Modely CARMA. 22. listopadu Matematicko fyzikální fakulta Univerzity Karlovy v Praze. Modely CARMA. Úvod. CARMA proces. Definice CARMA procesu
|
|
- Radim Němec
- před 5 lety
- Počet zobrazení:
Transkript
1 Matematicko fyzikální fakulta Univerzity Karlovy v Praze ÚTIA AV ČR 22. listopadu 2010 u
2 Obsah Definice u u u
3 Motivace Známe. Umíme používat, odhadovat jejich koeficienty atd. Co když ale data nemají konstantní rozestupy? C Využití: Fyzika Inženýrství Finance u
4 Zavedení u Gaussovský CARMA(p,q) proces {Y t } s 0 q < p a koeficienty a 1, a 2,..., a p, b 0, b 1,..., b q definujeme jako stacionární řešení lineární diferenciální rovnice p-tého řádu, a(d)y (t) = b(d)dw (t), t 0, (1) kde D značí diferencování vzhledem k t, {W (t)} je Brownův pohyb, a(z) = z p + a 1 z p a p, b(z) = b 0 + b 1 z + + b p z p u a pro koeficienty b j platí: b q 0 a b j = 0 pro q < j p. Proces {W (t)} s.j. nemá derivaci v žádném bodě nutné rovnici (1) správně interpretovat.
5 Interpretace I. {Y t } je Gaussovský CARMA(p,q) proces, jestliže splňuje: Y (t) = b X(t), (2) kde X(t) = (X 0 (t), X 1 (t),..., X p 1 (t)) je řešením dx(t) AX(t)dt = e dw (t), (3) s A = e =. b = a p a p 1 a p 2 a 1 1 b 0 b 1. b p 2 b p 1 u a E[X(0)W (t)] = 0
6 Interpretace II. Rozpis soustavy (3): prvních (p 1) rovnic: X j (t) X j (0) = t tj. X j je j-tá derivace X 0 poslední rovnice: 0 X j+1 (u)du, j = 0, 1,..., p 2 dx p 1 + a 1 X p 1 dt + a 2 X p 2 dt + + a p X 0 dt = dw (t) u X 0 řešení (1) s b(z) = 1
7 Řešení rovnice (3) (3) lineární Itôova diferenciální rovnice pro X(t) Dk: t X(t) = e At X(0) + e A(t u) edw (u) (4) 0 d dt X(t) = AeAt X(0) + A t = AX(t) + edw (t) 0 e A(t u) edw (u) + edw (t) u
8 Gaussovský CARMA(p,q) Necht 0 q < p jsou celá čísla. {Y (t), t 0} je Gaussovský CARMA(p,q) proces s parametry a 1, a 2,..., a p, b 0, b 1,..., b q právě tehdy, když splňuje Y (t) = b X(t), kde X(t) je stacionární řešení rovnice dx(t) AX(t)dt = e dw (t), kde {W (t)} je Brownův pohyb a E[X(0)W (t)] = 0. u
9 CARMA(p,q) {Y (t)} je CARMA(p,q) proces, pokud splňuje předchozí definici s {W (t)} libovolným reálným procem splňujícím: W (0) = 0, E[W (t) 2 ] <, E[(W (t 4 ) W (t 3 ))(W (t 2 ) W (t 1 ))] = 0, kde 0 t 1 t 2 t 3 t 4, E[(W (t) W (s)) 2 ] = t s, t s 0. u
10 CARMA se střední hodnotou µ {Y (t)} je se střední hodnotou µ právě tehdy, když {Y (t) µ} je. u
11 Stacionarita a vlastnosti {X(t)} Nutná a postačující podmínka: 1. vlastní čísla {A} mají záporné reálné části 2. E[X(0)] = 0 3. Σ = E[X(0)X(0) ] = 0 eay ee e A y dy Dk: 3. Σ = E[X(t)X(t) ], t 0, lim X(t) = t 0 e Ay edw (y), [ lim t E[X(t)X(t) ] = E e Ay edw (y) = 0 0 e Ay ee e A y dy. E[X(t)] = 0 & E[X(t + h)x(t) ] = e Ah Σ, h 0. 0 ] e e A y dw (y) = u
12 Vlastnosti {Y (t)} I. E[Y (t)] = 0, t 0 γ Y (h) = E[Y (t + h)y (t)] = b e A h Σb spektrální hustota f Y (ω) = 1 e iωh γ Y (h)dh 2π = 1 b(iω) 2 2π a(iω) 2, < ω < zpátky γ Y (h) = eiωh f Y (ω)dω γ Y (h) = λ:a(λ)=0 1 (m 1)! kde m je násobnost daného kořene [ ] d m 1 (z λ) m e z h b(z)b( z) dz m 1 a(z)a( z) (5) u z=λ,
13 Vlastnosti {Y (t)} II. Všechny kořeny a(z) = 0 jsou různé γ Y (h) = λ:a(λ)=0 e λ h b(λ)b( λ) a (λ)a( λ) Příklad: Stacionární Ornsteinův Uhlenbeckův proces kde a > 0 a {W (t)} je BP. (D + a)y (t) = bdw (t), t 0, u E[Y (t)] = 0 a γ Y (h) = b2 2a e a h.
14 Doplňení Vlastnost minimální fáze {Y (t)} je minimální fáze, pokud všechny kořeny b(z) = 0 mají záporné reálné části. Odpovídá invertibilitě diskrétních ARMA procesů. Mají-li si vzájemně odpovídat vlastnosti 2. řádu a koeficienty a 1, a 2,..., a p, b 0, b 1,..., b q, musí být proces minimální fáze a b(z) být kladný v okolí 0. CARMA řízené Lévyho procesem {Y (t)} je řízený Lévyho procesem právě tehdy, když splňuje definici Gaussovského CARMA, kde ovšem {W (t)} je Lévyho procesem a X(0) je nezávislý na {W (t)}. u
15 Zavedení ARMA ARMA(p,q) proces {Y t } s AR koeficienty φ 1, φ 2,..., φ p, MA koeficienty θ 1, θ 2,..., θ q a bílým šumem {ε t } s rozptylem σ 2 je definován kde φ(l)y t = θ(l)ε t, (6) φ(z) = 1 φ 1 z φ 2 z 2... φ p z p, θ(z) = 1 + θ 1 z + θ 2 z θ q z q, u φ p 0, θ q 0 a L je operátor zpětného posunutí.
16 Stacionarita, invertibilita a další vlastnosti Jestliže všechny kořeny rovnice φ(z) = 0 leží vně jednotkového kruhu, {Y t } je stacionární. Jestliže všechny kořeny rovnice θ(z) = 0 leží vně jednotkového kruhu, {Y t } je invertibilní. Jestliže je {Y t } stacionární, potom E[Y t ] = 0. u
17 Stavová reprezentace Podobně jako pro : a Y t = Θ X t, t = 0, 1, 2,... kde Φ = φ r φ r 1 φ r 2 φ 1 X t+1 ΦX t = eε t+1, (7) 0 0 e =. Θ = 0 1 θ r 1 θ r 2. θ 1 1, u r = max(p, q + 1), θ j = 0 pro j > q, φ j = 0 pro j > p a X 0 = j=0 Φj ez j
18 Vlastnosti {X t } = Dále: E[X t ] = 0, t 0, t 1 X t = Φ t X 0 + Φ j ez t j j=0 Φ j ez t j, t 0 j=0 E[X t+h X t ] = Φh Ξ, h 0, kde Ξ = E[X 0 X 0 ] = σ2 Φ j ee Φ j. j=0 u
19 Vlastnosti {Y t } E[Y t ] = 0, t 0, f Y (ω) = σ2 θ(e iω )θ(e iω ) 2π φ(e iω )φ(e iω ), γ Y (h) = E[Y (t + h)y (t)] = Θ Φ h ΞΘ = + λ Z [ ] σ 2 I [0,q p) ( h ) d q p h z q p θ(z)θ(z 1 ) (q p h )! dz q p h φ(z)φ(z 1 ) z=0 [ ] σ 2 d m 1 (z λ) m z h 1 θ(z)θ(z 1 ) (m 1)! dz m 1 φ(z)φ(z 1 ), z=λ kde Z = {λ : φ(λ 1 ) = 0} a m je násobnost kořene λ. Je-li násobnost všech kořenů rovnice φ(λ 1 ) = 0 1 a q < p, potom u γ Y (h) = σ 2 p j=1 λ h +1 j θ(λ j )θ(λ 1 j ) φ(λ j )φ (λ 1. j )
20 Nová reprezentace u Zavedeme Y(t) = BX(t), kde {X(t)} je řešení (4) rovnice (3) a b 0 b 1 b 2 b p B = Y (t) = ( ) Y(t), kde {Y(t)} je stacionární řešení dy(t) = BAB 1 Y(t)dt + Be dw (t), t 0. u platí: n Y(n) = e BAB 1 Y(n 1)+ e A(n u) BedW (u), n = 1, 2,... n 1
21 I. {Y (t), t 0} CARMA(p,q) proces s q < p {Y (n), n = 0, 1, 2,... } první složkou diskrétního p-rozměrného AR(1). {Y (n)} diskrétní ARMA(p,q ) proces s q < p. Základ pro odhadování ů pozorovaných v rovnoměrně rozložených okamžicích. TVRZ: Neparametrické odhady spektrální hustoty spojitých stacionárních časových řad trpí problémem i. u Budeme-li modelovat časovou řadu pomocí CARMA, bude odhad koeficientů a spektrální hustoty určen jednoznačně?... NE vždy.
22 II. Je-li dán diskrétní ARMA(p,q) proces {Y n} s q < p, exituje nějaký {Y (t)} s γ Y (n) = γ Y (n), n = 0, 1, 2,...? Je třída autokovariančních funkcí ARMA procesů s q < p stejně velká jako třída autokovariančních funkcí ů restringovaných na celá čísla?... Pro ARMA proces s kořenem θ(z) = 0 na jednotkovém kruhu neexistuje odpovídající. u
23 Příklad I. Necht {Y n } je ARMA(p,q) proces (q < p) a všechny kořeny φ(z 1 ) = 0 jsou různé, potom kde γ Y (h) = p j=1 α j λ h j, (8) θ(λ α j = σ 2 j )θ(λ 1 j ) λ j φ(λ j )φ (λ 1, j = 1, 2,..., p. (9) j ) Necht {Y (t)} je u a všechny kořeny a(z) = 0 jsou různé, potom u γ Y (h) = p j=1 e λ j h b(λ j )b( λ j ). (10) a (λ j )a( λ j ) Hledáme {Y (t)} takový, že γ Y (h) = γ Y (h), h Z,
24 Příklad II. tedy m p γ Y (x) = w jk α j e δ jk x, (11) k= m j=1 kde m N, δ jk = ln λ j + 2kπi, π < arg(ln λ j ) π a m k= m w jk = 1, j = 1, 2,..., p. Úkolem je tedy m a váhy w jk tak, aby (11) byla autokovarianční funkce, neboli aby f Y (ω) = 1 2π = 1 π m k= m j=1 γ Y (x)e iωx dx p δ jk w jk α j ω 2 + δjk 2 u byla nezáporná ω R.
25 Příklad příkladu I. Mějme AR(1) proces potom X n = φx n 1 + ε n, {ε n } WN(0, σ 2 ), φ < 1, γ X (h) = σ2 φ h 1 φ 2. Pokud 0 < φ < 1, {X n } může být vnořen do CAR(1) [m = 0, w 10 = 1] DY (t) (ln φ)y (t) = 2σ2 ln φ DW (t). 1 φ2 u
26 Příklad příkladu II. Je-li 1 < φ < 0, potom ln φ = ln( φ) iπ. m = 1, α 1 = σ 2 /(1 φ 2 ), δ 10 = ln( φ) iπ, δ 11 = ln( φ) + iπ, w 10 = w 11 = 0.5 a w 1, 1 = 0. γ Y (x) = σ2 1 φ 2 ( φ) x e iπ x + e iπ x 2 = σ2 1 φ 2 ( φ) x cos(π x ). + Podmínka na spektrální hustotu: f Y (ω) = 1 2π = 1 2π σ 2 u 1 φ 2 ( φ) x e iπ x + e iπ x e iωx dx 2 ( ) σ 2 ln φ 1 φ 2 ln 2 ( φ) + (π + ω) + ln φ 2 ln 2 ( φ) + (π ω) 2 Odpovídá CARMA(2,1).
27 III. Problém vnořování souvisí s problémem i. Jeden ARMA proces může být vnořen do více CARMA procesů (i od nekonečně mnoha). Závisí na parametrech. u
28 Princip odhadování I. Necht t 1, t 2,... jsou okamžiky, ve kterých pozorujeme {Y (t)}. Platí: X(t i+1 ) = e A(t i+1 t i ) X(t i ) + Z(t i ), i = 1, 2,..., Y (t i ) = [b 0 b 1 b p ] X(t i ), i = 1, 2,..., kde {Z(t i ), i = 1, 2,... } je posloupnost Gaussovských náhodných vektorů s: E[Z(t i )] = 0, u E[Z(t i )Z(t i ) ] = t i+1 t i 0 e Ay ee e A y dy, E[Z(t i )Z(t j ) ] = 0, i j.
29 Princip odhadování II. Aplikací Kalmanova filtru získáme: m i = E[Y (t i ) Y (t j ), j < i] a v i = E[(Y (t i ) m i ) 2 Y (t j ), j < i], které využijeme pro zisk N L = (2π) N/2 (v 1... v N ) 1/2 exp (Y (t i ) m i ) 2 /(2v i ), j=1 u kde m 1 = 0 a v 1 = b Σb
30 Definice (p) proces s koeficienty a 1 = a 1 (Y (t)), a 2 = a 2 (Y (t)),..., a p = a p (Y (t)) a střední hodnotou µ = µ(y (t)) definujeme jako řešení rovnice (D p + a 1 D p a p )Y (t) = bdw (t) + a p µ. (12) Stavová reprezentace: kde Y(t) je řešením Y (t) = [ ]Y(t), t 0, (13) dy(t) = (AY(t) + a p µe)dt + bedw (t). (14) u Další předpoklady: b 0 a nezávisí na Y (t), a 1, a 2,..., a p, µ jsou omezené a měřitelné na R, {W (t)} je BP (není nezbytné).
31 Existence silného řešení Rovnice (14) má pro dané Y(0) silné řešení, pokud koeficienty u dt a dw (t) splňují standardní Lipschitzovy podmínky. CTAR(p) a 1, a 2,..., a p, µ po částech konstantní funkce na (, y 1 ], (y 1, y 2 ],..., (y m, ) nesplňují Lipschitzovy podmínky. Nutno hledat slabé řešení. u
32 Slabé řešení I. Zavedeme X = [X 0 X 1... X p 1 ] = b 1 Y kde: Y (t) = bx 0 (t), dx 0 = X 1 (t)dt, dx 1 = X 2 (t)dt,.. dx p 2 = X p 1 (t)dt, dx p 1 = [ a p x 0... a 1 X p 1 (t) + a p µb 1 ]dt + dw (t), u kde a i = a i (bx 0 (t)) a µ = µ(bx 0 (t)).
33 Slabé řešení II. Předpokládejme X(0) = x X p 2 = x p 2 + t 0 X p 1(s)ds,..., X 0 = x 0 + t 0 X 1(s)ds X(t) = F(X p 1, t) (15) dx p 1 = G(X p 1, t)dt + dw (t) (16) Necht B je BP na (C[0, ), B[0, ), P xp 1 ) s B(0) = x p 1, potom dz 0 = Z 1 (t)dt, dz 1 = Z 2 (t)dt,. dz p 2 = Z p 1 (t)dt, dz p 1 = db(t),. u s Z(0) = x má silné řešení Z(t) = F(B, t).
34 Slabé řešení III. Necht Ŵ (0) = x p 1 a dŵ (t) = G(B, t)dt + db(t) = G(Z p 1, t)dt + dz p 1 (t), potom (C M G) Ŵ je BP podle ˆP xp 1, kde a M(B, t) = exp dˆp xp 1 = M(B, t)dp xp 1 [ 1 t t ] G 2 (B, s)ds + G(B, s)dw (s) (Z p (t), Ŵ (t)) je slabým řešením (16) na u (C[0, ), B[0, ), P xp 1, {F t }) s počáteční podmínkou X p 1 (0) = x p 1, a tedy (Z(t), Ŵ (t)) řeší původní soustavu pro X s X(0) = x. (F t = σ{b(s), s t} N, N je σ algebra P xp 1 nulových množin)
35 Slabé řešení IV. Ihned vidíme: ψ X(t) (u x) = Êx p 1 [exp(iu Z(t))] = E xp 1 [exp(iu Z(t))M(B, t)] = E xp 1 [exp(iu F(B, t))m(b, t)]. u
36 Definice {Y (t)} je CTAR(p) proces, jestliže je řešením (D p + a 1 D p a p )Y (t) = bdw (t) + a p µ, kde a 1, a 2,..., a p, µ jsou po částech konstantní funkce na intervalech (, y 1 ], (y 1, y 2 ],..., (y m, ). u
37 Charakteristická funkce a momenty CTAR(1) dy (t) + a 1 Y (t)dt = bdw (t), pokud Y (t) < 0, dy (t) + a 2 Y (t)dt = bdw (t), pokud Y (t) 0. Z výsledů pro slabé řešení ihned dostáváme ( ψ X(t) (u x) = E x [exp iub(t) 1 t a 2 (B(s))ds 2 0 t )] a(b(s))db(s) 0 a následně E[X(t) x] = ( E x [B(t) exp 1 t a 2 (B(s))ds 2 0 t )] a(b(s))db(s). Obojí analyticky velmi těžké simulací. 0 u
38 Eulerova aproximace I. Alternativní postup při počítání E[X(t) k x]: Y n (t) = [ ]Y n (t), t = 0, 1 n, 2 n,..., přičemž ( Y n t + 1 ) n = [ I + 1 ] n A(Y n(t)) Y n (t) + [ 1 + n Z (t)b + 1 ] n c(y n(t)) e, u kde c = a p µ a {Z (t)} jsou iid s P(Z = 1) = P(Z = 1) = 0.5.
39 Eulerova aproximace II. {Y n (t)} je Markovský a m n (y, t) = E[Y n (t) Y n (0) = y] splňují m n (y, t + n 1 ) = 1 2 m n(y + n 1 (A(y)y + c(y)e) + n 1/2 be, t) + s počáteční podmínkou m n (y, 0) = y. Podobně funguje i pro vyšší momenty m n(y + n 1 (A(y)y + c(y)e) n 1/2 be, t) u
40 Literatura [1] Shanbhag, D. N., and Rao, C. R., eds.: Handbook of Statistics, Vol. 19. Elsevier Science B.V., [2] Hamilton, J. D.: Time Series Analysis. Princeton University Press, u
41 Děkuji za pozornost a prosím o vaše dotazy. u
Modely stacionárních časových řad
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Proces bílého šumu Proces {ɛ t} nazveme bílým šumem s nulovou střední hodnotou a rozptylem σ 2 a
VíceÚvod do analýzy časových řad
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2... } se nazývá stochastický
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
VíceMatematicko-fyzikální fakulta Univerzity Karlovy
Oceňování finančních derivátů ve spojitém čase Václav Kozmík Matematicko-fyzikální fakulta Univerzity Karlovy 4. 10. 2010 Úvod Stochastický kalkulus Wienerův proces stochastické procesy Itoovo lemma změna
Více5 Časové řady. Definice 16 Posloupnost náhodných veličin {X t, t T } nazveme slabě stacionární, pokud
5 Časové řady Časovou řadou rozumíme posloupnost reálných náhodných veličin X 1,..., X n, přičemž indexy t = 1,..., n interpretujeme jako časové okamžiky. Někdy však uvažujeme i nekonečné posloupnosti
VíceModely pro nestacionární časové řady
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Modely ARIMA Transformace Proces náhodné procházky Random Walk Process Proces Y t = Y t 1 + ɛ t je
VíceModely pro nestacionární časové řady
Modely pro nestacionární časové řady Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Modely pro nestacionární
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
VíceStochastické diferenciální rovnice
KDM MFF UK, Praha Aplikace matematiky pro učitele 15.11.2011 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací Model pro nemoc s rychlým šířením a krátkou dobou léčby. Příkladem takovéto
VíceUniverzita Karlova v Praze procesy II. Zuzana. Predikce
ne ve Náhodné 1 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze email: praskova@karlin.mff.cuni.cz 23.4.-7.5. 2010 ne ve 1 ne Outline 2 ve ne ve Definice: Nechť H je Hilbertův
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceDiferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36
Diferenciální rovnice a jejich aplikace Zdeněk Kadeřábek (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Obsah 1 Co to je derivace? 2 Diferenciální rovnice 3 Systémy diferenciálních rovnic
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
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).
Více11. přednáška 10. prosince Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah
11. přednáška 10. prosince 2007 Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah F (x, y, y, y,..., y (n) ) = 0 mezi argumentem x funkce jedné
VíceKapitola 12: Soustavy diferenciálních rovnic 1. řádu
Kapitola 12: Soustavy diferenciálních rovnic 1. řádu Základní pojmy Definice: Rovnice tvaru = f(t, x, y) = g(t, x, y), t I nazýváme soustavou dvou diferenciálních rovnic 1. řádu. Řešením soustavy rozumíme
Více10. 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
VíceDRN: Kořeny funkce numericky
DRN: Kořeny funkce numericky Kořenem funkce f rozumíme libovolné číslo r splňující f(r) = 0. Fakt. Nechť f je funkce na intervalu a, b. Jestliže f(a) f(b) < 0 (tj. f(a) a f(b) mají opačná znaménka) a f
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
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
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
Více12 Obyčejné diferenciální rovnice a jejich soustavy
12 Obyčejné diferenciální rovnice a jejich soustavy 121 Úvod - opakování Opakování z 1 ročníku (z kapitoly 5) Definice 121 Rovnice se separovanými proměnnými je rovnice tvaru Návod k řešení: Pokud g(c)
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
Více1. 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:
VíceDrsná matematika III 6. přednáška Obyčejné diferenciální rovnice vyšších řádů, Eulerovo přibližné řešení a poznámky o odhadech chyb
Drsná matematika III 6. přednáška Obyčejné diferenciální rovnice vyšších řádů, Eulerovo přibližné řešení a poznámky o odhadech chyb Jan Slovák Masarykova univerzita Fakulta informatiky 23. 10. 2006 Obsah
VíceKapitola 11: Lineární diferenciální rovnice 1/15
Kapitola 11: Lineární diferenciální rovnice 1/15 Lineární diferenciální rovnice 2. řádu Definice: Lineární diferenciální rovnice 2-tého řádu je rovnice tvaru kde: y C 2 (I) je hledaná funkce a 0 (x)y +
VíceDiferenciální rovnice
Obyčejné diferenciální rovnice - studijní text pro cvičení v předmětu Matematika - 2. Studijní materiál byl připraven pracovníky katedry E. Novákovou, M. Hyánkovou a L. Průchou za podpory grantu IG ČVUT
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cziba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické
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 Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
VíceTesty dobré shody pro časové řady s diskrétními veličinami
Testy dobré shody pro časové řady s diskrétními veličinami Šárka Hudecová, Marie Hušková a Simos G. Meintanis KPMS MFF UK Robust 2016 Testy dobré shody pro časové řady s diskrétními veličinami Šárka Hudecová
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické či jiné
VíceMatematika 2 LS 2012/13. Prezentace vznikla na základě učebního textu, jehož autorem je doc. RNDr. Mirko Rokyta, CSc. J. Stebel Matematika 2
Matematika 2 13. přednáška Obyčejné diferenciální rovnice Jan Stebel Fakulta mechatroniky, informatiky a mezioborových studíı Technická univerzita v Liberci jan.stebel@tul.cz http://bacula.nti.tul.cz/~jan.stebel
Více1/15. Kapitola 12: Soustavy diferenciálních rovnic 1. řádu
1/15 Kapitola 12: Soustavy diferenciálních rovnic 1. řádu 2/15 Vsuvka: Vlastní čísla matic Definice: Bud A čtvercová matice a vektor h 0 splňující rovnici A h = λ h pro nějaké číslo λ R. Potom λ nazýváme
VíceSIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY
SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY TEMATICKÉ OKRUHY Signály se spojitým časem Základní signály se spojitým časem (základní spojité signály) Jednotkový skok σ (t), jednotkový impuls (Diracův impuls)
VíceUniverzita Karlova v Praze procesy II. Zuzana. funkce
Náhodné 1 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze email: praskova@karlin.mff.cuni.cz 11.-12.3. 2010 1 Outline Lemma 1: 1. Nechť µ, ν jsou konečné míry na borelovských
VíceX = 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
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
VíceFakt. Každou soustavu n lineárních ODR řádů n i lze eliminací převést ekvivalentně na jednu lineární ODR
DEN: ODR teoreticky: soustavy rovnic Soustava lineárních ODR 1 řádu s konstantními koeficienty je soustava ve tvaru y 1 = a 11 y 1 + a 12 y 2 + + a 1n y n + b 1 (x) y 2 = a 21 y 1 + a 22 y 2 + + a 2n y
VíceMatematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace
Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední
VíceUčební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice študenti MFF 15. augusta 2008 1 7 Diferenciální rovnice Požadavky Soustavy lineárních diferenciálních rovnic prvního řádu lineární
VíceLineární rovnice prvního řádu. Máme řešit nehomogenní lineární diferenciální rovnici prvního řádu. Funkce h(t) = 2
Cvičení Lineární rovnice prvního řádu. Najděte řešení Cauchyovy úlohy x + x tg t = cos t, které vyhovuje podmínce xπ =. Máme nehomogenní lineární diferenciální rovnici prvního řádu. Funkce ht = tg t a
VícePŘEDNÁŠKA 9 KŘIVKOVÝ A PLOŠNÝ INTEGRÁL 1. DRUHU
PŘEDNÁŠKA 9 KŘIVKOVÝ A PLOŠNÝ INTEGRÁL 1. DRUHU 6.1 Křivkový integrál 1. druhu Definice 1. Množina R n se nazývá prostá regulární křivka v R n právě tehdy, když existuje vzájemně jednoznačné zobrazení
VíceNMAI059 Pravděpodobnost a statistika
NMAI059 Pravděpodobnost a statistika podle přednášky Daniela Hlubinky (hlubinka@karlin.mff.cuni.cz) zapsal Pavel Obdržálek (pobdr@matfyz.cz) 205/20 poslední změna: 4. prosince 205 . přednáška. 0. 205 )
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
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
VíceLineární algebra : Vlastní čísla, vektory a diagonalizace
Lineární algebra : Vlastní čísla, vektory a diagonalizace (14. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 21. dubna 2014, 19:37 1 2 14.1 Vlastní čísla a vlastní vektory Nechť je
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
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
VíceVYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová
VYBRANÁ ROZDĚLENÍ SPOJITÉ NÁH. VELIČINY Martina Litschmannová Opakování hustota pravděpodobnosti f(x) Funkce f(x) je hustotou pravděpodobností (na intervalu a x b), jestliže splňuje následující podmínky:
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Normální rozdělení a centrální limitní věta Vilém Vychodil KMI/PRAS, Přednáška 9 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 9) Normální rozdělení
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
VíceApriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
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
VíceNumerické řešení diferenciálních rovnic
Numerické řešení diferenciálních rovnic Omezení: obyčejné (nikoli parciální) diferenciální rovnice, Cauchyho počáteční úloha, pouze jedna diferenciální rovnice 1. řádu 1/1 Numerické řešení diferenciálních
VíceDrsná matematika III 1. přednáška Funkce více proměnných: křivky, směrové derivace, diferenciál
Drsná matematika III 1. přednáška Funkce více proměnných: křivky, směrové derivace, diferenciál Jan Slovák Masarykova univerzita Fakulta informatiky 16. 9. 2008 Obsah přednášky 1 Literatura 2 Funkce a
VíceDefinice. Nechť k 0 celé, a < b R. Definujeme. x < 1. ϕ(x) 0 v R. Lemma [Slabá formulace diferenciální rovnice.] x 2 1
9. Vriční počet. Definice. Nechť k 0 celé, < b R. Definujeme C k ([, b]) = { ỹ [,b] : ỹ C k (R) } ; C 0 ([, b]) = { y C ([, b]) : y() = y(b) = 0 }. Důležitá konstrukce. Shlzovcí funkce (molifiér, bump
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
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,
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
VíceDefinice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:
Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé
VíceLDF MENDELU. Simona Fišnarová (MENDELU) LDR druhého řádu VMAT, IMT 1 / 22
Lineární diferenciální rovnice druhého řádu Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF)
VíceZápo tová písemná práce. 1 z p edm tu 01RMF varianta A
Zápo tová písemná práce. 1 z p edm tu 1MF varianta A tvrtek 19. listopadu 215, 13:215:2 ➊ (5 bod ) Nech f (x), g(x) L 1 () a f (x) dx = A, x f (x) dx = µ, Vypo ítejte, emu se rovná z( f g)(z) dz. g(x)
VíceÚlohy nejmenších čtverců
Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.
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:
VíceKapitola 8: Dvojný integrál 1/26
Kapitola 8: vojný integrál 1/26 vojný integrál - osnova kapitoly 2/26 dvojný integrál přes obdélník definice výpočet (Fubiniova věta pro obdélník) dvojný integrál přes standardní množinu definice výpočet
VíceSoustavy lineárních rovnic
Soustavy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních diferenciálních rovnic y = a (x)y + a (x)y + + a n (x)y n + f (x) y = a (x)y + a (x)y + + a n (x)y n + f (x). y n = a
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
VícePrimitivní funkce a Riemann uv integrál Lineární algebra Taylor uv polynom Extrémy funkcí více prom ˇenných Matematika III Matematika III Program
Program Primitivní funkce a Riemannův integrál Program Primitivní funkce a Riemannův integrál Lineární algebra Program Primitivní funkce a Riemannův integrál Lineární algebra Taylorův polynom Program Primitivní
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
Tomáš Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 1 / 63 1 2 3 4 5 6 7 8 9 10 11 2 / 63 Aritmetický vektor Definition 1 Aritmetický vektor x je uspořádaná
Vícenaopak více variant odpovědí, bude otázka hodnocena jako nesprávně zodpovězená.
Datum:... Jméno:... Přijímací řízení pro akademický rok 28/9 na magisterské studijní obor Finanční informatiky a statistika Písemná část přijímací zkoušky z matematiky Za každou správnou odpověd se získávají
Víceterminologie předchozí kapitoly: (ϕ, Ω) - plocha, S - geometrický obraz plochy
2. Plošný integrál. Poznámka. Obecně: integrování přes k-rozměrné útvary (k-plochy) v R n. Omezíme se na případ k = 2, n = 3. Definice. Množina S R 3 se nazve plocha, pokud S = ϕ(), kde R 2 je otevřená
VíceMKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0.
MKI -00 Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0. V jakém rozmezí se může pohybovat poloměr konvergence regulární
VíceObyčejnými diferenciálními rovnicemi (ODR) budeme nazývat rovnice, ve kterých
Obyčejné diferenciální rovnice Obyčejnými diferenciálními rovnicemi (ODR) budeme nazývat rovnice, ve kterých se vyskytují derivace neznámé funkce jedné reálné proměnné. Příklad. Bud dána funkce f : R R.
VíceKapitola 10: Diferenciální rovnice 1/14
Kapitola 10: Diferenciální rovnice 1/14 Co je to diferenciální rovnice? Definice: Diferenciální rovnice je vztah mezi hledanou funkcí y(x), jejími derivacemi y (x), y (x), y (x),... a nezávisle proměnnou
Více12. Křivkové integrály
12 Křivkové integrály Definice 121 Jednoduchou po částech hladkou křivkou v prostoru R n rozumíme množinu bodů [x 1,, x n ], které jsou dány parametrickými rovnicemi x 1 = ϕ 1 t), x 2 = ϕ 2 t), x n = ϕ
VíceMatematika I A ukázkový test 1 pro 2011/2012. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a
Matematika I A ukázkový test 1 pro 2011/2012 1. Je dána soustava rovnic s parametrem a R x y + z = 1 a) Napište Frobeniovu větu. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a b) Vyšetřete počet řešení soustavy
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 =
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 ;
VíceSoustavy lineárních diferenciálních rovnic I. řádu s konstantními koeficienty
Soustavy lineárních diferenciálních rovnic I řádu s konstantními koeficienty Definice a) Soustava tvaru x = ax + a y + az + f() t y = ax + a y + az + f () t z = a x + a y + a z + f () t se nazývá soustava
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
VíceSemestrální písemka BMA3 - termín varianta A13 vzorové řešení
Semestrální písemka BMA3 - termín 6.1.9 - varianta A13 vzorové řešení Každý příklad je hodnocen maximálně 18 body, z toho část a) 1 body a část b) body. Mezivýsledky při výpočtech zaokrouhlujte alespoň
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
Víceprocesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze
limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí
VíceMATEMATIKA II - vybrané úlohy ze zkoušek ( 2015)
MATEMATIKA II - vybrané úlohy ze zkoušek ( 2015 doplněné o další úlohy 13. 4. 2015 Nalezené nesrovnalosti ve výsledcích nebo připomínky k tomuto souboru sdělte laskavě F. Mrázovi ( e-mail: Frantisek.Mraz@fs.cvut.cz.
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
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
VíceRovnovážné modely v teorii portfolia
3. září 2013, Podlesí Obsah Portfolio a jeho charakteristiky Definice portfolia Výnosnost a riziko aktiv Výnosnost a riziko portfolia Klasická teorie portfolia Markowitzův model Tobinův model CAPM - model
VíceZavedeme-li souřadnicový systém {0, x, y, z}, pak můžeme křivku definovat pomocí vektorové funkce.
KŘIVKY Křivka = dráha pohybujícího se bodu = = množina nekonečného počtu bodů, které závisí na parametru (čase). Proto můžeme křivku také nazvat jednoparametrickou množinou bodů. Zavedeme-li souřadnicový
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 I A ukázkový test 1 pro 2014/2015
Matematika I A ukázkový test 1 pro 2014/2015 1. Je dána soustava rovnic s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napište Frobeniovu větu (existence i počet řešení). b)
VíceVěta 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
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
VíceObecné lineární problémy
Obecné lineární problémy Variace konstant V kapitolách o soustavách lineárních rovnic a o lineárních rovnicích n-tého řádu jsme se naučili řešit rovnice (soustavy) s nulovou pravou stranou, resp. s pravou
VíceKapitola 7: Integrál. 1/17
Kapitola 7: Integrál. 1/17 Neurčitý integrál - Motivační příklad 2/17 Příklad: Necht se bod pohybuje po přímce rychlostí a) v(t) = 3 [m/s] (rovnoměrný přímočarý pohyb), b) v(t) = 2t [m/s] (rovnoměrně zrychlený
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
Více