MODELOVÁNÍ CHVOSTŮ TEORIE EXTRÉMNÍCH ODHADY PARETOVA INDEXU. Jan Dienstbier HODNOT. contact:
|
|
- Věra Machová
- před 5 lety
- Počet zobrazení:
Transkript
1 MODELOVÁNÍ CHVOSTŮ TEORIE EXTRÉMNÍCH HODNOT ODHADY PARETOVA INDEXU Jan Dienstbier contact: Univerzita Karlova MFF UK - KPMS Praha KPMS,
2 MODELOVÁNÍ CHVOSTŮ JAK TO NEJDE. Necht X 1,X 2,... jsou i.i.d. F X (n) = M n := max(x 1,...,X n ) X (n) = M n???
3 MODELOVÁNÍ CHVOSTŮ JAK TO NEJDE. Necht X 1,X 2,... jsou i.i.d. F X (n) = M n := max(x 1,...,X n ) X (n) = M n??? Ovšem P(X (n) x) = P(X 1 x,...,x n x) = F n (x), s.j. A ještě k tomu X (n) x F s.j. pro n, kde F (1) := sup {x R : F(x) < 1}
4 ZNOVU A LÉPE EXTRÉMY PŘES PRÁH zkoumat raději excess over high threshold t < F (1) kde P(X t x X > t) = F(t + x), F(t) F(t) := 1 F(t). Zajímá nás práh na levém okolí pravého bodu bod useknutí t F (1),
5 ZNOVU A LÉPE EXTRÉMY PŘES PRÁH zkoumat raději excess over high threshold t < F (1) kde P(X t x X > t) = F(t + x), F(t) F(t) := 1 F(t). Zajímá nás práh na levém okolí pravého bodu bod useknutí t F (1), Stále ale když F (1) <, tak F (1) t 0, pokud t F (1).
6 ZNOVU A LÉPE EXTRÉMY PŘES PRÁH zkoumat raději excess over high threshold t < F (1) kde P(X t x X > t) = F(t + x), F(t) F(t) := 1 F(t). Zajímá nás práh na levém okolí pravého bodu bod useknutí t F (1), Stále ale když F (1) <, tak F (1) t 0, pokud t F (1). Čili hodí se standartizovat ( ) X t P x a(t) X > t F(t + a(t)x) = F(t) nějakou normalizační funkcí a > 0.
7 VĚTA FISHER-TIPPET-GŇEDENKO THEOREM Pokud P ( X t a(t) ) x X > t pak (až na měřítko) pro nějaké γ R t F (1) H(x) slabě, (1) H(x) = H γ (x) = 1 (1 + γx) 1/γ, x 0,1 + γx > 0 H 0 (x) = 1 exp( x) H γ zobecněné Paretovo rozdělení generalized Pareto distribution γ Paretův index extreme value index (EVI) podmínka (1) je nazývána MDA(H γ ) maximum domain of attraction sféra přitažlivosti
8 NÁSTIN DŮKAZU 1 V F(t+a(t)x) F(t) H(x) substituujeme t + a(t)y) za t
9 NÁSTIN DŮKAZU 1 V F(t+a(t)x) F(t) 2 Pak H(x) substituujeme t + a(t)y) za t F(t + a(t)y + a(t + a(t)y)x) F(t) = F(t + a(t)y + a(t + a(t)y)x) F(t + a(t)y H(x) H(y) F(t + a(t)y) F(t)
10 NÁSTIN DŮKAZU 1 V F(t+a(t)x) F(t) 2 Pak H(x) substituujeme t + a(t)y) za t F(t + a(t)y + a(t + a(t)y)x) F(t) = F(t + a(t)y + a(t + a(t)y)x) F(t + a(t)y H(x) H(y) F(t + a(t)y) F(t) 3 Zvolme posloupnost hodnot t F (1) a a(t + a(t))/a(t) A y (0, ). Pak (ze spojitosti F ) F (t + a(t)(y + a(t + a(t)y)/a(t)x)) F(t) H(y + A y x)
11 NÁSTIN DŮKAZU 1 V F(t+a(t)x) F(t) 2 Pak H(x) substituujeme t + a(t)y) za t F(t + a(t)y + a(t + a(t)y)x) F(t) = F(t + a(t)y + a(t + a(t)y)x) F(t + a(t)y H(x) H(y) F(t + a(t)y) F(t) 3 Zvolme posloupnost hodnot t F (1) a a(t + a(t))/a(t) A y (0, ). Pak (ze spojitosti F ) F (t + a(t)(y + a(t + a(t)y)/a(t)x)) F(t) H(y + A y x) 4 Lze ukázat, že funkcionální rovnice H(y + A y x) = G(x) Hy má pouze jediné řešení.
12 VHODNÁ APROXIMACE PRO MAXIMA Necht X i jsou i.i.d a M n := max 1 i n X i.
13 VHODNÁ APROXIMACE PRO MAXIMA Necht X i jsou i.i.d a M n := max 1 i n X i. { } Mn d n P x = F n (c n x + d n ) t G(x) c n nlog(1 F(c n x + d n )) log G(x) nf(c n x + d n ) log G(x)
14 VHODNÁ APROXIMACE PRO MAXIMA Necht X i jsou i.i.d a M n := max 1 i n X i. { } Mn d n P x = F n (c n x + d n ) t G(x) c n nlog(1 F(c n x + d n )) log G(x) nf(c n x + d n ) log G(x) Protože limita je dána až na měřítko a posunutí lze BÚNO definovat a tedy log G(0) = 1 F(d n ) 1/n F(c n x + d n ) F(d n ) log G(x)
15 VHODNÁ APROXIMACE PRO MAXIMA Necht X i jsou i.i.d a M n := max 1 i n X i. { } Mn d n P x = F n (c n x + d n ) t G(x) c n nlog(1 F(c n x + d n )) log G(x) nf(c n x + d n ) log G(x) Protože limita je dána až na měřítko a posunutí lze BÚNO definovat a tedy log G(0) = 1 F(d n ) 1/n F(c n x + d n ) F(d n ) log G(x) t.j. vezmeme-li t = d n a a(t) = c n dostáváme log G = H.
16 FISHER-TIPPET-GŇEDENKOVA VĚTA PRO MAXIMA Pokud (slabě) konverguje { Mn d n P c n } x G(x), Pak až na parametr měřítka a posunutí platí pro nějaké γ R ( G(x) = G γ (x) = exp (1 + γx) 1/γ), pro1 + γx > 0 Pro γ = 0 to definujeme limitou jako G 0 (x) = exp ( e x), x R
17 FISHER-TIPPET-GŇEDENKOVA VĚTA PRO MAXIMA Pokud (slabě) konverguje { Mn d n P c n } x G(x), Pak až na parametr měřítka a posunutí platí pro nějaké γ R ( G(x) = G γ (x) = exp (1 + γx) 1/γ), pro1 + γx > 0 Pro γ = 0 to definujeme limitou jako G 0 (x) = exp ( e x), x R F náleží do sféry přitažlivosti extremálního rozdělení G, F MDA(G) maximum domain of attraction G γ zobecněné extremální rozdělení generalized extreme value distribution (GEV)
18 KLASICKÁ PARAMETRICE SFÉR PŘITAŽLIVOSTI Klasicky rozlišujeme extremální rozdělení na základě indexu γ v závislosti na γ <,=,> 0.
19 KLASICKÁ PARAMETRICE SFÉR PŘITAŽLIVOSTI Klasicky rozlišujeme extremální rozdělení na základě indexu γ v závislosti na γ <,=,> 0. Pro GEV: γ > 0 : Φ 1/γ := exp( x 1/γ ) = G γ ((x 1)/γ) Fréchet γ < 0 : Ψ 1/ γ (x) := exp( x 1/γ ) = G γ ((x 1)/ γ ) Weibull γ = 0 : Γ(x) := exp( e x ) = G 0 (x) Gumbel
20 KLASICKÁ PARAMETRICE SFÉR PŘITAŽLIVOSTI Klasicky rozlišujeme extremální rozdělení na základě indexu γ v závislosti na γ <,=,> 0. Pro GEV: γ > 0 : Φ 1/γ := exp( x 1/γ ) = G γ ((x 1)/γ) Fréchet γ < 0 : Ψ 1/ γ (x) := exp( x 1/γ ) = G γ ((x 1)/ γ ) Weibull γ = 0 : Γ(x) := exp( e x ) = G 0 (x) Gumbel A podobně pro GPD: γ > 0 : 1 + log Φ 1/γ := 1 x 1/γ = H γ ((x 1)/γ) Paretovo γ < 0 : 1 + log Ψ 1/ γ (x) := 1 x 1/γ = H γ ((x 1)/ γ ) beta γ = 0 : 1 + log Γ(x) := 1 e x = H 0 (x) exponenciální
21 JEDEN UŽITEČNÝ POJEM fce h(t) na (0, ) je pravidelně se měnící (regularly varying) v s indexem α R (f RV α ), pokud h(xt) lim x h(x) = tα, t > 0 fce L(t) na (0, ) je pomalu se měnící (slowly varying) v (f RV 0 ), pokud L(xt) lim x L(x) = 1, t > 0
22 JEDEN UŽITEČNÝ POJEM fce h(t) na (0, ) je pravidelně se měnící (regularly varying) v s indexem α R (f RV α ), pokud h(xt) lim x h(x) = tα, t > 0 fce L(t) na (0, ) je pomalu se měnící (slowly varying) v (f RV 0 ), pokud L(xt) lim x L(x) = 1, t > 0 Definujme dále tzv. kvantilovou funkci chvostu jako ( Q(t) := F 1 1 ) t
23 CHARAKTERIZACE CHVOSTŮ... Invertováním a úpravou konvergence F(u + a(u)x) F(u) dostáváme následující zajímavá fakta 1 F MDA(G γ ) právě když H γ (x) Q(tx) Q(t) lim = xγ 1 t a(t) γ x > 0, kde a je opět nějaká kladná funkce a γ R 2 F MDA(G γ ), γ > 0 právě když x > 0 s γ > 0, tj. Q RV γ Q(tx) lim t Q(t) = xγ 3 Podobně F MDA(G γ ), γ > 0 právě když F RV 1/γ, tj. F = x 1/γ L(x)
24 ODHADUJEME γ Mějme X i, 1 i n, i.i.d F MDA(G γ ) 1 standartizovaná maxima konvergují k nedegenerované limitě právě tehdy pokud podmíněné rozdělení přesahů konverguje k nedegenerované limitě, γ má tak právě hned dvě různé interpretace 2... a tak i dva možné přístupy, jak γ odhadovat 3 γ závisí pouze na chování F poblíž F (1) 4... a tak jsou nám k něčemu pouze velká pozorování
25 ODHADUJEME γ Mějme X i, 1 i n, i.i.d F MDA(G γ ) 1 standartizovaná maxima konvergují k nedegenerované limitě právě tehdy pokud podmíněné rozdělení přesahů konverguje k nedegenerované limitě, γ má tak právě hned dvě různé interpretace 2... a tak i dva možné přístupy, jak γ odhadovat 3 γ závisí pouze na chování F poblíž F (1) 4... a tak jsou nám k něčemu pouze velká pozorování Různé interpretace, co je velké bloková maxima několika po sobě následujících bloků, do kterých je soubor pozorování rozdělen velká pozorování, přesahující daný práh (excesses over high threshold)
26 NĚJAKÝ TEN ODHAD HILLŮV ODHAD Předpokládejme, že F MDA(G γ ) a γ > 0. Pak odtud Q(tx) Q(t) xγ F (1 tx) F (1 t) x γ 1 0 log F (1 tx) F dx γ (1 t) 1 0 log xdx = γ Po nahrazení F empirickou verzí F t s k/n dostáváme ˆγ H n,k := 1 k k i=1 log X n i+1:n X n k:n Hillův odhad Pro jeho konzistenci je nutné předpokládat k = k n a k/n 0.
27 ASYMPTOTIKA HILLOVA ODHADU Pro jednoduchost předpokládejme pro nějaké ρ > 0. Pak F (1 t) = ct γ (1 + O(t ρ )) F (1 tx) F (1 t) = x γ + O(t ρ ), t 0
28 ASYMPTOTIKA HILLOVA ODHADU Pro jednoduchost předpokládejme pro nějaké ρ > 0. Pak F (1 t) = ct γ (1 + O(t ρ )) F (1 tx) F (1 t) = x γ + O(t ρ ), t 0 a využijme fakt, že máme-li i.i.d. veličiny z rovnoměrného rozdělení na [0,1] U i U[0,1] platí v distribuci (X n i+1:n ) 1 i k+1 = (F (1 U i:n ) 1 i k+1, což se hodí k použití ve známé větě (Donsker) ( k 1/2 n ) k U kx :n x (W(x)) 0<x x0 slabě 0<x x 0 Takže pro vhodnou verzi Hillova odhadu dostaneme...
29 ASYMPTOTIKA HILLOVA ODHADU PODRUHÉ! k 1/2 (ˆγ H n,k γ) = kde platí ( log x γ F ) (1 U kx :n ) F (1 U k+1:n 1 0 ( k 1/2 log x γ F ) (1 U kx :n ) F, (1 U k+1:n ( ( ) γ U kx :n = log + O ( U ρ ) ) k+1:n xu k+1:n ( ( )) W(x) = γ log 1 + k 1/2 W(1) + O((k/n) ρ ) + o(k 1/2 ) x ( ) W(x) = k 1/2 γ W(1) + O((k/n) ρ ) + o(k 1/2 ) x A protože 1 W(x)/x W(1)dx N(0,1) 0 k 1/2 (γ H n,k γ) N(0,γ 2 ) ( 2ρ/(2ρ+1) ) KPMS 1/2 Jan Dienstbier ρ Modelování chvostů odhady Paretova indexu
30 ASYMPTOTIKA HILLOVA ODHADU POTŘETÍ! k 1/2 (γ H n,k γ) N(0,γ 2 )... ovšem za podmínky k 1/2 (k/n) ρ 0, tj. k = o ( n 2ρ/(2ρ+1)).
31 ASYMPTOTIKA HILLOVA ODHADU POČTVRTÉ! Pokud navíc F patří do tzv. Hallovou třídou tj. F (1 t) = ct γ (1 + dt ρ + o(t ρ )) pro nějaká c,ρ > 0, d R, pak k 1/2 (ˆγ n,k H γ ) 1 = d γ = γ W(x) x W(x) x W(1)dx + k 1/2 1 W(1)dx k 1/2 ( k n 0 (( ) ρ k d n x k ρ ) dx n ) ρ d ρ ρ o(1 + k1/2 (k/n) ρ )
32 ASYMPTOTIKA HILLOVA ODHADU SHRNUTÍ Pokud 1 k = o(n 2ρ/(2ρ+1) ) pak k 1/2 (ˆγ H n,k γ ) N(0,γ 2 )
33 ASYMPTOTIKA HILLOVA ODHADU SHRNUTÍ Pokud 1 k = o(n 2ρ/(2ρ+1) ) pak k 1/2 (ˆγ n,k H γ ) N(0,γ 2 ) 2 k λo(n 2ρ/(2ρ+1) ) pak k 1/2 (ˆγ n,k H γ ) N ( λ ρ+1/2 dρ/(ρ + 1),γ 2) A tedy ( n k ) ρ k 1/2 (ˆγ H n,k γ ) d ρ ρ + 1 pokud n 2ρ/(2ρ+1) = o(k), k = o(n) Optimální rychlost konvergence n ρ/(2ρ+1) dosahujeme pro k λn 2ρ/(2ρ+1).
34 ASYMPTOTIKA HILLOVA ODHADU SHRNUTÍ Pokud 1 k = o(n 2ρ/(2ρ+1) ) pak k 1/2 (ˆγ n,k H γ ) N(0,γ 2 ) 2 k λo(n 2ρ/(2ρ+1) ) pak k 1/2 (ˆγ n,k H γ ) N ( λ ρ+1/2 dρ/(ρ + 1),γ 2) A tedy ( n k ) ρ k 1/2 (ˆγ H n,k γ ) d ρ ρ + 1 pokud n 2ρ/(2ρ+1) = o(k), k = o(n) Optimální rychlost konvergence n ρ/(2ρ+1) dosahujeme pro k λn 2ρ/(2ρ+1). λ lze získat minimalizací AMSE
35 CO ZNAMENAJÍ PŘEDCHOZÍ VÝSLEDKY PRO PRAXI Hill plot for t_2 H_k, k rozptyl bude malý, pokud vezmeme k velké vychýlení bude malé jen, pokud vezmeme k malé
ODHADY NÁVRATOVÝCH HODNOT
ODHADY NÁVRATOVÝCH HODNOT KLIMATOLOGICKÝCH DAT Katedra aplikované matematiky Fakulta přírodovědně-humanitní a pedagogická Technická univerzita v Liberci Robust 2018 ÚVOD Velká pozornost v analýze extrémních
VíceODHADY NÁVRATOVÝCH HODNOT PRO
ODHADY NÁVRATOVÝCH HODNOT PRO SRÁŽKOVÁ A TEPLOTNÍ DATA Katedra aplikované matematiky Fakulta přírodovědně-humanitní a pedagogická Technická univerzita v Liberci Novohradské statistické dny ÚVOD Velká pozornost
VíceUniverzita Karlova v Praze Matematicko-fyzikální fakulta. Daniel Veselý. Katedra pravděpodobnosti a matematické statistiky
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Daniel Veselý Teorie extremálních rozdělení ve financích Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce:
VíceTexty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech
Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech 1. července 2008 1 Funkce v R n Definice 1 Necht n N a D R n. Reálnou funkcí v R n (reálnou funkcí n proměnných) rozumíme zobrazení
VíceMatematika V. Dynamická optimalizace
Matematika V. Dynamická optimalizace Obsah Kapitola 1. Variační počet 1.1. Derivace funkcí na vektorových prostorech...str. 3 1.2. Derivace integrálu...str. 5 1.3. Formulace základní úlohy P1 var. počtu,
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VíceINTEGRÁLY S PARAMETREM
INTEGRÁLY S PARAMETREM b a V kapitole o integraci funkcí více proměnných byla potřeba funkce g(x) = f(x, y) dy proměnné x. Spojitost funkce g(x) = b a f(x, y) dy proměnné x znamená vlastně prohození limity
VíceLineární programování
Lineární programování Petr Tichý 19. prosince 2012 1 Outline 1 Lineární programování 2 Optimalita a dualita 3 Geometrie úlohy 4 Simplexová metoda 2 Lineární programování Lineární program (1) min f(x) za
VíceTo je samozřejmě základní pojem konvergence, ale v mnoha případech je příliš obecný a nestačí na dokazování některých užitečných tvrzení.
STEJNOMĚRNÁ KONVERGENCE Zatím nebylo v těchto textech věnováno příliš pozornosti konvergenci funkcí, at jako limita posloupnosti nebo součet řady. Jinak byla posloupnosti funkcí nebo řady brána jako. To
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VícePosloupnosti 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,
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Bodové odhady a intervaly spolehlivosti Vilém Vychodil KMI/PRAS, Přednáška 10 Vytvořeno v rámci projektu 963/011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 10) Bodové odhady a intervaly
VíceVěta o sedlovém bodu a Fredholmova alternativa
Věta o sedlovém bodu a Fredholmova alternativa Petr Tomiczek Fakulta Aplikovaných věd Západočeská univerzita Plzeň 2006 obsah 1 Rozklad Hilbertova prostoru Uzavřený lineární a samoadjungovaný operátor
VíceLWS při heteroskedasticitě
Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených
Více10 Funkce více proměnných
M. Rokyta, MFF UK: Aplikovaná matematika II kap. 10: Funkce více proměnných 16 10 Funkce více proměnných 10.1 Základní pojmy Definice. Eukleidovskou vzdáleností bodů x = (x 1,...,x n ), y = (y 1,...,y
VícePosloupnosti a jejich konvergence
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, integrály.
Více22 Základní vlastnosti distribucí
M. Rokyta, MFF UK: Aplikovaná matematika IV kap. 22: Základní vlastnosti distribucí 5 22 Základní vlastnosti distribucí 22.1 Temperované distribuce Definice. O funkci ϕ C (R m ) řekneme, že je rychle klesající
VíceFAKULTA STROJNíHO INŽENÝRSTVí ÚSTAV MATEMATIKY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNíHO INŽENÝRSTVí ÚSTAV MATEMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF MATHEMATICS STATISTIKA STATISTICS OF EXTREMES EXTRÉMNÍCH
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.05 0.0 0.05 0.0 0.005 Nominální napětí v pásnici Std Mean 40 60 80 00 0 40 60 Std Téma : Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník
Více1 Topologie roviny a prostoru
1 Topologie roviny a prostoru 1.1 Základní pojmy množin Intervaly a okolí Intervaly v rovině nebo prostoru jsou obdélníky nebo hranoly se stranami rovnoběžnými s osami souřadnic. Podmnožiny intervalů se
Vícesprávně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.
Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná
VíceTESTY A ODHADY PARETOVA INDEXU
ROBUST 2004 c JČMF 2004 TESTY A ODHADY PARETOVA INDEXU Jan Pice Klíčová slova: Paretův index, rozdělení extrémních hodnot, sféra přitažlivosti, Hillův odhad. Abstrat:Nechť X 1, X 2,...jsounezávisléstejněrozdělenénáhodnéveličiny
VíceMODELOVÁNÍ KATASTROFICKÝCH ŠKOD
MODELOVÁNÍ KATASTROFICKÝCH ŠKOD MODELLING OF CATASTROPHIC LOSSES Viera Pacáková, Lukáš Kubec Abstract: Catastrophe modelling is a risk management tool that uses computer technology to help insurers, reinsurers
Více17. Posloupnosti a řady funkcí
17. Posloupnosti a řady funkcí Aplikovaná matematika III, NMAF073 M. Rokyta, KMA MFF UK ZS 2011/12 17.1 Stejnoměrná konvergence posloupnosti funkcí Definice Necht M je množina, f, f n : M R m, m, n N.
Více18 Fourierovy řady Úvod, základní pojmy
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 18: Fourierovy řady 7 18 Fourierovy řady 18.1 Úvod, základní pojmy Otázka J. Fouriera: Lze každou periodickou funkci napsat jako součet nějakých "elementárních"
VíceOct 19th Charles University in Prague, Faculty of Mathematics and Physics. Multidimensional estimators. Základní pojmy.
Charles University in Prague, Faculty of Mathematics and Physics Oct 19th 2009 Influence Function Stejné jako pro jednorozměrný případ až na Θ R p. Influence Function IF (x; T, F) = lim h 0 T [(1 h)f +
VíceBrno University of Technology. Ing. Jan Holešovský. Metody odhadu parametrů rozdělení extrémního typu s aplikacemi
Vysoké učení technické v Brně Brno University of Technology Fakulta strojního inženýrství Faculty of mechanical engineering Ústav matematiky Institute of mathematics Ing. Jan Holešovský Metody odhadu parametrů
Více1 Množiny, výroky a číselné obory
1 Množiny, výroky a číselné obory 1.1 Množiny a množinové operace Množinou rozumíme každé shrnutí určitých a navzájem různých objektů (které nazýváme prvky) do jediného celku. Definice. Dvě množiny jsou
VíceInterpolace, 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
VíceMatematická 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,... )
VíceM-estimators. Oct 19th Charles University in Prague, Faculty of Mathematics and Physics. M-estimators. Základní pojmy - připomenutí.
Další Charles University in Prague, Faculty of Mathematics and Physics Oct 19th 2009 Influence Function Pracujeme s parametrickým modelem {F θ } θ Θ, kde Θ R je otevřená konvexní množina. Definice Influence
VíceDnešní látka: Literatura: Kapitoly 3 a 4 ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího.
Předmět: MA4 Dnešní látka: Od okrajových úloh v 1D k o. ú. ve 2D Laplaceův diferenciální operátor Variačně formulované okrajové úlohy pro parciální diferenciální rovnice a metody jejich přibližného řešení
VícePRIMITIVNÍ FUNKCE. Primitivní funkce primitivní funkce. geometrický popis integrály 1 integrály 2 spojité funkce konstrukce prim.
PRIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí
Více9. Vícerozměrná integrace
9. Vícerozměrná integrace Aplikovaná matematika II, NMAF072 M. Rokyta, KMA MFF UK LS 2016/17 9.1 Elementy teorie míry Poznámka Na R n definujeme systém tzv. měřitelných množin, M n, který má následující
Více19 Hilbertovy prostory
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem
Více2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru.
Varianta I 1. Definujte pravděpodobnostní funkci. 2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. 3. Definujte Fisher-Snedecorovo rozdělení.
VícePRIMITIVNÍ FUNKCE DEFINICE A MOTIVACE
PIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí
VíceMatematika 5 FSV UK, ZS Miroslav Zelený
Matematika 5 FSV UK, ZS 2018-19 Miroslav Zelený 1. Stabilita řešení soustav diferenciálních rovnic 2. Úvod do variačního počtu 3. Globální extrémy 4. Teorie optimálního řízení 5. Různé 1. Stabilita řešení
VíceMinikurz aplikované statistiky. Minikurz aplikované statistiky p.1
Minikurz aplikované statistiky Marie Šimečková, Petr Šimeček Minikurz aplikované statistiky p.1 Program kurzu základy statistiky a pravděpodobnosti regrese (klasická, robustní, s náhodnými efekty, ev.
VíceMatematika III přednáška Aplikace vytvořujících funkcí - další úlohy
S Matematika III - 14. přednáška Aplikace vytvořujících funkcí - další úlohy Michal Bulant Masarykova univerzita Fakulta informatiky 18. 12. 2007 Obsah přednášky Řešení rekurencí Q Exponenciální vytvořující
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 7
Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
VícePřijímací zkouška na navazující magisterské studium 2014
Přijímací zkouška na navazující magisterské studium 24 Příklad (25 bodů) Spočtěte Studijní program: Studijní obor: Matematika Finanční a pojistná matematika Varianta A M x 2 dxdy, kde M = {(x, y) R 2 ;
VíceParciální derivace a diferenciál
Parciální derivace a diferenciál Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem
VíceProjekty - Úvod do funkcionální analýzy
Projekty - Úvod do funkcionální analýzy Projekt č. 1. Nechť a, b R, a < b. Dokažte, že prostor C( a, b ) = f : R R: f je spojitá na D(f) = a, b s metrikou je úplný. ρ(f, g) = max f(x) g(x) x a,b Projekt
Více5. B o d o v é o d h a d y p a r a m e t r ů
5. B o d o v é o d h a d y p a r a m e t r ů Na základě hodnot náhodného výběru z rozdělení určitého typu odhadujeme parametry tohoto rozdělení, tak aby co nejlépe odpovídaly hodnotám výběru. Formulujme
VíceCo jsme udělali: Au = f, u D(A)
Předmět: MA4 Dnešní látka: Od okrajových úloh v 1D k o. ú. ve 2D Laplaceův diferenciální operátor Variačně formulované okrajové úlohy pro parciální diferenciální rovnice a metody jejich přibližného řešení
VíceKapitola 1. Úvod. 1.1 Značení. 1.2 Výroky - opakování. N... přirozená čísla (1, 2, 3,...). Q... racionální čísla ( p, kde p Z a q N) R...
Kapitola 1 Úvod 1.1 Značení N... přirozená čísla (1, 2, 3,...). Z... celá čísla ( 3, 2, 1, 0, 1, 2,...). Q... racionální čísla ( p, kde p Z a q N) q R... reálná čísla C... komplexní čísla 1.2 Výroky -
VíceMATEMATIKA IV - PARCIÁLNÍ DIFERENCIÁLNÍ ROVNICE - ZÁPISKY Z. Obsah. 1. Parciální diferenciální rovnice obecně. 2. Kvaazilineární rovnice prvního řádu
MATEMATIKA IV - PARCIÁLNÍ DIFERENCIÁLNÍ ROVNICE - ZÁPISKY Z PŘEDNÁŠEK JAN MALÝ Obsah 1. Parciální diferenciální rovnice obecně 1. Kvaazilineární rovnice prvního řádu 1 3. Lineární rovnice druhého řádu
VíceParciální derivace a diferenciál
Parciální derivace a diferenciál Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem
VíceFunkce jedn e re aln e promˇ enn e Derivace Pˇredn aˇska ˇr ıjna 2015
Funkce jedné reálné proměnné Derivace Přednáška 2 15. října 2015 Obsah 1 Funkce 2 Limita a spojitost funkce 3 Derivace 4 Průběh funkce Informace Literatura v elektronické verzi (odkazy ze STAGu): 1 Lineární
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceTexty k přednáškám z MMAN3: 3. Metrické prostory
Texty k přednáškám z MMAN3: 3. Metrické prostory 3. července 2012 1 Metrika na množině, metrický prostor Pojem vzdálenosti dvou reálných (komplexních) čísel, nebo bodů v rovině či prostoru je známý ze
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceStřední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.
Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která
VíceDiferenˇcní rovnice Diferenciální rovnice Matematika IV Matematika IV Program
Program Diferenční rovnice Program Diferenční rovnice Diferenciální rovnice Program Frisch a Samuelson: Systém je dynamický, jestliže jeho chování v čase je určeno funkcionální rovnicí, jejíž neznámé závisí
Víceprof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií
prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman Kotecký, 2011 Pravděpodobnost
VícePřednáška 6, 6. listopadu 2013
Přednáška 6, 6. listopadu 2013 Kapitola 2. Posloupnosti a řady funkcí. V dalším jsou f, f n : M R, n = 1, 2,..., reálné funkce jedné reálné proměnné definované na (neprázdné) množině M R. Co to znamená,
Více2. Numerické řešení obyčejných diferenciálních rovnic
1 2. Numerické řešení obyčejných diferenciálních rovnic y = f(x,y) spočátečnípodmínkou y(x )=y, (1) Platí: : Nechť f je spojitá v uzavřeném dvojrozměrném intervalu Ω= x a,x + a y b,y + b, a, b >.Anechť
VíceVIII. Primitivní funkce a Riemannův integrál
VIII. Primitivní funkce Riemnnův integrál VIII.2. Riemnnův integrál opkování Vět. Nechť f je spojitá funkce n intervlu, b nechť c, b. Oznčíme-li F (x) = x (, b), pk F (x) = f(x) pro kždé x (, b). VIII.3.
VíceMatematická analýza pro informatiky I. Derivace funkce
Matematická analýza pro informatiky I. 7. přednáška Derivace funkce Jan Tomeček tomecek@inf.upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci 31. března 2011 Jan Tomeček, tomecek@inf.upol.cz
VíceGreenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice
Greenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice Jan Tomeček Tento stručný text si klade za cíl co nejrychlejší uvedení do teorie Greenových funkcí pro obyčejné diferenciální
VíceMatematika pro informatiky
(FIT ČVUT v Praze) Konvexní analýza 13.týden 1 / 1 Matematika pro informatiky Jaroslav Milota Fakulta informačních technologíı České vysoké učení technické v Praze Letní semestr 2010/11 Extrémy funkce
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
VíceLineární algebra : Změna báze
Lineární algebra : Změna báze (13. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 8. dubna 2014, 10:47 1 2 13.1 Matice přechodu Definice 1. Nechť X = (x 1,..., x n ) a Y = (y 1,...,
VíceLimita posloupnosti, limita funkce, spojitost. May 26, 2018
Limita posloupnosti, limita funkce, spojitost May 26, 2018 Definice (Okolí bodu) Okolím bodu a R (také ε- okolím) rozumíme množinu U(a, ε) = {x R; x a < ε} = (a ε, a + ε), bod a se nazývá střed okolí a
VíceFIT ČVUT MI-LOM Lineární optimalizace a metody. Dualita. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
FIT ČVUT MI-LOM Lineární optimalizace a metody Dualita Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Michal Černý, 2011 FIT ČVUT, MI-LOM, M. Černý, 2011: Dualita 2/5 Dualita Evropský
VíceJe založen na pojmu derivace funkce a její užití. Z předchozího studia je třeba si zopakovat a orientovat se v pojmech: funkce, D(f), g 2 : y =
0.1 Diferenciální počet Je částí infinitezimálního počtu, což je souhrnný název pro diferenciální a integrální počet. Je založen na pojmu derivace funkce a její užití. Z předchozího studia je třeba si
VíceLimita a spojitost funkce. 3.1 Úvod. Definice: [MA1-18:P3.1]
KAPITOLA 3: Limita a spojitost funkce [MA-8:P3.] 3. Úvod Necht je funkce f definována alespoň na nějakém prstencovém okolí bodu 0 R. Číslo a R je itou funkce f v bodě 0, jestliže pro každé okolí Ua) bodu
VíceLimitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
VíceMATEMATICKÁ STATISTIKA
MATEMATICKÁ STATISTIKA 1. Úvod. Matematická statistika se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného procesu, se snažíme popsat
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Diskrétní rozdělení Vilém Vychodil KMI/PRAS, Přednáška 6 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 6) Diskrétní rozdělení Pravděpodobnost a
Více3 Bodové odhady a jejich vlastnosti
3 Bodové odhady a jejich vlastnosti 3.1 Statistika (Skripta str. 77) Výběr pořizujeme proto, abychom se (více) dověděli o souboru, ze kterého jsme výběr pořídili. Zde se soustředíme na situaci, kdy známe
VíceOBECNOSTI KONVERGENCE V R N
FUNKCE VÍCE PROMĚNNÝCH V reálných situacích závisejí děje obvykle na více proměnných než jen na jedné (např. na teplotě i na tlaku), závislost na jedné proměnné je spíše výjimkou. OBECNOSTI Reálná funkce
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
Vícey +q 1 (t)y = 0 (1) z +q 2 (t)z = 0 (2)
Šturmova srovnávací věta Srovnávací věta se týká nulových bodů rovnic 2. řádu. Umožňuje odhadnout jejich rozložení srovnáním s jinou rovnicí. Věta 1. Necht y je netriviální řešení rovnice y +q 1 (t)y =
VíceMatematika 4 FSV UK, LS Miroslav Zelený
Matematika 4 FSV UK, LS 2017-18 Miroslav Zelený 13. Diferenční rovnice 14. Diferenciální rovnice se separovanými prom. 15. Lineární diferenciální rovnice prvního řádu 16. Lineární diferenciální rovnice
VíceUzavřené a otevřené množiny
Teorie: Uzavřené a otevřené množiny 2. cvičení DEFINICE Nechť M R n. Bod x M nazveme vnitřním bodem množiny M, pokud existuje r > 0 tak, že B(x, r) M. Množinu všech vnitřních bodů značíme Int M. Dále,
VícePosloupnosti a řady. 28. listopadu 2015
Posloupnosti a řady Přednáška 5 28. listopadu 205 Obsah Posloupnosti 2 Věty o limitách 3 Řady 4 Kritéria konvergence 5 Absolutní a relativní konvergence 6 Operace s řadami 7 Mocninné a Taylorovy řady Zdroj
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VícePojistná matematika. Úmrtnostní tabulky, komutační čísla a jejich použití. Silvie Kafková
Úmrtnostní tabulky, komutační čísla a jejich použití 2015 Osnova 1 Délka života 2 Intenzita úmrtnosti 3 Úmrtnostní Tabulky 4 Komutační čísla Obsah 1 Délka života 2 Intenzita úmrtnosti 3 Úmrtnostní Tabulky
Více9. Vícerozměrná integrace
9. Vícerozměrná integrace Tomáš Salač Ú UK, FF UK LS 2017/18 Tomáš Salač ( Ú UK, FF UK ) 9. Vícerozměrná integrace LS 2017/18 1 / 29 9.1 Elementy teorie míry Poznámka Na R n definujeme systém tzv. měřitelných
Více1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.
2. Některá důležitá rozdělení Diskrétní rozdělení. Alternativní rozdělení Ap) Bernoulli) je diskrétní rozdělení, kdy náhodná veličina X nabývá pouze dvou hodnot a a pro její pravděpodobnostní funkci platí:
VíceZáklady matematické analýzy
Základy matematické analýzy Spojitost funkce Ing. Tomáš Kalvoda, Ph.D. 1, Ing. Daniel Vašata 2 1 tomas.kalvoda@fit.cvut.cz 2 daniel.vasata@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceMatematická analýza III.
2. Parciální derivace Miroslav Hušek, Lucie Loukotová UJEP 2010 Parciální derivace jsou zobecněním derivace funkce jedné proměnné. V této kapitole poznáme jejich základní vlastnosti a využití. Co bychom
VícePřijímací zkouška na navazující magisterské studium 2014
Přijímací zkouška na navazující magisterské studium 4 Studijní program: Studijní obory: Příklad (5 bodů) Spočtěte Matematika MA, MMIB, MMFT, MSTR, NVM, PMSE, MDU Varianta A M xy dxdy, kde M = {(x, y) R
Více11. Číselné a mocninné řady
11. Číselné a mocninné řady Aplikovaná matematika III, NMAF072 M. Rokyta, KMA MFF UK ZS 2017/18 11.1 Základní pojmy Definice Necht {a n } C je posloupnost komplexních čísel. Pro m N položme s m = a 1 +
VíceNumerické 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
Více1.1 Existence a jednoznačnost řešení. Příklad 1.1: [M2-P1] diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu
[M2-P1] KAPITOLA 1: Diferenciální rovnice 1. řádu diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu G(x, y, y, y,..., y (n) ) = 0 y (n) = F (x, y, y,..., y (n 1) ) Příklad 1.1:
Více8.1. 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
VíceMatematika (KMI/PMATE)
Matematika (KMI/PMATE) Přednáška druhá aneb Úvod do matematické analýzy Limita a spojitost funkce Matematika (KMI/PMATE) 1 / 30 Osnova přednášky lineární funkce y = kx + q definice lineární funkce význam
Více1 Posloupnosti a řady.
1 Posloupnosti a řady. 1.1 Posloupnosti reálných čísel. Definice 1.1: Posloupností reálných čísel nazýváme zobrazení f množiny N všech přirozených čísel do množiny R všech reálných čísel. Pokud nemůže
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
VíceMetody modelování a statistické analýzy procesu extremálních hodnot
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Klára Jelenová Metody modelování a statistické analýzy procesu extremálních hodnot Katedra pravděpodobnosti a matematické statistiky
VíceLucie Mazurová. 9.1 Operační riziko v rámci koncepce Basel II
9. Modelování operačního rizika Lucie Mazurová Operační riziko lze chápat obecně jako riziko ztráty v důsledku provozních nedostatků a chyb, resp. jako riziko plynoucí z operací firmy. Operační riziko
VíceJednou z nejdůležitějších funkcí, které se v matematice a jejích aplikacích používají je
74 Příloha A Funkce Γ(z) Úvod Jednou z nejdůležitějších funkcí, které se v matematice a jejích aplikacích používají je nesporně funkce Γ(z). Její důležitost se vyrovná exponenciální funkci i funkcím goniometrickým.
VíceLIMITA A SPOJITOST FUNKCE
PŘEDNÁŠKA 5 LIMITA A SPOJITOST FUNKCE 5.1 Spojitost funkce 2 Řekneme, že funkce f(x) je spojitá v bodě a D f, jestliže ke každému ε > 0 existuje δ > 0 takové, že pro každé x (a δ, a + δ) D f platí nerovnost:
VíceNumerické řešení nelineárních rovnic
Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/ navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html
Více- funkce, které integrujete aproximujte jejich Taylorovými řadami a ty následně zintegrujte. V obou případech vyzkoušejte Taylorovy řady
Vzorové řešení domácího úkolu na 6. 1. 1. Integrály 1 1 x2 dx, ex2 dx spočítejte přibližně následují metodou - funkce, které integrujete aproximujte jejich Taylorovými řadami a ty následně zintegrujte.
Více