POZNÁMKY K MODELOVÁNÍ REGIONŮ

Rozměr: px
Začít zobrazení ze stránky:

Download "POZNÁMKY K MODELOVÁNÍ REGIONŮ"

Transkript

1 POZNÁMKY K MODELOVÁNÍ REGIONŮ Bohuslav Sekerka Ústav ekoomie, Fakulta ekoomicko-správí, Uiverzita Pardubice Abstrakt: V čláku se popisuje regioálí model založeý a iput-output přístupu, tak jak je běžé v současé literatuře, formuluje se obecější model a studují se metody vhodé při regioálím modelováí. Formulovaý model může být ápomoce při bilacováí pláováí rozvoje regioů, i když dyamizace modelu eí explicitě uvažováa. V krátkém čláku elze postihout spektrum aspektů, které se dotýkají daé problematiky. Zaměřil jsem se jeom a vybraé aspekty. Klíčová slova: modely iput-output, regioálí model, zobecěé řešeí, pseudoiverze, eurčitost v regioálím modelováí V čláku se vychází ze základích pozatků sektorového modelováí. Použité pramey jsou uváděy spolu s textem.. Modely iput output Tyto modely ejsou zahruty do hlavích proudů ekoomie, ale umožňují souhrý pohled a ekoomiku určitého regiou, či státu. Uvedeme základí myšleky statického Leotiefova modelu pro porozuměí avržeého multiregioálího modelu v ásledujícím odstavci. 2 Aalýza regiou musí vycházet ze základích proporcí mezi výrobou a spotřebou eje za celý regio, ale též za sektory v regiou uvažovaé. Soustava vztahů vztahujících se k určitému časovému úseku musí být přesá a komplexí. Přesost spočívá ve vymezeí áplě jedotlivých položek a komplexost zameá, že model pokrývá všechy podstaté vztahy v sektoru. Budeme předpokládat, že veličiy jsou vyjádřey v hodotovém tvaru... Formulace iput-output modelu Celkové (hrubé) zdroje spotřeby tvoří produkce, dovoz a úbytek zásob a rezerv. Tyto zdroje se používají a výrobí spotřebu v sektorech a a fiálí užití. Položky fiálího užití jsou spotřeba domácostí, hrubé ivestice, tj. ivestice včetě ahrazovacích, vládí výdaje, přírůstky zásob a rezerv a vývoz. Z hodotového hlediska hodotu výroby získáme tak, že k výrobí spotřebě (bez zahruté amortizace) přidáme amortizaci, áklady práče, zisk před zdaěím, dávky a další aalogické položky. V dalším budeme uvažovat reprezetativí položky přidaé hodoty: amortizaci, mzdy a zisk. Chceme-li získat hodotu zdrojů, je uté k hodotě výroby přidat hodotu dovozu a hodotu úbytku zásob. Chceme-li bilacovat výrobu, potom v rozdělovacích vztazích musíme ve fiálím užití uvažovat čistý vývoz, tj. vývoz zmešeý o dovoz, a aalogicky od přírůstku zásob odečíst úbytek zásob. Uvažujme a sektorů,,. Ozačme x j produkci sektoru j, x ij produkci sektoru i, která se spotřebovává v sektoru j, Wassily Leotief ( ) profesor Harvardské uiversity. V roce 979 získal Nobelovu ceu za ekoomii za rozvoj Iput-Output modelů a za jejich aplikaci v důležitých ekoomických problémech. 2 Ve výkladu se vycházíz publikace Sekerka, B., Vysušil, J.: Makroekoomie, Profess Cosultig. 396

2 y i fiálí užití produkce v sektoru i, z j hodotu přidaou zpracováím v sektoru j. Hodota z j sestává zjedodušeě z ásledujících složek z aj amortizace v sektoru j, z mj mzdy v sektoru j, z zj zisk v sektoru j. S ohledem a tuto pozámku lze pro j=,, psát z j = z aj +z mj +z zj. Zisk v aší úvaze představuje reziduálí položku, která emusí eodpovídat účetímu zisku. Mohou však být a tuto položku kladey určité požadavky: S ohledem a defiice jedotlivých položek dostaeme soustavy bilací x j= ij + y i =x i,,, x ij + z j =x j, j=,,. Prví soustava představuje distribučí vztahy, druhá hodotové vztahy. Výrobí spotřeba produkce sektoru i v sektoru j zřejmě závisí a produkci sektoru j. Z toho vyplývá, že hodoty x ij jsou fukcemi hodot x j. Abstrahujeme-li od ostatích vlivů, lze psát x ij = f ij (x j ). Vezmeme-li za f ij přímou úměru, kde koeficiety přímé úměrosti jsou a ij, můžeme psát x ij = a ij x j. Koeficiety a ij se azývají přímé ormy spotřeby. Předpokládá se o ich, že jsou relativě stálé. Tyto koeficiety jsou ezáporé. Přijmeme-li předpoklad, že hodoty z j jsou kladé, z hodotových vztahů plye, že a tedy a ij + z j /x j =, j=,, a ij <, j=,,. Uvedeé vlastosti přímých orem spotřeby zaručí řešitelost rovic, které uvedeme v ásledujícím výkladu. Pozameejme, že lze též defiovat koeficiety vztahující se k hodotám z j, z aj, z mj, z zj..2. Vztah mezi fiálím užitím a produkcí sektorů Pomocí přímých orem spotřeby dostaeme základí systém vztahů a ij x j + y i =x i,,,. j= V dalším výkladu budeme používat maticového vyjadřováí. Ozačíme x vektor vytvořeý z hodot x i,,,, y vektor vytvořeý z hodot y i,,,, A matici vytvořeou z hodot a ij,,,, j=,,. Využitím maticového počtu můžeme základí systém vztahů přepsat ve tvaru 397

3 A x + y = x. Máme-li yí dvě dvojice vektorů [x, y] a [x, y], které vyhovují uvedeému vztahu, můžeme psát Odečteím těchto vztahů získáme A x + y = x, A x + y = x. A (x-x) + (y-y) = (x-x). Položíme-li Δx = (x-x) a Δy = (y-y), dostaeme A Δx + Δy = Δx. Uvedeý vztah vyjadřuje, že základí vztah A x + y = x platí též pro přírůstky vektorů x a y. Úpravou vztahu A x + y = x dostaeme y = x - A x = (E-A) x. Záme-li, ebo je-li dáo, y, pak lze za předpokladu, že existuje matice (E-A) -, určit x podle vztahu x = (E-A) - y. Dá se dokázat, že za předpokladu ezáporosti matice A a předpokladu matice (E-A) - existuje. Navíc platí a ij <, j=,, (E-A) - = E + A + A 2 + A 3 +. Posledí uvedeý vztah je východiskem růzých iteračích metod a postupů. Uveďme iterpretaci prvků matice (E-A) -. Proto vyjděme ze vztahu Δx = (E-A) - Δy. Volíme-li souřadice vektoru Δy ulové, kromě souřadice j-té, kterou položíme rovou jedotce, pak souřadice vektoru Δx budou odpovídat j-tému sloupci matice (E-A) -. Odtud plye, že prvek v i-tém řádku a j-tém sloupci matice (E-A) - začí možství produkce sektoru i, které je uté k tomu, aby se fiálí užití sektoru j zvětšilo o jedotku při ezměěém fiálím užití ostatích sektorů. Prvky matice (E-A) - se azývají koeficiety komplexí (plé) spotřeby..3. Vztahy mezi primárími zdroji a fiálím užitím K tomu, aby se mohla uskutečit produkce, je uté mít k dispozici potřebé kapacity (produkčí plochy, stroje, zařízeí apod.) a práci v čleěí profesím ebo kvalifikačím. V ěkterých případech je uté mít k dispozici speciálí suroviy ebo výrobky, které se v daém teritoriu eprodukují, a proto musí být dovezey. Všechy uvedeé faktory ozačíme společým ázvem primárí zdroje. Model umožňuje odhadout potřebu primárích zdrojů v závislosti a produkci a fiálím užití. Předpokládejme, že máme p skupi primárích zdrojů a ozačíme r ij možství primárího zdroje skupiy i, které figuruje při produkci v sektoru j, j=,,. Stejě jako v předcházejícím případě budeme předpokládat, že toto možství závisí a produkci sektoru j, takže lze psát 398

4 r ij = t ij x j, kde t ij jsou koeficiety úměrosti, které začí možství primárího zdroje skupiy i, které je uté k jedotce produkce sektoru j. Pozameejme, že tyto koeficiety mají pouze omezeou platost pro okolí stávající produkce a jejich závislost a produkci je uté podroběji aalyzovat. Ozačíme r i celkové možství primárího zdroje skupiy i, které je v systému zapotřebí pro výrobu, sado ahlédeme, že lze psát r i = t ij x j,,,. V maticovém vyjádřeí lze uvedeý vztah přepsat ásledově j= r = T x. Teto vztah umožňuje k daému x určit vektor r. Uvědomíme-li si, že platí dostaeme x = (E-A) - y, r = T (E-A) - y. Prvky matice T (E-A) - lze iterpretovat jako možství primárího zdroje skupiy i, které je uté k tomu, aby se fiálí užití sektoru j zvětšilo o jedotku při ezměěém fiálím užití ostatích sektorů. Prvky matice T(E-A) - se azývají podle povahy primárího zdroje komplexí (plé) koeficiety pracosti, komplexí (plé) dovozí koeficiety apod..4. Ceotvoré složky produkce Na začátku výkladu jsme uvedli vztahy x ij + z j = x j, j=,,, kde veličiy x ij a x j byly v hodotovém vyjádřeí, tj. odpovídaly agregátům možství, které bylo vyásobeo příslušými ceami. V tomto případě ceové idexy jsou rovy jedotkám, tj. můžeme psát x ij + z j = x j, j=,,. Změí-li se z j, pak tato změa vyvolá sahu o změu ce. Ozačíme-li p i,, příslušé ceové idexy, pak můžeme výše uvedeý vztah přepsat a tvar p i x ij + z j = p j x j, j=,,. Vydělíme-li tyto vztahy příslušými x j a přihlédeme-li ke vztahu a ij = x ij / x j, můžeme psát p i a ij + z j /x j = p j, j=,,, což lze v maticovém vyjádřeí přepsat ve tvaru A p + diag(x) - z = p, kde diag(x) začí diagoálí matici vytvořeou z vektoru x. Z uvedeého vztahu lze odvodit základí vztah pro ceové idexy p = (E -A ) - diag(x) - z, který, s ohledem a zaměitelost operací traspozice a iverze, lze přepsat ve tvaru p = [(E -A) - ] diag(x) - z. 399

5 Tak lze z předpokládaého pohybu vektoru z usuzovat a předpokládaý pohyb ceových idexů p..5. Začleěí dovozu a vývozu Přístup ke zkoumáí zahraičího obchodu se řídí účelem ebo cílem aalýzy. V zásadě rozlišujeme dva přístupy. Jedak lze zkoumat závislost dovozu mezi produkcí, resp. fiálím užitím, ebo zkoumat efektivost zahraičího obchodu. Nejprve azačíme prví případ a poté přikročíme k případu druhému. Závislost dovozu mezi produkcí, resp. fiálím užitím Lze uvažovat dva přístupy. V prvím přístupu budeme uvažovat vztah A x + y dom + y ex = x + d, ve kterém ve vektoru y sestává z domácí spotřeby y dom a exportu y ex j. V tomto přístupu se dále předpokládá vztah d = diag(m) x, kde vektor m představuje koeficiety přímé úměrosti mezi dovozem a produkcí. Teto vztah vyjadřuje hrubý, velmi aproximativí přístup. Za tohoto předpokladu máme tyto vztahy A x + y = [E + diag(m)] x x = [ E + diag(m) - A] - y mezi produkcí a fiálím užitím. Někdy se teto vztah modifikuje tak, že uvažujeme veličiu Vyásobíme-li výrazem [E + diag(m)], dostaeme u = x + d = [E + diag(m)] x. x = [ E + diag(m) - A] - y u = [E + diag(m)][e + diag(m) - A] - y. Druhý přístup spočívá v tom, že se uvažuje odděleě tuzemská a zahraičí produkce. Stačí vzít v úvahu, že vztah A x + y = x + d vzikl sloučeím vztahů A domácí x + y domácí = x A dovezeé x + y dovezeé = d, kde je A domácí matice vytvořea z přímých orem spotřeby domácí produkce, A dovezeé matice vytvořea z přímých orem spotřeby dovezeých produktů, y domácí vektor fiálího užití domácí produkce obsahující export a ikoli saldo zahraičího obchodu, y dovezeé vektor fiálího užití dovezeých produktů. 400

6 Za předpokladu stálosti matic A domácí a A dovezeé lze provádět růzé alterativí propočty. Je-li apř. zámo x, lze určit vektory y domácí a d - y dovezeé apod. Pozameejme, že předpoklad relativí stálosti uvažovaých matic eí tak oprávěý s ohledem a zastupitelost domácí a dovezeé produkce jako předpoklad stálosti matice A. Efektivost vývozu a dovozu Vyjdeme ze vztahu A domácí x + y domácí = x, ve kterém vektor y domácí rozdělíme a dvě složky. Prví složka exp y domácí bude vyjadřovat užití domácí produkce pro export a druhá složka ost y domácí bude vyjadřovat ostatí užití domácí produkce. Platí y domácí = exp y domácí + ost y domácí. Sado ahlédeme, že platí x = (E - A domácí ) - y domácí = (E - A domácí ) - exp y domácí + (E - A domácí ) - ost y domácí. Sečteme-li všechy vztahy v bilaci, tj. vyásobíme-li zleva teto vztah A dovezeé x + y dovezeé = d řádkovým vektorem e sestávajícím ze samých jedotek, vektorem, dostaeme e A dovezeé x + e y dovezeé = e d, získáme r x + ω = γ, kde r = e A dovezeé, ω = e y dovezeé, γ = e d. Položíme-li δ = γ - ω, dostaeme vztah r x =δ. Veličia δ představuje celkový dovoz pro výrobí spotřebu. Ze vztahu r x =δ sado odvodíme vztah δ = r (E - A domácí ) - y domácí, který určuje dovozí áročost vzhledem k celkovému fiálímu užití domácí produkce. Veličia δexp = e exp y domácí - r (E - A domácí ) - exp y domácí = [e - r (E - A domácí ) - ] exp y domácí vyjadřuje čistý příos zahraičího obchodu. Veličia r (E - A domácí ) - ] exp y domácí představuje plou dovozí áročost exportu. Čistý příos jedotlivých sektorů lze získat tak, že od vývozu daého sektoru odečteme plou dovozí áročost plyoucí z výroby pro export. 2. Regioálí model V tomto odstavci je formulová regioálí model. Opouští se předpoklad jedotkové matice výstupů a uvažují se agregáty komodit a čiostí. 40

7 2.. Formulace modelu Uvažujme soustavu k regioů a formulujme meziregioálí model. Regio k může představovat regio, který tvoří okolí regioů, 2,, k-. Předpokládejme, že se v regioech provádějí čiosti j, j=,, při ichž se vytvářejí a spotřebovávají komodity i,,, m. Teto předpoklad by bylo možé zobecit tak, že prováděé čiosti jsou specifické ějakému regiou, řekěme s. V tomto případě by se užívala místo veličia s. Položme q st vektor, jehož souřadice q st i vyjadřují výstup komodity i z regiou s do regiou t s y st vektor, jehož souřadice yi st vyjadřují fiálí spotřebu komodity i vytvořeé v regiou s, a spotřebovaé v regiou t A st matice, jejíž prvky a st ij začí spotřebu komodity i vytvořeé při jedotkové itezitě čiosti j v regiou s použité v regiou t B st matice, jejíž prvky b st ij začí výstup komodity i při jedotkové itezitě čiosti j v regiou s použité v regiou t Pokud se v ějakém regiou evytváří ebo espotřebovává ějaká komodita, budou příslušé hodoty ulové. Předpokládejme, že pro každý regio s platí q ss = 0. Ozačíme symbolem * součet přes všechy hodoty příslušého idexu a symbolem + součet přes všechy hodoty příslušého idexu, kromě uvažovaého idexu. 3 Položme dále x s vektor, jehož souřadice x s j vyjadřují itezitu čiosti j v regiou s y *s vektor, jehož souřadice y *s i vyjadřují fiálí spotřebu komodity i v regiou s q *s vektor, jehož souřadice q i *s vyjadřují vstup komodity i do regiou s z ostatích regioů q s* vektor, jehož souřadice q s* i vyjadřují výstup komodity i z regiou s do ostatích regioů A *t matice, jejíž prvky a *t ij začí spotřebu komodity i při jedotkové itezitě čiosti j v regiou t B s* matice, jejíž prvky b s* ij začí výstup komodity i při jedotkové itezitě čiosti j v regiou s S využitím výše uvedeých veliči defiujeme pro regio s model A *s x s + y *s + q s* = B s* x s + q *s ss s ss +s s +s ss s+ ss s s+ s ss +s A x + y + A x + y + q + q = B x + B x + q + q, Za předpokladu, že se euvažuje trasfer komodit z jedoho regiou do druhého prostředictvím třetího regiou lze psát A ts x s + y ts = q ts st s B x = q st, kde t s. Spojeím uvedeých vztahu plye B ts x t = A ts x s + y ts. 3 Pozameejme, že se ěkdy ve výrazech používá symbolu tečka a místě idexu, přes který se sčítá, apř. j a ij x j pomocí tohoto ozačeí lze zjedodušeě psát ve tvaru a i. x.. 402

8 Uvedeý vztah představuje podmíku rovováhy v meziregioálích vztazích. Výraz B ts x t představuje abídku regiou t pro regio s. Výraz A ts x s + y ts představuje poptávku regiou s po komoditách produkovaých regioem t. Z uvedeého plye, že - vstup do regiou s z regiou t je použit pro prováděí čiostí v regiou s a pro fiálí užití v regiou s. Při tom vstup pro zabezpečeí čiostí závisí a itezitě prováděých čiostí v regiou s a příslušých maticích A ts. - výstup z regiou s do regiou t je dá itezitou čiostí v regiou s a příslušou maticí B st. Z platosti A +s x s + y +s = q +s B s+ x s = q s+. a ze vztahu A ss x s + y ss + A +s x s + y +s + q ss + q s+ = B ss x s + B s+ x s + q ss + q +s, plye A ss x s + y ss = B ss x s. Uvedeý vztah může sloužit k určeí itezity čiostí v regiou s a základě matic B ss, A ss a vektoru y ss. Pro přiblížeí vyjádřeme vztah A *s x s + y *s + q s* = B s* x s + q *s, v souřadicovém tvaru t j a ts ij x s j + t y ts i + t q st i = j b st ij x s j + t q ts i. Podle dříve zavedeé otace platí j a *s ij x s j + y *s i + q s* i = j b s ij x s j + q *s i. Z uvedeého plye, že v uvedeém vztahu ezáleží a hodotě q ss i, která se vyruší. Proto bylo možé předpokládat její ulovost. Z uvedeého vztahu plye Ze vztahů dostaeme rozepsaý tvar To vede ke vztahu j b s ij x s j + q *s i - j a *s ij x s j - y *s i - q s* i = 0. j b s ij x s j - j a *s ij x s j = y *s i + q s* i - q *s i. j (b s ij -a *s ij ) x s j = y *s i + q s* i - q *s i. A ts x s + y ts = q ts B st x s = q st, j a ij ts x j s - y i ts = q i ts j b ij st x j s = q i st 403

9 j (b ij s -a ij ss ) x j s = y i ss. Při daých výstupech, vstupech a fiálím užití budeme hledat vektor řešeí x s souřadicemi x s j. Problémem je, že počet komodit a počet čiostí emusí být shodý Řešeí modelu Pokud je počet čiostí větší ež počet komodit, lze teto problém lze řešit zavedeím vhodé účelové fukce pomocí lieárího programováí. Optimálí řešeí však obvykle vyřadí ěkteré čiosti. Použijeme proto metody zobecěí řešeí systému lieárích rovic Zobecěé řešeí soustavy lieárích rovic V uvedeém rozboru vyjdu z elektroických skript katedry matematiky fakulty stavebí ČVUT 4 Buď A matice typu (m,). V praktických aplikacích se často uvažuje soustava lieárích vztahů A x = b. Bylo by vhodé, aby každá taková soustava měla řešeí. To však emůže platit pro klasické řešeí s ohledem a podmíku o hodostech matice soustavy a rozšířeé matice soustavy. Proto vhodým způsobem se pojem řešeí soustavy vztahů zobecňuje. Pro účely zobecěí defiujme skalárí souči vektorů u a v se souřadicemi u i a v i vztahem (u, v) = i u i v i. Zavedeme kvadratickou formu Dá se ukázat, že existuje x, pro které platí F(x) = (Ax-b, Ax-b). F(x) = mi x F(x) = d. Uvažujme M = {x; F(x) = d} Tato možia je eprázdá a uzavřeá a kovexí. Existuje proto právě jede prvek x * M takový, že x * = mi x M x. Vektor x * se azývá ormálím řešeím soustavy Ax = b. Někdy se používá ázvu řešeí ve smyslu ejmeších čtverců Zobecěé iverzí operátory Vyšetřujme soustavu relací 5 AXA = A, XAX = X, (AX) * = AX, (XA) * = XA. Této soustavě odpovídá právě jeda matice X typu (,m), která se azývá (Mooreovou - Peroseovou) pseudoiverzí maticí k matici A a ozačuje se A +. Je-li A čtvercová regulárí matice, pak sado ahlédeme, že A + =A -. se 4 Viz apř. Ivo Marek, Petr Mayer a Bohuslav Sekerka: Úvod do umerické matematiky. Předáška pro posluchače iformatiky. Zimí resp. Letí semestr 2/2, elektroický text katedry matematiky fakulty stavebí ČVÚT, 5 Pozameejme, že A * začí matici Hermitovsky sdružeou k matici A. 404

10 Řešeí soustavy A x = b Vyjděme ze soustavy A x = b, kde A je matice typu (m,), x je vektor mající souřadic a b je vektor mající m souřadic. Defiujme vektory b a b 2 takové, že existuje vektor c, že platí 6 Platí Soustava b = A c A * b 2 = 0. A * A x = A * b = A * b + A * b 2 = A * A c A * A x = A * b se azývá ormálí soustavou. Tato soustava má vždy klasické řešeí. Položme yí Dá se dokázat, že x = (A * A) - A * b. x + = A + b. x = x + + y, kde A y = 0. Důkaz se vymyká z rámce čláku. 3. Neurčitost ve strukturích modelech Možství podětů z této problematiky lze alézt a iteretu. Z čláků tam obsažeých mě zaujal apř. čláek Sergio J. Rey, Guy R. West, Mark V. Jaikas: Ucertaity I Itegrated Regioal Models, December 2, Problém pevých struktur Při formulaci modelu jsme pracovali s maticemi, jejichž koeficiety vyjadřovaly příslušé struktury. V růzých modelech eí však stálost koeficietů zabezpečea. Nuto tedy uvažovat stabilitu modelů ve smysl jejich citlivosti a změy. Při problematice vstupu a výstupu jsme pracovali s maticí meziregioálích vztahů. V této úvaze budeme uvažovat matici Q s prvky q st. Tyto prvky získáme sečteím (v případě potřeby po vyásobeím ceou) dříve defiovaých veliči q st i. Předpokládejme, že máme k dispozici hodoty q s*, q *t. Při změách výchozích hodot bude uté upravit hodoty q st tak, aby ové hodoty splňovaly požadovaé součty. Přirozeým postupem je použít metody změ - řádků ásobeím každého řádku vhodým číslem - sloupců ásobeím každého sloupce vhodým číslem - uvažovat iteračí proces, ve kterém se střídají výše uvedeé přístupy 7. 6 b rage(a), b 2 ker(a * ) 7 V Leotiefově modelu jde o metodu RAS. 405

11 Zmíěý proces skočí pokud ejsou přibližě splěy součtové vztahy. Postup lze modifikovat v tom smyslu, že ěkteré prvky epodléhají změám Ekoometrické modely Dalším možým aspektem je kombiace ekoometrického modelováí se strukturím přístupem. Např. určováí itezity čiosti v aalyzovaém modelu emusí být pouze výsledkem fiálího užití a matic vstupů a výstupů. Tyto itezity mohou být ovlivňováy dalšími faktory, které se zahrují do praktických realizací apř. pomocí regresích vztahů. Tyto vztahy mohou vášet další eurčitosti. Kotaktí adresa: prof. RNDr. Bohuslav Sekerka, CSc. Ústav ekoomie, Fakulta ekoomicko-správí, Uiverzita Pardubice Studetská Pardubice bohuslav.sekerka@upce.cz 406

3. Lineární diferenciální rovnice úvod do teorie

3. Lineární diferenciální rovnice úvod do teorie 3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se

Více

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE 1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;

Více

Matematika I, část II

Matematika I, část II 1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího

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

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

Kapitola 5 - Matice (nad tělesem)

Kapitola 5 - Matice (nad tělesem) Kapitola 5 - Matice (ad tělesem) 5.. Defiice matice 5... DEFINICE Nechť T je těleso, m, N. Maticí typu m, ad tělesem T rozumíme zobrazeí možiy {, 2,, m} {, 2,, } do T. 5..2. OZNAČENÍ Možiu všech matic

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

1.1. Definice Reálným vektorovým prostorem nazýváme množinu V, pro jejíž prvky jsou definovány operace sčítání + :V V V a násobení skalárem : R V V

1.1. Definice Reálným vektorovým prostorem nazýváme množinu V, pro jejíž prvky jsou definovány operace sčítání + :V V V a násobení skalárem : R V V Předáška 1: Vektorové prostory Vektorový prostor Pro abstraktí defiici vektorového prostoru jsou podstaté vlastosti dvou operací, sčítáí vektorů a ásobeí vektoru (reálým číslem) Tyto dvě operace musí být

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

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

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

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

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

Lineární programování

Lineární programování Lieárí programováí Adjugovaý problém lieárího programováí V případě řešeí problému lieárího programováí LP ma{ c T : A b 0} získáváme výchozí přípustou jedotkovou bázi u doplňkových proměých a za předpokladu

Více

11. přednáška 16. prosince Úvod do komplexní analýzy.

11. přednáška 16. prosince Úvod do komplexní analýzy. 11. předáška 16. prosice 009 Úvod do komplexí aalýzy. Tři závěrečé předášky předmětu Matematická aalýza III (NMAI056) jsou věováy úvodu do komplexí aalýzy. Což je adeseá formulace eboť časový rozsah ám

Více

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1 [M2-P9] KAPITOLA 5: Číselé řady Ozačeí: R, + } = R ( = R) C } = C rozšířeá komplexí rovia ( evlastí hodota, číslo, bod) Vsuvka: defiujeme pro a C: a ± =, a = (je pro a 0), edefiujeme: 0,, ± a Poslouposti

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

Přednáška 7, 14. listopadu 2014

Přednáška 7, 14. listopadu 2014 Předáška 7, 4. listopadu 204 Uvedeme bez důkazu klasické zobecěí Leibizova kritéria (v ěmž b = ( ) + ). Tvrzeí (Dirichletovo a Abelovo kritérium). Nechť (a ), (b ) R, přičemž a a 2 a 3 0. Pak platí, že.

Více

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost

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

6. Posloupnosti a jejich limity, řady

6. Posloupnosti a jejich limity, řady Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme

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

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

Iterační metody řešení soustav lineárních rovnic

Iterační metody řešení soustav lineárních rovnic Iteračí metody řešeí soustav lieárích rovic Matice je: diagoálě domiatí právě tehdy, když pozitivě defiití (symetrická matice) právě tehdy, když pro x platí x, Ax a ij Tyto vlastosti budou důležité pro

Více

Matematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti

Matematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti

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

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

n-rozměrné normální rozdělení pravděpodobnosti

n-rozměrné normální rozdělení pravděpodobnosti -rozměré ormálí rozděleí pravděpodobosti. Ortogoálí a pozitivě defiití symetrické matice. Reálá čtvercová matice =Ha i j L řádu se azývá ortogoálí, je-li regulárí a iverzí matice - je rova traspoovaé matici

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

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

Matematika I. Název studijního programu. RNDr. Jaroslav Krieg. 2014 České Budějovice

Matematika I. Název studijního programu. RNDr. Jaroslav Krieg. 2014 České Budějovice Matematika I Název studijího programu RNDr. Jaroslav Krieg 2014 České Budějovice 1 Teto učebí materiál vzikl v rámci projektu "Itegrace a podpora studetů se specifickými vzdělávacími potřebami a Vysoké

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

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

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

Náhodný výběr 1. Náhodný výběr

Náhodný výběr 1. Náhodný výběr Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti

Více

DISKRÉTNÍ MATEMATIKA PRO INFORMATIKY

DISKRÉTNÍ MATEMATIKA PRO INFORMATIKY DISKRÉTNÍ MATEMATIKA PRO INFORMATIKY URČENO PRO VZDĚLÁVÁNÍ V AKREDITOVANÝCH STUDIJNÍCH PROGRAMECH IVAN KŘIVÝ ČÍSLO OPERAČNÍHO PROGRAMU: CZ..07 NÁZEV OPERAČNÍHO PROGRAMU: VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST

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

Intervalové odhady parametrů některých rozdělení.

Intervalové odhady parametrů některých rozdělení. 4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:

Více

1.2. NORMA A SKALÁRNÍ SOUČIN

1.2. NORMA A SKALÁRNÍ SOUČIN 2 NORMA A SKALÁRNÍ SOUČIN V této kapitole se dozvíte: axiomatickou defiici ormy vektoru; co je to ormováí vektoru a jak vypadá Euklidovská orma; axiomatickou defiici skalárího (také vitřího) součiu vektorů;

Více

Přednáška 7: Soustavy lineárních rovnic

Přednáška 7: Soustavy lineárních rovnic Předáška 7: Soustavy lieárích rovic 7.1. Příklad (geometrie v roviě) Rozhoděte o vzájemé poloze přímky p : x y 1 a přímky a) a : x y 3, b) b : 2x 2y 3, c) c :3x 3y 3. Jak víme ze středí školy, lze o vzájemé

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

a my chceme data proložit nějakou hladkou funkcí, která by vystihovala hlavní vlastnosti dat, ale ignorovala malé fluktuace a nepřesnosti.

a my chceme data proložit nějakou hladkou funkcí, která by vystihovala hlavní vlastnosti dat, ale ignorovala malé fluktuace a nepřesnosti. Vyováváí dat Naše pozoováí jsou dáa tabulkou čísel, kde y y y i často bývají časové údaje, a my chceme data položit ějakou hladkou fukcí, kteá by vystihovala hlaví vlastosti dat, ale igoovala malé fluktuace

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

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

5. Lineární diferenciální rovnice n-tého řádu

5. Lineární diferenciální rovnice n-tého řádu 5 3.3.8 8:44 Josef Herdla lieárí difereciálí rovice -tého řádu 5. Lieárí difereciálí rovice -tého řádu (rovice s ostatími oeficiety) ( ), a,, a (5.) ( ) ( ) y a y a y ay q L[ y] y a y a y a y, q je spojitá

Více

Budeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)

Budeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a) Předáša 7 Derivace a difereciály vyšších řádů Budeme poračovat v ahrazováí fuce f(x v oolí bodu a polyomy, tj hledat vhodé ostaty c ta, aby bylo pro malá x a f(x c 0 + c 1 (x a + c 2 (x a 2 + c 3 (x a

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

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

4. B o d o v é o d h a d y p a r a m e t r ů

4. B o d o v é o d h a d y p a r a m e t r ů 4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž

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

Správnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).

Správnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13). 37 Metrické vlastosti lieárích útvarů v E 3 Výklad Mějme v E 3 přímky p se směrovým vektorem u a q se směrovým vektorem v Zvolme libovolý bod M a veďme jím přímky p se směrovým vektorem u a q se směrovým

Více

Matematika 1. Ivana Pultarová Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D Posloupnosti

Matematika 1. Ivana Pultarová Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D Posloupnosti Úvod Opakováí Poslouposti Příklady Matematika 1 Ivaa Pultarová Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti

Více

procesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze

procesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí

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

Prorážka DOC. ING. PAVEL HÁNEK, CSC. Uvedené materiály jsou doplňkem přednášek předmětu 154GP10

Prorážka DOC. ING. PAVEL HÁNEK, CSC. Uvedené materiály jsou doplňkem přednášek předmětu 154GP10 Prorážka DOC. ING. PAVEL HÁNEK, CSC. Uvedeé materiály jsou doplňkem předášek předmětu 154GP10 014 HLAVNÍ PROJEKČNÍ PRVKY Směr pokud možo volit přímý tuel. U siličích t. miimálí poloměr 300 m, u železičích

Více

Rovnice. RNDr. Yvetta Bartáková. Gymnázium, SOŠ a VOŠ Ledeč nad Sázavou

Rovnice. RNDr. Yvetta Bartáková. Gymnázium, SOŠ a VOŠ Ledeč nad Sázavou Rovice RNDr. Yvetta Bartáková Gymázium, SOŠ a VOŠ Ledeč ad Sázavou Rovice kombiatorické VY INOVACE_5 9_M Gymázium, SOŠ a VOŠ Ledeč ad Sázavou Skupiy prvků, kde záleží a pořadí Bez opakováí Počet Vk( )

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

Masarykova univerzita Přírodovědecká fakulta

Masarykova univerzita Přírodovědecká fakulta Masarykova uiverzita Přírodovědecká fakulta Zuzaa Došlá, Vítězslav Novák NEKONEČNÉ ŘADY Bro 00 c Zuzaa Došlá, Vítězslav Novák, Masarykova uiverzita, Bro, 998, 00 ISBN 80-0-949- 3 Kapitola 3 Řady absolutě

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

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

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

definované pro jednotlivé řády takto: ) řádu n nazýváme číslo A = det( A) a a a11 a12

definované pro jednotlivé řády takto: ) řádu n nazýváme číslo A = det( A) a a a11 a12 Předáška 3: Determiaty Pojem determiatu se prosadil původě v souvislosti s potřebou řešit soustavy lieárích rovic v 8 století (C Maclauri, G Cramer) Teprve později se pojem osamostatil, zjedodušilo se

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

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

Cvičení 1.1. Dokažte Bernoulliovu nerovnost (1 + x) n 1 + nx, n N, x 2. Platí tato nerovnost obecně pro všechna x R a n N?

Cvičení 1.1. Dokažte Bernoulliovu nerovnost (1 + x) n 1 + nx, n N, x 2. Platí tato nerovnost obecně pro všechna x R a n N? 1 Prví prosemiář Cvičeí 1.1. Dokažte Beroulliovu erovost (1 + x) 1 + x, N, x. Platí tato erovost obecě pro všecha x R a N? Řešeí: (a) Pokud předpokládáme x 1, pak lze řešit klasickou idukcí. Pro = 1 tvrzeí

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

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

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení Odhad parametru p biomického rozděleí a test hypotézy o tomto parametru Test hypotézy o parametru p biomického rozděleí Motivačí úloha Předpokládejme, že v důsledku realizace jistého áhodého pokusu P dochází

Více

11.1 Úvod. Definice : [MA1-18:P11.1] definujeme pro a C: nedefinujeme: Posloupnosti komplexních čísel

11.1 Úvod. Definice : [MA1-18:P11.1] definujeme pro a C: nedefinujeme: Posloupnosti komplexních čísel KAPITOLA : Číselé řdy MA-8:P.] Ozčeí: R {, +} R R C {} C rozšířeá komplexí rovi evlstí hodot, číslo, bod U ε {x C x < ε } pro C, ε > 0 U K {x C x > K } pro K 0 defiujeme pro C: ±, je pro 0, edefiujeme:

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

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

UŽITÍ MATLABU V KOLORIMETRII. J.Novák, A.Mikš. Katedra fyziky, FSv ČVUT, Praha

UŽITÍ MATLABU V KOLORIMETRII. J.Novák, A.Mikš. Katedra fyziky, FSv ČVUT, Praha UŽITÍ MATLABU V KOLORIMETRII J.Novák A.Mikš Katedra fyziky FSv ČVUT Praha Kolorimetrické metody jsou velmi často používáy jako diagostické metody v řadě oblastí vědy a techiky. V čláku jsou ukázáy příklady

Více

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme

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

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

a logaritmickou funkci a goniometrické funkce. 6.1 Násobení řad. Podívejme se neprve na násobení mnohočlenů x = x x n a y = y y n.

a logaritmickou funkci a goniometrické funkce. 6.1 Násobení řad. Podívejme se neprve na násobení mnohočlenů x = x x n a y = y y n. Matematická aalýza II předášky M. Málka cvičeí A. Hakové a R. Otáhalové Semestr letí 2005 6. Nekoečé řady fukcí V šesté kapitole pokračujeme ve studiu ekoečých řad. Nejprve odvozujeme základí tvrzeí o

Více

Abstrakt. Co jsou to komplexní čísla? K čemu se používají? Dá se s nimi dělat

Abstrakt. Co jsou to komplexní čísla? K čemu se používají? Dá se s nimi dělat Komplexí čísla Hoza Krejčí Abstrakt. Co jsou to komplexí čísla? K čemu se používají? Dá se s imi dělat ěco cool? Na tyto a další otázky se a předášce/v příspěvku pokusíme odpovědět. Proč vzikla komplexí

Více

Vzorový příklad na rozhodování BPH_ZMAN

Vzorový příklad na rozhodování BPH_ZMAN 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

Více

p = 6. k k se nazývá inverze v permutaci [ ] MATA P7 Determinanty Motivační příklad: Řešte soustavu rovnic o dvou neznámých: Permutace z n prvků:

p = 6. k k se nazývá inverze v permutaci [ ] MATA P7 Determinanty Motivační příklad: Řešte soustavu rovnic o dvou neznámých: Permutace z n prvků: ATA P Determity otivčí příkld: Řešte soustvu rovic o dvou ezámých: x + x = b x + x = b Permutce z prvků: Je dá moži = {,,, }, kde N Kždá uspořádá -tice [ k, k, k ] vytvořeá z všech prvků možiy se zývá

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

je číselná posloupnost. Pro všechna n položme s n = ak. Posloupnost

je číselná posloupnost. Pro všechna n položme s n = ak. Posloupnost Číselé řady Defiice (Posloupost částečých součtů číselé řady). Nechť (a ) =1 je číselá posloupost. Pro všecha položme s = ak. Posloupost ( s ) azýváme posloupost částečých součtů řady. Defiice (Součet

Více

S polynomy jste se seznámili již v Matematice 1. Připomeňme definici polynomické

S polynomy jste se seznámili již v Matematice 1. Připomeňme definici polynomické 5 Itegrace racioálích fukcí 5 Itegrace racioálích fukcí Průvodce studiem V předcházejících kapitolách jsme se aučili počítat eurčité itegrály úpravou a základí itegrály, metodou per partes a substitučí

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

Obsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad...

Obsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad... Obsah 1 Mocié řady 1 1.1 Defiice a vlastosti mociých řad.................... 1 1. Rozvoj fukce do mocié řady...................... 5 1.3 Aplikace mociých řad........................... 10 1 Kapitola 1

Více

SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU

SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU Matematické modelováí (KMA/MM Téma: Model pohybu mraveců Zdeěk Hazal (A8N18P, zhazal@sezam.cz 8/9 Obor: FAV-AVIN-FIS 1. ÚVOD Model byl převzat z kihy Spojité modely v biologii

Více

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí

Více

7. Analytická geometrie

7. Analytická geometrie 7. Aaltická geoetrie Studijí tet 7. Aaltická geoetrie A. Příka v roviě ϕ s A s ϕ s 2 s 1 B p s ϕ = (s1, s 2 ) sěrový vektor přík p orálový vektor přík p sěrový úhel přík p k = tgϕ = s 2 s 1 sěrice příkp

Více

NMAF063 Matematika pro fyziky III Zkoušková písemná práce 17. ledna 2019

NMAF063 Matematika pro fyziky III Zkoušková písemná práce 17. ledna 2019 Jméo: Příklad 2 3 Celkem bodů Bodů 0 8 2 30 Získáo 0 Uvažujte posloupost distribucí {f } + = D (R defiovaou jako f (x = ( δ x m, kde δ ( x m začí Diracovu distribuci v bodě m Najděte limitu f = lim + f

Více

VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ

VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ Vlastosti úloh celočíselého programováí VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ PRINCIP ZESILOVÁNÍ NEROVNOSTÍ A ZÁKLADNÍ METODY. METODA VĚTVENÍ A HRANIC. TYPY ÚLOH 1. Úloha lieárího programováí: max{c

Více

1. Číselné obory, dělitelnost, výrazy

1. Číselné obory, dělitelnost, výrazy 1. Číselé obory, dělitelost, výrazy 1. obor přirozeých čísel - vyjadřující počet prvků možiy - začíme (jsou to kladá edesetiá čísla) 2. obor celých čísel - možia celých čísel = edesetiá, ale kladá i záporá

Více

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model EKONOMETRIE 9. předáška Zobecěý lieárí regresí model Porušeí základích podmíek klasického modelu Metoda zobecěých emeších čtverců Jestliže sou porušey ěkteré podmíky klasického modelu. E(u),. E (uu`) σ

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

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

Matice. nazýváme m.n reálných čísel a. , sestavených do m řádků a n sloupců ve tvaru... a1

Matice. nazýváme m.n reálných čísel a. , sestavených do m řádků a n sloupců ve tvaru... a1 Matice Matice Maticí typu m/ kde m N azýváme m reálých čísel a sestaveých do m řádků a sloupců ve tvaru a a a a a a M M am am am Prví idex i začí řádek a druhý idex j sloupec ve kterém prvek a leží Prvky

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

1 Základy Z-transformace. pro aplikace v oblasti

1 Základy Z-transformace. pro aplikace v oblasti Základy Z-trasformace pro aplikace v oblasti číslicového zpracováí sigálů Petr Pollák 9. říja 29 Základy Z-trasformace Teto stručý text slouží k připomeutí základích vlastostí Z-trasformace s jejími aplikacemi

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. B o d o v é o d h a d y p a r a m e t r ů

14. B o d o v é o d h a d y p a r a m e t r ů 4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž

Více

GEOMETRIE I. Pavel Burda

GEOMETRIE I. Pavel Burda GEOMETRIE I Pavel Burda Obsah Úvod... 4 1. Vektorové prostory... 5. Vektorové prostory se skalárím ásobeím... 9. Afií prostory... 19 4. Afií přímka ( A 1 )... 5 5. Afií rovia (A )... 6 6. Afií prostor

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