Univerzita Karlova v Praze procesy II. Zuzana. funkce
|
|
- Romana Žáková
- před 5 lety
- Počet zobrazení:
Transkript
1 Náhodné 1 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze praskova@karlin.mff.cuni.cz
2 1 Outline
3
4 Lemma 1: 1. Nechť µ, ν jsou konečné míry na borelovských množinách intervalu [, π]. Platí-li pro každé t Z e itλ dµ(λ) = e itλ dν(λ), potom µ(b) = ν(b) pro každé B (, π) a µ({} {π}) = ν({} {π}). 2. Nechť µ, ν jsou konečné míry na (R, B). Platí-li pro každé t R e itλ dµ(λ) = potom µ(b) = ν(b) pro každé B B. Důkaz: Anděl (1976), III.1, věty 5 a 6. e itλ dν(λ),
5 Lemma 2 [Hellyova věta]: Nechť {F n, n N} je posloupnost neklesajících stejnoměrně ohraničených funkcí. Potom existuje vybraná podposloupnost {F nk }, která pro k, n k konverguje k neklesající ohraničené zprava spojité funkci F v podstatě, tj. v bodech spojitosti F. Důkaz: Rao (1978), věta 2c.4, I. Lemma 3 [Hellyova-Brayova věta]: Nechť {F n, n N} je posloupnost neklesajících stejnoměrně ohraničených funkcí, která pro n konverguje k nějaké neklesající ohraničené zprava spojité funkci F v bodech spojitosti F, lim F n ( ) = F ( ), lim F n (+ ) = F (+ ). Nechť f je spojitá ohraničená. Potom f (x)df n (x) Důkaz: Rao (1978), věta 2c.4, II. f (x)df (x) pro n.
6 Poznámka: Integrál v Hellyově-Brayově větě je Stieltjesův integrál f podle F. Jestliže [a, b] je omezený interval a F je zprava spojitá, budeme integrálem b a f (x)df (x) rozumět (a,b] f (x)df (x).
7 Věta 19: Komplexní R(t), t Z, je stacionární náhodné posloupnosti, právě když platí R(t) = e itλ df (λ) pro každé t Z, (1) kde F je zprava spojitá neklesající ohraničená na [, π], F () = 0. Funkce F je určena em (1) jednoznačně. Vzorec (1) se nazývá stacionární náhodné posloupnosti. Funkci F nazýváme distribuční funkcí náhodné posloupnosti.
8 Důkaz 1. Nechť (1) platí pro nějakou komplexní funkci R na Z. Potom R je pozitivně semidefinitní, neboť pro každé n N, pro libovolné konstanty c 1,..., c n C a pro všechna t 1,..., t n Z je n j=1 k=1 n c j c k R(t j t k ) = = = n j=1 k=1 n c j c k e i(t j t k )λ df (λ) n j=1 k=1 n c j e it j λ j=1 n c j c k e it j λ e it kλ df (λ) 2 df (λ) 0, protože F je neklesající pro λ [, π]. Tedy R je funkcí nějaké stacionární náhodné posloupnosti.
9 pokračování důk. 2. Nechť je dána stacionární posloupnost s funkcí R. Potom R je pozitivně semidefinitní: n n j=1 k=1 c jc k R(t j t k ) 0 pro všechna n N, c 1,..., c n C a t 1,..., t n Z. Zvolme t j = j, c j = e ijλ pro λ [, π]. Potom pro každé n N, λ [, π] je ϕ n (λ) := 1 n n j=1 k=1 n e i(j k)λ R(j k) 0.
10 pokračování důk. Po úpravě odtud dostáváme ϕ n (λ) = 1 n = 1 n = 1 n n j=1 k=1 n 1 n e i(j k)λ R(j k) min(n, κ+n) κ= n+1 j=max(1, κ+1) n 1 κ= n+1 e iκλ R(κ) e iκλ R(κ)(n κ ).
11 pokračování důk. Pro každé n N definujme funkci 0, x, x F n (x) = ϕ n(λ)dλ, x [, π], F n (π), x π. Zřejmě F n () = 0 a F n (x) je neklesající na [, π]. Spočtěme F n (π):
12 pokračování důk. F n (π) = = 1 n = 1 n ϕ n (λ)dλ n 1 κ= n+1 [ n 1 κ= n+1 e iκλ R(κ)(n κ ) R(κ)(n κ ) ] dλ e iκλ dλ = R(0), neboť poslední integrál je roven δ(κ).
13 pokračování důk. {F n, n N} je posloupnost neklesajících funkcí, 0 F n (x) R(0) < pro všechna x R a všechna n N. Podle Hellyovy věty existuje podposloupnost {F nk } {F n }, F nk F v podstatě pro k, n k, kde F je neklesající ohraničená zprava spojitá a F (x) = 0, x, F (x) = R(0), x > π. Z Hellyovy - Brayovy věty pro f (x) = e itx, kde t Z, e itλ df nk (λ) e itλ df (λ) pro k, n k.
14 Zároveň e itλ = e itλ df nk (λ) = 1 n k = 1 n k n k 1 κ= n k +1 n k 1 κ= n k +1 pokračování důk. e itλ ϕ nk (λ)dλ R(κ)(n k κ ) e iκλ R(κ)(n k κ ) dλ e i(t κ)λ dλ, tedy { ( e itλ R(t) 1 t, t < n df nk (λ) = k 0 jinak. n k )
15 lim k pokračování důk. Celkem dostáváme ( e itλ df nk (λ) = lim R(t) 1 t ) k n k Jednoznačnost: = R(t) = e itλ df (λ) Nechť R(t) = eitλ dg(λ), kde G je zprava spojitá neklesající ohraničená na [, π] a G() = 0. Potom platí e itλ dµ F = e itλ dµ G, kde µ F a µ G jsou konečné míry na borelovských množinách intervalu [, π] indukované mi F a G. Dále lze postupovat podle lemmatu 1.
16 Vzorec (1) se nazývá stacionární náhodné posloupnosti. Funkci F nazýváme distribuční funkcí náhodné posloupnosti. Pokud existuje f (λ) 0 pro λ [, π] taková, že F (λ) = λ f (x)dx (F je absolutně spojitá), potom f se nazývá hustota. Zřejmě f = F. V případě, že hustota existuje, lze psát ve tvaru R(t) = e itλ f (λ)dλ, t Z. (2)
17 Věta 20: Komplexní R(t), t R, je centrovaného stacionárního procesu spojitého podle středu, právě když R(t) = e itλ df (λ), t R, (3) kde F je neklesající zprava spojitá taková, že lim x F (x) = 0, lim x F (x) = R(0) <. Funkce F je určena jednoznačně. Funkce F se nazývá distribuční náhodného procesu spojitého podle středu.
18 Důkaz. 1. Nechť R je komplexní na R, pro kterou platí (3), kde F je neklesající zprava spojitá, F ( ) = 0, F (+ ) = R(0) <. Potom R je pozitivně semidefinitní, která je navíc spojitá. Podle věty 6 existuje stacionární centrovaný proces s funkcí R. Protože R je spojitá (a tedy spojitá v nule), je tento proces podle věty 15 spojitý podle středu. 2. Jestliže naopak R je centrovaného stacionárního procesu spojitého podle středu, potom je pozitivně semidefinitní a spojitá v nule. Důkaz, že pro R platí (3), lze nalézt např. v Anděl (1976), IV.1, věta 2.
19 Jestliže distribuční v rovnici (3) je absolutně spojitá, potom její derivace f se nazývá hustota a (3) lze psát ve tvaru R(t) = e itλ f (λ)dλ, t R. (4) Dva různé náhodné procesy mohou mít stejné distribuční, a tedy stejné.
20 Věta 21: Nechť K je komplexní celočíselné proměnné, nechť t= K(t) <. Potom K(t) = e itλ f (λ)dλ, t Z, kde f (λ) = 1 t= e itλ K(t), λ [, π].
21 Důkaz: Uvažujme funkci K, pro kterou t= K(t) <. Protože řada f (λ) = 1 e itλ K(t) t= konverguje stejnoměrně pro λ [, π], můžeme zaměnit pořadí integrace a sčítání a pro každé t Z máme [ ] π e itλ f (λ)dλ = e itλ 1 e ikλ K(k) dλ k= = 1 [ ] K(k) e i(t k)λ dλ = 1 k= k= K(k)δ(t k) = K(t).
22 Věta 22: Nechť {X t, t Z} je stacionární posloupnost s funkcí R(t), pro kterou je t= R(t) <. Potom hustota posloupnosti {X t, t Z} existuje a je pro každé λ [, π] rovna f (λ) = 1 k= e ikλ R(k). (5)
23 Důkaz: t= R(t) < R(t) = f (λ) = 1 t= e itλ f (λ)dλ, t Z, e itλ R(t), λ [, π] (předchozí věta). Vzhledem k jednoznačnosti ho u (2) stačí dokázat, že f (λ) 0 pro každé λ [, π]. Pro každé λ [, π], ϕ n (λ) = 1 n n 1 κ= n+1 e iκλ R(κ)(n κ ) 0 (z důkazu věty 19). Ukážeme, že f (λ) = lim n ϕ n (λ).
24 pokračování důk. Máme f (λ) ϕ n (λ) 1 e ikλ R(k) k n 1 n 1 + e iκλ R(κ) κ n 1 κ= n+1 k n R(k) + 1 n n 1 κ= n+1 R(κ) κ 0 (Kroneckerovo lemma: k=1 a k < 1 n n k=1 k a k 0 pro n ).
25 Vzorec (5) se nazývá inverzní vzorec pro stacionární náhodné posloupnosti. Spojitá verze: Věta 23: Nechť {X t, t R} je centrovaný slabě stacionární proces spojitý podle středu. Jestliže pro jeho funkci R platí R(t) dt <, potom existuje hustota tohoto procesu a platí f (λ) = 1 e itλ R(t)dt, λ (, ). (6) Větu lze dokázat stejně jako vzorec pro pravděpodobnosti pomocí charakteristické (Fourierova transformace).
26 Příklad (bílý šum): Nechť {X t, t Z} je posloupnost nekorelovaných náhodných veličin s nulovou střední hodnotou a konečným kladným rozptylem σ 2 : EX t = 0, varx t = σ 2, cov(x s, X t ) = σ 2 δ(s t) = R(s t). t= R(t) = σ2 < hustota existuje Podle inverzního vzorce je f (λ) = 1 k= e ikλ R(k) = 1 σ2 R(0) =, λ [, π].
27 distribuční bílého šumu je F (λ) = 0, λ, (λ + π), λ [, π], = σ 2, λ π. = σ2 Značení: WN(0, σ 2 ) (white noise)
28 Příklad : Stacionární posloupnost, R(t) = a t, t Z, a < 1. t= f (λ) = 1 R(t) = = 1 = 1 = 1 = 1 k= k=0 k=0 t= e ikλ a k a t = e ikλ a k + 1 ( ae iλ) k ae iλ a 2 1 ae iλ 2 = 1 1 a t <, t=1 e ikλ a k k= (ae iλ) k k=1 ae iλ 1 ae iλ 1 a 2 1 2a cos λ + a 2
29 6 4 AR(1), AR(1), posloupnost s R(t) = a t, nahoře: a = 0, 8, dole a = 0, 8
30 62 KAPITOLA 5. LINEÁRNÍ MODELY ČASOVÝCH ŘAD r(t) f(λ) t π π 2 0 π 2 π λ (vlevo) a hustota (vpravo), a = 0, 8 Obrázek 5.3: Autokorelační (vlevo) a hustota (vpravo) posloupnosti AR(1): X t = 0,8 X t 1 + Y t ; Y t N (0, 1) 1.0 4
31 AR(1): X t = 0,8 X t 1 + Y t ; Y t N (0, 1) r(t) f(λ) t π π 2 0 π 2 π λ (vlevo) a hustota (vpravo), a = 0, 8 Obrázek 5.4: Autokorelační (vlevo) a hustota (vpravo) posloupnosti AR(1): X t = 0,8 X t 1 + Y t ; Y t N (0, 1)
32 Příklad : Centrovaný slabě stacionární proces, R(t) = ce α t, t R, c > 0, α > 0. Proces je spojitý podle středu. Platí R(t) dt = ce α t dt <, takže hustota existuje a podle vzorce (6) f (λ) = 1 = c = c π 0 pro každé λ R. e itλ R(t)dt = 1 (cos λt i sin λt)e α t dt cos(λt)e αt dt = cα π 1 α 2 + λ 2 e itλ ce α t dt
33 (vlevo)a hustota (vpravo), c = 1, α = 1
34 Příklad : Centrovaný proces spojitý podle středu, který má distribuční funkci F (λ) = 0, λ < 1, = 1, 2 1 λ < 1, = 1, λ 1. distribuční není absolutně spojitá; proces nemá hustotu. Jeho podle (3) je R(t) = e itλ df (λ) = 1 2 e it eit = cos t, t R. Říkáme, že v tomto případě má proces diskrétní spektrum s nenulovými hodnotami ve frekvencích λ 1 = 1, λ 2 = 1.
35 Příklad : Proces {X t, t R} nekorelovaných náhodných veličin s nulovou střední hodnotou a stejným konečným kladným rozptylem nesplňuje podmínku, za níž platí (3), totiž spojitost podle středu.
Univerzita 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
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
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
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
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
Více1. Obyčejné diferenciální rovnice
& 8..8 8: Josef Hekrdla obyčejné diferenciální rovnice-separace proměnných. Obyčejné diferenciální rovnice Rovnice, ve které je neznámá funkcí a v rovnici se vyskytuje spolu se svými derivacemi, se nazývá
VíceTEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose.
TEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose. Kvůli těmto těžkostem se měření zúžilo jen na délku
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
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
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
VíceRiemannův určitý integrál
Riemannův určitý integrál 1. Motivační příklad Příklad (Motivační příklad pro zavedení Riemannova integrálu). Nechť,. Vypočtěme obsah vybarvené oblasti ohraničené grafem funkce, osou a svislými přímkami
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
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
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
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
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
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
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
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
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
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
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
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
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
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 )
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
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
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).
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
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
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
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
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
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"
VíceFunkce komplexní proměnné a integrální transformace
Funkce komplexní proměnné a integrální transformace Fourierovy řady I. Marek Lampart Text byl vytvořen v rámci realizace projektu Matematika pro inženýry 21. století (reg. č. CZ.1.07/2.2.00/07.0332), na
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
VíceŘADY KOMPLEXNÍCH FUNKCÍ
ŘADY KOMPLEXNÍCH FUNKCÍ OBECNÉ VLASTNOSTI Řady komplexních čísel z n byly částečně probírány v kapitole o číselných řadách. Definice říká, že n=0 z n = z, jestliže z je limita částečných součtů řady z
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
VíceObsah. Aplikovaná matematika I. Gottfried Wilhelm Leibniz. Základní vlastnosti a vzorce
Neurčitý integrál Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah Primitivní funkce, neurčitý integrál Základní vlastnosti a vzorce Základní integrační metody Úpravy integrandu Integrace racionálních
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
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
VíceMatematika III. Miroslava Dubcová, Daniel Turzík, Drahoslava Janovská. Ústav matematiky
Matematika III Řady Miroslava Dubcová, Daniel Turzík, Drahoslava Janovská Ústav matematiky Přednášky ZS 202-203 Obsah Číselné řady. Součet nekonečné řady. Kritéria konvergence 2 Funkční řady. Bodová konvergence.
VíceMatematická analýza 4
Matematická analýza 4 LS 2015-16 Miroslav Zelený 18. Metrické prostory III 19. Křivkový a plošný integrál 20. Absolutně spoj. fce a fce s konečnou variací 21. Fourierovy řady 18. Metrické prostory III
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
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
VíceIV. Základní pojmy matematické analýzy IV.1. Rozšíření množiny reálných čísel
Matematická analýza IV. Základní pojmy matematické analýzy IV.1. Rozšíření množiny reálných čísel na množině R je definováno: velikost (absolutní hodnota), uspořádání, aritmetické operace; znázornění:
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
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
VícePRAVDĚPODOBNOST A STATISTIKA. Odhady parametrů Postačující statistiky
PRAVDĚPODOBNOS A SAISIKA Odhady parametrů SP3 Připomenutí pojmů Připomenutí pojmů z S1P a SP2 odhady Nechť X,, je náhodný výběr z rozdělení s distribuční funkcí. 1 X,, X ) ( 1 n Statistika se nazývá bodovým
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)
VíceZÁklady teorie pravděpodobnosti
ZÁklady teorie pravděpodobnosti Pro předmět MatematickÁ statistika 1 Michal Kulich Katedra pravděpodobnosti a matematické statistiky Matematicko-fysikální fakulta University Karlovy Tyto poznámky poskytují
VíceKomplexní analýza. Laplaceova transformace. Martin Bohata. Katedra matematiky FEL ČVUT v Praze
Komplexní analýza Laplaceova transformace Martin Bohata Katedra matematiky FEL ČVUT v Praze bohata@math.feld.cvut.cz Martin Bohata Komplexní analýza Laplaceova transformace 1 / 18 Definice Definice Laplaceovou
VíceDerivace funkce. Přednáška MATEMATIKA č Jiří Neubauer
Přednáška MATEMATIKA č. 9-11 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Šotová, J., Doudová, L. Diferenciální počet funkcí jedné proměnné Motivační příklady
VíceŘešení rekurentních rovnic 2. Základy diskrétní matematiky, BI-ZDM ZS 2011/12, Lekce 11
Řešení rekurentních rovnic 2 doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky FIT České vysoké učení technické v Praze c Josef Kolar, 2011 Základy diskrétní matematiky, BI-ZDM ZS 2011/12, Lekce
VíceTeorie měření a regulace
Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace 22.z-3.tr ZS 2015/2016 2015 - Ing. Václav Rada, CSc. TEORIE ŘÍZENÍ druhá část tématu předmětu pokračuje. oblastí matematických pomůcek
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
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:
VíceDerivace a monotónnost funkce
Derivace a monotónnost funkce Věta : Uvažujme funkci f (x), která má na intervalu I derivaci f (x). Pak platí: je-li f (x) > 0 x I, funkce f je na intervalu I rostoucí. je-li f (x) < 0 x I, funkce f je
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
VícePŘEDNÁŠKA 2 POSLOUPNOSTI
PŘEDNÁŠKA 2 POSLOUPNOSTI 2.1 Zobrazení 2 Definice 1. Uvažujme libovolné neprázdné množiny A, B. Zobrazení množiny A do množiny B je definováno jako množina F uspořádaných dvojic (x, y A B, kde ke každému
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
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 =
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VíceK oddílu I.1 základní pojmy, normy, normované prostory
ÚVOD DO FUNKCIONÁLNÍ ANALÝZY PŘÍKLADY PRO POROZUMĚNÍ LÁTCE ZS 2015/2016 PŘÍKLADY KE KAPITOLE I K oddílu I1 základní pojmy, normy, normované prostory Příklad 1 Necht X je reálný vektorový prostor a : X
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné
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
VíceŘešení. Označme po řadě F (z) Odtud plyne, že
Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme
VícePojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.
6. NÁHODNÝ VEKTOR Průvodce studiem V počtu pravděpodobnosti i v matematické statistice se setkáváme nejen s náhodnými veličinami, jejichž hodnotami jsou reálná čísla, ale i s takovými, jejichž hodnotami
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
VíceRovnice se separovanými proměnnými
Rovnice se separovanými proměnnými V této kapitole se budeme zabývat následující diferenciální rovnicí: y = g(y)f(x), (1) kde f a g jsou reálné funkce reálné proměnné. Tato rovnice se nazývá rovnice se
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 -
VíceNÁHODNÁ VELIČINA. 3. cvičení
NÁHODNÁ VELIČINA 3. cvičení Náhodná veličina Náhodná veličina funkce, která každému výsledku náhodného pokusu přiřadí reálné číslo. Je to matematický model popisující více či méně dobře realitu, který
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
VíceRozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce
Náhodná veličina motivace Náhodná veličina Často lze výsledek náhodného pokusu vyjádřit číslem: číslo, které padlo na kostce, výška náhodně vybraného studenta, čas strávený čekáním na metro, délka života
VíceZ transformace. Definice. Z transformací komplexní posloupnosti f = { } f n z n, (1)
Z transformace Definice Z transformací komplexní posloupnosti f = { roumíme funkci F ( definovanou vtahem F ( = n, ( pokud řada vpravo konverguje aspoň v jednom bodě 0 C Náev Z transformace budeme také
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
VíceLimita posloupnosti a funkce
Limita posloupnosti a funkce Petr Hasil Přednáška z Matematické analýzy I c Petr Hasil (MUNI) Limita posloupnosti a funkce MA I (M1101) 1 / 90 Obsah 1 Posloupnosti reálných čísel Úvod Limita posloupnosti
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:
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
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
VíceINTEGRACE KOMPLEXNÍ FUNKCE
INTEGRAE KOMPLEXNÍ FUNKE LEKE34-KIN auchyova obecná auchyova auchyův vzorec vičení KŘIVKOVÝ INTEGRÁL Na konci kapitoly o derivaci je uvedena souvislost existence derivace s potenciálním polem. Existuje
VíceDerivace funkce Otázky
funkce je jedním z hlavních nástrojů matematické analýzy. V příští části ukážeme, jak mnoho různorodých aplikací derivace má. Geometricky lze derivaci funkce v nějakém bodě chápat jako směrnici tečny grafu
Více9. cvičení z Matematické analýzy 2
9. cvičení z Matematické analýzy 7. listopadu -. prosince 7 9. Určete Fourierovu řadu periodického rozšíření funkce ft = t na, a její součet. Definice: Necht f je -periodická funkce, která je integrabilní
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
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
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
VíceKOMPLEXNÍ ČÍSLA A FUNKCE MNOŽINA KOMPLEXNÍCH ČÍSEL C. Alternativní popis komplexních čísel
KOMPLEXNÍ ČÍSLA A FUNKCE V předchozích částech byl důraz kladen na reálná čísla a na reálné funkce. Pokud se komplexní čísla vyskytovala, bylo to z hlediska kartézského součinu dvou reálných přímek, např.
Vícetransformace je posunutí plus lineární transformace má svou matici vzhledem k homogenním souřadnicím [1]
[1] Afinní transformace je posunutí plus lineární transformace má svou matici vzhledem k homogenním souřadnicím využití například v počítačové grafice Evropský sociální fond Praha & EU. Investujeme do
VíceDerivace funkce DERIVACE A SPOJITOST DERIVACE A KONSTRUKCE FUNKCÍ. Aritmetické operace
Derivace funkce Derivace je jedním z hlavních nástrojů matematické analýzy. V příští části ukážeme, jak mnoho různorodých aplikací derivace má. Geometricky lze derivaci funkce v nějakém bodě chápat jako
VíceZimní semestr akademického roku 2014/ prosince 2014
Cvičení k předmětu BI-ZMA Tomáš Kalvoda Katedra aplikované matematiky FIT ČVUT Matěj Tušek Katedra matematiky FJFI ČVUT Obsah Cvičení Zimní semestr akademického roku 2014/2015 2. prosince 2014 Předmluva
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
VíceMATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
VíceInverzní Laplaceova transformace
Inverzní Laplaceova transformace Modelování systémů a procesů (MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 6. přednáška MSP čtvrtek 30. března
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
VícePetr Hasil. Prvákoviny c Petr Hasil (MUNI) Úvod do infinitezimálního počtu Prvákoviny / 57
Úvod do infinitezimálního počtu Petr Hasil Prvákoviny 2015 c Petr Hasil (MUNI) Úvod do infinitezimálního počtu Prvákoviny 2015 1 / 57 Obsah 1 Úvod Funkce Reálná čísla a posloupnosti Limita a spojitost
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,
Více1 Báze a dimenze vektorového prostoru 1
1 Báze a dimenze vektorového prostoru 1 Báze a dimenze vektorového prostoru 1 2 Aritmetické vektorové prostory 7 3 Eukleidovské vektorové prostory 9 Levá vnější operace Definice 5.1 Necht A B. Levou vnější
VíceFunkce a limita. Petr Hasil. Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF)
Funkce a limita Petr Hasil Přednáška z matematiky Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny společného základu
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
VíceMATEMATICKÉ PRINCIPY VÍCEROZMĚRNÉ ANALÝZY DAT
8. licenční studium Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie MATEMATICKÉ PRINCIPY VÍCEROZMĚRNÉ ANALÝZY DAT Příklady: ) Najděte vlastní (charakteristická) čísla a vlastní
Více