Semestrální práce z předmětu Matematické modelování Modely vyjednávání

Rozměr: px
Začít zobrazení ze stránky:

Download "Semestrální práce z předmětu Matematické modelování Modely vyjednávání"

Transkript

1 Semestrální práce z předmětu Matematické modelování Modely vyjednávání Anna Řezníčková A

2 Obsah 1 Úvod Modelování základních vztahů Koncepce modelování vyjednávacího procesu Koncepce užitku Koncepce tlaku Koncepce efektivních rozhodnutí Koncepce vytváření koalic

3 1 Úvod Často používaným prostředkem pro dosažení konsensu při skupinovém rozhodování je vyjednávací proces. Pro účastníka není tak důležitá sama o sobě pozice, kterou dosáhne vyjednáváním, ale především jak tato pozice splňuje jeho zájmy. Některé zájmy účastníků mohou být společné a některé protichůdné. Jde o to vystihnout společné zájmy a při prosazování protichůdných zájmů pomocí vzájemných ústupků dojít k rozhodnutí přijatelnému pro všechny účastníky rozhodování. Rozhodující subjekty účastníci vyjednávání: jsou obdařeny tvořivostí a originalitou lidského myšlení, jejich dovednosti a schopnosti však nemohou být považovány za čistě subjektivní, ale mají na znalostech založené racionální vysvětlení. Při modelování vyjednávacího procesu se zaměřím zejména na určité koncepce vícekriteriálních modelů: Vícekriteriální modely vycházejí z reálného předpokladu, že o účastník hodnotí variantu podle několika kritérií, o porovnává tyto varianty podle dosažených cílových hodnot, každá varianta je ohodnocena několika cílovými hodnotami podle počtu použitých kritérií. Perspektivní se jeví kombinace vícekriteriálních modelů, které: komplexně hodnotí varianty, umožňují modelovat řadu vyjednávacích činností, a modelů založených na aplikaci umělé inteligence, které zabezpečí informace o ostatních účastnících vyjednávání. V oblasti technického zabezpečení to znamená propojení systémů na podporu rozhodování a expertních systémů jednotlivých účastníků, kteří jsou navzájem propojeni komunikačním systémem. V další části se budeme zabývat některými koncepcemi pro modelování vyjednávacího procesu s více kritérii, které odpovídají různým typům chování účastníků při vyjednávání. 2 Modelování základních vztahů Modelování vyjednávacího procesu je obtížné, proto vezmeme jednoduché modely a jen základní vztahy, které mohou sloužit jako základ pro složitější typy vyjednávání. Předpokládejme, že se vyjednávání zúčastní r účastníků. Označme X rozhodovací prostor pro daný vyjednávací proces. Prvky tohoto prostoru jsou přípustná rozhodnutí x X, což jsou vektory, jejichž složky představují parametry hledaného rozhodnutí. 3

4 Rozhodovací prostor je zadán omezeními. Tato omezení budeme nazývat tvrdá omezení a během vyjednávání není možné je měnit. Z rozhodovacího prostoru X má být vybráno kompromisní rozhodnutí x*, které má co nejlépe vyhovovat všem účastníkům vyjednávání. Každý účastník hodnotí rozhodnutí podle několika kritérií a srovnává tato rozhodnutí podle dosažených cílových hodnot. Kritéria jsou ve tvaru kriteriálních funkcí, o kterých budeme pro jednoduchost značení předpokládat, že všichni účastníci chtějí všechny své kriteriální funkce maximalizovat. Každý z r účastníků vyjednávání může mít různý počet kritérií, označme f 1 (x), f 2 (x),, f r (x) vektorové kriteriální funkce, které transformují rozhodnutí x z rozhodovacího prostoru X do vektorů cílových hodnot y 1, y 2,, y r z cílových prostorů jednotlivých účastníků Y 1, Y 2,, Y r. Účastníka vyjednávání ani tak nezajímá, které z přípustných rozhodnutí x je vybráno, ale zajímají jej dosažené cílové hodnoty. Tyto dosažené cílové hodnoty však tají před ostatními účastníky vyjednávání, aby neprozradil svoje zájmy a svoji strategii. Vlastní vyjednávání a výměna informací mezi účastníky se děje v rozhodovacím prostoru. Někdy se transformují vektory dosažených cílových hodnot pomocí funkcí užitku jednotlivých účastníků u 1 (y 1 ), u 2 (y 2 ),, u r (y r ) na hodnotu užitku, kterou přinášejí účastníkům. Tyto hodnoty užitku, které můžeme společně zachytit jako bod v tzv. užitkovém prostoru U, jsou důsledkem výběru rozhodnutí x. V následujícím Obr. 1 jsou schematicky znázorněny vztahy zavedených pojmů pro případ dvou účastníků vyjednávání, z nichž každý má dvě kritéria (z důvodů znázornění v rovině). u 1. u U u 2 Y 1 y 1. Y 2. x f 2 f 1 X Obr. 1. y 2 X x U u 1, u 2 f 1 (x), f 2 (x) Y 1, Y 2 y 1, y 2 rozhodovací prostor přípustné rozhodnutí užitkový prostor funkce užitku jednotlivých účastníků vektorové kriteriální funkce cílový prostor jednotlivých účastníků vektory cílových hodnot 4

5 Dosažené hodnoty užitku by měl účastník tajit před ostatními účastníky ze stejných důvodů jako dosažené cílové hodnoty. Zprostředkovatel: subjekt, jehož cílem je dosažení konsensu účastníků, nemá žádné vlastní zájmy. Jestliže ve vyjednávacím procesu existuje zprostředkovatel, je možné, aby v zájmu usnadnění vyjednávacího procesu znal cílové prostory anebo užitkový prostor. Reprezentací procesu vyjednávání jsou dynamické modely: Jednotlivým časovým okamžikům odpovídají stavy vyjednávání, v nichž průběžná společná reprezentace problému ukazuje na stupeň shody nebo konfliktu mezi účastníky vyjednávání. Vývoj reprezentace problému může být popsán jako hledání shody pomocí výměny informací mezi účastníky. Vyjednávací proces je dynamický a předpokládejme, že probíhá v diskrétních časových okamžicích t=1, 2,, T. V okamžiku T je proces dokončen nalezením kompromisního rozhodnutí x*. Vyjednávací proces v čase může být modelován: o jako postupná změna tzv. vyjednávacího prostoru, což je podmnožina rozhodovacího prostoru obsahující akceptovatelná rozhodnutí účastníků v daném okamžiku vyjednávání, až je dosažen jednoprvkový vyjednávací prostor, o postupným generováním kompromisních návrhů a protinávrhů, které by postupně konvergovaly ke kompromisnímu rozhodnutí. Kromě tvrdých omezení, která definují rozhodovací prostor X, můžeme uvažovat i tzv. měkká omezení, která jsou definována každým účastníkem samostatně. Jako měkká omezení budeme brát omezení hodnot kriteriálních funkcí aspiračními úrovněmi, které se mění během vyjednávání. Množina měkkých omezení na počátku vyjednávání (v čase t=0) má tvar X(0) = x; f (x) b (0), i = 1, 2,, r. Levé strany omezení jsou vektorové kriteriální funkce účastníků a pravé strany jsou vektory aspiračních hodnot těchto funkcí v časovém okamžiku 0. Vyjednávací prostor na počátku vyjednávání (t=0) můžeme definovat jako průnik rozhodovacího prostoru X, tj. množiny tvrdých omezení, a množiny měkkých omezení X(0) X (0) = X X(0). 5

6 Pro každého účastníka vyjednávání můžeme formulovat množinu akceptovatelných rozhodnutí, což je množina rozhodnutí, která jsou přípustná a akceptovatelná z hlediska požadovaných aspiračních úrovní jeho kriteriálních funkcí. Na počátku vyjednávání má tvar X (0) = x; x X, f (x) b (0), i = 1, 2,, r. Potom můžeme definovat vyjednávací prostor na počátku vyjednávání jako průnik množin akceptovatelných rozhodnutí všech účastníků vyjednávání X (0) = X (0) X (0) X (0) X (0) Obr. 2 Na Obr. 2 je vyznačen vyjednávací prostor jako průnik množin akceptovatelných rozhodnutí dvou účastníků. Jestliže je vyjednávací prostor X (0): jednobodová množina Potom je vyjednávací problém triviální. Tento bod je hledaným kompromisním rozhodnutím x*=x (0). prázdný Účastníci vyjednávání musí snížit některé nebo všechny aspirační úrovně kriteriálních funkcí, ale účastníci jsou zainteresováni na snížení některých kritérií více a na jiných méně. obsahuje více než jeden bod Každý bod vyjednávacího prostoru je akceptovatelný pro všechny účastníky vyjednávání, avšak různé body jsou hodnoceny různě, protože splňují kritéria účastníků na různé úrovni. Další vyjednávání probíhá v časových okamžicích t=1, 2,, T a mělo by vést k nalezení kompromisního rozhodnutí x*, to znamená k dosažení jednobodového vyjednávacího prostoru X (T) =x*. 6

7 3 Koncepce modelování vyjednávacího procesu Modelování vlastního vyjednávání může být založeno na různých koncepcích, vycházejících z různých představ o chování účastníků vyjednávání. 3.1 Koncepce užitku Koncepce užitku je založena na maximalizaci užitku z dosaženého konsensu pro všechny účastníky vyjednávání. Modelem preference rozhodnutí účastníka je tzv. funkce užitku, která agreguje všechna kritéria do jediného kritéria u(y)=u(f(x)). Hodnota funkce užitku pro nějaké rozhodnutí x se nazývá užitkem tohoto rozhodnutí. Účastník se při vyjednávání chová tak, že se snaží dosáhnout maxima užitku z vybraného rozhodnutí. Pro konstrukci funkce užitku existuje řada metod, které se dělí na dvě třídy: Do 1. třídy patří metody založené na odhadu dílčích užitků buď na základě ocenění z hlediska každého kritéria zvlášť, nebo za pomoci kompenzačních metod, využívajících koeficientů substituce nebo indiferenčních křivek. Metody 2. skupiny vycházejí ze srovnání a uspořádání vybraných rozhodnutí a odhadu funkce užitku co nejvíce konzistentní s tímto uspořádáním. Účastníků vyjednávání je r a všichni si zkonstruují svoje funkce užitku, které označíme u 1 (y 1 ), u 2 (y 2 ),, u r (y r ). Předpokládejme, že na začátku vyjednávání (t=0) je vyjednávací prostor X 0 (0) neprázdný a obsahuje více než jeden bod. Potom vyjednávání založené na koncepci užitku vychází z toho, že každý účastník vyjednávání chce maximalizovat svůj užitek z nalezeného kompromisního rozhodnutí x*. Z vlastního pohledu každého účastníka vyjednávání je nejlepším rozhodnutím takové rozhodnutí x, které maximalizuje užitek na množině rozhodnutí z vyjednávacího prostoru. Takováto rozhodnutí jednotlivých účastníků označme x 1, x 2,,x r. Kdyby platilo x 1 = x 2 = = x r, bylo by toto rozhodnutí hledaným kompromisním rozhodnutím x*. Tato situace však většinou nenastane a dochází ke konfliktu mezi zájmy účastníků vyjednávání. Pokud označíme: maximální užitky pro jednotlivé účastníky u, u,, u, užitek, který plyne z hodnot kriteriálních funkcí na původní aspirační úrovni y i =b i (0) označíme pro jednotlivé účastníky vyjednávání u, u,, u, 7

8 potom vyjednávání spočívá ve změnách aspiračních úrovní užitku u i (t) v okamžicích t= 1, 2,, T. pro aspirační úrovně užitku musí platit u u (t) u. Množiny akceptovatelných rozhodnutí jsou potom definovány takto X (t) = x; x X, u (y ) u (t), i = 1, 2,, r. Snížením aspiračních úrovní užitku se rozšiřuje množina akceptovatelných rozhodnutí a zvyšováním aspiračních úrovní užitku se zužuje. Cílem změn množin akceptovatelných rozhodnutí je získat jednobodový průnik x* v čase T. Kompromisní rozhodnutí leží na hranici původního vyjednávacího prostotu X 0 (0). Při konfrontaci ve vyjednávání může být konstruována tzv. skupinová funkce užitku jako rostoucí funkce individuálních užitků jednotlivých účastníků vyjednávání u(u 1, u 2,, u r ). Jestliže je skupinová funkce užitku stanovena explicitně, potom kompromisní rozhodnutí x* najdeme řešením jednokriteriální úlohy maximalizace skupinové funkce užitku na původním vyjednávacím prostoru. Jinak dostáváme vícekriteriální úlohu maximalizace všech funkcí užitku účastníků na vyjednávacím prostoru. Pro nalezení kompromisního rozhodnutí je tak možné použít interaktivní postup, ve kterém si účastníci vyměňují informace o vzájemných ústupcích. Na obr. 3 znázorníme maximalizaci funkcí užitku dvou účastníků a nalezení kompromisního rozhodnutí. u 1 (y 1 )=u u 1 (y 1 )=u 1 (T) u 1 (y 1 )=u u 2 (y 2 )=u u 2 (y 2 )=u 2 (T) u 2 (y 2 )=u Obr. 3 Změny aspiračních úrovní je možné sledovat v užitkovém prostoru na Obr. 4. 8

9 Obr Koncepce tlaku Tato koncepce vyjednávání předpokládá, že účastníci jsou pod vnitřním i vnějším tlakem nuceni k určitým ústupkům, až je dosaženo společného konsensu. Účastník je pod tlakem, jestliže např.: chce dosáhnout kompromisu, je si vědom ceny za opožděné rozhodnutí, ostatní účastníci ovlivňují jeho chování atd. Tlak je pojem, který zahrnuje vnitřní hodnoty a vnější vlivy a určuje rozhodovací proces. Předpokládejme, že tlak neovlivňuje výběr rozhodnutí přímo, ale prostřednictvím množiny podmínek, které musí rozhodnutí splňovat. Potom můžeme uvažovat účinky tlaku, které se projeví ve změnách množiny měkkých omezení. To vede ke změně množin akceptovatelných rozhodnutí účastníků a změn vyjednávacího prostoru a může to vést k nalezení kompromisu. Jestliže účastníci jsou při výběru rozhodnutí ovlivněni jen vnitřními tlaky, potom je možné uvažovat přístupy založené na teorii užitku. Koncepce tlaku uvažuje vnitřní i vnější tlaky a je v tomto smyslu obecnější a můžeme pomocí ní popsat problémy, kdy koncepce užitku selhává. Na rozdíl od teorie užitku můžeme pomocí koncepce tlaku určit jako kompromisní rozhodnutí i vnitřní bod původního vyjednávacího prostoru X 0 (0). Tlaky působí na aspirační úrovně kriteriálních funkcí, které se mění v časových okamžicích t=1, 2,, T, a tím se mění i množiny akceptovatelných rozhodnutí X (t) = x; x X, f (x) b (t), i = 1, 2,, r. Změny aspiračních úrovní jsou popsány vektorem hodnot p i (t) v čase t (p i (0)=0) b (t) = b (t 1) + p (t). 9

10 Vektor p i (t) popisuje změny aspiračních úrovní i-tého účastníka v okamžiku t. Vektor p(t) popisuje změny všech aspiračních úrovní u všech účastníků v okamžiku t. Tento vektor má tolik složek, kolik je dohromady všech měkkých omezení. Spojením bodů p(0), p(1),, p(t) dostaneme spojitou vektorovou funkci p(t) definovanou na intervalu <0,T>, kterou nazveme trajektorie tlaků. Zavedené pojmy a prostředky umožňují popsat a analyzovat několik typů vyjednávání. Účastník vyjednávání může měnit měkká omezení v závislosti na stavu vyjednávání. Je také možné popsat účinnost vyjednávání použitím dynamiky vyjednávání. Dvě vyjednávání se stejnou trajektorií tlaků mohou mít různou dynamiku. Jeden typ vyjednávání může měnit aspirační úrovně několikrát tak, že celkové změny jsou shodné se změnami, které se udělají v druhém typu vyjednávání najednou. Pro některé jednoduché typy vyjednávání existují jediné trajektorie tlaků dosažení kompromisního rozhodnutí. U složitějších typů vyjednávání mohou různé trajektorie tlaků vést ke stejnému kompromisnímu rozhodnutí. Jako příklad uvažujme vyjednávání dvou účastníků, z nichž každý mění aspirační úrovně jedné kriteriální funkce. Na Obr. 5 je několik různých trajektorií tlaků, které vedou ke stejnému kompromisnímu rozhodnutí. p 2 (t) p 2 (T) (b) (a) (c) p 1 (T) p 1 (t) Obr. 5 Trajektorie (a) odpovídá vyjednávání s konstantními účinky tlaků. Trajektorie (b) reprezentuje vyjednávání s účinky tlaku nelineárně závislých na čase. Jestliže účastníci vyjednávání zvyšují i snižují aspirační úrovně, potom takovému typu vyjednávání odpovídá trajektorie (c). 10

11 Jestliže je trajektorie tlaků: známa předem, dostáváme vyjednávací model se spojitým časem. Potom je cílem nalézt kompromisní rozhodnutí a zkonstruovat nejefektivnější dynamiku pro nalezené kompromisní rozhodnutí. neznáma, je možné vytvořit interaktivní procedury pro nalezení kompromisního rozhodnutí, kdy tlak je brán jako externí faktor. Je také možné analyzovat již ukončené vyjednávací procesy. V tomto případě je znám dosažený kompromis i vyjednávací dynamika a je možné stanovit trajektorii tlaků a analyzovat faktory, které ji ovlivňují. Vyjednávání za obecných předpokladů vede ke složitým vyjednávacím modelům a obtížným vyjednávacím procedurám. Tyto potíže mohou být částečně překonány užitím jednodušších modelů k aproximaci vyjednávacího procesu v reálných problémech. Jedním z nejjednodušších modelů je vyjednávání s kontaktními účinky tlaku, které vychází z těchto předpokladů: 1) Jestliže původní vyjednávací prostor: je prázdný X 0 =, potom během vyjednávacího procesu účinky tlaku odpovídají snižování aspiračních úrovní pro všechny účastníky je neprázdný X, potom účinky tlaku odpovídají zvyšování aspiračních úrovní. 2) Snižování nebo zvyšování je konstantní v čase p i (t)=d i. Za těchto předpokladů získáme kompromisní rozhodnutí řešením jedné úlohy nebo posloupností úloh lineárního programování, jestliže omezení a kriteriální funkce jsou lineární. 3.3 Koncepce efektivních rozhodnutí Ústupky ve vyjednávání činí účastníci změnou cílových hodnot ve svých cílových prostorech. Transformace cílových hodnot do rozhodovacího prostoru X však značně pozmění jejich význam a i význam činěných ústupků. Protivníci nemusí správně pochopit význam ústupků, mohou se domnívat, že se naopak jedná o posílení pozice účastníka. Zprostředkovatel, který zná cílové prostory účastníků, může poradit účastníkům, jak může být ústupek pochopen ostatními účastníky. Zprostředkovatel tak může potom navrhnout adekvátní změny v ústupcích. Účastníci vyjednávání mohou ověřit změny v rozhodovacím prostoru X použitím určité míry vzdálenosti mezi navrženými rozhodnutími účastníků. Budeme předpokládat, že se jedná o vyjednávání dvou účastníků, v další části uvedeme zobecnění na větší počet účastníků. Účastník nemusí dělat ústupky, pokud navržené 11

12 rozhodnutí je blíže k rozhodnutí vybranému protivníkem, než to rozhodnutí, které tento účastník navrhl dříve. Existují tudíž dva různé pohledy na ústupky: jeden pohled je z hlediska účastníka, který tento ústupek činí, druhý pohled je z hlediska protivníka. Účastník může brát nové rozhodnutí jako ústupek, ale vzdálenost mezi tímto rozhodnutím a rozhodnutím protivníka neklesá, ale vzrůstá. Když účastník snižuje vzdálenost mezi navrženými rozhodnutími, potom se dostává blíže ke kompromisu. Není důležité, zda účastník učinil ústupek v jeho vlastním cílovém prostoru, nebo zda je jeho návrh ohodnocen jako ústupek podle ostatních účastníků. To vede ke koncepci efektivního rozhodnutí. Předpokládejme, že: účastník 1 vybral rozhodnutí x 1 a účastník 2 na to reagoval návrhem x 2. Rozhodnutí x se nazývá efektivním vzhledem k rozhodnutí x 1, jestliže vzdálenost mezi x a x 2 je menší než vzdálenost mezi x 1 a x 2 : d(x, x 2 ) < d(x 1, x 2 ). Jestliže účastníci důsledně vybírají efektivní rozhodnutí, potom může být dosaženo konsensu mezi účastníky vyjednávání. Pro výběr efektivních rozhodnutí je možné zkonstruovat několik modelů. Jedním z modelů je minimalizace vzdálenosti d(x, x ) při podmínkách: 1) Varianta rozhodnutí x je přípustná 2) Cílové hodnoty zabezpečené rozhodnutím x nejsou horší než cílové hodnoty při rozhodnutí x 1. Řešení takové úlohy může účastníkovi 1 poskytnout efektivní rozhodnutí, aniž by byl nucen učinit ústupky ve vlastním cílovém prostoru. Na Obr. 6 je znázorněna výměna názorů mezi dvěma účastníky a nalezení efektivního rozhodnutí. Obr. 6 12

13 3.4 Koncepce vytváření koalic Jestliže existují více než dva účastníci vyjednávání, potom se stává analýza návrhů kompromisů a ústupků obtížnější. Kompromis může být dosažen vytvořením silné koalice, která nutí ostatní účastníky dělat odpovídající ústupky. Vytváření koalice může být předmětem vnitřního vyjednávání a ostatní účastníci se mohou pokoušet rozpustit koalici tím, že učiní odpovídající ústupky. Vytváření a rozpouštění koalic je jedním z klíčových momentů vyjednávání s více účastníky. Kombinovaný kompromis Pro porovnání návrhů jednotlivých účastníků je navržena jejich agregace. Kombinovaný kompromis je agregované rozhodnutí, které splňuje vlastnosti: 1) Rozhodnutí je přípustné. 2) Rozhodnutí je co nejblíže všem kompromisním návrhům účastníků. Každý účastník může porovnávat vzdálenosti mezi kompromisními návrhy a kombinovaným kompromisem v rozhodovacím prostoru. Účastník si může promítnout kombinovaný kompromis do vlastního cílového prostoru. Tyto informace pak může účastník použít při další strategii. Jestliže někteří účastníci nabídnou nové kompromisní návrhy, potom je možné určit nový kombinovaný kompromis. Při vybírání efektivních rozhodnutí se snižuje vzdálenost mezi kompromisními návrhy účastníků a kombinovaným kompromisem. Koncepce kombinovaného kompromisu je vhodná pro situace, kdy účastníci netvoří koalice a jejich strategie jsou podřízeny dosažení konsensu. Agregovaný protivník Podobnou koncepcí je koncepce agregovaného protivníka. Pro každého účastníka je možné určit agregovaného protivníka, což je rozhodnutí, které splňuje vlastnosti: 1) rozhodnutí je přípustné, 2) rozhodnutí je co nejblíže všem kompromisním návrhům účastníků s výjimkou daného účastníka. Účastník může srovnávat rozhodnutí agregovaného protivníka v rozhodovacím prostoru i jeho odraz ve vlastním cílovém prostoru. Tímto způsobem je možné převést vyjednávání s více účastníky na vyjednávání se dvěma účastníky a použít i stejné postupy. Oba přístupy, kombinovaný kompromis i agregovaný protivník, usnadňují analýzu ústupků, protože zjednodušují situaci a poskytují účastníkům prostředek pro ověření změn u ostatních účastníků. 13

14 Pomocí množiny akceptovatelných rozhodnutí účastníka můžeme rozdělit ostatní účastníky na spojence a protivníky podle toho, zda jejich kompromisní návrhy patří nebo nepatří do této množiny. Spojenci jsou bráni jako členové koalice, protivníci jsou zařazení do agregovaného protivníka. Jako potenciální kandidáti na koalici jsou uvažování účastníci, jejichž kompromisní návrhy jsou v zadané vzdálenosti od množiny akceptovatelných rozhodnutí. Změnami množiny akceptovatelných rozhodnutí účastníka a změnami kompromisních návrhů ostatních účastníků mohou vznikat nové koalice. Ověřování teorie na příkladech, které by plně využívaly nabídnutého teoretického aparátu je výpočetně obtížné. Bylo by potřeba řešit posloupnosti optimalizačních úloh. Proto místo tohoto postupu zvolíme experimentální postup, kdy účastníci vyjednávání si mohou sami experimentálně vyzkoušet svoje techniky při prosazování vlastních zájmů. Použitá literatura: [1] Modely a metody rozhodování, Petr Fiala, Praha 2006, ISBN X 14

7 Kardinální informace o kritériích (část 1)

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

Více

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

Operační výzkum. Vícekriteriální programování. Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování. Operační výzkum Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu

Více

OSA. maximalizace minimalizace 1/22

OSA. maximalizace minimalizace 1/22 OSA Systémová analýza metodika používaná k navrhování a racionalizaci systémů v podmínkách neurčitosti vyšší stupeň operační analýzy Operační analýza (výzkum) soubor metod umožňující řešit rozhodovací,

Více

4EK201 Matematické modelování. 10. Teorie rozhodování

4EK201 Matematické modelování. 10. Teorie rozhodování 4EK201 Matematické modelování 10. Teorie rozhodování 10. Rozhodování Rozhodování = proces výběru nějaké možnosti (varianty) podle stanoveného kritéria za účelem dosažení stanovených cílů Rozhodovatel =

Více

Otázky ke státní závěrečné zkoušce

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

Více

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu 4EK311 Operační výzkum 1. Úvod do operačního výzkumu Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka Garant kurzu:

Více

Teorie her a ekonomické rozhodování. 8. Vyjednávací hry

Teorie her a ekonomické rozhodování. 8. Vyjednávací hry Teorie her a ekonomické rozhodování 8. Vyjednávací hry 8. Vyjednávání Teorie her Věda o řešení konfliktů Ale také věda o hledání vzájemně výhodné spolupráce Teorie vyjednávání Odvětví teorie her dohoda

Více

5 Informace o aspiračních úrovních kritérií

5 Informace o aspiračních úrovních kritérií 5 Informace o aspiračních úrovních kritérií Aspirační úroveň kritérií je minimální (maximální) hodnota, které musí varianta pro dané maximalizační (minimalizační) kritérium dosáhnout, aby byla akceptovatelná.

Více

Pokročilé operace s obrazem

Pokročilé operace s obrazem Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání

Více

Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice

Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u

Více

5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}.

5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}. 5. Náhodná veličina Poznámka: Pro popis náhodného pokusu jsme zavedli pojem jevového pole S jako množiny všech možných výsledků a pravděpodobnost náhodných jevů P jako míru výskytů jednotlivých výsledků.

Více

U Úvod do modelování a simulace systémů

U Úvod do modelování a simulace systémů U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení

Více

DSS a De Novo programming

DSS a De Novo programming De Novo Programming DSS a De Novo programming DSS navrhují žádoucí budoucnost a cesty k jejímu uskutečnění Optimalizační modely vhodné nástroje pro identifikaci optimálního řešení problému Je ale problém

Více

V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti

V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti Kapitola 5 Vektorové prostory V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti operací sčítání a násobení

Více

PQ-stromy a rozpoznávání intervalových grafů v lineárním čase

PQ-stromy a rozpoznávání intervalových grafů v lineárním čase -stromy a rozpoznávání intervalových grafů v lineárním čase ermutace s předepsanými intervaly Označme [n] množinu {1, 2,..., n}. Mějme permutaci π = π 1, π 2,..., π n množiny [n]. Řekneme, že množina S

Více

8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice

8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice 9. Lineární diferenciální rovnice 2. řádu Cíle Diferenciální rovnice, v nichž hledaná funkce vystupuje ve druhé či vyšší derivaci, nazýváme diferenciálními rovnicemi druhého a vyššího řádu. Analogicky

Více

INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.

INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28. INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.0141 Báze vektorových prostorů, transformace souřadnic Michal Botur Přednáška

Více

Západočeská univerzita v Plzni. Fakulta aplikovaných věd. Ivana Kozlová. Modely analýzy obalu dat

Západočeská univerzita v Plzni. Fakulta aplikovaných věd. Ivana Kozlová. Modely analýzy obalu dat Západočeská univerzita v Plzni Fakulta aplikovaných věd SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU MATEMATICKÉ MODELOVÁNÍ Ivana Kozlová Modely analýzy obalu dat Plzeň 2010 Obsah 1 Efektivnost a její hodnocení 2 2 Základní

Více

Numerické metody a programování. Lekce 8

Numerické metody a programování. Lekce 8 Numerické metody a programování Lekce 8 Optimalizace hledáme bod x, ve kterém funkce jedné nebo více proměnných f x má minimum (maximum) maximalizace f x je totéž jako minimalizace f x Minimum funkce lokální:

Více

časovém horizontu na rozdíl od experimentu lépe odhalit chybné poznání reality.

časovém horizontu na rozdíl od experimentu lépe odhalit chybné poznání reality. Modelování dynamických systémů Matematické modelování dynamických systémů se využívá v různých oborech přírodních, technických, ekonomických a sociálních věd. Použití matematického modelu umožňuje popsat

Více

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}. VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:

Více

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy Ekonometrická analýza proces, skládající se z následujících fází: a) specifikace b) kvantifikace c) verifikace d) aplikace Postupné zpřesňování jednotlivých

Více

4 Kriteriální matice a hodnocení variant

4 Kriteriální matice a hodnocení variant 4 Kriteriální matice a hodnocení variant V teorii vícekriteriálního rozhodování pracujeme s kritérii, kterých je obecně k, a s variantami, kterých je obecně p. Hodnotu, které dosahuje varianta i pro j-té

Více

VÍCEKRITERIÁLNÍ ROZHODOVANÍ

VÍCEKRITERIÁLNÍ ROZHODOVANÍ VÍCEKRITERIÁLNÍ ROZHODOVANÍ 1 Obsah Typy modelů vícekriteriálního rozhodování Základní pojmy Typy informací Cíl modelů Užitek, funkce užitku Grafické zobrazení Metody vícekriteriální analýzy variant 2

Více

1 Linearní prostory nad komplexními čísly

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

Více

4EK201 Matematické modelování. 2. Lineární programování

4EK201 Matematické modelování. 2. Lineární programování 4EK201 Matematické modelování 2. Lineární programování 2.1 Podstata operačního výzkumu Operační výzkum (výzkum operací) Operational research, operations research, management science Soubor disciplín zaměřených

Více

8. Normální rozdělení

8. Normální rozdělení 8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, 2 ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) 2 e 2 2, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá

Více

Interpolace, ortogonální polynomy, Gaussova kvadratura

Interpolace, ortogonální polynomy, Gaussova kvadratura Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť

Více

METRICKÉ A NORMOVANÉ PROSTORY

METRICKÉ A NORMOVANÉ PROSTORY PŘEDNÁŠKA 1 METRICKÉ A NORMOVANÉ PROSTORY 1.1 Prostor R n a jeho podmnožiny Připomeňme, že prostorem R n rozumíme množinu uspořádaných n tic reálných čísel, tj. R n = R } R {{ R }. n krát Prvky R n budeme

Více

Numerické metody optimalizace - úvod

Numerické metody optimalizace - úvod Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu

Více

Teorie her a ekonomické rozhodování. 2. Maticové hry

Teorie her a ekonomické rozhodování. 2. Maticové hry Teorie her a ekonomické rozhodování 2. Maticové hry 2.1 Maticová hra Teorie her = ekonomická vědní disciplína, která se zabývá studiem konfliktních situací pomocí matematických modelů Hra v normálním tvaru

Více

e-mail: RadkaZahradnikova@seznam.cz 1. července 2010

e-mail: RadkaZahradnikova@seznam.cz 1. července 2010 Optimální výrobní program Radka Zahradníková e-mail: RadkaZahradnikova@seznam.cz 1. července 2010 Obsah 1 Lineární programování 2 Simplexová metoda 3 Grafická metoda 4 Optimální výrobní program Řešení

Více

Modelování a simulace Lukáš Otte

Modelování a simulace Lukáš Otte Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast

Více

4EK213 LINEÁRNÍ MODELY

4EK213 LINEÁRNÍ MODELY 4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 3. přednáška SIMPLEXOVÁ METODA I. OSNOVA PŘEDNÁŠKY Standardní tvar MM Základní věta LP Princip simplexové metody Výchozí řešení SM Zlepšení řešení

Více

1 Lineární prostory a podprostory

1 Lineární prostory a podprostory Lineární prostory a podprostory Přečtěte si: Učebnice AKLA, kapitola první, podkapitoly. až.4 včetně. Cvičení. Které z následujících množin jsou lineárními prostory s přirozenými definicemi operací?. C

Více

Kombinatorika. Michael Krbek. 1. Základní pojmy. Kombinatorika pracuje se spočitatelnými (tedy obvykle

Kombinatorika. Michael Krbek. 1. Základní pojmy. Kombinatorika pracuje se spočitatelnými (tedy obvykle Kombinatorika Michael Krbek. Základní pojmy. Kombinatorika pracuje se spočitatelnými (tedy obvykle konečnými) strukturami a patří kvůli tomu mezi nejstarší oblasti matematiky. Je těžké podat přesný výčet

Více

Matematika I, část I. Rovnici (1) nazýváme vektorovou rovnicí roviny ABC. Rovina ABC prochází bodem A a říkáme, že má zaměření u, v. X=A+r.u+s.

Matematika I, část I. Rovnici (1) nazýváme vektorovou rovnicí roviny ABC. Rovina ABC prochází bodem A a říkáme, že má zaměření u, v. X=A+r.u+s. 3.4. Výklad Předpokládejme, že v prostoru E 3 jsou dány body A, B, C neležící na jedné přímce. Těmito body prochází jediná rovina, kterou označíme ABC. Určíme vektory u = B - A, v = C - A, které jsou zřejmě

Více

Věta 12.3 : Věta 12.4 (princip superpozice) : [MA1-18:P12.7] rovnice typu y (n) + p n 1 (x)y (n 1) p 1 (x)y + p 0 (x)y = q(x) (6)

Věta 12.3 : Věta 12.4 (princip superpozice) : [MA1-18:P12.7] rovnice typu y (n) + p n 1 (x)y (n 1) p 1 (x)y + p 0 (x)y = q(x) (6) 1. Lineární diferenciální rovnice řádu n [MA1-18:P1.7] rovnice typu y n) + p n 1 )y n 1) +... + p 1 )y + p 0 )y = q) 6) počáteční podmínky: y 0 ) = y 0 y 0 ) = y 1 y n 1) 0 ) = y n 1. 7) Věta 1.3 : Necht

Více

5 Orientované grafy, Toky v sítích

5 Orientované grafy, Toky v sítích Petr Hliněný, FI MU Brno, 205 / 9 FI: IB000: Toky v sítích 5 Orientované grafy, Toky v sítích Nyní se budeme zabývat typem sít ových úloh, ve kterých není podstatná délka hran a spojení, nýbž jejich propustnost

Více

10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.

10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457. 0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti

Více

3. Úloha o společném rozhraní

3. Úloha o společném rozhraní 34 3. Úloha o společném rozhraní Cíle Po prostudování této kapitoly budete schopni: Zjistit neregularity v systému Navrhnout řešení pro odstranění neregulárních vazeb Doba potřebná ke studiukapitoly:60minut

Více

OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB D24FZS

OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB D24FZS OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb Anotace: Optimalizace objektů pozemních staveb

Více

Hledání extrémů funkcí

Hledání extrémů funkcí Hledání extrémů funkcí Budeme se zabývat téměř výhradně hledáním minima. Přes nost nalezeného extrému Obecně není hledání extrému tak přesné jako řešení rovnic. Demonstrovat to můžeme na příkladu hledání

Více

12. Lineární programování

12. Lineární programování . Lineární programování. Lineární programování Úloha lineárního programování (lineární optimalizace) je jedním ze základních problémů teorie optimalizace. Našim cílem je nalézt maximum (resp. minimum)

Více

7. Funkce jedné reálné proměnné, základní pojmy

7. Funkce jedné reálné proměnné, základní pojmy , základní pojmy POJEM FUNKCE JEDNÉ PROMĚNNÉ Reálná funkce f jedné reálné proměnné je funkce (zobrazení) f: X Y, kde X, Y R. Jde o zvláštní případ obecného pojmu funkce definovaného v přednášce. Poznámka:

Více

Algoritmizace diskrétních. Ing. Michal Dorda, Ph.D.

Algoritmizace diskrétních. Ing. Michal Dorda, Ph.D. Algoritmizace diskrétních simulačních modelů Ing. Michal Dorda, Ph.D. 1 Úvodní poznámky Při programování simulačních modelů lze hlavní dílčí problémy shrnout do následujících bodů: 1) Zachycení statických

Více

Báze a dimenze vektorových prostorů

Báze a dimenze vektorových prostorů Báze a dimenze vektorových prostorů Buď (V, +, ) vektorový prostor nad tělesem (T, +, ). Nechť u 1, u 2,..., u n je konečná posloupnost vektorů z V. Existují-li prvky s 1, s 2,..., s n T, z nichž alespoň

Více

Globální matice konstrukce

Globální matice konstrukce Globální matice konstrukce Z matic tuhosti a hmotnosti jednotlivých prvků lze sestavit globální matici tuhosti a globální matici hmotnosti konstrukce, které se využijí v řešení základní rovnice MKP: [m]{

Více

Pojem relace patří mezi pojmy, které prostupují všemi částmi matematiky.

Pojem relace patří mezi pojmy, které prostupují všemi částmi matematiky. Relace. Pojem relace patří mezi pojmy, které prostupují všemi částmi matematiky. Definice. Mějme množiny A a B. Binární relace R z množiny A do množiny B je každá množina uspořádaných dvojic (a, b), kde

Více

Úvod do teorie her

Úvod do teorie her Úvod do teorie her 2. Garanční řešení, hry s nulovým součtem a smíšené strategie Tomáš Kroupa http://staff.utia.cas.cz/kroupa/ 2017 ÚTIA AV ČR Program 1. Zavedeme řešení, které zabezpečuje minimální výplatu

Více

Úloha 5: Spektrometrie záření α

Úloha 5: Spektrometrie záření α Petra Suková, 3.ročník 1 Úloha 5: Spektrometrie záření α 1 Zadání 1. Proveďte energetickou kalibraci α-spektrometru a určete jeho rozlišení. 2. Určeteabsolutníaktivitukalibračníhoradioizotopu 241 Am. 3.

Více

Konstrukce relace. Postupně konstruujeme na množině všech stavů Q relace i,

Konstrukce relace. Postupně konstruujeme na množině všech stavů Q relace i, [161014-1204 ] 11 2.1.35 Konstrukce relace. Postupně konstruujeme na množině všech stavů Q relace i, kde i = 0, 1,..., takto: p 0 q právě tehdy, když bud p, q F nebo p, q F. Dokud i+1 i konstruujeme p

Více

12 DYNAMIKA SOUSTAVY HMOTNÝCH BODŮ

12 DYNAMIKA SOUSTAVY HMOTNÝCH BODŮ 56 12 DYNAMIKA SOUSTAVY HMOTNÝCH BODŮ Těžiště I. impulsová věta - věta o pohybu těžiště II. impulsová věta Zákony zachování v izolované soustavě hmotných bodů Náhrada pohybu skutečných objektů pohybem

Více

algoritmus»postup06«p e t r B y c z a n s k i Ú s t a v g e o n i k y A V

algoritmus»postup06«p e t r B y c z a n s k i Ú s t a v g e o n i k y A V Hledání lokálního maxima funkce algoritmus»postup06«p e t r B y c z a n s k i Ú s t a v g e o n i k y A V Č R Abstrakt : Lokální maximum diferencovatelné funkce je hledáno postupnou změnou argumentu. V

Více

České vysoké učení technické v Praze Fakulta biomedicínského inženýrství

České vysoké učení technické v Praze Fakulta biomedicínského inženýrství České vysoké učení technické v Praze Fakulta biomedicínského inženýrství Úloha KA03/č. 5: Měření kinematiky a dynamiky pohybu osoby v prostoru pomocí ultrazvukového radaru Ing. Patrik Kutílek, Ph.., Ing.

Více

Posloupnosti a jejich konvergence POSLOUPNOSTI

Posloupnosti a jejich konvergence POSLOUPNOSTI Posloupnosti a jejich konvergence Pojem konvergence je velmi důležitý pro nediskrétní matematiku. Je nezbytný všude, kde je potřeba aproximovat nějaké hodnoty, řešit rovnice přibližně, používat derivace,

Více

Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace

Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace RELACE Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace slouží k vyjádření vztahů mezi prvky nějakých množin. Vztahy mohou být různé povahy. Patří sem vztah býti potomkem,

Více

Klauzurní část školního kola kategorie A se koná

Klauzurní část školního kola kategorie A se koná 56. ročník matematické olympiády Úlohy klauzurní části školního kola kategorie 1. rčete všechna reálná čísla s, pro něž má rovnice 4x 4 20x 3 + sx 2 + 22x 2 = 0 čtyři různé reálné kořeny, přičemž součin

Více

1 Báze a dimenze vektorového prostoru 1

1 Báze a dimenze vektorového prostoru 1 1 Báze a dimenze vektorového prostoru 1 Báze a dimenze vektorového prostoru 1 2 Aritmetické vektorové prostory 7 3 Eukleidovské vektorové prostory 9 Levá vnější operace Definice 5.1 Necht A B. Levou vnější

Více

ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ

ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ 1. týden doc. Ing. Renata WAGNEROVÁ, Ph.D. Ostrava 2013 doc. Ing. Renata WAGNEROVÁ, Ph.D. Vysoká škola báňská

Více

24.11.2009 Václav Jirchář, ZTGB

24.11.2009 Václav Jirchář, ZTGB 24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci

Více

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní ..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X

Více

řešeny numericky 6 Obyčejné diferenciální rovnice řešeny numericky

řešeny numericky 6 Obyčejné diferenciální rovnice řešeny numericky řešeny numericky řešeny numericky Břetislav Fajmon, UMAT FEKT, VUT Brno Na minulé přednášce jsme viděli některé klasické metody a přístupy pro řešení diferenciálních rovnic: stručně řečeno, rovnice obsahující

Více

1 Soustavy lineárních rovnic

1 Soustavy lineárních rovnic 1 Soustavy lineárních rovnic 1.1 Základní pojmy Budeme uvažovat soustavu m lineárních rovnic o n neznámých s koeficienty z tělesa T (potom hovoříme o soustavě m lineárních rovnic o n neznámých nad tělesem

Více

3. přednáška 15. října 2007

3. přednáška 15. října 2007 3. přednáška 15. října 2007 Kompaktnost a uzavřené a omezené množiny. Kompaktní množiny jsou vždy uzavřené a omezené, a v euklidovských prostorech to platí i naopak. Obecně to ale naopak neplatí. Tvrzení

Více

Teorie her a ekonomické rozhodování. 9. Modely nedokonalých trhů

Teorie her a ekonomické rozhodování. 9. Modely nedokonalých trhů Teorie her a ekonomické rozhodování 9. Modely nedokonalých trhů 9.1 Dokonalý trh Dokonalý trh Dokonalá informovanost kupujících Dokonalá informovanost prodávajících Nulové náklady na změnu dodavatele Homogenní

Více

Interpolace Uvažujme třídu funkcí jedné proměnné ψ(x; a 0,..., a n ), kde a 0,..., a n jsou parametry, které popisují jednotlivé funkce této třídy. Mějme dány body x 0, x 1,..., x n, x i x k, i, k = 0,

Více

Úvod do optimalizace, metody hladké optimalizace

Úvod do optimalizace, metody hladké optimalizace Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady

Více

Parametrické programování

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

Více

10. Techniky formální verifikace a validace

10. Techniky formální verifikace a validace Fakulta informačních technologií MI-NFA, zimní semestr 2011/2012 Jan Schmidt EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI 10. Techniky formální verifikace a validace 1 Simulace není

Více

Negativní informace. Petr Štěpánek. S použitím materiálu M.Gelfonda a V. Lifschitze. Logické programování 15 1

Negativní informace. Petr Štěpánek. S použitím materiálu M.Gelfonda a V. Lifschitze. Logické programování 15 1 Negativní informace Petr Štěpánek S použitím materiálu M.Gelfonda a V. Lifschitze 2009 Logické programování 15 1 Negace jako neúspěch Motivace: Tvrzení p (atomická formule) neplatí, jestliže nelze odvodit

Více

Úvod do modelování a simulace. Ing. Michal Dorda, Ph.D.

Úvod do modelování a simulace. Ing. Michal Dorda, Ph.D. Úvod do modelování a simulace systémů Ing. Michal Dorda, Ph.D. 1 Základní pojmy Systém systémem rozumíme množinu prvků (příznaků) a vazeb (relací) mezi nimi, která jako celek má určité vlastnosti. Množinu

Více

Výroková a predikátová logika - V

Výroková a predikátová logika - V Výroková a predikátová logika - V Petr Gregor KTIML MFF UK ZS 2015/2016 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - V ZS 2015/2016 1 / 21 Dokazovací systémy VL Hilbertovský kalkul Hilbertovský

Více

ÚVOD DO ROZHODOVÁNÍ PŘEDNÁŠKA. OPTIMALIZACE A ROZHODOVÁNÍ V DOPRAVĚ Přednáška 1. Zuzana Bělinová

ÚVOD DO ROZHODOVÁNÍ PŘEDNÁŠKA. OPTIMALIZACE A ROZHODOVÁNÍ V DOPRAVĚ Přednáška 1. Zuzana Bělinová PŘEDNÁŠKA 1 ÚVOD DO ROZHODOVÁNÍ Organizační Vyučující Ing., Ph.D. email: belinova@k620.fd.cvut.cz Doporučená literatura Dudorkin J. Operační výzkum. Požadavky zápočtu docházka zápočtový test (21.5.2015)

Více

PR5 Poptávka na trhu výrobků a služeb

PR5 Poptávka na trhu výrobků a služeb PR5 Poptávka na trhu výrobků a služeb 5.1. Rovnováha spotřebitele 5.2. Indiferenční analýza od kardinalismu k ordinalismu 5.3. Poptávka, poptávané množství a jejich změny 5.4. Pružnost tržní poptávky Poptávka

Více

Exponenciální modely hromadné obsluhy

Exponenciální modely hromadné obsluhy Exponenciální modely hromadné obsluhy Systém s čekáním a neohraničeným zdrojem požadavků Na základě předchozích informací je potřeba probrat, jaké informace jsou dostupné v počtu pravděpodobnosti řešícím

Více

Matematická analýza III.

Matematická analýza III. 1. - limita, spojitost Miroslav Hušek, Lucie Loukotová UJEP 2010 Úvod Co bychom měli znát limity posloupností v R základní vlastnosti funkcí jedné proměnné (definiční obor, monotónnost, omezenost,... )

Více

Aplikovaná numerická matematika

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

Více

(4x) 5 + 7y = 14, (2y) 5 (3x) 7 = 74,

(4x) 5 + 7y = 14, (2y) 5 (3x) 7 = 74, 1. V oboru celých čísel řešte soustavu rovnic (4x) 5 + 7y = 14, (2y) 5 (3x) 7 = 74, kde (n) k značí násobek čísla k nejbližší číslu n. (P. Černek) Řešení. Z první rovnice dané soustavy plyne, že číslo

Více

4. Aplikace matematiky v ekonomii

4. Aplikace matematiky v ekonomii 4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =

Více

7. Rozdělení pravděpodobnosti ve statistice

7. Rozdělení pravděpodobnosti ve statistice 7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,

Více

Diferenciální rovnice 1

Diferenciální rovnice 1 Diferenciální rovnice 1 Základní pojmy Diferenciální rovnice n-tého řádu v implicitním tvaru je obecně rovnice ve tvaru,,,, = Řád diferenciální rovnice odpovídá nejvyššímu stupni derivace v rovnici použitému.

Více

Pravděpodobnost a statistika

Pravděpodobnost a statistika Pravděpodobnost a statistika 1 Náhodné pokusy a náhodné jevy Činnostem, jejichž výsledek není jednoznačně určen podmínkami, za kterých probíhají, a které jsou (alespoň teoreticky) neomezeně opakovatelné,

Více

Simplexové tabulky z minule. (KMI ZF JU) Lineární programování EMM a OA O6 1 / 25

Simplexové tabulky z minule. (KMI ZF JU) Lineární programování EMM a OA O6 1 / 25 Simplexové tabulky z minule (KMI ZF JU) Lineární programování EMM a OA O6 1 / 25 Simplexová metoda symbolicky Výchozí tabulka prom. v bázi zákl. proměné přídatné prom. omez. A E b c T 0 0 Tabulka po přepočtu

Více

Markovské metody pro modelování pravděpodobnosti

Markovské metody pro modelování pravděpodobnosti Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou

Více

Lineární algebra : Lineární prostor

Lineární algebra : Lineární prostor Lineární algebra : Lineární prostor (3. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 17. dubna 2014, 14:43 1 2 3.1 Aximotické zavedení lineárního prostoru Číselné těleso Celou lineární

Více

9 Kolmost vektorových podprostorů

9 Kolmost vektorových podprostorů 9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.

Více

Postupy při hodnocení variant a výběru nejvhodnějšího řešení. Šimon Kovář Katedra textilních a jednoúčelových strojů

Postupy při hodnocení variant a výběru nejvhodnějšího řešení. Šimon Kovář Katedra textilních a jednoúčelových strojů Postupy při hodnocení variant a výběru nejvhodnějšího řešení Šimon Kovář Katedra textilních a jednoúčelových strojů Znáte nějaké postupy hodnocení variant řešení? Vícekriteriální rozhodování Při výběru

Více

Základní vlastnosti křivek

Základní vlastnosti křivek křivka množina bodů v rovině nebo v prostoru lze chápat jako trajektorii pohybu v rovině či v prostoru nalezneme je také jako množiny bodů na ploše křivky jako řezy plochy rovinou, křivky jako průniky

Více

8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.

8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak. 8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované

Více

DIPLOMOVÁ PRÁCE OPTIMALIZACE MECHANICKÝCH

DIPLOMOVÁ PRÁCE OPTIMALIZACE MECHANICKÝCH DIPLOMOVÁ PRÁCE OPTIMALIZACE MECHANICKÝCH VLASTNOSTÍ MECHANISMU TETRASPHERE Vypracoval: Jaroslav Štorkán Vedoucí práce: prof. Ing. Michael Valášek, DrSc. CÍLE PRÁCE Sestavit programy pro kinematické, dynamické

Více

1 Polynomiální interpolace

1 Polynomiální interpolace Polynomiální interpolace. Metoda neurčitých koeficientů Příklad.. Nalezněte polynom p co nejmenšího stupně, pro který platí p() = 0, p(2) =, p( ) = 6. Řešení. Polynom hledáme metodou neurčitých koeficientů,

Více

Klasifikace a rozpoznávání. Lineární klasifikátory

Klasifikace a rozpoznávání. Lineární klasifikátory Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber

Více

Čebyševovy aproximace

Čebyševovy aproximace Čebyševovy aproximace Čebyševova aproximace je tzv hledání nejlepší stejnoměrné aproximace funkce v daném intervalu Hledáme funkci h x, která v intervalu a,b minimalizuje maximální absolutní hodnotu rozdílu

Více

1 Řešení soustav lineárních rovnic

1 Řešení soustav lineárních rovnic 1 Řešení soustav lineárních rovnic 1.1 Lineární rovnice Lineární rovnicí o n neznámých x 1,x 2,..., x n s reálnými koeficienty rozumíme rovnici ve tvaru a 1 x 1 + a 2 x 2 +... + a n x n = b, (1) kde koeficienty

Více

fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28.

fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28. Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

Více

CVIČNÝ TEST 22. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 13 IV. Záznamový list 15

CVIČNÝ TEST 22. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 13 IV. Záznamový list 15 CVIČNÝ TEST 22 Mgr. Tomáš Kotler OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 13 IV. Záznamový list 15 I. CVIČNÝ TEST VÝCHOZÍ TEXT K ÚLOZE 1 Kontroloři Státní zemědělské a potravinářské inspekce

Více

1 Přesnost metody konečných prvků

1 Přesnost metody konečných prvků 1 PŘESNOST METODY KONEČNÝCH PRVKŮ 1 1 Přesnost metody konečných prvků Metoda konečných prvků je založena na diskretizaci původní spojité konstrukce soustavou prvků (nebo obecněji na diskretizaci slabé

Více

Ing. Alena Šafrová Drášilová, Ph.D.

Ing. Alena Šafrová Drášilová, Ph.D. Rozhodování Ing. Alena Šafrová Drášilová, Ph.D. Rozhodování??? video Obsah typy rozhodování principy rozhodování rozhodovací fáze základní pojmy hodnotícího procesu rozhodovací podmínky rozhodování v podmínkách

Více