Používame parametre. Použitie parametrov na nájdenie optimálnej f. Funkcie s parametrami

>> Informatika 7. ročník >> Informatika: Osem a príkaz na cyklus Opakujte N-krát

Praktický robot k predmetu Informatická trieda 7.

Pozrite sa na tieto: Osem a príkazový cyklus Opakujte N-krát

Test: Testovacie slovo

Otázka číslo 1: Na čo používame nastavenia strany dokumentu?

Ak chcete vložiť stránkovanie
Ak chcete dať pomlčky
Na nastavenie odsadenia od okrajov strany k okrajom textu
Na zarovnanie textu

Odpoveď: 3;

Otázka číslo 2: Môžeme okolo časti textu nakresliť rám, aby vynikla?

Vyberte jednu z možností odpovede:

Áno, na to musíte použiť okraje a vyplniť.
A na to musíte použiť parametre stránky
To je možné vykonať pomocou položky Polia v Nastaveniach stránky.
Nie, môžete orámovať iba celú stranu

Odpoveď: 1;

Otázka číslo 3: Pozor, na túto otázku existuje viacero možných odpovedí!
Aké body môžeme vykonať pri tlači dokumentu?

Zadajte počet strán
Zadajte tlač viacerých strán na jednu
Zadajte tlač 5 strán na jednu
tlačiť iba jednotlivé strany
Vyberte, ak chcete vytlačiť viacero kópií

Odpoveď: 1,2,4,5;

Otázka číslo 4: Textový editor je program pre...

Vyberte jednu z možností odpovede:

Spracovanie grafické informácie
spracovanie videa
spracovanie textové informácie
práca s hudobnými nahrávkami

Odpoveď: 3;

Otázka číslo 5: Ako odstrániť znak naľavo od kurzora ...

Vyberte jednu z možností odpovede:

Kliknite na položku Odstrániť
Stlačte BS
Stlačte Alt
Stlačte Ctrl + Shift

Odpoveď: 2;

Otázka číslo 6: Zadajte, ako uložiť upravený dokument pod iným názvom.

Otázka číslo 7: Akú akciu môžeme vykonať s tabuľkou?

Vyberte niekoľko možností odpovede:

Zlúčenie buniek
Zmeňte počet riadkov a stĺpcov
Vyplňte jednu bunku
Namiesto orámovania vložte obrázok
zmeniť vzhľad okrajov tabuľky

Odpoveď: 1,2,3,5;

Otázka číslo 8: Kurzor je

Vyberte jednu z možností odpovede:

Zariadenie na zadávanie textu
kláves na klávesnici
najmenšia položka na obrazovke
značka na obrazovke monitora označujúca polohu, v ktorej sa zobrazí vstup z klávesnice

Odpoveď: 4;

Otázka číslo 9: Ako povoliť panel s nástrojmi Kreslenie?

Vyberte jednu z možností odpovede:

Zobraziť - Panely nástrojov - Kresba
Upraviť - Prilepiť - Panely nástrojov - Kresliť
Súbor - Otvoriť - Nakresliť

Odpoveď: 1;

Otázka číslo 10: Ako môžete vložiť obrázok do textového dokumentu TP MS Word?
(Pozor na túto otázku, existuje niekoľko možných odpovedí.)

Vyberte niekoľko možností odpovede:

Od grafický editor
zo súboru
z kolekcie hotových obrázkov
z ponuky Súbor
z tlačiarne

Odpoveď: 1,2,3;

Otázka číslo 11: Ako v textový editor vytlačiť znak, ktorý nie je na klávesnici?

Vyberte jednu z možností odpovede:

Použite vkladanie symbolov
Na to použite kresbu
Prilepte zo špeciálneho súboru

Odpoveď: 1;

Otázka číslo 12: Zadajte postupnosť akcií, ktoré sa majú vykonať pri vkladaní vzorca.

Uveďte poradie možností odpovede:

Vyberte položku ponuky Vložiť
Kliknite na položku Objekt
Vyberte Microsoft Equation
Napíšte vzorec
Kliknite ľavým tlačidlom myši na voľnú oblasť obrazovky

Odpoveď: 1-2-3-4-5;

Nominovaný učiteľom informatiky Medzinárodného lýcea „Grand“ Chebanom L.I.

Kalendár-tematické plánovanie v informatike, video v informatike online, informatika v školách

Teraz, keď boli nájdené najvhodnejšie hodnoty distribučných parametrov, vypočítame optimálne f pre toto rozdelenie. Na nájdenie optimálneho f pri normálnom rozdelení môžeme použiť postup, ktorý bol použitý v predchádzajúcej kapitole. Jediný rozdiel je v tom, že pravdepodobnosti pre každú štandardnú hodnotu (hodnota X) sa vypočítavajú pomocou rovníc (4.06) a (4.12). V normálnom rozdelení nájdeme stĺpec asociovaných pravdepodobností (pravdepodobnosti zodpovedajúce určitej štandardnej hodnote) pomocou rovnice (3.21). V našom prípade, aby sme našli súvisiace pravdepodobnosti, by sme mali postupovať podľa postupu opísaného podrobne vyššie:

Pre danú štandardnú hodnotu X vypočítajte jej zodpovedajúce N \ "(X) pomocou rovnice (4.06).

Pre každú štandardnú hodnotu X vypočítajte akumulovaný súčet hodnôt N \ "(X) zodpovedajúcich všetkým predchádzajúcim X.

Teraz nájsť N (X), t.j. celková pravdepodobnosť pre dané X, pripočítajte aktuálny súčet zodpovedajúci hodnote X k aktuálnemu súčtu zodpovedajúcemu predchádzajúcej hodnote X. Výslednú hodnotu vydeľte 2. Potom vydeľte výsledný kvocient o celková suma všetkých N \ "(X), tj posledné číslo v stĺpci priebežných súčtov. Tento nový kvocient je pridružená 1-stranná pravdepodobnosť pre dané X.

Odteraz máme metódu na nájdenie súvisiacich pravdepodobností pre štandardné hodnoty X at túto sadu hodnoty parametrov, môžeme nájsť optimálnu f. Postup je úplne rovnaký ako pri hľadaní optimálneho f pri normálnom rozdelení. Jediný rozdiel je v tom, že stĺpec pridružených pravdepodobností vypočítame iným spôsobom. V našom príklade s 232 obchodmi sú hodnoty parametrov, ktoré sa získajú s najnižšou hodnotou štatistiky K-S, 0,02, 2,76, O a 1,78 pre LOC, SCALE, SKEW a KURT. Tieto hodnoty parametrov sme získali pomocou optimalizačného postupu opísaného v tejto kapitole. Štatistika K-S== 0,0835529 (čo znamená, že v najhoršom bode sú tieto dve distribúcie odstránené na 8,35529 %) na hladine významnosti 7,8384 %. Obrázok 4-10 zobrazuje distribučnú funkciu pre tie hodnoty parametrov, ktoré najlepšie zodpovedajú našim 232 obchodom. Ak vezmeme tieto parametre a nájdeme optimálne f pre túto distribúciu, pričom distribúciu obmedzíme na +3 a -3 sigma pomocou 100 rovnomerne rozmiestnených dátových bodov, dostaneme f = 0,206 alebo 1 kontrakt za každých 23 783,17 USD. Porovnajte to s orientačným pravidlom, ktoré ukáže, že optimálny rast sa dosiahne 1 kontraktom na každých 7 918,04 USD na účte. Tento výsledok dostaneme, ak obmedzíme rozdelenie na 3 sigma na každú stranu od priemeru. V skutočnosti sme v našom empirickom obchodnom toku mali v najhoršom prípade stratu 2,96 sigma a najlepšiu výhru 6,94 sigma. Ak sa teraz vrátime späť a obmedzíme distribúciu na 2,96 sigma vľavo od strednej hodnoty a 6,94 sigma vpravo (a tentoraz s použitím 300 rovnomerne rozmiestnených dátových bodov), dostaneme optimálne f = 0,954 alebo 1 kontrakt na každý $ 5062,71 na zostatok na účte. Prečo sa líši od empirického optimálneho G = 7918,04?

Problémom je „hrubosť“ skutočnej alokácie.

Pripomeňme, že hladina významnosti našich parametrov s najlepšími zhodami bola iba 7,8384 %. Zoberme si rozdelenie 232 obchodov a umiestnime ho do 12 buniek od -3 do +3 sigma.

Bunky Počet obchodov

Bg „. -0,5 0,0 43

b - \ "0,0 0,5 69

Všimnite si, že na chvostoch distribúcie sú medzery, t.j. oblasti alebo bunky, kde neexistujú žiadne empirické údaje. Tieto oblasti sa vyhladzujú, keď naše regulované rozloženie prispôsobíme dátam a práve tieto vyhladené plochy spôsobujú rozdiel medzi parametrickým a empirickým optimálnym Γ Prečo nie je naše charakteristické rozloženie so všetkými možnosťami úpravy jeho tvaru veľmi blízko? k skutočnej distribúcii? Dôvodom je, že pozorované rozdelenie má príliš veľa inflexných bodov. Parabola môže byť smerovaná vetvami nahor alebo nadol. Pozdĺž celej paraboly sa však smer konkávnosti alebo konvexnosti nemení. V mieste inflexie sa mení smer konkávnosti. Parabola má 0 inflexných bodov,

4899,56 -3156,33 -1413,1 330,13 2073,36 3816,59

Obrázok 4-11 Inflexné body distribúcie v tvare zvona

Obrázok 4-10 Nastaviteľná alokácia pre 232 obchodov

keďže smer konkávnosti sa nikdy nemení. Predmet v tvare S ležiaci na boku má jeden inflexný bod, t.j. bod, kde sa mení konkávnosť. Obrázok 4-11 ukazuje normálne rozdelenie... Všimnite si, že v krivke v tvare zvona, ako je normálne rozdelenie, sú dva inflexné body. V závislosti od hodnoty SCALE môže mať naša nastaviteľná distribúcia nulové inflexné body (ak je SCALE veľmi nízka) alebo dva inflexné body. Dôvod, prečo naša regulovaná distribúcia veľmi dobre nepopisuje skutočnú distribúciu obchodov, je ten, že skutočná distribúcia má príliš veľa inflexných bodov. Znamená to, že výsledné rozdelenie charakteristík je nesprávne? S najväčšou pravdepodobnosťou nie. Ak by sme chceli, mohli by sme vytvoriť distribučnú funkciu, ktorá by mala viac ako dva inflexné body. Takáto funkcia by mohla byť lepšie prispôsobená skutočnému rozvodu. Ak by sme vytvorili distribučnú funkciu, ktorá umožňuje neobmedzený počet inflexných bodov, potom by sme ju presne napasovali na pozorované rozdelenie. Optimálna f získaná z takejto krivky by sa prakticky zhodovala s empirickou. Čím viac inflexných bodov by sme však museli pridať do distribučnej funkcie, tým by bola menej spoľahlivá (t. j. menej by predstavovala budúce obchody). Nesnažíme sa presne prispôsobiť parametrické IK pozorovateľnému, ale snažíme sa iba určiť, ako sú pozorované údaje rozdelené, aby sme mohli s veľkou istotou predpovedať budúce optimálne 1 (ak sú údaje rozdelené rovnakým spôsobom ako v minulosti). V regulovanej distribúcii boli odstránené falošné inflexné body, prispôsobené skutočným obchodom. Vysvetlíme si vyššie uvedené na príklade. Povedzme, že používame Galtonovu dosku. Vieme, že asymptotická distribúcia loptičiek padajúcich cez dosku bude normálna. Ideme však hádzať len 4 loptičky. Môžeme očakávať, že výsledky hodu 4 guľôčok budú rozdelené normálne? Čo tak 5 loptičiek? 50 loptičiek? V asymptotickom zmysle očakávame, že pozorované rozdelenie bude bližšie k normálu, keď sa počet obchodov zvýši. Prispôsobenie teoretického rozdelenia každému inflexnému bodu v pozorovanom rozdelení nám v budúcnosti neposkytne väčší stupeň presnosti. o Vysoké číslo obchodov môžeme očakávať, že pozorované rozdelenie bude konvergovať k očakávanému a veľa inflexných bodov bude zaplnených obchodmi, keď ich počet pôjde do nekonečna. Ak naše teoretické parametre presne odrážajú rozdelenie reálnych obchodov, potom optimálne G odvodené z teoretického rozdelenia bude presnejšie pre budúcu sekvenciu obchodov ako optimálne G vypočítané empiricky z minulých obchodov. Inými slovami, ak našich 232 obchodov predstavuje distribúciu budúcich obchodov, potom môžeme očakávať, že distribúcia budúcich obchodov bude bližšie k nášmu „vyladenému“ teoretickému rozdeleniu ako pozorovanému, s jeho mnohými inflexnými bodmi a „šumom“ spôsobeným na určenie počtu transakcií. Môžeme teda očakávať, že budúcnosť je optimálna (bude vyzerať skôr ako optimálne Γ získané z teoretického rozdelenia ako optimálne Γ získané empiricky z pozorovaného rozdelenia.

Takže v tomto prípade je najlepšie použiť nie empirické, ale parametrické optimálne G. Situácia je podobná ako v uvažovanom prípade s 20 hodmi mincou v predchádzajúcej kapitole. Ak očakávame 60% výhier v hre 1:1, potom optimálne G = 0,2. Ak by sme však mali iba empirické údaje o posledných 20 hodoch, z ktorých 11 bolo víťazných, naše optimálne (bylo by 0,1. Predpokladáme, že parametrické optimum ((v tomto prípade 5062,71 USD) je správne, pretože je optimálne pre funkcia, ktorá „generuje“ obchody. Rovnako ako v prípade práve spomínanej hry s hodom mince predpokladáme, že optimálna (pre ďalší obchod je určená parametrická generujúca funkcia, aj keď parametrická (odlišuje sa od empirického optimálneho)

Je zrejmé, že obmedzujúce parametre majú veľký vplyv na optimálne Г Ako zvoliť tieto limitujúce parametre? Pozrime sa, čo sa stane, keď posunieme hornú hranicu. Nasledujúca tabuľka je zostavená pre 3 sigma dolný limit s použitím 100 ekvidištantných dátových bodov a optimálnych parametrov pre 232 obchodov: \ r \ nHorný limit G \ r \ n3 Sigmas 0,206 $ 23783,17 \ r \ n4 Sigmas 0,588 5 $ 15 \ Sigmas 83r \ 0,784 $ 6249,42 \ r \ n6 Sigmas 0,887 $ 5523,73 \ r \ n7 Sigmas 0,938 $ 5223,41 \ r \ n8 Sigmas 0,963 $ 5087,81 * \ r \ r 0 * \ 0 4 r \ 1 * \ 0 \ 4 r \ 1 * 0 \ n 9 r \ n

Všimnite si, že pri konštantnej dolnej hranici, čím vyššie posunieme hornú hranicu, tým bližšie je optimálne (k 1. Čiže čím viac stlačíme hornú hranicu, tým bližšie bude optimálna hodnota (v dolároch bude k dolnej hranici (očakávaná v najhoršom prípade strata)). v prípade, keď je naša spodná hranica na -3 sigma, čím viac posúvame hornú hranicu, tým bližšie k optimálnej hranici (v dolároch to bude k dolnej hranici, teda k 330,13 USD - (1743,23 * 3) = = - 4899,56 $ Pozrite sa, čo sa stane, keď sa horná hranica nezmení (3 sigma) a posunieme dolnú hranicu Pomerne rýchlo sa aritmetické matematické očakávania takéhoto procesu ukážu ako negatívne, pretože viac ako 50 % plochy pod charakteristickou funkciou je vľavo od zvislej osi. Preto, keď posunieme spodný ohraničujúci parameter, optimálny (sklon k nule. Teraz sa pozrime, čo sa stane, ak súčasne začneme pohybovať oboma ohraničujúcimi pármi metrov. Tu používame sadu optimálnych parametrov 0,02, 2,76, 0 a 1,78 na rozdelenie 232 obchodov a 100 rovnako vzdialených dátových bodov:

Horná a dolná hranica B \ r \ n3 Sigmas 0,206 $ 23783,17 \ r \ n4 Sigmas 0,158 $ 42 040,42 \ r \ n5 Sigmas 0,126 $ 66 550,75 \ r 3 0,1 7 Sig * \ r 7 0,1 Sigma *. n * * * \ r \ n100 sigmas 0,053 $ 322625,17 \ r \ n

Všimnite si, že optimálna (približuje sa k 0, keď odsunieme oba obmedzujúce parametre. Navyše, keďže najhoršia strata sa zvyšuje a delí sa menším optimálnym G, náš 1 dolár, t. j. výška financovania 1 jednotky, sa tiež blíži k nekonečnu .

Problém najlepšia voľba obmedzujúce parametre možno formulovať ako otázku: kde sa môžu v budúcnosti uskutočniť najlepšie a najhoršie obchody (kedy budeme obchodovať v tomto trhovom systéme)? Distribučné chvosty majú v skutočnosti tendenciu k plus a mínus nekonečnu a každú zmluvu by sme mali financovať nekonečne veľkou sumou (ako v poslednom príklade, kde sme posunuli obe hranice). Samozrejme, ak budeme obchodovať donekonečna dlho , naše optimálne (v dolároch bude nekonečne veľké. Ale v tomto trhovom systéme nebudeme obchodovať navždy. Optimálne G, pri ktorom budeme v tomto trhovom systéme obchodovať, je funkciou predpokladaných najlepších a najhorších obchodov. Pamätajte, že ak hodíme mincou 100-krát a zapíšeme si najdlhší pruh chvostov v rade a potom hodíme mincou ešte 100-krát, potom bude pruh chvostov po 200 hodoch pravdepodobne väčší ako po 100 hodoch. tak, ak najhoršia strata v našej histórii 232 obchodov bola 2, 96 sigma (pre pohodlie si vezmime 3 sigma), potom by sme v budúcnosti mali očakávať stratu viac ako 3 sigma. Preto namiesto obmedzenia našej distribúcie na minulú históriu obchodov (-2,96 a +6,94 sigma), obmedzíme to - 4 a +6,94 sigma. Asi by sme mali očakávať, že v budúcnosti sa bude porušovať horná a nie spodná hranica. túto skutočnosť nebrať do úvahy z viacerých dôvodov. skutočnosť, že obchodné systémy v budúcnosti zhoršia svoju výkonnosť v porovnaní s prácou na historických dátach, aj keď nepoužívajú optimalizované parametre. Všetko vychádza z princípu, že efektivita mechanických obchodných systémov postupne klesá. Po druhé, skutočnosť, že platíme nižšiu cenu za chybu v optimálnom f, keď sa posunieme doľava a nie doprava od vrcholu krivky f, naznačuje, že by sme mali byť v našich prognózach do budúcnosti konzervatívnejší. Vypočítame parametrické optimálne f pri obmedzeniach -4 a +6,94 sigma pomocou 300 ekvidištantných dátových bodov. Pri výpočte pravdepodobností pre každú z 300 ekvidištantných dátových buniek je však dôležité, aby sme zvážili rozdelenie 2 sigma pred a po zvolených parametroch obmedzenia. Preto určíme súvisiace pravdepodobnosti pomocou buniek v rozsahu -6 až +8,94 sigma, aj keď skutočný rozsah je -4 až +6,94 sigma. Zvýšime tak presnosť výsledkov. Použitie optimálnych parametrov 0,02, 2,76, 0 a 1,78 nám teraz dáva optimálne f = 0,837 alebo 1 kontrakt na každých 7936,41 USD. Pokiaľ nie sú porušené hraničné parametre, náš model je presný pre vybrané hranice. Kým neočakávame stratu viac ako 4 sigma (330,13 USD – (1743,23 * 4) = - 6642,79 USD) alebo zisk vyšší ako 6,94 sigma (330,13 USD + (1743,23 * 6,94) = 12 428,15 USD), môžeme predpokladať, že hranice distribúcie budúcich transakcií sú zvolené presne. Možný nesúlad medzi vygenerovaným modelom a skutočným rozdelením je slabou stránkou tohto prístupu, to znamená, že optimálna f získaná z modelu nebude nevyhnutne optimálna. Ak sa v budúcnosti nami zvolené parametre porušia, f už nemusí byť optimálne. Túto nevýhodu je možné eliminovať využitím opcií, ktoré umožňujú obmedziť možnú stratu danej sumy. Len čo hovoríme o slabosti túto metódu, je potrebné upozorniť na jeho posledný nedostatok. Treba si uvedomiť, že skutočné rozdeľovanie ziskov a strát z obchodovania je rozdeľovanie, kde sa parametre neustále menia, aj keď pomaly. Mali by ste pravidelne prelaďovať obchodné zisky a straty trhového systému, aby ste mohli sledovať túto dynamiku.

Viac k téme Používanie parametrov na nájdenie optimálneho f:

2. SYSTÉM KLASIFIKÁCIÍ ÚLOH RIADENIA ORGANIZAČNÝCH PROJEKTOV
Kto pomôže vypracovať podnikateľský plán na hľadanie investícií
3.4. Využitie financií na reguláciu trhového hospodárstva.
Použitie zmluvy na zvýšenie návratnosti investície
Používanie swapov na zníženie úrokových platieb
Nájdenie optimálneho pomocou geometrického priemeru.
Optimálne F pre iné distribúcie a vlastné krivky
2. Použitie dôkazov na odhalenie vypočúvanej osoby v klamstve
Kapitola 6: Nekonvenčné metódy a prostriedky získavania a využívania informácií dôležitých pre vyšetrovanie kriminality

- Autorské právo - Právnická profesia - Správne právo - Správny proces - Protimonopolné právo a právo hospodárskej súťaže - Arbitrážny (hospodársky) proces - Audit - Bankový systém - Bankové právo - Podnikanie - Účtovníctvo - Majetkové právo -

Pri deklarácii funkcie sa špecifikujú formálne parametre, ktoré sa následne použijú vo vnútri samotnej funkcie. Pri volaní funkcie používame aktuálne parametre. Skutočné parametre môžu byť ľubovoľné premenné vhodný typ alebo konštanty.

Lokálne premenné existujú iba počas vykonávania programového bloku, v ktorom sú deklarované, vytvárajú sa pri vstupe do bloku a zanikajú pri odchode z neho. Navyše, premenná deklarovaná v jednom bloku nemá nič spoločné s premennou s rovnakým názvom deklarovanou v inom bloku.

Na rozdiel od lokálnych premenných sú globálne premenné viditeľné a možno ich použiť kdekoľvek v programe. Svoju hodnotu si zachovávajú počas celej prevádzky programu. Ak chcete vytvoriť globálnu premennú, musí byť deklarovaná mimo funkcie. Globálna premenná môže byť použitá v akomkoľvek výraze bez ohľadu na blok, v ktorom je výraz použitý.

inti, j; / * Prvá funkcia má viditeľnú úroveň súboru i, j. Okrem toho má formálny parameter k a lokálnu premennú výsledok Táto funkcia počas prevádzky mení hodnotu súborovej premennej i * / intf1 (intk) (intersult; výsledok = i * j + k; i + = 100; návratný výsledok ;)

/ * V druhej funkcii sa názov formálneho parametra zhoduje s názvom premennej i úrovne súboru, parameter sa používa počas prevádzky, nie premenná súboru. * / int f2 (int i)

(/ * i - parameter, j - súbor * / návrat i * j;

/ * Pri tretej funkcii je situácia rovnaká ako pri druhej. Len tentoraz je súborová premenná j maskovaná a nie formálnym parametrom, ale lokálnou premennou. * / int f3 (int k)

(int j; j = 100; / * i - súbor, j - lokálne * / návrat i * j + k;

Premenná j najvnútornejšieho bloku maskuje nielen súborovú premennú, ale aj lokálnu premennú z vonkajšieho bloku. * / int f4 (int k)

(/ * Deklarujeme premennú a okamžite inicializujeme * / int j = 100; (/ * Deklarujeme ďalšiu lokálnu s rovnakým názvom ako súbor a lokálnu z externého bloku * / int j = 10; / * i - súbor , j - lokálne a z interného bloku * / return i * j + k;)

Potreba inicializovať premenné (automatické premenné)

Najjednoduchším spôsobom je deklarovať premenné vo funkciách. Ak je premenná deklarovaná vo funkcii, pri každom volaní funkcie sa premennej automaticky pridelí pamäť. Po dokončení funkcie sa uvoľní pamäť obsadená premennými. Takéto premenné sa nazývajú automatické.

Pri vytváraní automatických premenných sa nijako neinicializujú, t.j. hodnota automatickej premennej je bezprostredne po jej vytvorení nedefinovaná a nedá sa predpovedať, aká bude hodnota. Preto pred použitím automatických premenných ich musíte buď explicitne inicializovať, alebo im priradiť nejakú hodnotu.

INICIALIZÁCIA PRED POUŽITÍM !!!

/ * Premenná súboru bez inicializácie sa bude rovnať 0 * / int s; int f () (/ * Lokálne bez inicializácie, obsahuje odpadky * / int k; return k;) int main () (printf ("% d \ n", s); / * Vždy vytlačí 0 * / / * Je nemožné predpovedať, čo uvidíme * / / * Aj čísla sa môžu líšiť * / printf ("% d \ n", f ()); ...; printf ("% d \ n", f ()) návrat 0;