této kapitole budeme ve shod s v t²inou literatury na toto téma pouºívat pro výnos zna ení r místo dosud pouºívaného i. Pokud uvaºujeme m období v celkové délce n, ur íme pr m rný výnos za asovou jednotku jako geometrický pr m r výnos za jednotlivá období. ( m 1/n ˆr = (1 + r t )) 1 (1.2) t=1 Celkovvý výnos ur íme z principu stejných výnosu dle vztahu: 1 + r G = m (1 + r t ) (1.3) t=1 1 v t²inou bereme asové období s výplatou jedné dividendy 1

2 2 KAPITOLA 1. TEORIE PORTFOLIA P íklad 1.1. Dále jsou uvedeny výnosy ze p t období. Ur ete celkový výnos, pr m rný ro ní výnos a pr m rný m sí ní výnos. Období r t e ení Ur íme celkový výnos 1 + r G = ( )( )( )( )( ) = a poté pr m rný ro ní výnos za 5.5 roku ˆr r = /5.5 1 = a pr m rný m sí ní výnos za 66 m síc ˆr m = /66 1 = Celkový výnos je 15.13%, pr m rný ro ní výnos je 2.59% a pr m rný m sí ní výnos je 0.21% Na výnosy akcie pohlíºíme jako na náhodné veli iny. St ední hodnotu t chto náhodných veli in budeme povaºovat za st ední výnos a sm rodatnou odchylku (rozptyl) za riziko (volatilitu). V t²í sm rodatná odchylka znamená v t²í vychýlení a tedy v t²í riziko dané akcie. Pokud výnosy akcie ze jednotlivá období mají stejné rozd lení, potom jejich st ední hodnotu r a riziko m ºeme odhadnout následujícími nestrannými odhady. u t = ln (1 + r t ) (1.4) ˆr = 1 N u t (1.5) N t=1 ˆσ = 1 N (r t ˆr) N 1 2 (1.6) t=1

3 1.2. KONSTRUKCE PORTFOLIA 3 P íklad 1.2. V následující tabulce jsou uvedeny kursy akcie na konci posledních m síc spolu s eventuální výplatou dividendy. Odhadn te m sí ní st ední výnos a riziko a ro ní st ední výnos a riziko. M síc P t D t r t = (P t P t 1 + D t)/p t 1 u t Suma e ení î = = ˆσ = M sí ní st ední výnos je 1.432% a riziko je 4.415% P ibliºný ro ní st ední výnos je 12 0, = 17.19% a ro ní riziko 12σ = = 15.29% Snahou investora je dosáhnout maximální výnos p i minimálním riziku. Taková ideální investice neexistuje. Velký výnos sebou nese i velké riziko. Pro daný výnos je moºné sníºení rizika konstrukcí souboru investi ních instrument do portfolia. 1.2 Konstrukce portfolia Na trhu investujeme do r zných titul a vytvá íme tak diverzikované portfolio. Kombinací r zných aktiv vytvá íme portfolio dle svých p edstav v t²inou vzhledem k poºadovanému výnosu i minimalizaci rizika. Problematikou konstrukce takových portfolií se zabývá teorie portfolia.

4 4 KAPITOLA 1. TEORIE PORTFOLIA Portfolia v t²inou zobrazujeme gracky v rovin riziko-výnos, která se také nazývá (σ, r) - rovina. Kaºdému portfoliu v této rovin odpovídá jeden bod s daným výnosem a rizikem portfolia. Porfolio tvo ené pouze akcií z p íkladu 2 bude v (σ, r)-rovin znázorn no bodem se sou adnicemi [15.15,18.41]. Teorie porfolia ukazuje postupy konstrukce potfolií s poºadovaným výnosem a p im eným rizikem. Výhodnou vlastností takto konstruovaných porfoliích je riziko men²í neº je riziko aktiv, které tvo í portfolio. Vyuºíváme záporné korela ní koecienty mezi aktivy v portfoliu. Nap. máme zastoupená aktiva vojenského pr myslu a rem zabývajících se turistikou a rekreací. V praxi není nutné kombinovat aktiva se zápornou korelací, posta ují i aktiva s mírn pozitivní korelací a men²í. Investo i tak asto pouºijí aktiva, do kterých by vzhledem k malé výnosností i velkému riziku nikdy neinvestovali. Investo i se li²í svou averzí v i riziku, která m ºe být vyjád ena v (σ, r)- rovin indiferen ními k ivkami. ƒím je investorova averze v i riziku v t²í, tím je jeho indeferen ní k ivka strm j²í. B ºní investo i se p i daném riziku snaºí maximalizovat výnos a nebo pro poºadovaný výnos minimalizovat riziko. Portfolio vytvo ené dle t chto poºadavk e²ením optimaliza ní úlohy, nazýváme ecientní potfolio. Pro následující výklad budeme pouºívat toto zna ení Základní pojmy r i výnos i-tého aktiva (náhodná veli ina) r i st ední hodnota E(r i ) i-tého aktiva σ(r i ) = σ i = σ ii riziko i-tého aktiva cov(r i, r j ) = σ ij kovariance mezi i-tým a j-tým aktivem w i váha (pom r) ur ující zastoupení i-tého aktiva v portfoliu Uvaºujeme portfolio sloºené obecn z K aktiv. Cílem p i konstrukci portfolia poºadovaných vlastností (výnos, riziko) je tedy ur it hodnotu vah w 1,..., w K. Hodnota vah není omezena pouze na nezáporná ísla, ale p ipou²tíme i zápornou hodnotu. V takovém p ípad se jedná o výp j ní portfolio s úrokovou sazbou r i, které m ºe být reprezentováno prodejem daného aktiva na krátko. Abychom mohli konstruovat poºadované portfolio, uvádíme dále zp sob výpo tu výnosu a rizika celého portfolia. ( K ) r = E w i r i = w i E(r i ) = w i r i (1.7)

5 1.2. KONSTRUKCE PORTFOLIA 5 ( K ) σ 2 = var w i r i = w i w j σ ij = j=1 K 1 wi 2 σi j=i+1 Kovariance σ ij odhadneme z dat stejn jako ve vztahu 1.6. w i w j σ ij (1.8) ˆσ ij = 1 N 1 l=1 (r i,l r i )(r j,l r j ) = 1 N 1 1 r i,l r j,l N(N 1) l=1 l=1 r i,l K r j,l (1.9) Nyní jiº m ºeme ur it st ední výnos a riziko portfolia vyuºitím vztah 1.7 a 1.8, ve kterým místo st edních výnos r i pouºijeme jejich odhady ˆr i a místo kovariancí σ ij odhady ˆσ ij Konstrukce portfolia ze dvou aktiv Pro zjednodu²ení analyzujme nejd íve portfolio skládající se ze dvou aktiv. Vzorce 1.7 a 1.8 p epí²eme do následujícího tvaru pro K = 2. l=1 r = w 1 r 1 + (1 w 1 ) r 2 (1.10) σ 2 = w 2 1σ (1 w 1 ) 2 σ w 1 (1 w 1 )σ 1 σ 2 ρ 12 (1.11) kde ρ 12 = σ 12 /(σ 1 σ 2 ) je korela ní koecient mezi výnosy obou aktiv. Pokud ρ 12 = 1 je mezi výnosy obou aktiv vztah p ímé úm rnosti, pokud ρ 12 = 1, je mezi výnosy vztah nep ímé úm ry a pokud ρ 12 = 0, jsou výnosy navzájem nekorelované. Na obrázku 1.1 jsou znázorn na v (σ, r)-rovin v²echna moºná portfolia pro aktivum s výnosem r 1 = 11% a rizikem σ 1 = 14% a aktivum s výnosem r 2 = 6% a rizikem σ 2 = 8%. Jednotlivá portfolia na vybrané k ivce se li²í hodnotou w 1 a w 2 = 1 w 1. Jednotlivé k ivky jsou mnoºinou p ípustných portfolií pro daný korela ní koecient. Zvýrazn ny jsou mnoºiny pro hodnoty koecient ρ 12 { 1, 0, 1}. Pro ρ 12 = 1 je takovou mnoºinou p ímka, procházející ob mi aktivy, pro ρ 12 = 1 je touto mnoºinou lomená ára, procházející aktivy a pro ρ 12 = 0 je to parabolická k ivka, procházející danými

6 6 KAPITOLA 1. TEORIE PORTFOLIA ρ 12 = 1 výnos ρ 12 =1 ρ 12 = riziko σ Obrázek 1.1: P ípustná portfolia s r zným korela ním koecientem aktivy. P ípustná portfolia s vahou 0 w 1 1 (resp. 0 1 w 1 1) leºí na úse kách i k ivkách mezi body znázor ujícími pouºitá aktiva. Záporné hodnoty w 1 (w 2 ) znamenají prodej daného aktiva nakrátko. Pokud nalezneme pomocí derivace vztahu 1.11 dle prom né w 1 a jejího nulování minimální hodnotu σ 2, ur íme hodnotu w1 pro p ípustné portfolio s minimálním rizikem. w 1 = σ 2 2 σ 1 σ 2 ρ 12 σ σ 2 2 2σ 1 σ 2 ρ 12 (1.12) w 2 = 1 w 1 (1.13) Pomocí vztah 1.10 a 1.11 jiº snadno ur íme minimální moºné riziko σ a odpovídající výnos portfolia pouºitých aktiv r. Na záv r n kolik poznámek. Investor v t²inou neuvaºuje portfolia, která mají výnos men²í neº r. Proto akceptuje portfolia pouze z horní asti k ivky mnoºiny p ípustných portfolií. Pokud promítneme do obrázku 1.1 p ípadné indeferen ní k ivky investora, zjistíme, ºe "strm j²í"k ivky (investor averzní v ºi riziku) se dotýkají k ivky p ípustných portfolií v bod s men²ím rizikem

7 1.2. KONSTRUKCE PORTFOLIA 7 ale i výnosem neº je to v p ípad "pozvoln j²í"k ivky investora s v t²í ochotou riskovat. Z obrázku je patrna i moºnost konstrukce portfolií s rizikem men²ím neº riziko obou uvaºovaných aktiv Konstrukce portfolia z K aktiv Pokud tvo íme portfolio z K aktiv a p edpokládáme nezáporné váhy w i 0 pro i {1,..., K} (nep ipou²tíme prodej na krátko), potom mnoºina p ípustných portfolií má typický "de²tníkový"tvar (umbrella shape). Na severozápadní hranici (ecient frontier) této mnoºiny leºí ecientní portfolia rizikov averzního investora. Tato optimální portfolia p i pevn daném st edním výnosu r minimalizují riziko resp. p i daném riziku σ maximalizuji st ední výnos. P íklad 1.3. Ur ete v²echna p ípustná portfolia sestavená z akcií 5 uvedených spole ností. Vývoj výnos jednotlivých titul za posledních 10 období je uveden v tabulce. P edpokládejte pouze nákupy akcií. Období a.s. A a.s. B a.s. C a.s. D a.s. E ˆr i ˆσ i e ení Pomocí vztah 1.7 a 1.8 ur íme pro v²echny kombinace vah w 1, w 2, w 3, w 4, w 5 0, 1, pro které platí 5 w i = 1, hodnoty r a σ 2 (σ). Dvojice [σ, r] ur ují jednotlivá p íspustná portfolia. Na obrázku 1.2 jsou zobrazena portfolia v (σ, r)-rovin. Mnoºina p ípustných portfolií tvo í typický "de²tníkový"tvar (umbrella shape).

8 8 KAPITOLA 1. TEORIE PORTFOLIA 0.14 Pripustna portfolia E(r) Riziko σ x 10 3 Obrázek 1.2: P ípustná portfolia tvo ená 5 aktivy Základním problémem je hledání daného ecientního portfolia, neboli k pevn danému st edním výnosu nalézt minimální riziko i k pevn danému riziku ur it odpovídající maximální st ední výnos. e²íme tedy následující optimaliza ní úlohu: min σ 2 = w 1,...,w K s následujícími podmínkami w i w j σ ij (1.14) j=1 r = w i r i (1.15) w i = 1 (1.16) w i 0 i {1,..., K} (1.17) Podmínky (omezení) zaji² ují vstupní poºadavky zaji² uje nalezení p ípustného portfolia, 1.16 zaru í investici v²ech prost edk do daného port-

9 1.2. KONSTRUKCE PORTFOLIA 9 folia a 1.17 umoº uje pouze nákupy akcií. Pokud umoº ujeme i prodeje nakrátko, poslední omezení neuvaºujeme. Uvedený optimaliza ní problém je úlohou kvadratického programování. e²ením této optimaliza ní úlohy nalezneme pro daný st ední výnos r p ípustné ecientní portfolio s minimálním rizikem. Následující modikace optimaliza ní úlohy ur í pro r zné parametry 0 θ 1 v²echna p ípustná ecientní portfolia. min σ 2 = θ w 1,...,w K s následujícími podmínkami w i w j σ ij (1 θ) j=1 w i r i (1.18) w i = 1 (1.19) w i 0 i {1,..., K} (1.20) Existují r zné algoritmy pro e²ení vý²e uvedených optimaliza ních úloh. Zájemci mohou najít jedno z moºných e²ení v [Cipra, 2000] str P íklad 1.4. Sestavte portfolio za 1 mil. K z p ti titul p íkladu 3. Ur ete rozloºení portfolia tak, aby jste minimalizovali riziko. e ení Úkolem je nalézt mnoºinu ecientních portfolií a ur it portfolio s minimálním rizikem z této mnoºiny. Z uvedených hodnot sestavíme kovarian ní matici a poté eventuáln matici korela ní

10 10 KAPITOLA 1. TEORIE PORTFOLIA Nyní máme jiº v²echny údaje pot ebné pro výpo et st edních o ekávaných výnos a rizik porfolií a ur ení ecientních portfolií z nichº hledaná portfolia rizikov averzního investora leºící na severozápadní hranici ukazuje obrázek 1.3. K výpo tu lze pouºít nap. Matlab a funkcí ewstats a frontcon (portopt) Eficientni portfolia E(r) Riziko σ x 10 3 Obrázek 1.3: Ecientní portfolia tvo ená 5 aktivy Následující tabulka ukazuje 10 vybraných portfolií leºících podél ecientní hranice. V tabulce je pro kaºdé portfolio ur en výnos, riziko jako standartní odchylka a váhy ur ující pom rné zastoupení jednotlivých aktiv v portfoliu. ˆr [%] ˆσ A [%] B [%] C [%] D [%] E [%]

11 1.2. KONSTRUKCE PORTFOLIA 11 Z tabulky lze ur it výnos % portfolia s minimálním rizikem. Toto portfolia sestrojíme tak, ºe nakoupíme akcie A za K, akcie B za K, akcie C za 400 K, akcie D za a akcie E za K. Rizika v²ech uvedených portfolií jsou men²í nebo rovna neº rizika pouºitých aktiv Konstrukce portfolia s bezrizikovým aktivem V této asti analyzujeme portfolio, ke kterému jsme p idali bezrizikové aktivum (nap. krátkodobé SPP). Portfolio tvo ené pouze tímto aktivem leºí v rovin (σ, r) na svislé ose s nulovým rizikem. Mnoºina ecientních portfolií musí tedy obsahovat toto portfolio, ale take portfolio s maximálním výnosem leºící v mnoºin ecientních portfolií. K ivka p edstavující ecientnií portfolia se v tomto p ípad m ní na polop ímku s po átkem v bezrizikovém portfoliu a procházejícím portfoliem na p vodní k ivce ecientních portfolií, ve kterých je výnos maximální neboli p ímka je te nou k p vodní k ivce ecientních portfolií. Bod, ve kterém se te na dotýka k ivky ozna íme M (trºní portfolio, market portfolio). V²echna portfolia s bezrizikovým aktivem jsou kombinací bezrizikového portfolia a portfolia reprezentovaného bodem M. Uvedená p ímka se d lí na 2 polop ímky. Od bezrizikového portfolia k bodu M, ve kterém jsou portfolia sestavena áste n z bezrizikového aktiva (portfolio na svisle ose se skládá pouze z bezrizikového aktiva) a zbytek z aktiv s nenulovým rizikem. Výnos maximalizujeme portfoliem znázorn ným bodem M. Polop ímka od bodu M dále sm rem od bezrizikového portfolia p edstavuje portfolia tvo ená pouze aktivy s nenulovým rizikem, jejichº nákup jsme z ásti pokryli vlastními zdroji a ást jsme nancovali z p j ky za danou úrokovou sazbu. Dosti asto se pouºívá r f. V tomto p ípad je váha mnoºství bezrizikového aktiva záporná a celková váha ostatních aktiv je v t²í neº jedna. K dosud pouºívaným váhám pro riziková aktiva v portfoliu lze nyní p idat i váhu w r, která ur uje podíl bezrizikových aktiv. Pro v²echny váhy aktiv v portfoliu s K rizikovými aktivy nyní platí: w i + w r = 1 (1.21) Pokud w r = 0, portfolio se skládá pouze z rizikových aktiv (portfolio M). Jestliºe w r > 0, portfolio zahrnuje i investici do bezrizikových aktiv (nákup SPP). Jestliºe w r < 0, p j ili jsme si za bezrizikovou sazbu a investovali jsme do dal²ích rizikových aktiv. Pro w r = 1 jsme sestavili bezrizikové portfolio. P íklad 1.5.

12 12 KAPITOLA 1. TEORIE PORTFOLIA Ur ete v²echna portfolia sestavená z akcií 5 spole ností z p íkladu 3 a bezrizikové SPP s výnosem 11.5%. Dal²í prost edky si lze p j it za 11.5%. e ení e²ení je výsledkem optimaliza ní úlohy, ve které hledáme optimální (s maximálním výnosem) ecientní portfolio, které je zárov bodem p ímky, procházející bezrizikovým portfoliem na svislé ose v bod 11.5%. Hledáme tedy bod M na k ivce ecientních portfolií, kterým lze vést te nu ke k ivce, procházející bezrizikovým portfoliem. Portfolia mezi hledaným bodem M a bezrizikovým portfoliem jsou tvo ena rizikovými aktivy (rizikovým portfoliem) a bezrizikovým aktivem. Optimální rizikové portfolio s maximálním výnosem je tvo eno pouze 5 rizikovými aktivy (rizikové portfolio). K výpo tu lze pouºít nap. Matlab a funkcí ewstats, portopt a portalloc. Výsledek je na obrázku Portfolia s bezrizikovym aktivem Eficientni portfolia Optimalni portfolio vzhledem k riziku Optimalni rizikove portfolio E(r) M r f Riziko σ Obrázek 1.4: Portfolia obsahující bezrizikové aktivum Z obrázku je patrná alokace optimálního rizikového portfolia s výnosem 13.10% a rizikem 0.74%. Toto portfolio se skládá ze 76.91% z aktiva B, 1.45% aktiva D a 21.64% aktiva D. Na obrázku je znázorn no i optimální portfolio vzhledem k zadanému riziku. Toto porfolio leºí na polop ímce s po átkem v bod M sm rem od bezrizikového

13 1.3. MODEL OCEŒOVÁNÍ KAPITÁLOVÝCH AKTIV 13 portfolia. Proto se skládá pouze z rizikových aktiv, na které si áste n p j íme za úrokovou sazbu 11.5%. Váha rizikového portfolia (rizikových aktiv) bude tj % prost edk si p j íme. Výnos tohoto portfolia bude 13.81% p i poºadovaném riziku 1.08%. 1.3 Model oce ování kapitálových aktiv P ímka kapitálového trhu P ímka, kterou jsme zkonstruovali v p íkladu 5 se nazývá p ímka kapitálového trhu - CML (Capital Market Line). V rámci daného kapitálového trhu se pouºívá pro stanovení st edního výnosu nebo rizika ecientního portfolia. Rovnici této p ímky odvodíme dále. Uvedený p íklad ukázal také existenci portfolia ozna eného bodem M. Doplníme p íklad sestavením modelu pro optimaliza ni úlohu, která nalezné dane portfolio. Cílem je tedy nalézt obecn hodnotu vah w 1,..., w K uvaºovaných K aktiv, které tvo í v nalezených podílech portfolio M. Krom jiº zavedeného zna ení ozna me r M, σ M výnos a riziko hledaného portfolia. Kaºdé ecientní portfolio na p ímce r f M je kombinací podílu w bezrizikového aktiva a 1 w rizikového portfolia M. To ukazují následující vztahy: r = wr f + (1 w) r M σ = (1 w)σ M Vyjád íme w z druhého vztahu a dosadime do prvního. Dostaneme tak hledaný vztah r, σ pro kaºdé portfolio na p ímce. r = r f + r M r f σ M σ (1.22) Podobn bychom mohli najít vyjád ení p ímky pomocí dvou bod na této p ímce [0, r f ], [σ M, r M ]. Jak tedy najdeme portfolio M tj. jeho riziko-výnos [σ M, r M ]? Snaºíme se najít takovou p ímku, obsahující bezrizikové aktivum, která obsahuje ecientní portfolio M, mající maximální výnos. Taková p ímka je te nou ke k ivce ecientních portfolií v bod M. Optimaliza ní úloha je tedy maximalizací sm rnice p ímky za vztahu 1.22 p i spln ní v²ech uvedených podmínek. Portfolio M je ecientním portfoliem tj. jeho riziko-výnos

14 14 KAPITOLA 1. TEORIE PORTFOLIA spl ují vztahy 1.7 a 1.8 a sou asn pro hledané váhy w i 0, i {1,..., K} platí K w i = 1. Na základ uvedeného m ºeme sestavit následující optimaliza ní úlohu. s následujícími podmínkami max w 1,...,w K r r f σ (1.23) σ 2 = r = w i r i (1.24) K 1 wi 2 σi j=i+1 w i w j σ ij (1.25) w i = 1 (1.26) w i 0 i {1,..., K} (1.27) Dosazením do kriteriální funkce dostaneme kone nou podobu optimaliza ní úlohy max w 1,...,w K s následujícími podmínkami K w i r i r f ( K w2 i σ2 i + 2 K 1 ) 1/2 (1.28) K j=i+1 w iw j σ ij w i = 1 (1.29) w i 0 i {1,..., K} (1.30) e²ením úlohy je vektor vah, které ur ují podíl jednotlivých aktiv v optimálním portfoliu. Z p edcházejících úvah vyplývá, ºe investo i konstruují svá portfolia kombinací rizikových aktiv, bezrizikového aktiva i investicí za p j ené prost edky se sazbou r f. Kaºdý investor vºdy sestavuje rizikové portfolio, které má optimální proporce p edstavované bodem M. Podíly kaºdého aktiva jsou v rizikové skupin portfolií pro kaºdého investora nezávislé na individuálních preferencích kaºdého z nich. Vlastní portfolio investora je poté ur eno dle jeho preferencí bodem dotyku investorovi indeferen ní k ivky s p ímkou kapitálového trhu. Toto nijak neovliv uje poloºení bodu M.

15 1.3. MODEL OCEŒOVÁNÍ KAPITÁLOVÝCH AKTIV Trºní portfolio Abychom nemuseli portfolio M konstruovat z velkého mnoºství aktiv na trhu, pouºíváme tzv. trºní portfolio, market portfolio, které reprezentuje kapitálový trh. Toto portfolio by m lo zahrnout v²echna aktiva kapitálového trhu a s vahami, odpovídajícími jejich skute nému podílu na trhu. V praxi se jako trºní portfolio pouºívá vhodný trºní index. Kaºdé portfolio poté m ºeme sestavit jako kombinaci tohoto trºního portfolia a bezrizikového aktiva P ímka trhu cených papír Podívejme se na vyjád ení sm rnice v kriteriální funkci 1.28 z pohledu libovolného uvaºovaného aktiva a jeho kombinace s popsaným trºním portfoliem. Na rozdíl od CML nyní neuvaºujeme pouze ecientní portfolia s aktivy pln korelujícími s trºním portfoliem, ale hledáme vztah mezi výnosem libovolného aktiva a trºního portfolia neboli trhu za p edpokladu, ºe toto aktivum nemusí korelovat s trºním portfoliem. Sestavujeme tedy libovolné p ípustné portfolio. Pomocí tohoto portfolia nalezneme sm rnici p ímky zkoumaného aktiva neboli p ímku trhu cenných papír - SML (Security Market Line) i charakteristickou p ímku. Dále budeme st ední výnos zkoumaného aktiva zna it r i a pomocí vztah 1.7 a 1.8 vytvá íme portfolia s výnosy a rizikem r p, σ p. r p = w r i + (1 w) r M (1.31) σ p = [w 2 σ 2 i + (1 w) 2 σ 2 M + 2(1 w)σ i,m ] 1/2 (1.32) Hledáme vztah mezi r p a σ p jako funkci váhy w. Tento vztah je vlastn sm rnicí dané funk ní závislosti r p = f(σ p ). V tomto p ípad ur ení této sm rnice není tak triviální jako v p edcházejícím. Sm rnici najdeme jako první derivaci dané funkce podle σ p. r p σ p = d r p dw dσ p dw (1.33) Dosadíme výnos a riziko pomocného portfolia ze vztah 1.31 a 1.32 a zderivujeme. V nalezené derivaci poloºíme w = 0, coº je derivace v bod M, která musí být sm rnicí p ímky procházející bodem M tj. CML p ímky a je tedy shodná se sm rnicí ze vztahu To vede k následujícímu vztahu. r i r M ( σ 2 M + σ i,m)/σ M = r M r f σ M (1.34)

16 16 KAPITOLA 1. TEORIE PORTFOLIA Z tohoto odvodíme hledané vyjád ení vztahu mezi výnosem aktiva a rizikem trºního portfolia. r i = r f + ( r M r f ) σ i,m σ 2 M = r f + ( r M r f )β (1.35) kde koecient β = σ i,m σ 2 M (1.36) je míra beta, která m í systematické riziko plynoucí ze vztahu výnos daného aktiva k výnos m trºního portfolia. Rovnice 1.35 je vyjád ením SML p ímky neboli vyjád ením lineární závislosti st edního výnosu libovolného aktiva na systematickém riziku daném mírou beta. Daný vztah m ºeme p epsat do následující podoby r i = r f + r M r f σ M ρ i,m σ (1.37) který p ipomíná vztah Pro aktivum pln korelované s trºním portfoliem ρ i,m = 1 se p ímka SML stává p ímkou CML.

17 Literatura [Cipra, 2005] CIPRA T.: Pr vodce nan ní a pojistnou matematikou,, Praha 2005, ISBN [Cipra, 2000] CIPRA T.: Matematika cenných papír, Edice HZ, Praha 2000, ISBN

Skalární sou in. Úvod. Denice skalárního sou inu

Skalární sou in. Úvod. Denice skalárního sou inu Skalární sou in Jedním ze zp sob, jak m ºeme dva vektory kombinovat, je skalární sou in. Výsledkem skalárního sou inu dvou vektor, jak jiº název napovídá, je skalár. V tomto letáku se nau íte, jak vypo

Více

P íklad 1 (Náhodná veli ina)

P íklad 1 (Náhodná veli ina) P íklad 1 (Náhodná veli ina) Uvaºujeme experiment: házení mincí. Výsledkem pokusu je rub nebo líc, ºe padne hrana neuvaºujeme. Pokud hovo íme o náhodné veli in, musíme p epsat výsledky pokusu do mnoºiny

Více

Pr b h funkce I. Obsah. Maxima a minima funkce

Pr b h funkce I. Obsah. Maxima a minima funkce Pr b h funkce I Maxima a minima funkce V této jednotce ukáºeme jak derivování m ºe být uºite né pro hledání minimálních a maximálních hodnot funkce. Po p e tení tohoto letáku nebo shlédnutí instruktáºního

Více

Integrování jako opak derivování

Integrování jako opak derivování Integrování jako opak derivování V tomto dokumentu budete seznámeni s derivováním b ºných funkcí a budete mít moºnost vyzkou²et mnoho zp sob derivace. Jedním z nich je proces derivování v opa ném po adí.

Více

Vektor náhodných veli in - práce s více prom nnými

Vektor náhodných veli in - práce s více prom nnými Vektor náhodných veli in - práce s více prom nnými 12. kv tna 2015 N kdy k popisu n jaké situace pot ebujeme více neº jednu náhodnou veli inu. Nap. v k, hmotnost, vý²ku. Mezi t mito veli inami mohou být

Více

1. (18 bod ) Náhodná veli ina X je po et rub p i 400 nezávislých hodech mincí. a) Pomocí ƒeby²evovy nerovnosti odhadn te pravd podobnost

1. (18 bod ) Náhodná veli ina X je po et rub p i 400 nezávislých hodech mincí. a) Pomocí ƒeby²evovy nerovnosti odhadn te pravd podobnost (8 bod ) Náhodná veli ina X je po et rub p i nezávislých hodech mincí a) Pomocí ƒeby²evovy nerovnosti odhadn te pravd podobnost P ( X EX < ) (9 bod ) b) Formulujte centrální limitní v tu a pomocí ní vypo

Více

Vektory. Vektorové veli iny

Vektory. Vektorové veli iny Vektor je veli ina, která má jak velikost tak i sm r. Ob tyto vlastnosti musí být uvedeny, aby byl vektor stanoven úpln. V této ásti je návod, jak vektory zapsat, jak je s ítat a od ítat a jak je pouºívat

Více

Obsah. Pouºité zna ení 1

Obsah. Pouºité zna ení 1 Obsah Pouºité zna ení 1 1 Úvod 3 1.1 Opera ní výzkum a jeho disciplíny.......................... 3 1.2 Úlohy matematického programování......................... 3 1.3 Standardní maximaliza ní úloha lineárního

Více

Rovnice a nerovnice. Posloupnosti.

Rovnice a nerovnice. Posloupnosti. .. Veronika Sobotíková katedra matematiky, FEL ƒvut v Praze, http://math.feld.cvut.cz/ 30. srpna 2018.. 1/75 (v reálném oboru) Rovnicí resp. nerovnicí v reálném oboru rozumíme zápis L(x) P(x), kde zna

Více

Limity funkcí v nevlastních bodech. Obsah

Limity funkcí v nevlastních bodech. Obsah Limity funkcí v nevlastních bodech V tomto letáku si vysv tlíme, co znamená, kdyº funkce mí í do nekone na, mínus nekone na nebo se blíºí ke konkrétnímu reálnému íslu, zatímco x jde do nekone na nebo mínus

Více

Pravd podobnost a statistika - cvi ení. Simona Domesová místnost: RA310 (budova CPIT) web:

Pravd podobnost a statistika - cvi ení. Simona Domesová místnost: RA310 (budova CPIT) web: Pravd podobnost a statistika - cvi ení Simona Domesová simona.domesova@vsb.cz místnost: RA310 (budova CPIT) web: http://homel.vsb.cz/~dom0015 Cíle p edm tu vyhodnocování dat pomocí statistických metod

Více

e²ení systém lineárních rovnic pomocí s ítací, dosazovací a srovnávací metody

e²ení systém lineárních rovnic pomocí s ítací, dosazovací a srovnávací metody e²ení systém lineárních rovnic pomocí s ítací, dosazovací a srovnávací metody V praxi se asto setkávame s p ípady, kdy je pot eba e²it více rovnic, takzvaný systém rovnic, obvykle s více jak jednou neznámou.

Více

Derivování sloºené funkce

Derivování sloºené funkce Derivování sloºené funkce V tomto letáku si p edstavíme speciální pravidlo pro derivování sloºené funkce (te funkci obsahující dal²í funkci). Po p e tení tohoto tetu byste m li být schopni: vysv tlit pojem

Více

2. Ur íme sudost/lichost funkce a pr se íky s osami. 6. Na záv r na rtneme graf vy²et ované funkce. 8x. x 2 +4

2. Ur íme sudost/lichost funkce a pr se íky s osami. 6. Na záv r na rtneme graf vy²et ované funkce. 8x. x 2 +4 Pr b h funkce V této jednotce si ukáºeme jak postupovat p i vy²et ování pr b hu funkce. P edpokládáme znalost po ítání derivací a limit, které jsou dob e popsány v p edchozích letácích tohoto bloku. P

Více

Regrese a nelineární regrese

Regrese a nelineární regrese Kapitola 10 Regrese a nelineární regrese 10.1 Regrese V testech nezávislosti jsme zkoumali, zda dv veli iny x a y jsou nezávislé. Pokud nejsou nezávislé, m ºeme zkoumat, jaká závislost mezi nimi je. 10.1.1

Více

Text m ºe být postupn upravován a dopl ován. Datum poslední úpravy najdete u odkazu na staºení souboru. Veronika Sobotíková

Text m ºe být postupn upravován a dopl ován. Datum poslední úpravy najdete u odkazu na staºení souboru. Veronika Sobotíková Tento text není samostatným studijním materiálem. Jde jen o prezentaci promítanou na p edná²kách, kde k ní p idávám slovní komentá. N které d leºité ásti látky pí²u pouze na tabuli a nejsou zde obsaºeny.

Více

Klasifikace ekonomických rizik, metody jejich odhadu a zásady prevence a minimalizace

Klasifikace ekonomických rizik, metody jejich odhadu a zásady prevence a minimalizace Řízení rizik Klasifikace ekonomických rizik, metody jejich odhadu a zásady prevence a minimalizace Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu

Více

na za átku se denuje náhodná veli ina

na za átku se denuje náhodná veli ina P íklad 1 Generujeme data z náhodné veli iny s normálním rozd lením se st ední hodnotou µ = 1 a rozptylem =. Rozptyl povaºujeme za známý, ale z dat chceme odhadnout st ední hodnotu. P íklad se e²í v následujícím

Více

Státní maturita 2010 Maturitní generálka 2010 Matematika: didaktický test - základní úrove obtíºnosti MAGZD10C0T01 e²ené p íklady

Státní maturita 2010 Maturitní generálka 2010 Matematika: didaktický test - základní úrove obtíºnosti MAGZD10C0T01 e²ené p íklady Státní maturita 00 Maturitní generálka 00 Matematika: didaktický test - základní úrove obtíºnosti MAGZD0C0T0 e²ené p íklady Autor e²ení: Jitka Vachtová 6. b ezna 0 http://www.vachtova.cz/ Obsah Úloha Úloha.

Více

Kuželosečky a kvadriky ve škole i kolem

Kuželosečky a kvadriky ve škole i kolem Kuželosečky a kvadriky ve škole i kolem nás Bc. Aneta Mirová Kurz vznikl v rámci projektu Rozvoj systému vzdělávacích příležitostí pro nadané žáky a studenty v přírodních vědách a matematice s využitím

Více

Semestrální práce z p edm tu URM (zadání), 2014/2015:

Semestrální práce z p edm tu URM (zadání), 2014/2015: Semestrální práce z p edm tu URM (zadání), 2014/2015: 1. Vyzna te na globusu cestu z jihu Grónska na jih Afriky, viz Obrázek 1. V po áte ní a cílové destinaci bude zapíchnutý ²pendlík sm ující do st edu

Více

3 D leºitá rozd lení náhodné veli iny

3 D leºitá rozd lení náhodné veli iny 3 D leºitá rozd lení náhodné veli iny Co to znamená, kdyº prohlásíme, ºe jsou n jaká d leºitá rozd lení? Rozd lení náhodné veli iny je její popis. A náhodná veli ina p edstavuje ur itý náhodný pokus (kde

Více

T i hlavní v ty pravd podobnosti

T i hlavní v ty pravd podobnosti T i hlavní v ty pravd podobnosti 15. kv tna 2015 První p íklad P edstavme si, ºe máme atomy typu A, které se samovolným radioaktivním rozpadem rozpadají na atomy typu B. Pr m rná doba rozpadu je 3 hodiny.

Více

nazvu obecnou PDR pro neznámou funkci

nazvu obecnou PDR pro neznámou funkci Denice. Bu n N a Ω R d otev ená, d 2. Vztah tvaru F (x, u(x), Du(x),..., D (n 1) u(x), D (n) u(x)) = 0 x Ω (1) nazvu obecnou PDR pro neznámou funkci u : Ω R d R Zde je daná funkce. F : Ω R R d R dn 1 R

Více

Magnetohydrodynamický pohon

Magnetohydrodynamický pohon aneb pohon bez p evod Jakub Klemsa David Kle ka Jakub Kubi² Fyzikální seminá Fakulta jaderná a fyzikáln inºenýrská 25. listopadu 2010 Obsah 1 P í ina hnací síly Proud v elektrolytu P idruºené jevy 2 Závislost

Více

Zápo tová písemná práce. 1 z p edm tu 01MAB3 varianta A

Zápo tová písemná práce. 1 z p edm tu 01MAB3 varianta A Zápo tová písemná práce. 1 z p edm tu 01MAB3 varianta A úterý 6. prosince 2016, 13:2015:20 ➊ (8 bod ) Vy²et ete stejnom rnou konvergenci ady na mnoºin R +. n=2 x n 1 1 4n 2 + x 2 ln 2 (n) ➋ (5 bod ) Detailn

Více

Kelvin v kapkový generátor

Kelvin v kapkový generátor Kelvin v kapkový generátor Kry²tof Kadlec 1, Luká² Kune² 2, Luká² N me ek 3 1 Gymnázium Franti²ka Palackého, Vala²ské Mezi í í, krystoof.2@seznam.cz 2 Gymnázium, Zlatá stezka 137, Prachatice, kunamars@seznam.cz

Více

Statistika pro geografy. Rozd lení etností DEPARTMENT OF GEOGRAPHY

Statistika pro geografy. Rozd lení etností DEPARTMENT OF GEOGRAPHY Statistika pro geografy Rozd lení etností DEPARTMENT OF GEOGRAPHY Faculty of Science Palacký University Olomouc t. 17. listopadu 1192/12, 771 46 Olomouc Pojmy etnost = po et prvk se stejnou hodnotou statistického

Více

VYBRANÉ APLIKACE RIEMANNOVA INTEGRÁLU I. OBSAH A DÉLKA. (f(x) g(x)) dx.

VYBRANÉ APLIKACE RIEMANNOVA INTEGRÁLU I. OBSAH A DÉLKA. (f(x) g(x)) dx. VYBRANÉ APLIKACE RIEMANNOVA INTEGRÁLU I. OBSAH A DÉLKA. Výpo et obsahu rovinných ploch a) Plocha ohrani ená k ivkami zadanými v kartézských sou adnicích. Obsah S rovinné plochy ohrani ené dv ma spojitými

Více

Po etní geometrie. Výpo et délky p epony: c 2 = a 2 + b 2 Výpo et délky odv sny: a 2 = c 2 b 2, b 2 = c 2 a 2

Po etní geometrie. Výpo et délky p epony: c 2 = a 2 + b 2 Výpo et délky odv sny: a 2 = c 2 b 2, b 2 = c 2 a 2 Po etní geometrie Pythagorova v ta Obsah tverce nad p eponou je roven sou tu obsah tverc nad ob ma odv snami. Výpo et délky p epony: c = a + b Výpo et délky odv sny: a = c b, b = c a P íklad 1: Vypo t

Více

Post ehy a materiály k výuce celku Funkce

Post ehy a materiály k výuce celku Funkce Post ehy a materiály k výuce celku Funkce 1) Grafy funkcí Je p edloºeno mnoºství výukových materiál v programu Graph - tvary graf základních i posunutých funkcí, jejich vzájemné polohy, Precizní zápis

Více

1 Spojitý model. 1.1 Princip stochastického modelu

1 Spojitý model. 1.1 Princip stochastického modelu Spojitý model Veli iny v dopravním systému jsou náhodné posloupnosti indexované diskrétním asem t. V kaºdém asovém okamºiku to jsou náhodné veli iny, po zm ení dostaneme realizace náhodné veli iny. Tyto

Více

Investice a akvizice

Investice a akvizice Fakulta vojenského leadershipu Katedra ekonomie Investice a akvizice Téma 4: Rizika investičních projektů Brno 2014 Jana Boulaouad Ing. et Ing. Jana Boulaouad Operační program Vzdělávání pro konkurenceschopnost

Více

Binární operace. Úvod. Pomocný text

Binární operace. Úvod. Pomocný text Pomocný text Binární operace Úvod Milí e²itelé, binární operace je pom rn abstraktní téma, a tak bude ob as pot eba odprostit se od konkrétních p íklad a podívat se na v c s ur itým nadhledem. Nicmén e²ení

Více

ízení Tvorba kritéria 2. prosince 2014

ízení Tvorba kritéria 2. prosince 2014 ízení. prosince 014 Spousta lidí má pocit, ºe by m la n co ídit. A n kdy to bývá pravda. Kdyº uº nás my²lenky na ízení napadají, m li bychom si poloºit následující t i otázky: ídit? Obrovskou zku²eností

Více

Západo eská univerzita v Plzni. Fakulta aplikovaných v d. Katedra kybernetiky. Datová analýza ve ejn dostupných meteorologických dat.

Západo eská univerzita v Plzni. Fakulta aplikovaných v d. Katedra kybernetiky. Datová analýza ve ejn dostupných meteorologických dat. Západo eská univerzita v Plzni Fakulta aplikovaných v d Katedra kybernetiky Diplomová práce Datová analýza ve ejn dostupných meteorologických dat Plze, 2015 Michal Kubát Prohlá²ení P edkládám tímto k posouzení

Více

FINANČNÍ MODELY. Koncepty, metody, aplikace. Zdeněk Zmeškal, Dana Dluhošová, Tomáš Tichý

FINANČNÍ MODELY. Koncepty, metody, aplikace. Zdeněk Zmeškal, Dana Dluhošová, Tomáš Tichý FINANČNÍ MODELY Koncepty, metody, aplikace Zdeněk Zmeškal, Dana Dluhošová, Tomáš Tichý Recenzenti: Jan Frait, ČNB Jaroslav Ramík, SU v Opavě Autorský kolektiv: Zdeněk Zmeškal vedoucí autorského kolektivu,

Více

Testy pro více veli in

Testy pro více veli in Kapitola 8 Testy pro více veli in 8.1 Testy parametr s více výb ry s p edpokladem normality dat 8.1.1 Testy s dv ma výb ry. P edpoklady: Pro spojité rozd lení normalita nebo velký výb r. Pro diskrétní

Více

1. Spo t te limity (m ºete pouºívat l'hospitalovo pravidlo) x cotg x 1. c) lim. g) lim e x 1. cos(x) =

1. Spo t te limity (m ºete pouºívat l'hospitalovo pravidlo) x cotg x 1. c) lim. g) lim e x 1. cos(x) = I. L'HOSPITALOVO PRAVIDLO A TAYLOR V POLYNOM. Spo t te limity (m ºete pouºívat l'hospitalovo pravidlo) a) lim tg sin ( + ) / e e) lim a a i) lim a a, a > P ipome me si: 3 tg 4 2 tg b) lim 3 sin 4 2 sin

Více

Základní praktikum laserové techniky

Základní praktikum laserové techniky Základní praktikum laserové techniky Fakulta jaderná a fyzikáln inºenýrská Úloha 4: Zna kování TEA CO 2 laserem a m ení jeho charakteristik Datum m ení: 1.4.2015 Skupina: G Zpracoval: David Roesel Kruh:

Více

Matematický model kamery v afinním prostoru

Matematický model kamery v afinním prostoru CENTER FOR MACHINE PERCEPTION CZECH TECHNICAL UNIVERSITY Matematický model kamery v afinním prostoru (Verze 1.0.1) Jan Šochman, Tomáš Pajdla sochmj1@cmp.felk.cvut.cz, pajdla@cmp.felk.cvut.cz CTU CMP 2002

Více

Dolní odhad síly pro ztrátu stability obecného prutu

Dolní odhad síly pro ztrátu stability obecného prutu ƒeské vysoké u ení technické v Praze 9. února 216 Vedoucí seminární práce: doc. RNDr. Ivana Pultarová, Ph.D. prof. Ing. Milan Jirásek, DrSc. Osnova 1 2 Cíl práce Cíl práce Nalézt velikost síly, která zp

Více

1 Spo jité náhodné veli iny

1 Spo jité náhodné veli iny Spo jité náhodné veli in. Základní pojm a e²ené p íklad Hustota pravd podobnosti U spojité náhodné veli in se pravd podobnost, ºe náhodná veli ina X padne do ur itého intervalu (a, b), po ítá jako P (X

Více

Digitální modely terénu.

Digitální modely terénu. Digitální modely terénu. Polyedrický model. Rastrový model. Plátový model. Plátování. Tomá² Bayer bayertom@natur.cuni.cz Katedra aplikované geoinformatiky a kartograe. P írodov decká fakulta UK. Tomá²

Více

Relace. Základní pojmy.

Relace. Základní pojmy. Relace. Základní pojmy. I kdyº pojem funkce je v matematice jeden ze základních a nejd leºit j²ích, p esto se n které vztahy mezi objekty pomocí funkce popsat nedají. Jde o situace, kdybychom cht li p

Více

Úvod. Matematická ekonomie 1. Jan Zouhar. 20. zá í 2011

Úvod. Matematická ekonomie 1. Jan Zouhar. 20. zá í 2011 Úvod Matematická ekonomie 1 Jan Zouhar 20. zá í 2011 Obsah 1 Organizace kurzu 2 Nápl kurzu 3 Motiva ní p íklad na úvod 4 Úvod do matematického programování 5 Úvod do lineárního programování 6 Základní

Více

11 Soustavy rovnic a nerovnic, Determinanty a Matice

11 Soustavy rovnic a nerovnic, Determinanty a Matice 11 Soustavy rovnic a nerovnic, Determinanty a Matice (r zné typy soustav rovnic a nerovnic, matice druhy matic, operace s maticemi, hodnost matice, inverzní matice, Gaussova elimina ní metoda, determinanty

Více

Výuka matematiky v 21. století na S technického typu Metodika - bude upravena po dokon ení testování modul v p ímé výuce

Výuka matematiky v 21. století na S technického typu Metodika - bude upravena po dokon ení testování modul v p ímé výuce Výuka matematiky v 21. století na S technického typu Metodika - bude upravena po dokon ení testování modul v p ímé výuce ƒeské Bud jovice, 2014 Obsah 1 Popis problematiky 2 1.1 Úvod..................................

Více

Zápo tová písemná práce. 1 z p edm tu 01MAB3 varianta A

Zápo tová písemná práce. 1 z p edm tu 01MAB3 varianta A Zápo tová písemná práce. 1 z p edm tu 01MAB3 varianta A st eda 19. listopadu 2015, 11:2013:20 ➊ (3 body) Pro diferenciální operátor ˆL je mnoºina W q denována p edpisem W q = { y(x) Dom( ˆL) : ˆL(y(x))

Více

Konstruk ní geometrie

Konstruk ní geometrie Pomocný text Konstruk ní geometrie Drazí e²itelé, V tomto povídání se, jak název napovídá, podíváme na základní konstruk ní pojmy a zkusíme si vy e²it pár jednoduchých úloh. Eukleidovské konstrukce Kdyº

Více

e²ení 1. série Úvodní gulá² autor: Kolektiv org

e²ení 1. série Úvodní gulá² autor: Kolektiv org e²ení 1. série Úvodní gulá² autor: Kolektiv org Úloha 1.1. Bubla, Lib nka, Henry a Mat j hráli hru. Protoºe byli ty i, napsali si na tabuli ty i ty ky a jejich úkolem pak bylo vepsat mezi n t i znaménka

Více

Práce s daty. 2. února Do tohoto adresá e stáhn te ze stránek soubory data.dat a Nacti_data.sci.

Práce s daty. 2. února Do tohoto adresá e stáhn te ze stránek soubory data.dat a Nacti_data.sci. Práce s daty 2. února 2015 V tomto lánku si ukáºeme statistickou práci v praxi. Setkáme se s mnoha bodovými i intervalovými odhady i s r znými testy. Na kraji textu máte vyzna eno, jaké pojmy a znalosti

Více

Výuka matematiky v 21. století na S technického typu

Výuka matematiky v 21. století na S technického typu Výuka matematiky v 21. století na S technického typu Obsah 1 Popis problematiky 2 1.1 Úvod.................................. 2 1.2 Didaktické zásady.......................... 3 2 Pouºití výukových modul

Více

Reálná ísla a posloupnosti Jan Malý

Reálná ísla a posloupnosti Jan Malý Reálná ísla a posloupnosti Jan Malý Obsah 1. Reálná ísla 1 2. Posloupnosti 2 3. Hlub²í v ty o itách 4 1. Reálná ísla 1.1. Úmluva (T leso). Pod pojmem t leso budeme v tomto textu rozum t pouze komutativní

Více

Regresní analýza. Statistika II. Jiří Neubauer. Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.

Regresní analýza. Statistika II. Jiří Neubauer. Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob. Statistika II Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu) této závislosti pomocí vhodné funkce

Více

Soft Computing (SFC) 2014/2015 Demonstrace u ení sít RCE, Java aplikace

Soft Computing (SFC) 2014/2015 Demonstrace u ení sít RCE, Java aplikace Soft Computing (SFC) 2014/2015 Demonstrace u ení sít RCE, Java aplikace Franti²ek N mec (xnemec61) xnemec61@stud.t.vutbr.cz 1 Úvod Úkolem tohoto projektu bylo vytvo it aplikaci, která bude demonstrovat

Více

DUM 07 téma: P edepisování tolerancí

DUM 07 téma: P edepisování tolerancí DUM 07 téma: P edepisování tolerancí ze sady: 03 tematický okruh sady: Kreslení výrobních výkres ze šablony: 04_Technická dokumentace Ur eno pro :1. ro ník vzd lávací obor: 26-41-M/01 Elektrotechnika 18-20-M/01

Více

Investiční služby, Investiční nástroje a rizika s nimi související

Investiční služby, Investiční nástroje a rizika s nimi související Investiční služby, Investiční nástroje a rizika s nimi související Předmětem tohoto materiálu je popis investičních služeb poskytovaných společností Activity Partner, s.r.o. (dále jen Zprostředkovatel

Více

5.2.1 Matematika povinný předmět

5.2.1 Matematika povinný předmět 5.2.1 Matematika povinný předmět Učební plán předmětu 1. ročník 2. ročník 3. ročník 6. ročník 7. ročník 8. ročník 9. ročník 4 4+1 4+1 4+1 4+1 4 4 3+1 4+1 Vzdělávací oblast Matematika a její aplikace v

Více

Fyzikální praktikum 3

Fyzikální praktikum 3 Ústav fyzikální elekotroniky P írodov decká fakulta, Masarykova univerzita, Brno Fyzikální praktikum 3 Úloha 7. Opera ní zesilova Úvod Opera ní zesilova je elektronický obvod hojn vyuºívaný tém ve v²ech

Více

m = V = Sv t P i tomto pohybu rozpohybuje i tekutinu, kterou má v cest. Hmotnost této tekutiny je nepochybn

m = V = Sv t P i tomto pohybu rozpohybuje i tekutinu, kterou má v cest. Hmotnost této tekutiny je nepochybn Odpor vzduchu JAKUB BENDA, MILAN ROJKO Gymnázium Jana Nerudy, Praha V kroužku experimentální fyziky jsme ov ovali vztah: F = ½ SC v (1) V tomto vztahu je F odporová aerodynamická síla p sobící na t leso

Více

Aplikace pravd podobnostních model v kurzovém sázení

Aplikace pravd podobnostních model v kurzovém sázení Aplikace pravd podobnostních model v kurzovém sázení 28.4.2016 Obsah 1 Kurzové sázení Tenis Kurz jako odhad pravd podobnosti Hodnocení kvality odhadu pravd podobnosti 2 Predikce pr b hu utkání Základní

Více

7 Algebraické a nealgebraické rovnice a nerovnice v C. Numerické e²ení rovnic

7 Algebraické a nealgebraické rovnice a nerovnice v C. Numerické e²ení rovnic 7 Algebrické nelgebrické rovnice nerovnice v C. Numerické (typy lgebrických rovnic zákldní metody jejich e²ení lineární, kvdrtické, reciproké rovnice rovnice vy²²ích ád, rovnice nerovnice nelgebrické s

Více

Socio-ekonomické systémy

Socio-ekonomické systémy Socio-ekonomické systémy Hynek Lavi ka 1 1 Katedra fyziky Fakulta jaderná a fyzikáln inºenýrská ƒeské vysoké u ení technicé v Praze January 24, 2008 Hynek Lavi ka () Socio-ekonomické systémy January 24,

Více

1 P ílohy. 1.1 Dopln ní na tverec

1 P ílohy. 1.1 Dopln ní na tverec 1 P ílohy 1.1 Dopln ní na tverec Pouºívá se pro minimalizaci kvadratického výrazu nebo pro integraci v konvoluci dvou normálních rozd lení (tady má význam rozkladu normální sdruºené hp na podmín nou a

Více

Úloha. 2 - Difrakce sv telného zá ení

Úloha. 2 - Difrakce sv telného zá ení Úloha. - Difrakce sv telného zá ení Difrakci sv tla lze charakterizovat jako chování vlnových polí, které není moºné popsat pomocí zákon geometrické optiky. Lze ji p iblíºit jako ohyb nebo odchylku sv

Více

Zkou²ková písemná práce. 1 z p edm tu 01MAB4

Zkou²ková písemná práce. 1 z p edm tu 01MAB4 Zkou²ková písemná práce. 1 z p edm tu 01MAB4 25/05/2017, 9:00 11:00 ➊ (9 bod ) Nech je dvojrozm rná Lebesgueova míra generována vytvo ujícími funkcemi φ(x) = Θ(x)x 2 a ψ(y) = 7y. Vypo t te míru mnoºiny

Více

Jméno: P íjmení: Datum: 17. ledna 2018 Nechci zápo et p i hodnocení niº²ím neº (nezávazné): vadí mi vystavení mého hodnocení na internetu.

Jméno: P íjmení: Datum: 17. ledna 2018 Nechci zápo et p i hodnocení niº²ím neº (nezávazné): vadí mi vystavení mého hodnocení na internetu. Jméno: P íjmení: Datum: 7. ledna 28 Nechci zápo et p i hodnocení niº²ím neº (nezávazné): vadí mi vystavení mého hodnocení na internetu. Rotující nádoba Otev ená válcová nádoba napln ná do poloviny vý²ky

Více

Modelování v elektrotechnice

Modelování v elektrotechnice Katedra teoretické elektrotechniky Elektrotechnická fakulta ZÁPADOƒESKÁ UNIVERZITA V PLZNI Modelování v elektrotechnice Pánek David, K s Pavel, Korous Luká², Karban Pavel 28. listopadu 2012 Obsah 1 Úvod

Více

Základní pojmy teorie mnoºin.

Základní pojmy teorie mnoºin. Základní pojmy teorie mnoºin. Mnoºina je základní stavební kámen moderní matematiky, i kdyº se v matematice tento pojem uºívá velmi dlouho. Uº anti tí e tí geomet i denovali kruºnici jako mnoºinu bod mající

Více

P íklady k prvnímu testu - Pravd podobnost

P íklady k prvnímu testu - Pravd podobnost P íklady k prvnímu testu - Pravd podobnost 28. února 204 Instrukce: Projd te si v²echny p íklady. Kaºdý p íklad se snaºte pochopit. Pak vymyslete a vy- e²te p íklad podobný. Tím se ujistíte, ºe p íkladu

Více

TROJÚHELNÍK. JAN MALÝ UK v Praze a UJEP v Ústí n. L. sin α = b a.

TROJÚHELNÍK. JAN MALÝ UK v Praze a UJEP v Ústí n. L. sin α = b a. TROJÚHELNÍK JAN MALÝ UK v Prze UJEP v Ústí n. L. 1. Zn ení. Uvºujme trojúhelník ABC, jeho strny i jejih délky jsou,,, úhly α, β, γ. Osh trojúhelník zn íme P. Vý²k spu²t ná z odu C n strnu se zn í v její

Více

Seminá e. Ing. Michal Valenta PhD. Databázové systémy BI-DBS ZS 2010/11, sem. 1-13

Seminá e. Ing. Michal Valenta PhD. Databázové systémy BI-DBS ZS 2010/11, sem. 1-13 Seminá e Ing. Michal Valenta PhD. Katedra softwarového inºenýrství Fakulta informa ních technologií ƒeské vysoké u ení technické v Praze c Michal Valenta, 2010 Databázové systémy BI-DBS ZS 2010/11, sem.

Více

1.7. Mechanické kmitání

1.7. Mechanické kmitání 1.7. Mechanické kmitání. 1. Umět vysvětlit princip netlumeného kmitavého pohybu.. Umět srovnat periodický kmitavý pohyb s periodickým pohybem po kružnici. 3. Znát charakteristické veličiny periodického

Více

e²ení 4. série Binární operace

e²ení 4. série Binární operace e²ení 4. série Binární operace Úloha 4.1. V Hloup tínské jaderné elektrárn do²lo jednoho dne k úniku radioaktivního zá ení. Obyvatelé byli pro tento p ípad kvalitn vy²koleni v obran proti záke ným ásticím,

Více

Vektorová m ení ve vysokofrekven ní technice. Libor Sláma

Vektorová m ení ve vysokofrekven ní technice. Libor Sláma Vektorová m ení ve vysokofrekven ní technice Libor Sláma 21. kv tna 2007 Obsah 0.1 Problematika vysokých kmito t.................. 2 0.2 S-parametry (rozptilové parametry)................ 2 0.3 P ístroje

Více

Co je to tensor... Vektorový prostor

Co je to tensor... Vektorový prostor Vektorový prostor Co je to tensor... Tato ást je tu jen pro p ipomenutí, pokud nevíte co je to vektorový prostor, tak tení tohoto textu ukon ete na konci této v ty, neb zbytek textu by pro Vás nebyl ni

Více

Teorie rmy, Dokonalá konkurence

Teorie rmy, Dokonalá konkurence November 15, 2012 Teorie rmy Ukáºmeme si Jak popsat technologii rmy Jak se rma rozhoduje Jak se odvozuje nabídka rmy a poptávka po výrobních faktorech Jak vypadá nabídka v prost edí dokonalé konkurence

Více

Konceptuální modelování

Konceptuální modelování Konceptuální modelování Ing. Michal Valenta PhD. Katedra softwarového inºenýrství Fakulta informa ních technologií ƒeské vysoké u ení technické v Praze c Michal Valenta, 2010 Databázové systémy BI-DBS

Více

Statistika ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA DOPRAVNÍ. Jiří Volf, Adam Kratochvíl, Kateřina Žáková. Semestrální práce - 0 -

Statistika ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA DOPRAVNÍ. Jiří Volf, Adam Kratochvíl, Kateřina Žáková. Semestrální práce - 0 - ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA DOPRAVNÍ Jiří Volf, Adam Kratochvíl, Kateřina Žáková 2 34 Statistika Semestrální práce - 0 - 1. Úvod Popis úlohy: V této práci se jedná se o porovnání statistických

Více

ČÁST PÁTÁ POZEMKY V KATASTRU NEMOVITOSTÍ

ČÁST PÁTÁ POZEMKY V KATASTRU NEMOVITOSTÍ ČÁST PÁTÁ POZEMKY V KATASTRU NEMOVITOSTÍ Pozemkem se podle 2 písm. a) katastrálního zákona rozumí část zemského povrchu, a to část taková, která je od sousedních částí zemského povrchu (sousedních pozemků)

Více

Zápo tová písemná práce. 1 z p edm tu 01MAB3 varianta A

Zápo tová písemná práce. 1 z p edm tu 01MAB3 varianta A Zápo tová písemná práce. 1 z p edm tu 01MAB3 varianta A úterý 28. listopadu 2017, 9:2011:20 ➊ (8 bod ) Lze nebo nelze k rozhodnutí o stejnom rné konvergence ady ( 1) n+1 x ln(n) n 6 + n 2 x 4 na intervalu

Více

Uºivatelská p íru ka Octopus

Uºivatelská p íru ka Octopus Uºivatelská p íru ka Octopus Jan Bojko 11. prosince 2014 Abstrakt Uºivatelská p íru ka k aplikaci Octopus. Obsah 1 Úvod 2 2 P ihlá²ení 2 3 Naviga ní menu 2 4 Práce s tabulkou 3 5 Editace 6 5.1 Nový záznam.............................

Více

Státní maturita 2011 Maturitní testy a zadání jaro 2011 Matematika: didaktický test - základní úrove obtíºnosti MAMZD11C0T02 e²ené p íklady

Státní maturita 2011 Maturitní testy a zadání jaro 2011 Matematika: didaktický test - základní úrove obtíºnosti MAMZD11C0T02 e²ené p íklady Státní maturita 0 Maturitní testy a zadání jaro 0 Matematika: didaktický test - základní úrove obtíºnosti MAMZDC0T0 e²ené p íklady Autor e²ení: Jitka Vachtová 0. srpna 0 http://www.vachtova.cz/ Obsah Úloha

Více

a m1 a m2 a mn zobrazení. Operaci násobení u matic budeme definovat jiným způsobem.

a m1 a m2 a mn zobrazení. Operaci násobení u matic budeme definovat jiným způsobem. 1 Matice Definice 1 Matice A typu (m, n) je zobrazení z kartézského součinu {1, 2,,m} {1, 2,,n} do množiny R Matici A obvykle zapisujeme takto: a 1n a 21 a 22 a 2n A =, a m1 a m2 a mn kde a ij R jsou její

Více

ST2 - Cvi ení 1 STATISTICKÁ INDUKCE

ST2 - Cvi ení 1 STATISTICKÁ INDUKCE ST2 - Cvi ení 1 STATISTICKÁ INDUKCE P íklad 1.1 Po et závad jistého typu elektrospot ebi e b hem záru ní doby má Poissonovo rozd lení s parametrem λ = 0,2. Jaká je pravd podobnost, ºe po prodeji 75 spot

Více

2 Trochu teorie. Tab. 1: Tabulka pˇrepravních nákladů

2 Trochu teorie. Tab. 1: Tabulka pˇrepravních nákladů Klíčová slova: Dopravní problém, Metody k nalezení výchozího ˇrešení, Optimální ˇrešení. Dopravní problém je jednou z podskupin distribuční úlohy (dále ještě problém přiřazovací a obecná distribuční úloha).

Více

Normalizace rela ního schématu

Normalizace rela ního schématu Normalizace rela ního schématu Ing. Michal Valenta PhD. Katedra softwarového inºenýrství Fakulta informa ních technologií ƒeské vysoké u ení technické v Praze c Michal Valenta, 2010 Databázové systémy

Více

I. VRSTEVNICE FUNKCE, OTEV ENÉ A UZAV ENÉ MNOšINY

I. VRSTEVNICE FUNKCE, OTEV ENÉ A UZAV ENÉ MNOšINY I. VRSTEVNICE FUNKCE, OTEV ENÉ A UZAV ENÉ MNOšINY 1. Ur ete a nakreslete deni ní obor a vrstevnice funkcí: a) f(, y) = + y b) f(, y) = y c) f(, y) = 2 + y 2 d) f(, y) = 2 y 2 e) f(, y) = y f) f(, y) =

Více

Specifikace systému ESHOP

Specifikace systému ESHOP Nabídka: Specifikace systému ESHOP březen 2009 Obsah 1 Strana zákazníka 1 1.1 Nabídka produkt, strom kategorií..................... 1 1.2 Objednávka a ko²ík.............................. 1 1.3 Registrace

Více

Obsah. Zpracoval Ctirad Novotný pro matmodel.cz.

Obsah. Zpracoval Ctirad Novotný pro matmodel.cz. Obsah 1 Viskoelasticita 2 1.1 Modely viskoelastického materiálu...................... 2 1.1.1 Maxwell v model............................ 4 1.1.2 Kelvin v model............................. 5 1.1.3 Maxwell

Více

Popisná statistika I

Popisná statistika I Popisná statistika I Zden k Mikulá²ek, Ústav teoretické fyziky a astrofyziky Výsledkem série astrofyzikálních m ení vybrané veli iny y n jakého objektu (hv zdná velikost, intenzita, radiální rychlost)

Více

Mezní kalibry. Druhy kalibrů podle přesnosti: - dílenské kalibry - používají ve výrobě, - porovnávací kalibry - pro kontrolu dílenských kalibrů.

Mezní kalibry. Druhy kalibrů podle přesnosti: - dílenské kalibry - používají ve výrobě, - porovnávací kalibry - pro kontrolu dílenských kalibrů. Mezní kalibry Mezními kalibry zjistíme, zda je rozměr součástky v povolených mezích, tj. v toleranci. Mají dobrou a zmetkovou stranu. Zmetková strana je označená červenou barvou. Délka zmetkové části je

Více

c sin Příklad 2 : v trojúhelníku ABC platí : a = 11,6 dm, c = 9 dm, α = 65 0 30. Vypočtěte stranu b a zbývající úhly.

c sin Příklad 2 : v trojúhelníku ABC platí : a = 11,6 dm, c = 9 dm, α = 65 0 30. Vypočtěte stranu b a zbývající úhly. 9. Úvod do středoškolského studia - rozšiřující učivo 9.. Další znalosti o trojúhelníku 9... Sinova věta a = sin b = sin c sin Příklad : V trojúhelníku BC platí : c = 0 cm, α = 45 0, β = 05 0. Vypočtěte

Více

1 Úvod. 2 Pom cky. 3 Postup a výsledky. 3.1 Ov ení vlastností fotoodporu

1 Úvod. 2 Pom cky. 3 Postup a výsledky. 3.1 Ov ení vlastností fotoodporu Název a íslo úlohy #9 - Detekce optického zá ení Datum m ení 25. 2. 2015 M ení provedli Tereza Schönfeldová, David Roesel Vypracoval David Roesel Datum 27. 2. 1015 Hodnocení 1 Úvod Fotodetektory jsou p

Více

KEA 2009/2010. pr m rný percentil ADGHV. sekunda Analýza dovedností a tematických ástí - matematika. T_G3_MA Po et respondent : 31/278

KEA 2009/2010. pr m rný percentil ADGHV. sekunda Analýza dovedností a tematických ástí - matematika. T_G3_MA Po et respondent : 31/278 KEA 29/21 sekunda Analýza dovedností a tematických ástí - matematika t ída 7. ro níky gymnázií 1 9 8 86 83 78 79 77 83 pr m rný percentil 7 6 5 4 63 3 2 1 81 78 59 75 72 78 74 Celek aritmetika geometrie

Více

Moderní technologie ve studiu aplikované fyziky CZ.1.07/2.2.00/07.0018. 3. Reálná čísla

Moderní technologie ve studiu aplikované fyziky CZ.1.07/2.2.00/07.0018. 3. Reálná čísla Moderní technologie ve studiu aplikované fyziky CZ..07/..00/07.008 3. Reálná čísla RACIONÁLNÍ A IRACIONÁLNÍ ČÍSLA Význačnými množinami jsou číselné množiny. K nejvýznamnějším patří množina reálných čísel,

Více

Státnice - Rekurzivní a rekurzivn spo etné mnoºiny

Státnice - Rekurzivní a rekurzivn spo etné mnoºiny Kapitola 1 Státnice - Rekurzivní a rekurzivn spo etné mnoºiny 1.1 Rekurzivn spo etné mnoºiny Denice (Rekurzivní a rekurzivn spo etná mnoºina) Charakteristická funkce mnoºiny M ozna uje charakteristickou

Více

2C06028-00-Tisk-ePROJEKTY

2C06028-00-Tisk-ePROJEKTY Stránka. 27 z 50 3.2. ASOVÝ POSTUP PRACÍ - rok 2009 3.2.0. P EHLED DÍL ÍCH CÍL PLÁNOVANÉ 2009 íslo podrobn Datum pln ní matematicky formulovat postup výpo t V001 výpo etní postup ve form matematických

Více

Zobrazení v rovině je předpis, který každému bodu X roviny připisuje právě jeden bod X roviny. Bod X se nazývá vzor, bod X se nazývá obraz.

Zobrazení v rovině je předpis, který každému bodu X roviny připisuje právě jeden bod X roviny. Bod X se nazývá vzor, bod X se nazývá obraz. 7. Shodná zobrazení 6. ročník 7. Shodná zobrazení 7.1. Shodnost geometrických obrazců Zobrazení v rovině je předpis, který každému bodu X roviny připisuje právě jeden bod X roviny. Bod X se nazývá vzor,

Více