BAYESŮV PRINCIP ZDENĚK PŮLPÁN
|
|
- Daniela Bílková
- před 8 lety
- Počet zobrazení:
Transkript
1 ROBUST 000, 7 4 c JČMF 00 BAYESŮV PRINCIP ZDENĚK PŮLPÁN Abstrakt. Poukážeme na možnost rozhodování pomocí Bayesova prncpu. Ten vychází z odhadu podmíněné pravděpodobnosta z předpokladu dsjunktního rozkladu základní množny (nebo z předpokladu dsjunktnost vzhledem k zavedené pravděpodobnost). Navrhneme jedno jeho rozšíření pro fuzzy množny. Rezme: V to$ stat~e zuqaet s prmenene metoda Baesa faz mnozestv.. Klascký Bayesův prncp Mějme dánu základní množnu Ω, jevové pole A Ω na Ω a pravděpodobnost P na A Ω. Pak podmíněnou pravděpodobnost p(a/b) zapodmínkyb A Ω, ndukovanou pravděpodobností P, defnujeme pro každé A A Ω vztahem () P (A B) p(a/b) =, P (B) když P (B) > 0 =0, když P (B) =0. Otom, žea p(a/b) je pravděpodobnost, se můžeme snadno přesvědčt: p(b/b) =; p(a/b) 0; p( A /B) = p(a /B), kde A jsou navzájem dsjunktní prvkyz A Ω, I a I je nejvýše spočetná množna. Budeme používat rozkladu prostoru Ω. Rozklad prostoru Ω je takový, nejvýše spočetný systém neprázdných množn B A Ω, I, kdei je nejvýše spočetná ndexová množna a platí a) B B j =pro j (vzájemná dsjunktnost) b) I B = Ω (pokrytí množny Ω). Mějme nyní jstý rozklad S = {B } I množnyω, kde B A Ω, I, a lbovolné A A Ω. Pak platí vzhledem k () a vlastnostem P na A Ω P (A) =P (A Ω) = P (A ( B )) = P ( (A B )) = () = P (A B )= P (B ) p(a/b ) I I a také pak () p(b /A)= P (B A) P (A) = P (B ) p(a/b ) P (B, když P (A) > 0 ) p(a/b ) =0, když P (A) =0. Vztah () se nazývá vztahem pro úplnou pravděpodobnost a vztah () je Bayesův. 000 Mathematcs Subject Classfcaton. 6C0. Klíčová slova. Bayesův prncp, fuzzy množny.
2 8 Zdeněk Půlpán Příklad : Uvažujme X jako konečnou množnu určtých symptomů. Označme znakem Ω = X množnu všech podmnožn množny X a vytvořme rozklad množny Ω například tak, že některé prvkyrozkladu budou reprezentovat přítomnost resp. nepřítomnost základních symptomů jen jedné určté choroby; mez jstým chorobam a třídam rozkladu B tak bude vzájemně jednoznačný vztah. Jsou-l odhadnutelné pravděpodobnost jednotlvých uvažovaných dagnóz P (B ) a podmíněné pravděpodobnost p(a/b ) souboru pozorovaných symptomů A př každé z uvažovaných dagnóz B, I, můžeme stanovt podle () pro každé I podmíněnou pravděpodobnost p(b /A). Rozhodování zvažujeme vzhledem ke vzájemným hodnotám p(b /A), I. Konkrétněj, nechť X = {x,x,,x k } je konečná množna základních symptomů (např. x zvýšená teplota, x bolest břcha,..., xk artróza kyčelního kloubu ) a přřadíme vzájemně jednoznačně každému prvku ω Ω= X k-rozměrný vektor v (ω) =(a,a,,a k )tak,žea =resp.0,kdyžjex ω resp. x ω. Je-l systém symptomů vzhledem k chorobám n,n,,n l, l< k, dobře vytvořen, je možné stanovt takový rozklad S na Ω (resp. na množně všech k-členných 0- posloupností), že některé jeho třídyrozkladu mohou být ztotožněnys chorobam n,n,,n l.nechťs = {B } q =,kdeq je počet prvků rozkladu S; B jsou tvořeny jstým k-prvkovým posloupnostm v (ω), které jsou dagnózam. Bodové odhady pravděpodobností P (B ) dostaneme součtem relatvních četností dagnóz obsažených v B. Podobně dostaneme bodové odhadypodmíněných pravděpodobností p(a/b ) jako součtyrelatvních četností dagnóz z A v množně dagnóz patřících k B. Máme zde však několk problémů. Jeden spočívá v tom, že bodové odhadypravděpodobností jsou spolehlvé jen když pocházejí z dostatečně rozsáhlého náhodného výběru. Vzhledem k tomu, že např. v lékařských rozhodováních potřebujeme velké množství dílčích dagnóz, je potřebné odhadyprovádět z relatvně velm rozsáhlého výběru. Druhý problém spočívá v hodnocení dílčích dagnóz, které pro seróznější celkovou dagnózu musí vycházet z přesnější charakterzace stavu než např., že pacent má nebo nemá bolest břcha. Nahradíme-l například položku x číselnou hodnotou tělesné teploty, např. s přesností ±0, o C, máme zde místo odhadu dvou možných stavů kolem 50 nových možností tělesných teplot. To znamená, že jž např. př podobných dagnózách máme zjšťovat odhadypravděpodobností pro možných stavů! A to zřejmě není možné. Poznámka: Podmínku rozkladu množnyω pro platnost Bayesova vztahu () lze oslabt podmínkou P -rozkladu takto: Systém T = {B } I množn B A Ω je systémem P -dsjunktních množn, když a) P (B B j )=0pro j, b) P ( B )=, (4) c) P (B ) > 0, I. Platnost () za podmínek (4) vyplývá z toho, že ze (4) plyne pro P (A) vztah (5): (4) P (A) =P (A B )= v I P (A B ). Vděl jsme, že užtí Bayesova rozhodování př větším počtu odhadovaných položek předpokládá rozsáhlá výběrová šetření. Přtom s uvědomujeme, že některé dagnostkované položkymají podobu vágních dat. Zkusme proto nahradt rozsáhlé měření expertním odhadyfunkcí náležtostí fuzzymnožn à a B, I.
3 Baeysův prncp 9. Fuzzy Bayesův prncp Předpokládejme, že máme opět základní prostor Ω, jevové pole A Ω apravděpodobnost P na A Ω. Postupujme analogckys klasckým případem. Fuzzyjevem vzhledem k A Ω je každá fuzzy(pod)množna à množnyω, pro jejíž funkc příslušnost µ A platí (5) µ A (I) A Ω pro každý nterval I 0;. Pravděpodobnost fuzzyjevu à s funkcí příslušnost µ A defnujeme vztahem (6) P(Ã) = µ A dp = E(µ A ). Ω Podmíněná pravděpodobnost q pro fuzzyjev à za podmínkyfuzzyjevu B je defnována podobně jako v klasckém případě ([4]) (7) q(ã/ B) P(à B) = P( B), když P( B) > 0 =0, když P( B) =0. Mějme nyní dánu nejvýše spočetnou posloupnost { B } I fuzzyjevů množnyω. Platnost fuzzybayesova prncpu je pak podmíněna splněním ekvvalentních vztahů (9) a (0) pro jakýkolv fuzzyjev à množnyω: (8) P(Ã) = I P(à B ) (9) q( B /Ã) = P( B ) q(ã/ B ) j P( B ) q(ã/ B ), I. Hledejme proto podmínku pro fuzzymnožny B, I, k platnost (9) pro každou fuzzymnožnu à množnyω. Systém fuzzymnožn { B } I, který splňuje (9) pro každou fuzzymnožnu à nazveme systémem fuzzy dsjunktních množn. Rozebereme s problém fuzzydsjunktnost nejprve na příkladech. Příklad : Mějme Ω = 0; 0 a na ní rozložení pravděpodobností dané hustotou f(x) f(x) = 5 x; 0 x 5 = 5 x + 5 ; 5 <x 0. Systém fuzzy množn { B } =,, bude nejprve systémem ostrých množn (zapsaných ovšem jako fuzzymnožny) s funkcem příslušnost: µ B (x) =prox 0; =0prox/ 0;, µ B (x) =prox (; 6 =0prox/ (; 6, µ B (x) =prox (6; 0 =0prox/ (6; 0. Pak je P( B )= Ω µ B (x)f(x)dx =0, 8, P( B )=0, 50, P( B )=0, ; je jasné, že zde musí být = P (B )=.
4 40 Zdeněk Půlpán Pro fuzzymnožnu Ã: µ A (x) = x ; x 4 = x + 7 ;4 x 7 = 0 jnde, výpočtem dostaneme P(Ã) = Ω µ A(x) f(x)dx =0, 444. Uvažujeme-l průnk dvou fuzzymnožn buď ve smyslu Zadehovynebo Lukasewczovy(nebo jné) defnce dostaneme v našem případě volbysystému { B } =,, stejné hodnoty P ( B Ã) = 0, 06, P ( B Ã) = 0, 57, P ( B Ã) = 0, 04. Zde skutečně platí (9). Náš systém fuzzy množn { B } =,,, který je systémem dsjunktních množn ve smyslu dsjunktnost ostrých množn je systémem fuzzy dsjunktních množn (ve smyslu zmíněných defnc průnku fuzzy množn) a platí zde fuzzybayesův prncp. Zavedeme s nyní jný systém fuzzy množn { B } =,, defnovaných takto: (x) = x +; 0 x = 0; jnde (x) = 4 x ; 6 x 0 = 0; jnde (x) = 5 x 5 ; x 6 = x +7; 6 x 7 = 0; jnde. Můžeme s představt, že daný systém fuzzy množn reprezentuje jstou neostrou klasfkac na Ω. Dané fuzzymnožnynejsou dsjunktní ve smyslu Zadehovy(zde je µ A B (x) =mn(µ A (x),µ B (x))) an Lukasewczovydefnce (zde je µ A B (x) = max(µ A (x)+µ B (x) ; 0) průnku dvou fuzzymnožn. Pro tento systém fuzzy množn { B } =,, máme P( B )=0, 06; P( B )=0, 07; P( B )=0, 04. Vdíme tedy, že = P( B ). Pro průnkyfuzzymnožn, určovaných ze Zadehovydefnce mnma máme P(Ã B )=0, 07; P(Ã B )=0, 00; P(Ã B )=0, 47. Platí tedy = P(Ã B )=0, 84 0, 444 = P(Ã). Provedeme-l výpočet průnku fuzzymnožnyã s fuzzymnožnam B, =,,, pomocí Lukasewczovyspojky, dostaneme za předpokladu stejné základní pravděpodobnostní mírydané hodnotou f(x): P(Ã B )=0; P(Ã B )=0, 98; P(Ã B )=0. Zde je = P(Ã B )=0, 98 P(Ã). V obou uvedených případech tedyfuzzybayesův prncp (9) neplatí. Vdíme, že jsou sce případy, kdy (9) platí, ale v stuac, která je pro prax důležtá, tento prncp neplatí.
5 Baeysův prncp 4 Pokusme se nyní zeslabt podmínku (9) tak, abyfuzzybayesův prncp zahrnoval všechnyklascké případy() dsjunktních nonfuzzymnožn systému { B } I,který pokrývá Ω. Pro fuzzy- Bayesovské rozhodování je důležté vhodně odhadnout q( B /Ã), kde B, I, jsou různé fuzzymnožny, jejchž sjednocení nosčů je Ω; jak jsme přpomněl, ačkolv v klasckém (nonfuzzy) případě tvoří B, I, rozklad Ω, zde, vzhledem k obecnějšímu užtí, se nesnažíme předpokládat pro fuzzymnožny B, I, jejch vzájemnou fuzzydsjunktnost vzhledem k některé defnc průnku ([5]). Mějme dáno jevové pole A Ω a pravděpodobnost P na A Ω. Dále mějme dán systém fuzzymnožn { B } I, jejchž nosče pokrývají Ω a nechť B, I, jsou fuzzyjevy. Pro každou fuzzymnožnu B, I určeme novou fuzzymnožnu B 0 takto (0) µ B 0 (x) =nf j,j I max(µ B (x) µ Bj (x); 0); x Ω; I. Je jasné, že B 0 je pak také fuzzyjev vzhledem k A Ω. Nyní defnujme podmíněnou pravděpodobnost q( B /Ã) fuzzyjevu B za podmínkylbovolného fuzzyjevu à (vzhledem k A Ω) nově vztahem (): () q ( B /Ã) = P( B 0 Ã) P(Ã) ; I. Jsou-l fuzzymnožny B, I nterpretovatelné jako dsjunktní normální množnyz A Ω, pokrývající Ω, je B 0 = B, I, a platí () (). Průnk fuzzymnožn ve výrazu pro pravděpodobnost v čtatel výrazu () můžeme konstruovat podle různých defnc; použtí závsí na problému, který se zkoumá anazkušenostužvatele. Příklad : Počítejme pro data z příkladu hodnoty q (B 0/Ã) aq (B 0 /Ã) pro =,, podle () a užívejme Zadehovynterpretace fuzzyprůnku. Nejprve určíme příslušné fuzzymnožny: Platí B0 = B, =,,. Dále jsme vypočetl B 0: 0 (x) = (x) pro x 0; ) 8 5 x pro x ; jnde; B 0 : B 0 : 0 (x) = 0 (x) = =0 prox x 7 pro 4 5 <x 7 (x) pro 7 <x x 6 5 pro 9 4 <x (x) pro <x x + 7 pro 6 <x jnde.
6 4 Zdeněk Půlpán Pak je v prvním případě podle () q ( B /Ã) = P(Ã) mn(0 (x),µ 0, 06 A(x)) f(x)dx = =0, 4 Ω 0, 444 q ( B /Ã) =0, 90; q (B/Ã) =0, 0. Ve druhém případě je podle () q ( B /Ã) =0, 0; q ( B /Ã) =0, 00; q ( B /Ã) =0, 68. Je jasné, že vzhledem k defnc fuzzymnožn B 0 a k () nemůžeme očekávat obecnou platnost vztahu I q ( B /Ã) =, analogckého ke vztahu pro non fuzzy podmíněné pravděpodobnost v žádné z nterpretací fuzzyprůnku. Hodnoty q (B /Ã), I, můžeme chápat jako mírysprávnost rozhodnutí pro alternatvu B za podmínky à a uvažovat o vektoru Q A (když card(i) =n) () Q A =(q ( B /Ã), q (B /Ã),,q (B n /Ã)). Tento vektor je možné normovat tak, abykaždé q (B /Ã) přešlovq ( B /Ã) 0 tak, aby () q( B /Ã) =. I Normované hodnoty q( B /Ã) pak mohou být nterpretoványjako váhyjednotlvých rozhodnutí B za předpokladu znalost à (např. předchozího rozhodnutí Ã). Nabízí se však ještě druhá možnost určení q( B /Ã), a to vztahem (5) (4) q ( B /Ã) = P( B 0 Ã) j I P( B I. j 0 Ã); Zde bereme v úvahu, že jmenovatel ve (4) nemusí nabývat hodnoty P(Ã) a příslušné q ( B /Ã) je pak mírou zastoupení hodnoty P ( B 0 Ã) vsoučtu j I P( B j 0 Ã). Pro q z (5) však ale přímo platí q ( B j /Ã) =. j I Příklad 4: ProdatazpředcházejícíchpříkladůaaopětproZadehovunterpretac průnku fuzzymnožn máme q ( B /Ã) =0, 0. = q ( B /Ã) q ( B /Ã) =0, 00. = q ( B /Ã) q ( B /Ã) =0, 97. = q ( B /Ã). V našem případě jsou oba výsledkytéměř dentcké.
7 Baeysův prncp 4. Závěr Byly naznačeny problémy, které vznkají ve snaze zavést Bayesův prncp pro fuzzy jevyanalogckys tímto prncpem v klascké teor pravděpodobnost. Je uvedeno jedno z možných řešení tohoto problému úpravou fuzzymnožn B, I, tvořících pak fuzzypokrytí základní množnyω. Je také možné využít tohoto prncpu v rozhodování, zobraztelném stromovým grafem. Lteratura Hntkka J., Suppes P.: Informaton and Inference, D. Redel Publ., Dordrecht, 970. Zmmermann H.-J.: FuzzySet Theoryand ts Applcaton, Kluwer Academc Publshers, Boston, 996. Cox E.: The FuzzySystems, Handbook, nd ed., AP Professonal, Academc Press, New York, Mesar R. a Paseck K.: Fuzzydsjunktnosť ndukovaná Bayesovým prncípom, Teóra a aplkáce fuzzymnožín IV - VII, JSMF, VVTŠ Lptovský Mkuláš, Praha, Půlpán Z.: K problematce vágnost v humantních vědách, Academa, Praha, 997 Concluson We have descrbed the posbltes of decson makng wth the help of the fuzzy -Bayesformula. Konkludo En to artkolo n evolugs la fuzzy- Bayes formula. N uzas ton formulon en la decda procedo egz. en la medcno. Unverzta Hradec Králové,katedra matematky PdF,Víta Nejedlého 57,500 8 Hradec Králové E-mal: zdenek.pulpan@uhk.cz
MASARYKOVA UNIVERZITA PEDAGOGICKÁ FAKULTA
MASARYKOVA UNIVERZITA PEDAGOGICKÁ FAKULTA Katedra Matematky Řetězové zlomky Dplomová práce Brno 04 Autor práce: Bc. Petra Dvořáčková Vedoucí práce: doc. RNDr. Jaroslav Beránek, CSc. Bblografcký záznam
Více1. Pravděpodobnost a statistika (MP leden 2010)
1. Pravděpodobnost a statistika (MP leden 2010) Pravděpodobnost pojmy 1. Diskrétní pravděpodobnostní prostor(definice, vlastnosti, příklad). Diskrétní pravděpodobnostní prostor je trojice(ω, A, P), kde
VícePRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA I
PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA I RNDr. Tomáš Mrkvička, Ph.D. 16. března 2009 Literatura [1] J. Anděl: Statistické metody, Matfyzpress, Praha 1998 [2] V. Dupač, M. Hušková: Pravděpodobnost a matematická
VíceKlasifikace a predikce. Roman LUKÁŠ
1/28 Klasfkace a predkce Roman LUKÁŠ 2/28 Základní pomy Klasfkace = zařazení daného obektu do sté skupny na základě eho vlastností Dvě fáze klasfkace: I. Na základě trénovacích vzorů (u nchž víme, do aké
VíceDrsná matematika IV 7. přednáška Jak na statistiku?
Drsná matematika IV 7. přednáška Jak na statistiku? Jan Slovák Masarykova univerzita Fakulta informatiky 2. 4. 2012 Obsah přednášky 1 Literatura 2 Co je statistika? 3 Popisná statistika Míry polohy statistických
VíceBořka Leitla Bolometrie na tokamaku GOLEM
Posudek vedoucího bakalářské práce Bořka Letla Bolometre na tokamaku GOLEM Vedoucí práce: Ing. Vojtěch Svoboda, CSc Bořek Letl vpracoval svoj bakalářskou prác na tokamaku GOLEM, jehož rozvoj je závslý
VíceUNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA. KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE
UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE Testy dobré shody Vedoucí diplomové práce: RNDr. PhDr. Ivo
VíceFI MU. Automaty nad nekonečnými slovy. Fakulta informatiky Masarykova univerzita. Učební text FI MU verze 1.0
Ð Û Å«Æ ±²³ µ ¹º»¼½¾ Ý FI MU Fakulta informatiky Masarykova univerzita Automaty nad nekonečnými slovy Mojmír Křetínský Učební text FI MU verze 1.0 Copyright c 2002, FI MU prosinec 2002 Obsah 1 Büchiho
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:
VíceNeparametrické metody
Neparametrcké metody Přestože parametrcké metody zaujímají klíčovou úlohu ve statstcké analýze dat, je možné některé problémy řešt př neparametrckém přístupu. V této přednášce uvedeme neparametrcké odhady
Více2. Definice pravděpodobnosti
2. Defnce pravděpodobnost 2.1. Úvod: V přírodě se setkáváme a v přírodních vědách studujeme pomocí matematckých struktur a algortmů procesy dvojího druhu. Jednodušší jsou determnstcké procesy, které se
VíceAPLIKACE METOD VÍCEKRITERIÁLNÍHO ROZHODOVÁNÍ PŘI HODNOCENÍ KVALITY VEŘEJNÉ DOPRAVY
APLIKACE METOD VÍCEKRITERIÁLNÍHO ROZHODOVÁNÍ PŘI HODNOCENÍ KVALITY VEŘEJNÉ DOPRAVY APPLICATION OF METHODS MULTI-CRITERIA DECISION FOR EVALUATION THE QUALITY OF PUBLIC TRANSPORT Ivana Olvková 1 Anotace:
VíceRegulární matice. Věnujeme dále pozornost zejména čtvercovým maticím.
Regulární matice Věnujeme dále pozornost zejména čtvercovým maticím. Věta. Pro každou čtvercovou matici A = (a ij ) řádu n nad tělesem (T, +, ) jsou následující podmínky ekvivalentní: (i) Řádky matice
Víceradiační ochrana Státní úřad pro jadernou bezpečnost
Státní úřad pro jadernou bezpečnost radační ochrana DOPORUČENÍ Měření a hodnocení obsahu přírodních radonukldů ve vodě dodávané k veřejnému zásobování ptnou vodou Rev. 1 SÚJB únor 2012 Předmluva Zákon
Více( x ) 2 ( ) 10.2.15 Úlohy na hledání extrémů. Předpoklady: 10211
10..15 Úlohy na hledání etrémů Předpoklady: 1011 Pedagogcká poznámka: Kromě příkladů a není pro studenty problém vypočítat dervace funkcí. Problémem je hlavně nalezení těchto funkčních závslostí, tam postupujeme
VíceSTP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA
Poslední aktualizace: 29. května 200 STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA PŘÍKLADY Pro zdárné absolvování předmětu doporučuji věnovat pozornost zejména příkladům označenými hvězdičkou. Příklady
VíceProgramování jako nástroj porozumění matematice (seriál pro web modernivyuka.cz)
Programování jako nástroj porozumění matematce (serál pro web modernvyuka.cz) Autor: Radek Vystavěl, vystavel(zavnáč)modernprogramovan.cz Díl 15: Analýza Určtý ntegrál MATEMATIKA Integrál je v běžné řeč
VíceASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ
ASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ Bc. Jtka Hanousková 1 Abstrakt: Příspěvek se zabývá postačujícím podmínkam pro konzstenc odhadů s mnmální Kolmogorovskou vzdáleností
VíceNumerické metody optimalizace
Numercké metody optmalzace Numercal optmzaton methods Bc. Mloš Jurek Dplomová práce 2007 Abstrakt Abstrakt česky Optmalzační metody představují vyhledávání etrémů reálných funkcí jedné nebo více reálných
Více6. T e s t o v á n í h y p o t é z
6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně
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
VíceSoučin matice A a čísla α definujeme jako matici αa = (d ij ) typu m n, kde d ij = αa ij pro libovolné indexy i, j.
Kapitola 3 Počítání s maticemi Matice stejného typu můžeme sčítat a násobit reálným číslem podobně jako vektory téže dimenze. Definice 3.1 Jsou-li A (a ij ) a B (b ij ) dvě matice stejného typu m n, pak
VíceJak pracovat s absolutními hodnotami
Jak pracovat s absolutními hodnotami Petr Matyáš 1 Co to je absolutní hodnota Absolutní hodnota čísla a, dále ji budeme označovat výrazem a, je jeho vzdálenost od nuly na ose x, tedy je to vždy číslo kladné.
VíceIvana Linkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE. 2 NURBS reprezentace křivek
25. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE Ivana Lnkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE Abstrakt Příspěvek prezentuje B-splne křvku a Coonsovu, Bézerovu a Fergusonovu kubku jako specální případy
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Úvod do teorie pravděpodobnosti Náhoda a pravděpodobnost, náhodný jev, náhodná veličina rozdělení pravděpodobnosti
VíceLenka Zalabová. Ústav matematiky a biomatematiky, Přírodovědecká fakulta, Jihočeská univerzita. zima 2012
Algebra - třetí díl Lenka Zalabová Ústav matematiky a biomatematiky, Přírodovědecká fakulta, Jihočeská univerzita v Českých Budějovicích zima 2012 Obsah 1 Dělitelnost 2 Grupy zbytkových tříd 3 Jedna z
VíceCvičení ze statistiky - 4. Filip Děchtěrenko
Cvičení ze statistiky - 4 Filip Děchtěrenko Minule bylo.. Dokončili jsme deskriptivní statistiku Tyhle termíny by měly být známé: Korelace Regrese Garbage in, Garbage out Vícenásobná regrese Pravděpodobnost
VíceElektrotechnická fakulta
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Elektrotechnická fakulta OPTIMÁLNÍ ROZHODOVÁNÍ A ŘÍZENÍ Jan Štecha Katedra řídicí techniky 1999 Předmluva Toto skriptum je určeno posluchačům 4. ročníku oboru technická
VíceJaroslav Michálek A STATISTIKA
VUT BRNO FAKULTA STROJNÍHO INŽENÝRSTVÍ Jaroslav Michálek PRAVDĚPODOBNOST A STATISTIKA BRNO 2006 preprint Kapitola 1 Úvod Prudký rozvoj výpočetní techniky, jehož jsme v posledních desetiletích svědky, podstatně
VíceKOMPLEXNÍ ČÍSLA. Algebraický tvar komplexního čísla
KOMPLEXNÍ ČÍSLA Příklad Řešte na množně reálných čísel rovnc: x + = 0. x = Rovnce nemá v R řešení. Taková jednoduchá rovnce a nemá na množně reálných čísel žádné řešení! Co s tím? Zavedeme tzv. magnární
VíceJazyk matematiky. 2.1. Matematická logika. 2.2. Množinové operace. 2.3. Zobrazení. 2.4. Rozšířená číslená osa
2. Jazyk matematiky 2.1. Matematická logika 2.2. Množinové operace 2.3. Zobrazení 2.4. Rozšířená číslená osa 1 2.1 Matematická logika 2.1.1 Výrokový počet logická operace zapisujeme čteme česky negace
VíceTeoretická rozdělení
Teoretická rozdělení Diskrétní rozdělení Obsah kapitoly Studijní cíle Doba potřebná ke studiu Pojmy k zapamatování Úvod Některá teoretická rozdělení diskrétních veličin: Alternativní rozdělení Binomické
VíceFAKULTA STAVEBNÍ MATEMATIKA II MODUL 2 STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAMY S KOMBINOVANOU FORMOU STUDIA
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STAVEBNÍ MATEMATIKA II MODUL KŘIVKOVÉ INTEGRÁLY STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAMY S KOMBINOVANOU FORMOU STUDIA Typeset by L A TEX ε c Josef Daněček, Oldřich Dlouhý,
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE. 2013 Radka Luštincová
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE 2013 Radka Luštncová VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Název bakalářské práce: Aplkace řezných
VíceSkalární součin je nástroj, jak měřit velikost vektorů a úhly mezi vektory v reálných a komplexních vektorových prostorech.
Kapitola 9 Skalární součin Skalární součin je nástroj, jak měřit velikost vektorů a úhly mezi vektory v reálných a komplexních vektorových prostorech. Definice 9.1 Je-li x = (x 1,..., x n ) T R n 1 reálný
VíceREAKCE POPTÁVKY DOMÁCNOSTÍ PO ENERGII NA ZVYŠOVÁNÍ ENERGETICKÉ ÚČINNOSTI: TEORIE A JEJÍ DŮSLEDKY PRO KONSTRUKCI EMPIRICKY OVĚŘITELNÝCH MODELŮ
RAKC POPTÁVKY DOMÁCNOTÍ PO NRGII NA ZVYŠOVÁNÍ NRGTICKÉ ÚČINNOTI: TORI A JJÍ DŮLDKY PRO KONTRUKCI MPIRICKY OVĚŘITLNÝCH MODLŮ tela Rubínová, Unverzta Karlova v Praze, Centrum pro otázky žvotního prostředí,
VíceLineární algebra II. Adam Liška. 9. února 2015. Zápisky z přednášek Jiřího Fialy na MFF UK, letní semestr, ak. rok 2007/2008
Lineární algebra II Zápisky z přednášek Jiřího Fialy na MFF UK, letní semestr, ak rok 2007/2008 Adam Liška 9 února 2015 http://kammffcunicz/~fiala http://wwwadliskacom 1 Obsah 10 Permutace 3 11 Determinant
Více9. Úvod do teorie PDR
9. Úvod do teorie PDR A. Základní poznatky o soustavách ODR1 Diferenciální rovnici nazveme parciální, jestliže neznámá funkce závisí na dvou či více proměnných (příslušná rovnice tedy obsahuje parciální
VíceIII. Úplná pravděpodobnost. Nezávislé pokusy se dvěma výsledky. Úplná pravděpodobnost Nezávislé pokusy se dvěma výsledky Náhodná veličina
III Přednáška Úplná pravděpodobnost Nezávislé pokusy se dvěma výsledky Náhodná veličina Pravděpodobnost při existenci neslučitelných hypotéz Věta Mějme jev. Pokud H 1,H 2, : : :,H n tvoří úplnou skupinu
VíceRegresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
VíceMasarykova univerzita. Základy konvexní analýzy a optimalizace v R n.
Masarykova univerzita Ondřej Došlý Základy konvexní analýzy a optimalizace v R n. První vydání Brno 2004 Došlý Ondřej Název knihy c prof. RNDr. Ondřej Došlý, DrSc., 2005 Největší životní umění je neoptimalizovat
VíceMNOŽINY. x A. Jeho varianty paradox mostu se šibenicí, paradox holiče.
MNOŽINY Naivní definice (pojetí): Množina [set] je přesně definovaný soubor prvků, které mají nějakou vlastnost. O čemkoliv je třeba umět jednoznačně rozhodnout, zda do dané množiny patří či nikoliv. Vztah
VíceBiostatistika a matematické metody epidemiologie- stručné studijní texty
Biostatistika a matematické metody epidemiologie- stručné studijní texty Bohumír Procházka, SZÚ Praha 1 Co můžeme sledovat Pro charakteristiku nebo vlastnost, kterou chceme sledovat zvolíme termín jev.
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.
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
Více1. Spektrální rozklad samoadjungovaných operátorů 1.1. Motivace Vlastní čísla a vlastní vektory symetrické matice 1 1 A = 1 2.
. Spektrální rozklad samoadjungovaných operátorů.. Motvace Vlastní čísla a vlastní vektory symetrcké matce A = A λe = λ λ = λ 3λ + = λ 3+ λ 3 Vlastní čísla jsou λ = 3+, λ = 3. Pro tato vlastní čísla nalezneme
VícePravděpodobnost je Martina Litschmannová MODAM 2014
ravděpodobnost je Martina Litschmannová MODAM 2014 Jak osedlat náhodu? Řecká mytologie: Bratři Zeus, oseidon, Hádes hráli v kostky astragalis. Zeus vyhrál nebesa, oseidon moře a Hádes peklo. Jak osedlat
VíceTEORIE MATIC. Tomáš Vondra
TEORIE MATIC Tomáš Vondra 2 Obsah 1 Opakování 5 1.1 Základní operace s maticemi..................... 5 1.2 Determinant matice......................... 7 1.2.1 Cauchyův-Binedův vzorec..................
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ VĚTRACÍ SYSTÉMY OBYTNÝCH DOMŮ BAKALÁŘSKÁ PRÁCE FAKULTA STROJNÍHO INŽENÝRSTVÍ ENERGETICKÝ ÚSTAV
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ENERGETICKÝ ÚSTAV FACULTY OF MECHANICAL ENGINEERING ENERGY INSTITUTE VĚTRACÍ SYSTÉMY OBYTNÝCH DOMŮ VENTILATION
Více5. Maticová algebra, typy matic, inverzní matice, determinant.
5. Maticová algebra, typy matic, inverzní matice, determinant. Matice Matice typu m,n je matice složená z n*m (m >= 1, n >= 1) reálných (komplexních) čísel uspořádaných do m řádků a n sloupců: R m,n (resp.
VíceDnešní program odvozování v Bayesovských sítích exaktní metody (enumerace, eliminace proměnných) aproximační metody y( (vzorkovací techniky)
Umělá inteligence II Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Bayesovská síť zachycuje závislosti mezi náhodnými proměnnými Pro zopakování orientovaný acyklický graf
VíceUčební texty k státní bakalářské zkoušce Matematika Matice. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Matice študenti MFF 15. augusta 2008 1 12 Matice Požadavky Matice a jejich hodnost Operace s maticemi a jejich vlastnosti Inversní matice Regulární matice,
VíceDále budeme předpokládat, že daný Markovův řetězec je homogenní. p i1 i 2
4 Markovovy řetězce se nazývá Markovův řetě- Defnce 7 Posloupnost celočíselných náhodných velčn {X n } zec (markovský řetězec), jestlže P(X n+ = j X n = n,, X 0 = 0 ) = P(X n+ = j X n = n ) (7) pro každé
VíceKorelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d
Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím
VíceLokace odbavovacího centra nákladní pokladny pro víkendový provoz
Markéta Brázdová 1 Lokace odbavovacího centra nákladní pokladny pro víkendový provoz Klíčová slova: odbavování záslek, centrum grafu, vážená excentrcta vrcholů sítě, časová náročnost odbavení záslky, vážená
VícePravděpodobnost a statistika
Pravděpodobnost a statistika 1 Náhodné pokusy a náhodné jevy Činnostem, jejichž výsledek není jednoznačně určen podmínkami, za kterých probíhají, a které jsou (alespoň teoreticky) neomezeně opakovatelné,
VíceNáhodný pokus každá opakovatelná činnost, prováděná za stejných nebo přibližně stejných podmínek, jejíž výsledek je nejistý a závisí na náhodě.
Základy teorie pravděpodobnosti Náhodný pokus každá opakovatelná činnost, prováděná za stejných nebo přibližně stejných podmínek, jejíž výsledek je nejistý a závisí na náhodě. Náhodný jev jakékoli tvrzení
VíceŘešení 3. série. Řešení J-I-3-1 Rok má 365 dní, 12 měsíců. Pro názornost si zde vypíšeme vždy první den v měsíci a jeho pořadové číslo v roce.
Řešení 3. série Řešení J-I-3-1 Rok má 365 dní, 12 měsíců. Pro názornost si zde vypíšeme vždy první den v měsíci a jeho pořadové číslo v roce. 1.1. 1.den 1.7. 182.den 1.2. 32.den 1.8. 213.den 1.3. 60.den
Více1. Úvod do základních pojmů teorie pravděpodobnosti
1. Úvod do záladních pojmů teore pravděpodobnost 1.1 Úvodní pojmy Většna exatních věd zobrazuje své výsledy rgorózně tj. výsledy jsou zísávány na záladě přesných formulí a jsou jejch nterpretací. em je
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
VíceDYNAMICKÉ PROGRAMOVÁNÍ A PROBLÉM BATOHU
ČVUT V PRAZE FAKULTA INFORMAČNÍCH TECHNOLOGIÍ JAN SCHMIDT A PETR FIŠER MI-PAA DYNAMICKÉ PROGRAMOVÁNÍ A PROBLÉM BATOHU EVROPSKÝ SOCIÁLNÍ FOND PRAHA A EU: INVESTUJEME DO VAŠÍ BUDOUCNOSTI Dynamické programování
VíceGRAFY A GRAFOVÉ ALGORITMY
KATEDRA INFORMATIKY PŘÍRODOVĚDECKÁ FAKULTA UNIVERZITA PALACKÉHO GRAFY A GRAFOVÉ ALGORITMY ARNOŠT VEČERKA VÝVOJ TOHOTO UČEBNÍHO TEXTU JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZPOČTEM ČESKÉ
Více2012 LOGOS POLYTECHNIKOS
01 ROČNÍK 3 ČÍSLO 3 LOGOS POLYTECHNIKOS 1 Vážení čtenář, třetí číslo odborného časopsu LOGOS POLYTECHNIKOS, který vdává jako čtvrtletník Vsoká škola poltechncká Jhlava, je jž tradčně tematck zaměřeno na
VícePOTENCIÁL ELEKTRICKÉHO POLE ELEKTRICKÉ NAPĚTÍ
POTENCIÁL ELEKTRICKÉHO POLE ELEKTRICKÉ NAPĚTÍ ELEKTRICKÝ POTENCIÁL Elektrcká potencální energe Newtonův zákon pro gravtační sílu mm F = G r 1 2 2 Coulombův zákon pro elektrostatckou sílu QQ F = k r 1 2
Více0. Lineární rekurence Martin Mareš, 2010-07-04
0 Lineární rekurence Martin Mareš, 2010-07-04 V tomto krátkém textu se budeme zabývat lineárními rekurencemi, tj posloupnostmi definovanými rekurentní rovnicí typu A n+k = c 0 A n + c 1 A n+1 + + c k 1
Více4.4 Exploratorní analýza struktury objektů (EDA)
4.4 Exploratorní analýza struktury objektů (EDA) Průzkumová analýza vícerozměrných dat je stejně jako u jednorozměrných dat založena na vyšetření grafckých dagnostk. K tomuto účelu se využívá různých technk
VíceFunkce zadané implicitně
Kapitola 8 Funkce zadané implicitně Začneme několika příklady. Prvním je známá rovnice pro jednotkovou kružnici x 2 + y 2 1 = 0. Tato rovnice popisuje křivku, kterou si však nelze představit jako graf
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
VíceNěkolik poznámek na téma lineární algebry pro studenty fyzikální chemie
Několik poznámek na téma lineární algebry pro studenty fyzikální chemie Jiří Kolafa Vektory. Vektorový prostor Vektor je často zaveden jako n-tice čísel, (v,..., v n ), v i R (pro reálný vektorový prostor);
VíceEnergie elektrického pole
Energe elektrckého pole Jž v úvodní kaptole jsme poznal, že nehybný (centrální elektrcký náboj vytváří v celém nekonečném prostoru slové elektrcké pole, které je konzervatvní, to znamená, že jakýkolv jný
VíceAttitudes and criterias of the financial decisionmaking under uncertainty
8 th Internatonal scentfc conference Fnancal management of frms and fnancal nsttutons Ostrava VŠB-TU Ostrava, faculty of economcs,fnance department 6 th 7 th September 2011 Atttudes and crteras of the
VíceJednotlivé mezivýsledky, získané v prbhu analýzy rozptylu, jsou prbžn a systematicky zaznamenávány v tabulce ANOVA. Prmrný tverec. volnosti SS B.
Ing. Martna Ltschmannová Statsta I., cvení ANOVA Rozšíením dvouvýbrových test pro stední hodnoty je analýza rozptylu nebol ANOVA, terá umožuje srovnávat nol stedních hodnot nezávslých náhodných výbr. Analýza
VíceNumerická realizace metod. lineárního a kvadratického
Matematicko-fyzikální fakulta Univerzita Karlova Praha Numerická realizace metod vnitřního bodu pro řešení úloh lineárního a kvadratického programování Věra Koubková Diplomová práce Praha 1997 Studijní
VíceA u. jsou po řadě počáteční a koncové body úsečky; t je parametr:
1 Úvod Trangulace oblast má dnes využtí například v počítačové grafce nebo numercké matematce, kde základní algortmy pro výpočet parcálních dferencálních rovnc vyžadují rozdělení zadané souvslé oblast
Více1 Lineární stochastický systém a jeho vlastnosti. 2 Kovarianční funkce, výkonová spektrální hustota, spektrální faktorizace,
Lineární stochastický systém a jeho vlastnosti. Kovarianční funkce, výkonová spektrální hustota, spektrální faktorizace, tvarovací filtr šumu, bělicí filtr. Kalmanův filtr, formulace problemu, vlastnosti.
Vícena magisterský studijní obor Učitelství matematiky pro střední školy
Datum:... Jméno:... Přijímací řízení pro akademický rok 203/4 na magisterský studijní obor Učitelství matematiky pro střední školy Písemná část přijímací zkoušky z matematiky Za každou správnou odpověd
VíceMatematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
Více(Auto)korelační funkce. 2. 11. 2015 Statistické vyhodnocování exp. dat M. Čada www.fzu.cz/ ~ cada
(Auto)korelační funkce 1 Náhodné procesy Korelace mezi náhodnými proměnnými má široké uplatnění v elektrotechnické praxi, kde se snažíme o porovnávání dvou signálů, které by měly být stejné. Příkladem
VíceROZHODOVÁNÍ VE FUZZY PROSTŘEDÍ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LV 24 Číslo 6, 2007 ROZHODOVÁNÍ VE FUZZY PROSTŘEDÍ V. Konečný Došlo:
VíceIterační výpočty. Dokumentace k projektu pro předměty IZP a IUS. 22. listopadu projekt č. 2
Dokumentace k projektu pro předměty IZP a IUS Iterační výpočty projekt č.. lstopadu 1 Autor: Mlan Setler, setl1@stud.ft.vutbr.cz Fakulta Informačních Technologí Vysoké Učení Techncké v Brně Obsah 1 Úvod...
VíceKOMPLEXNÍ ČÍSLA. Algebraický tvar komplexního čísla
KOMPLEXNÍ ČÍSLA Příklad 1 Řešte na množně reálných čísel rovnc: x + = 0. x = Rovnce nemá v R řešení. Taková jednoduchá rovnce a nemá na množně reálných čísel žádné řešení! Co s tím? Zavedeme tzv. magnární
VíceDYNAMICKÉ MODULY PRUŽNOSTI NÁVOD DO CVIČENÍ
DYNAMICKÉ MODUY PRUŽNOSTI NÁVOD DO CVIČNÍ D BI0 Zkušebnctví a technologe Ústav stavebního zkušebnctví, FAST, VUT v Brně 1. STANOVNÍ DYNAMICKÉHO MODUU PRUŽNOSTI UTRAZVUKOVOU IMPUZOVOU MTODOU [ČSN 73 1371]
VíceGeometrie pro FST 2. Plzeň, 28. srpna 2013, verze 6.0
Geometrie pro FST 2 Pomocný učební text František Ježek, Světlana Tomiczková Plzeň, 28. srpna 2013, verze 6.0 Předmluva Tento pomocný text vznikl pro potřeby předmětu Geometrie pro FST 2, který vyučujeme
VíceTento text je stručným shrnutím těch tvrzení Ramseyovy teorie, která zazněla
Ramseyovy věty Martin Mareš Tento text je stručným shrnutím těch tvrzení Ramseyovy teorie, která zazněla na mé letošní přednášce z Kombinatoriky a grafů I Předpokládá, že čtenář se již seznámil se základní
VíceRekonstrukce diskrétního rozdělení psti metodou maximální entropie
Rekonstrukce diskrétního rozdělení psti metodou maximální entropie Příklad Lze nalézt četnosti nepozorovaných stavů tak, abychom si vymýšleli co nejméně? Nechť n i, i = 1, 2,..., N jsou známé (absolutní)
VíceTématické celky { kontrolní otázky.
Tématické celky kontrolní otázky. Základy teorie pravdìpodobnosti..pravdìpodobnostní míra základní pojmy... Vysvìtlete pojem náhody, náhodného pokusu, náhodného jevu a jeho mno- ¾inovou interpretaci. Popi¹te
VíceAsymptoty grafu funkce
Asymptoty grafu funkce Lenka Přibylová 8. července 006 Obsah Najděteasymptotygrafufunkce y = 1 x.... 3 Asymptotybezsměrnicekegrafufunkce y = 1 x : D(f) = R {} x + = 0 + = x = 0 = Funkcemáasymptotubezsměrniceajejípřímka
VíceANTAGONISTICKE HRY 172
5 ANTAGONISTICKÉ HRY 172 Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku, jejíž výše nezávisí
VíceUrčování výměr Srážka mapového listu Výpočet objemů Dělení pozemků
Geodézie přednáška 9 Určování výměr Srážka mapového listu Výpočet objemů Dělení pozemků Ústav geoinformačních technologií Lesnická a dřevařská fakulta ugt.mendelu.cz tel.: 545134015 Určování výměr určování
VíceKapitola 11. Vzdálenost v grafech. 11.1 Matice sousednosti a počty sledů
Kapitola 11 Vzdálenost v grafech V každém grafu lze přirozeným způsobem definovat vzdálenost libovolné dvojice vrcholů. Hlavním výsledkem této kapitoly je překvapivé tvrzení, podle kterého lze vzdálenosti
VíceReference 10. Předpokládejme stavový popis spojitého, respektive diskrétního systému
Módy systému Teorie dynamických systémů Obsah Úvod 2 Příklady 2 3 Domácí úlohy 8 Reference Úvod Řešení stavových rovnic Předpokládejme stavový popis spojitého, respektive diskrétního systému ẋ(t)=ax(t)+bu(t)
Více. Určete hodnotu neznámé x tak, aby
Fakulta informačních technologií ČVUT v Praze Přijímací zkouška z matematiky 015 Kód uchazeče ID:.................. Varianta: 1 1. Původní cena knihy byla 50 Kč. Pak byla zdražena o 15 %. Jelikož nešla
VíceY36BEZ Bezpečnost přenosu a zpracování dat. Úvod. Róbert Lórencz. http://service.felk.cvut.cz/courses/y36bez lorencz@fel.cvut.cz
Y36BEZ Bezpečnost přenosu a zpracování dat Róbert Lórencz 1. přednáška Úvod http://service.felk.cvut.cz/courses/y36bez lorencz@fel.cvut.cz Róbert Lórencz (ČVUT FEL, 2007) Y36BEZ Bezpečnost přenosu a zpracování
VíceD DE = = + [ + D[ [ D = - - XY = = + -
Vážení zákazníci, dovolujeme si Vás upozornit, že na tuto ukázku knihy se vztahují autorská práva, tzv. copyright. To znamená, že ukázka má sloužit výhradnì pro osobní potøebu potenciálního kupujícího
VíceFAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ. Matematika 3. RNDr. Břetislav Fajmon, PhD. Autoři textu:
FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Matematika 3 Garant předmětu: RNDr. Břetislav Fajmon, PhD Autoři textu: Mgr. Irena Růžičková RNDr. Břetislav Fajmon, PhD
VíceMĚŘENÍ INDUKČNOSTI A KAPACITY
Úloha č. MĚŘENÍ NDKČNOST A KAPATY ÚKO MĚŘENÍ:. Změřte ndkčnost cívky bez jádra z její mpedance a stanovte nejstot měření.. Změřte na Maxwellově můstk ndkčnost cívky a rčete nejstot měření. Porovnejte výsledky
VíceMatematika I, část I. Rovnici (1) nazýváme vektorovou rovnicí roviny ABC. Rovina ABC prochází bodem A a říkáme, že má zaměření u, v. X=A+r.u+s.
3.4. Výklad Předpokládejme, že v prostoru E 3 jsou dány body A, B, C neležící na jedné přímce. Těmito body prochází jediná rovina, kterou označíme ABC. Určíme vektory u = B - A, v = C - A, které jsou zřejmě
VícePoznámky k předmětu Aplikovaná statistika, 9.téma
Poznámky k předmětu Aplikovaná statistika, 9téma Princip testování hypotéz, jednovýběrové testy V minulé hodině jsme si ukázali, jak sestavit intervalové odhady pro některé číselné charakteristiky normálního
Více3. ANTAGONISTICKÉ HRY
3. ANTAGONISTICKÉ HRY ANTAGONISTICKÝ KONFLIKT Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku,
VíceESR, spinový hamiltonián a spektra
ER, spnový hamltonán a spektra NMR k k získávání důležtých nformací o struktuře látky využívá gyromagnetckých vlastností atomových jader. Podobně ER (EPR) využívá k obdobným účelům gyromagnetckých vlastností
Více