A NUMERICKÉ METODY. Matice derivací: ( ) ( ) Volím x 0 = 0, y 0 = -2.

Rozměr: px
Začít zobrazení ze stránky:

Download "A NUMERICKÉ METODY. Matice derivací: ( ) ( ) Volím x 0 = 0, y 0 = -2."

Transkript

1 A NUMERICKÉ METODY Fourierova podmínka: f (x) > 0 => rostoucí, f (x) < 0 => klesající, f (x) > 0 => konvexní ᴗ, f (x) < 0 => konkávní ᴖ, f (x) = 0 ᴧ f (x)!= 0 => inflexní bod 1. Řešení nelineárních rovnic: 1.1. půlení intervalů: najdu dva body kte v jednom to vychází + a v druhém -, spočítám hodnotu ve středním bodě a podle toho změním buď min nebo max, furt dokola 1.2. newtonova metoda (tečen) x 1 = x 0 (f(x 0 ))/(f (x 0 )); konverguje pokud f(x 0 ) f (x 0 ) > metoda prosté inerace musí jít zderivovat, konvergovat, jen pro záporné kořeny. Zadanou rovnici přepíši do tvaru x = g(x). Zvolím počáteční x 0, další x k+1 = g(x k ). 2. Soustavy lineárních rovnic: 2.1. Jacobiho metoda: Funguje pouze pokud v zadání x 1 > x 2 + x 3 ᴧ x 2 > x 1 + x 3 ᴧ x 3 > x 2 + x 1 (je ostře diagonálně dominantní) Pokud nesplňuje, zkusím přeskládat aby splňovala. Z 1. rovnice vyjádřím x1, z 2. x2 a z 3. x3. Pokud nejde vyjádřit, přeskládám aby šlo vyjádřit. Zvolím počátační odhady do tabulky první řádek tabulky. Většinou nuly pokud nemám nic lepšího. Postupně dopočítávám další řádky s použitím předchozích dokud to není dost přesné Gaus-seidlova metoda Stejné jak Jacobiho, ale výsledky používám hned jak je to možné. Ale pokud není ostře diagonálně dominantní, stačí když je pozitivně definitivní, to je pokud má det. všech stupňů > 0. Převod na pozitivně definitivní: K čtvercové matici udělalám transponovanou, a pak Ax = b => A T Ax = A T b (levou I pravou stranu vynásobím transponovanou, záleží na pořadí operandů!), vzniklá matice určitě konverguje pro GS metodu. 3. Soustavy nelineárních rovnic: 3.1. metoda prosté iterace: Soustavu upravíme na tvar x = g 1 (x,y), y = g 2 (x,y). Zvolím počáteční aproximace x 0 a y 0. Počítám další aproximace x k+1 = g 1 (x k,y k ), y k+1 = g 2 (x k,y k ). Skončím až x k+1 - x k < Ɛ y k+1 - y k < Ɛ. Metoda může divergovat a zpravidla také diverguje metoda tečen: Spočítám matici parciálních derivací. Do této matice dosadím počáteční odhady x 0 a y 0. Dostanu levou stranu soustavy. Počáteční odhady dosadím také do zadaných fcí, obrácenou pravou stranu. Vyřeším soustavu. K výsledku přiču x k-1 a y k-1. Dostávám x k a y k. Pokračuju znovu dosazováním a získáváním soustavy. Př. 1: Zadání: f1(x,y) = (x-1)2+y2-4; f2(x,y) = x+(y+1)2-1. Matice derivací: Volím x 0 = 0, y 0 = Krok Dosadím x 0 a y 0 do F a také do zadání, dostávám. Sestavím soustavu s obrácenými F. Vyřeším. => x 1 = x 0 + = = y 1 = y 0 + = = Krok Sestrojím soustavu. Vyřeším: x 2 = x 1 + = = y 2 = y 1 + = = Atd. 4. Aproximace funkcí Jde o to vytvořit přibližný předpis funkcí pro pár zadaných bodů - interpolace Lagrangeův interpolační polynom: Př. 2: Zadání: x i f i Řešení: Mám zadané 4 body, takže polynom bude nejvýše 3. stupně Newtonův interpolační polynom: P n (x) = a 0 + a 1 (x x 0 ) + a 2 (x x 0 )(x x 1 ) + + a n (x x 0 )(x x 1 )... (x x n 1 ). a 0, a 1.. jsou poměrné diference první řádek tabulky. Při dosazování x zůstává x! x i f i f i, i+1 f i, i+1, i+2 f i, i+1, i+2, i+3 x 0 f 0 = a 0 x 1 f 1 x 2 f 2 x 3 f Spline metoda nejmenších čtverců: Po částech nasekaný polynom, navazující plynule na sebe. Ve společných bodech musí mít stejné derivace (tečny). Př. 3: Zadání: x y Sestrojím tabulku, poslední řádek jsou sumy: x i y i x 2 i x i y i x 3 i x 4 i x 2 i y i

2 a 4 b 43 c 27 d 125 e 787 f 75 g Prokládám přímkou: 4 poc_bod a + 5 a b = 4 b 5 a a + 43 c b = 27 d y = a + bx y = x poc_bod = počet bodů které mám zadané Prokládám parabolou: 4 poc_bod a + 5 a b +43 c c = 4 b 5 a a + 43 c b +125 e c = 27 d 43 c a e b f c = 75 g y = a + bx + cx 2 y = -0.57x x Numerické derivování 5.1. Chci dostat zderivovanej předpis: Mám body. Proložím vhodným interpolačním polynomem. Zderivuju polynom Chci dostat derivace v jednotlivých bodech: Musím stanovit krok h. Pak podle vzorce Základní vzorec: Vylepšený vzorec: Další vzorce: Pouze sečna mezi dvěma body: 6. Numerická integrace Používá se tam, kde něco nelze zintegrovat. Používáme Newton-Cotesovy vzorce Obdélníková metoda 6.2. Lichoběžníková metoda hyba: 6.3. Simpsonova metoda ( ) Toto je podobné jako lichoběžníková, ale prokládám křivkou. Potřebuji hodnotu v počátečním, koncovém a středovém bodě Složená lichoběžníková metoda První a poslední bod se násobí ½. Interval <a,b> rozdělím na m dílků délky. Chyba: Prý prakticky nelze určit. Největší možná chyba: Výpočet M 2 : Provedu druhou derivaci. Za x zkouším dosazovat něco z t tak, abych dostal co nejvyšší výsledek. Př. 4: 6.5. Složená Simpsonova metoda

3 Interval <a,b> rozdělím na sudý počet m dílků délky. Chyba: Nejvyšší možná chyba: M 4 spočítám podle stejného principu jako M 2 výše. 7. Diferenciální rovnice Dostanu zadanou y =f(x,y) a musím z toho dostat y(x)=?. Potřebuji PP, aby bylo 1 řešení. Nezískám přesný předpis, ale pouze graf (lomenou čáru) Eulerova metoda Postupně dopočítávám další body, f(x i, y i ) je směrnice a získám ji dosazováním do zadání. Př. 5: Zadání: y = y-2x; y(0) = 1; volím h=1. Toto je pro mě y 0. y 1 = = 2 Na 1 jsem přišel: y = y-2x = = 1 y 2 = = 2 Na 0 jsem přišel: y = y-2x = = 0 y 3 = 2+1 (-2) = 0 Na -2 jsem přišel: y = y-2x = = -2 y 4 = 0+1 (-6) = -6 Na -6 jsem přišel: y = y-2x = = -6 Výsledkem je tabulka + graf První modifikovaná Eulerova metoda i x i y i Druhá modifikovaná Eulerova metoda 7.4. Metoda Rungeho-Kutty 4. řádu Funkce Derivace Funkce Derivace Integrace c (kons.) 0 x 1 x n nx n-1 x α αx α-1 e x e x a x a x ln(a) ln(x) log ax sin(x) cos(x) cos(x) -sin(x) tg(x) cotg(x) arcsin(x) arccos(x) arctg(x) arccotg(x) sinh(x) cosh(x) cosh(x) sinh(x) tgh(x) cotgh(x) (a f(x) + b g(x)) = a f (x) + b g (x) (f(x)g(x)) = f (x)g(x) + f(x)g (x) (f[g(x)]) = f [g(x)]g (x)

4 B PRAVĚPODOBNOST 1. Klasická PST Funguje, pokud je pro vše stejná PST. Ω základní prostor všechny možné výsledky náhodný jev libovolná podmožina možných výsledků 5. Podmíněná PST PST jevu za nějaké podmínky Př. 12: 3 kostky. PST, že alespoň 1x dvojka za podmínky součet 5. A součet 5; A = {113, 131, 311, 122, 212, 221}; A = 6 B alespoň 1x dvojka Př. 1: 2x hodím kostkou. Jaká je PST že součet bude 4? Ω = {[1,1], [1,2],, [6,6],}; Ω = 36 A = {[1,3], [2, 2], [3, 1]}; A = 3 Př. 2: 2x hodím kostkou. Jaká je PST 2. hod > 1.hod? Ω = {[1,1], [1,2],, [6,6],}; Ω = 36 B = {[1,2], [1,3],, [5,6]}; A = 15 tady to chce asi umět kombinatoriku Př. 3: 3x hodím kostkou. PST, že nepadne 6? Ω = {111, 112, 113, 114, 115, 116,, 666}; Ω = 6 3 = 216 A = {111, 112,, 555}; A = 5 3 = 125 Př. 4: 3x hodím kostkou. PST, že součet max. 5? Ω = {111, 112, 113, 114, 115, 116,, 666}; Ω = 6 3 = 216 A = {111, 112,,122}; A = Nezávislé jevy Jev A je na podmínce B nezávislý, pokud přidání B neovlivní PST. Nezávislé: (PST jevu A za podmínky B) 7. Úplná PST Př. 13: švestky od 3 dodavatelů I dodává 50% švestek, z toho je 5% červavých P(AH 1) = 0.05 II dodává 30% švestek, z toho je 8% červavých P(AH 2) = 0.08 III dodává 20% švestek, z toho je 15% červavých P(AH 3) = 0.15 a) Náhodně vyberu švestku. Jaká je PST, že je červavá? H 1 švestka od I P(H 1) = 0.5 H 2 švestka od II P(H 1) = 0.3 H 3 švestka od III P(H 1) = 0.2 P(A) = = b) Vytáhl jsem červavou, jaká je PST, že je od III? Př. 5: 3x hodím kostkou. PST, že 3 různá čísla? Ω = {111, 112, 113, 114, 115, 116,, 666}; Ω = 6 3 = 216 A = = Bayesův vzorec ( ) Př. 6: 6 mincí. PST, že 6x líc? Ω = 2 6 = 64 A = {rrrrrr}; A = 1 Př. 7: 6 mincí. PST, že 3x líc, 3x rub? Ω = 2 6 = 64 A = {lllrrr, llrrrl, lrrrll, }; A = = 20 Př. 8: 6 mincí. PST, že lic>rub? Ω = 2 6 = 64 0 líc, 1 rub 2. Diskrétní PST Můžu použít pokud Ω je konečná nebo spočetná množina, a přitom ω i nemusí nastat se stejnou PST. Př. 9: Opakovaně hážu jednou mincí, dokud 2x po sobě nepadne líc. Jaká je PST, že skončím nejpozděj 5. hodem? Ω = {lllll, llllr, llrll, }; Ω = 2 5 = 32 A = {rrll, lrrll, rlrll, rrll, rll, ll, lrll}; 3. Geometrická PST Př. 10: H a M se domluvili, že se sejdou mezi 8 a 9 hod. Každý bude čekat 15 min. Jaká je PST, že se potkají? Spočátím obsah vybarveného / obsah celého čtverce a mám výsledek. 4. Jevové pole Př. 11: 3 kostky. PST, že na dvou stejné číslo? Ω = 6 3, A = 6 2 Př. 14: Nemoc má 15% lidí. Pokud člověk má nemoc, test je pozitivní ve 100% případech. Pokud člověk nemá nemoc, test je pozitivní ve 10% případech. Test je pozitivní, jaká je PST, že jsem nemocný? H 1 člověk má nemoc P(H 1) = 0.15 H 2 člověk má nemoc P(H 2) = 0.85 A test je pozitivní P(AH 1) = 1; P(AH 2) = 0.1 P(A) = = Př. 15: Tahám ze 3 sáčků podle toho co hodím kostkou. Jaká je pst, že vytáhnu bílou? Jaká je PST, že vytáhnu bílou? P(A) = 1/2 P(B) = 1/3 P(C) = 1/6 P(KA) = 1/4 P(KB) = 1/3 P(KC) = 1/2 Př. 16: př. 15 naopak. Vytaháhl jsem bílou. Jaká je PST že je z XXX? Př. 17: 4 dodavatelé. A: dodává 30%, z toho 3% špatná B: dodává 25%, z toho 2% špatná C: dodává 25%, z toho 4% špatná D: dodává 20%, z toho 5% špatná a) Náhodně vyberu. Jaká PST, že je špatná? P(K) = 0.3x x x x0.05 = b) Vytáhl jsem bílou. Jaká PST, že je od D?

5 Př. 18: Test má 4 otázky, každá 3 varianty. 10% studentů to umí, 90% tipuje. Test je zcela správně. Jaká je PST, že to uměl (je z 10%)? P(A) = 0.1 P(KA) = 1 P(B) = 0.9 P(KB) = P(K) = 0.1x x = Náhodné veličiny (diskrétní) náhodná veličina = fce. Př. 20: 4x hodím mincí. PST, že padne X rubů. Na toto jsem přišel tak, že jsem si vypsal všechny možnosti a spočítal to. P(0) = P(X=0) = 1/16 P(3) = P(X=3) = 2/16 P(1) = P(X=1) = 7/16 P(4) = P(X=4) = 1/16 P(2) = P(X=2) = 5/16 Graf: Histogram: Distribuční fce: Př. 24 Loterie, vyhává každý 5. los (20%). Koupím 15 losů, x=počet vyhrávajících. a) PST, že žádný nevyhrává? X~Bi(15,1/5) b) PST, že alespoň 3 vyhrávají? = 1 p(0) p(1) p(2) = p(1,2) spočítím přesně stejně jak p(0) Poissonovo rozdělení X počet událostí za jednotku času, průměrně nastává λ událostí za jednotku času. X~Po(λ) EX = λ; DX = λ Př. 23 Dilema úředníka, lidi chodí náhodně. V průměru za 4lidi/1h. a) Jaká je PST, že během 20 min nepřijde nikdo? Nejprve musím určit lambda Distribuční FCE F(x) = P(X < x); F = součet předchozích, jsou to stoupající schody 8.2. Střední hodnota diskrétní náhodné veličiny jakási průměrná hodnota Př. 20 pokračování: X = počet lidí/20min; X~Po(4/3) b) PST, že během 20 min příjde 3 a více lidí. Př. 24 Porodnice, událost narození. V průměru 13 dětí/8hodin. X~Po(λ) a) PST, že během 1h 0 dětí. λ = 13/ Rozptyl Př. 20 pokračování: b) PST, že během 1/2h 2 děti. λ = 13/ Směrodatná odchylka 8.5. Rozdělení PST Geometrické rozdělení Mnoho opakování, stejné podmínky, opakuju dokud je úspěch. X ~ Ge(p); p(k) = p k (1-p); k = 0,1, Exponenciální rozdělení X doba mezi dvěma výskyty události, λ počet událostí za jednotku času. Podmínka: pro kladná x: Normální rozdělení Př. 21 Hážu kostkou dokud nepadne 6. a) Jaká PST, že 6 padne max 2. hodem? P(0) + P(1) b) Jaká je střední hodnota? 1 5 úspěch, p = 5/6 x počet úspěšnýcho hodů; X = Ge(5/6) Převod na standardizované normální rozdělení Př. 25: Zadání: μ = 998[g]; σ = 6 [g]. Balení je v normě pokud má g. Náhodně vyberu, jaká je PST, že je v normě? X~No(998,6 2 ) Binomické rozdělení X~Bi(n,p) EX = np DX = np(1-p) Př. 22 5x hodím kostkou. a) EX =?; b) PST, že padla 2x 6? X~Bi(5,1/6) a) EX = 5x(1/6) = 5/6 b) Př. 26: Zadání: plním 2l lahev. μ = 1992[ml], σ = 8.5[ml], X=No(1992, ) a) PST, že náhodná lahev má <= 2000 ml? b) PST, že náhodná lahev má ml?

6 9.2. Distribuční funkce neklesající, spojitá c) PST, že náhodná lahev má >= 2010 ml? e) Jaký objem překlročí 1% lahví? obráceně P(X > α) = 0.01 α=? 9. Spojité náhodné veličiny Př. 27 V sáčku je 5 kuliček. 3 bílé a 2 černé. 3 náhodně vytáhnu. Jaká je PST, že mám X bílích? Pro X=1,2,3. p(x) = P(X=x) F(x) = P(X<x) A = {( b c c),( c b c),( c c b)} 9.3. Střední hodnota Nemusím počítat s nekonečnem, ale pouze tam kde je FCE nenulová Rozptyl 9.5. Směrodatná odchylka 10. Moive-Laplaceova věta převod Bi na No Př. 28: 100 kostek, PST, že 6 padne 15-25x? X~Bi(100; 1/6) P(15<=x<=25) = P(15)+P(16)+ NA DLOUHO X~No(μ,σ 2 ); μ=np; σ 2 = np(1-p) 11. Testování hypotéz H 0 náhoda, H 1 není náhoda, α určuje co je náhoda, T kritická hodnota kterou potřebuju spočítat Př. 29: zářivky. Průměrná životnost 950h = μ, σ = 80h. X~No(950, 80 2 ). Zlepšovák: 1100h, zkouším 1 kus. Distribuční FCE: 9.1. Hustota PST je nezáporná f(x), taková že: Př. 29: děti. Průměrná výška 138cm = μ, σ = 4,5cm (směr. od.) => rozptyl = 4,5 2. X~No(138, ) 6 dětí: 138, 142, 145, 168, 149, 150 cm. náhoda? Hledám zlomovou výšku T ( ) u Φ(u) u Φ(u) u Φ(u) u Φ(u) u Φ(u) u Φ(u) u Φ(u) u Φ(u) u Φ(u) 0,00 0, ,30 0, ,60 0, ,90 0, ,20 0, ,50 0, ,80 0, ,10 0, ,40 0, ,01 0, ,31 0, ,61 0, ,91 0, ,21 0, ,51 0, ,81 0, ,11 0, ,41 0, ,02 0, ,32 0, ,62 0, ,92 0, ,22 0, ,52 0, ,82 0, ,12 0, ,42 0, ,03 0, ,33 0, ,63 0, ,93 0, ,23 0, ,53 0, ,83 0, ,13 0, ,43 0, ,04 0, ,34 0, ,64 0, ,94 0, ,24 0, ,54 0, ,84 0, ,14 0, ,44 0, ,05 0, ,35 0, ,65 0, ,95 0, ,25 0, ,55 0, ,85 0, ,15 0, ,45 0, ,06 0, ,36 0, ,66 0, ,96 0, ,26 0, ,56 0, ,86 0, ,16 0, ,46 0, ,07 0, ,37 0, ,67 0, ,97 0, ,27 0, ,57 0, ,87 0, ,17 0, ,47 0, ,08 0, ,38 0, ,68 0, ,98 0, ,28 0, ,58 0, ,88 0, ,18 0, ,48 0, ,09 0, ,39 0, ,69 0, ,99 0, ,29 0, ,59 0, ,89 0, ,19 0, ,49 0, ,10 0, ,40 0, ,70 0, ,00 0, ,30 0, ,60 0, ,90 0, ,20 0, ,50 0, ,11 0, ,41 0, ,71 0, ,01 0, ,31 0, ,61 0, ,91 0, ,21 0, ,51 0, ,12 0, ,42 0, ,72 0, ,02 0, ,32 0, ,62 0, ,92 0, ,22 0, ,52 0, ,13 0, ,43 0, ,73 0, ,03 0, ,33 0, ,63 0, ,93 0, ,23 0, ,53 0, ,14 0, ,44 0, ,74 0, ,04 0, ,34 0, ,64 0, ,94 0, ,24 0, ,54 0, ,15 0, ,45 0, ,75 0, ,05 0, ,35 0, ,65 0, ,95 0, ,25 0, ,55 0, ,16 0, ,46 0, ,76 0, ,06 0, ,36 0, ,66 0, ,96 0, ,26 0, ,56 0, ,17 0, ,47 0, ,77 0, ,07 0, ,37 0, ,67 0, ,97 0, ,27 0, ,57 0, ,18 0, ,48 0, ,78 0, ,08 0, ,38 0, ,68 0, ,98 0, ,28 0, ,58 0, ,19 0, ,49 0, ,79 0, ,09 0, ,39 0, ,69 0, ,99 0, ,29 0, ,59 0, ,20 0, ,50 0, ,80 0, ,10 0, ,40 0, ,70 0, ,00 0, ,30 0, ,60 0, ,21 0, ,51 0, ,81 0, ,11 0, ,41 0, ,71 0, ,01 0, ,31 0, ,70 0, ,22 0, ,52 0, ,82 0, ,12 0, ,42 0, ,72 0, ,02 0, ,32 0, ,80 0, ,23 0, ,53 0, ,83 0, ,13 0, ,43 0, ,73 0, ,03 0, ,33 0, ,90 0, ,24 0, ,54 0, ,84 0, ,14 0, ,44 0, ,74 0, ,04 0, ,34 0, ,00 0, ,25 0, ,55 0, ,85 0, ,15 0, ,45 0, ,75 0, ,05 0, ,35 0, ,20 0, ,26 0, ,56 0, ,86 0, ,16 0, ,46 0, ,76 0, ,06 0, ,36 0, ,40 0, ,27 0, ,57 0, ,87 0, ,17 0, ,47 0, ,77 0, ,07 0, ,37 0, ,60 0, ,28 0, ,58 0, ,88 0, ,18 0, ,48 0, ,78 0, ,08 0, ,38 0, ,80 0, ,29 0, ,59 0, ,89 0, ,19 0, ,49 0, ,79 0, ,09 0, ,39 0, ,00 0,

Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny

Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny Ing. Jana Šenkapoulová VODÁRENSKÁ AKCIOVÁ SPOLEČNOST, a.s. Brno, Soběšická 156, 638 1 Brno ÚVOD Každé rekonstrukci

Více

Tématické celky { kontrolní otázky.

Tématické 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

Více

FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ. Matematika 3. RNDr. Břetislav Fajmon, PhD. Autoři textu:

FAKULTA 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

Více

Cyklometrické funkce

Cyklometrické funkce Cyklometrické funkce Definice. Cyklometrické funkce jsou funkce arcsin(x) (čteme arkussinus x), arccos(x) (čteme arkuskosinus x), arctg(x) (čteme arkustangens x) a arccotg(x) (čteme arkuskotangens x),

Více

1. Pravděpodobnost a statistika (MP leden 2010)

1. 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

Více

DERIVACE FUNKCE, L HOSPITALOVO PRAVIDLO

DERIVACE FUNKCE, L HOSPITALOVO PRAVIDLO MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA DERIVACE FUNKCE, L HOSPITALOVO PRAVIDLO Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

Více

BAKALÁŘSKÁ PRÁCE. Numerické metody jednorozměrné minimalizace

BAKALÁŘSKÁ PRÁCE. Numerické metody jednorozměrné minimalizace UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Numerické metody jednorozměrné minimalizace Vedoucí bakalářské práce: RNDr. Horymír

Více

soubor FUNKCÍ příručka pro studenty

soubor FUNKCÍ příručka pro studenty soubor FUNKCÍ příručka pro studenty 1 Obsah Poznámky 6 lineární funkce mocninné funkce s přirozeným exponentem o sudým o lichým s celým záporným exponentem o sudým o lichým s racionálním exponentem o druhá

Více

Numerická matematika Písemky

Numerická matematika Písemky Numerická matematika Písemky Bodování Každá písemka je bodována maximálně 20 body. Celkem student může získat za písemky až 40 bodů, pro udělení zápočtu musí získat minimálně 20 bodů. Písemka č. 1 Dva

Více

VIDEOSBÍRKA DERIVACE

VIDEOSBÍRKA DERIVACE VIDEOSBÍRKA DERIVACE. Zderivuj funkci y = ln 2 (sin x + tg x 2 ) 2. Zderivuj funkci y = 2 e x2 cos 3x 3. Zderivuj funkci y = 3 e sin2 (x 2 ). Zderivuj funkci y = x3 +2x 2 +sin x x 5. Zderivuj funkci y

Více

1. 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.

1. 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:

Více

Některé zákony rozdělení pravděpodobnosti. 1. Binomické rozdělení

Některé zákony rozdělení pravděpodobnosti. 1. Binomické rozdělení Přednáška 5/1 Některé zákony rozdělení pravděpodobnosti 1. Binomické rozdělení Předpoklady: (a) pst výskytu jevu A v jediném pokuse P (A) = π, (b) je uskutečněno n pokusů, (c) pokusy jsou nezávislé, tj.

Více

na magisterský studijní obor Učitelství matematiky pro střední školy

na 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

Více

Základy matematiky pro FEK

Základy matematiky pro FEK Základy matematiky pro FEK 8. přednáška Blanka Šedivá KMA zimní semestr 2016/2017 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 2016/2017 1 / 14 Derivace funkce U lineárních funkcí ve tvaru

Více

Kapitola1. Lineární lomená funkce Kvadratická funkce Mocninná funkce s obecným reálným exponentem Funkce n-tá odmocnina...

Kapitola1. Lineární lomená funkce Kvadratická funkce Mocninná funkce s obecným reálným exponentem Funkce n-tá odmocnina... Kapitola1 Základní soubor funkcí v R Lineární funkce.......................................................... 1-1 Kvadratická funkce...................................................... 1-2 Mocninná

Více

Teoretická rozdělení

Teoretická 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

Více

MATEMATICKÁ ANALÝZA A LINEÁRNÍ ALGEBRA PŘÍPRAVA NA ZKOUŠKU PRO SAMOUKY

MATEMATICKÁ ANALÝZA A LINEÁRNÍ ALGEBRA PŘÍPRAVA NA ZKOUŠKU PRO SAMOUKY MATEMATICKÁ ANALÝZA A LINEÁRNÍ ALGEBRA PŘÍPRAVA NA ZKOUŠKU PRO SAMOUKY POMNĚNKA prase Pomni, abys nezapomněl na Pomněnku MSc. Catherine Morris POMNĚNKA Verze ze dne: 14. října 01 Materiál je v aktuální

Více

Úvod. Integrování je inverzní proces k derivování Máme zderivovanou funkci a integrací získáme původní funkci kterou jsme derivovali

Úvod. Integrování je inverzní proces k derivování Máme zderivovanou funkci a integrací získáme původní funkci kterou jsme derivovali NEURČITÝ INTEGRÁL Úvod Integrování je inverzní proces k derivování Máme zderivovanou funkci a integrací získáme původní funkci kterou jsme derivovali Umět pracovat s integrálním počtem Je důležité pro

Více

Typy příkladů na písemnou část zkoušky 2NU a vzorová řešení (doc. Martišek 2017)

Typy příkladů na písemnou část zkoušky 2NU a vzorová řešení (doc. Martišek 2017) Typy příkladů na písemnou část zkoušky NU a vzorová řešení (doc. Martišek 07). Vhodnou iterační metodou (tj. metodou se zaručenou konvergencí) řešte soustavu: x +x +4x 3 = 3.5 x 3x +x 3 =.5 x +x +x 3 =.5

Více

Regresní a korelační analýza

Regresní 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)

Více

Téma je podrobně zpracováno ve skriptech [1], kapitola

Téma je podrobně zpracováno ve skriptech [1], kapitola Břetislav Fajmon, UMAT FEKT, VUT Brno Téma je podrobně zpracováno ve skriptech [1], kapitola 6. Základní aproximační úlohu lze popsat následovně: Jsou dány body [x 0, y 0 ], [x 1, y 1 ],..., [x n, y n

Více

1. Tři shodné obdélníky jsou rozděleny různými způsoby. První je rozdělen na 4 shodné části, poslední obdélník na 6 shodných částí.

1. Tři shodné obdélníky jsou rozděleny různými způsoby. První je rozdělen na 4 shodné části, poslední obdélník na 6 shodných částí. . Tři shodné obdélníky jsou rozděleny různými způsoby. První je rozdělen na 4 shodné části, poslední obdélník na 6 shodných částí. Vyjádřete zlomkem, jakou část druhého obdélníku tvoří zatmavená plocha..

Více

Jazyk matematiky. 2.1. Matematická logika. 2.2. Množinové operace. 2.3. Zobrazení. 2.4. Rozšířená číslená osa

Jazyk 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

Více

6. 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 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

Více

Kapitola 7: Neurčitý integrál. 1/14

Kapitola 7: Neurčitý integrál. 1/14 Kapitola 7: Neurčitý integrál. 1/14 Neurčitý integrál 2/14 Definice: Necht f je funkce definovaná na intervalu I. Funkci F definovanou na intervalu I, pro kterou platí F (x) = f (x) x I nazýváme primitivní

Více

Newtonova metoda. 23. října 2012

Newtonova metoda. 23. října 2012 Hledání kořenů rovnic jedné reálné proměnné Newtonova metoda Michal Čihák 23. října 2012 Newtonova metoda (metoda tečen) využívá myšlenku, že tečna v daném bodě grafu funkce nejlépe aproximuje graf funkce

Více

2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru.

2. 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.

Více

STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA

STP022 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

Více

Petr Hasil

Petr Hasil Základy Vyšší Matematiky Petr Hasil hasil@mendelu.cz Poznámka 1. Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na disciplíny

Více

Nalezněte hladiny následujících funkcí. Pro které hodnoty C R jsou hladiny neprázdné

Nalezněte hladiny následujících funkcí. Pro které hodnoty C R jsou hladiny neprázdné . Definiční obor a hladiny funkce více proměnných Nalezněte a graficky znázorněte definiční obor D funkce f = f(x, y), kde a) f(x, y) = x y, b) f(x, y) = log(xy + ), c) f(x, y) = xy, d) f(x, y) = log(x

Více

Ústav teoretické fyziky a astrofyziky Přírodovědecké fakulty Masarykovy Univerzity v Brně. 14. května 2007

Ústav teoretické fyziky a astrofyziky Přírodovědecké fakulty Masarykovy Univerzity v Brně. 14. května 2007 Rychlotest-řešení Ústav teoretické fyziky a astrofyziky Přírodovědecké fakulty Masarykovy Univerzity v Brně 14. května 2007 Příklad 1 Mějme funkci y = sin x rozhodněte zda směrnice tečny k dané křivce

Více

VIDEOSBÍRKA DERIVACE

VIDEOSBÍRKA DERIVACE VIDEOSBÍRKA DERIVACE. Zderivuj funkci y = ln 2 (sin x + tg x 2 ) 2. Zderivuj funkci y = 2 e x2 cos x. Zderivuj funkci y = e sin2 (x 2 ). Zderivuj funkci y = x +2x 2 +sin x x 5. Zderivuj funkci y = cos2

Více

Matematika 1 pro PEF PaE

Matematika 1 pro PEF PaE Vázané extrémy funkcí více proměnných 1 / 13 Matematika 1 pro PEF PaE 11. Vázané extrémy funkcí více proměnných Přemysl Jedlička Katedra matematiky, TF ČZU Vázané extrémy funkcí více proměnných Vázané

Více

METODA PŮLENÍ INTERVALU (METODA BISEKCE) METODA PROSTÉ ITERACE NEWTONOVA METODA

METODA PŮLENÍ INTERVALU (METODA BISEKCE) METODA PROSTÉ ITERACE NEWTONOVA METODA 2-3. Metoda bisekce, met. prosté iterace, Newtonova metoda pro řešení f(x) = 0. Kateřina Konečná/ 1 ITERAČNÍ METODY ŘEŠENÍ NELINEÁRNÍCH ROVNIC - řešení nelineární rovnice f(x) = 0, - separace kořenů =

Více

Matematika I A ukázkový test 1 pro 2014/2015

Matematika 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)

Více

Zimní semestr akademického roku 2014/ prosince 2014

Zimní 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 7. prosince 2014 Předmluva

Více

Břetislav Fajmon, UMAT FEKT, VUT Brno. Poznámka 1.1. A) první část hodiny (cca 50 minut): představení všech tří metod při řešení jednoho příkladu.

Břetislav Fajmon, UMAT FEKT, VUT Brno. Poznámka 1.1. A) první část hodiny (cca 50 minut): představení všech tří metod při řešení jednoho příkladu. Břetislav Fajmon, UMAT FEKT, VUT Brno Poznámka 1.1. A) první část hodiny (cca 50 minut): představení všech tří metod při řešení jednoho příkladu. Na jiných příkladech je téma podrobně zpracováno ve skriptech

Více

Polynomy a interpolace text neobsahuje přesné matematické definice, pouze jejich vysvětlení

Polynomy a interpolace text neobsahuje přesné matematické definice, pouze jejich vysvětlení Polynomy a interpolace text neobsahuje přesné matematické definice, pouze jejich vysvětlení Polynom nad R = zobrazení f : R R f(x) = a n x n + a n 1 x n 1 +... + a 1 x + a 0, kde a i R jsou pevně daná

Více

Sbírka příkladů z matematické analýzy II. Petr Tomiczek

Sbírka příkladů z matematické analýzy II. Petr Tomiczek Sbírka příkladů z matematické analýzy II Petr Tomiczek Obsah Diferenciální rovnice. řádu 3. Separace proměnných......................... 3. Přechod k separaci.......................... 4.3 Variace konstant...........................

Více

Pravděpodobnost a statistika

Pravděpodobnost 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

Více

INTERPOLAČNÍ POLYNOM. F (x)... hledaná funkce (polynom nebo funkce vytvořená z polynomů), pro kterou platí

INTERPOLAČNÍ POLYNOM. F (x)... hledaná funkce (polynom nebo funkce vytvořená z polynomů), pro kterou platí 8 Řešení Lagrangeovy a Hermiteovy úlohy interpolace Kateřina Konečná/1 INTERPOLAČNÍ POLYNOM aproximace zadaných hodnot nebo hledané funkce f funkcí F (x) (polynomem) F musí být k f co nejblíže značení:

Více

Drsná matematika IV 7. přednáška Jak na statistiku?

Drsná 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

Více

Kapitola 1: Reálné funkce 1/13

Kapitola 1: Reálné funkce 1/13 Kapitola 1: Reálné funkce 1/13 Číselné množiny N, N 0, Z, Q, I, R, C Definice: Kartézský součin M N množin M a N je množina všech uspořádaných dvojic, ve kterých je první složka prvkem množiny M a druhá

Více

Základy matematiky kombinované studium 714 0365/06

Základy matematiky kombinované studium 714 0365/06 Základy matematiky kombinované studium 714 0365/06 1. Některé základní pojmy: číselné množiny, intervaly, operace s intervaly (sjednocení, průnik), kvantifikátory, absolutní hodnota čísla, vzorce: 2. Algebraické

Více

Matematika vzorce. Ing. Petr Šídlo. verze

Matematika vzorce. Ing. Petr Šídlo. verze Matematika vzorce Ing. Petr Šídlo verze 0050409 Obsah Jazyk matematiky 3. Výrokový počet.......................... 3.. Logické spojky...................... 3.. Tautologie výrokového počtu...............

Více

Matematická analýza 1, příklady na procvičení (Josef Tkadlec, )

Matematická analýza 1, příklady na procvičení (Josef Tkadlec, ) Matematická analýza, příklady na procvičení (Josef Tkadlec, 6.. 7) Reálná čísla. Určete maximum, minimum, supremum a infimum následujících množin: Z; b) M = (, ), 5 ; c) M =, Q; d) M = { + n : n N}; e)

Více

Matematika 1A. PetrSalačaJiříHozman Fakulta přírodovědně-humanitní a pedagogická Technická univerzita v Liberci

Matematika 1A. PetrSalačaJiříHozman Fakulta přírodovědně-humanitní a pedagogická Technická univerzita v Liberci Matematika 1A. PetrSalačaJiříHozman Fakulta přírodovědně-humanitní a pedagogická Technická univerzita v Liberci petr.salac@tul.cz jiri.hozman@tul.cz 24.10.2016 Fakulta přírodovědně-humanitní a pedagogická

Více

Matematika 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. 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

Více

Rychlotest-internet. Ústav teoretické fyziky a astrofyziky Přírodovědecké fakulty Masarykovy Univerzity v Brně. 14. května 2007

Rychlotest-internet. Ústav teoretické fyziky a astrofyziky Přírodovědecké fakulty Masarykovy Univerzity v Brně. 14. května 2007 Rychlotest-internet Ústav teoretické fyziky a astrofyziky Přírodovědecké fakulty Masarykovy Univerzity v Brně 14. května 2007 Na vyřešení testu by Vám mělo stačit 25 minut. K jeho řešení nebudete potřebovat

Více

Vedení tepla v MKP. Konstantní tepelné toky. Analogické úlohám statiky v mechanice kontinua

Vedení tepla v MKP. Konstantní tepelné toky. Analogické úlohám statiky v mechanice kontinua Vedení tepla v MKP Stacionární úlohy (viz dále) Konstantní tepelné toky Analogické úlohám statiky v mechanice kontinua Nestacionární úlohy (analogické dynamice stavebních konstrukcí) 1 Základní rovnice

Více

z možností, jak tuto veličinu charakterizovat, je určit součet

z možností, jak tuto veličinu charakterizovat, je určit součet 6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p

Více

(Auto)korelační funkce. 2. 11. 2015 Statistické vyhodnocování exp. dat M. Čada www.fzu.cz/ ~ cada

(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

Více

Semestrální písemka BMA3 - termín varianta A13 vzorové řešení

Semestrální 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

Více

Pro bodový odhad při základním krigování by soustava rovnic v maticovém tvaru vypadala následovně:

Pro bodový odhad při základním krigování by soustava rovnic v maticovém tvaru vypadala následovně: KRIGING Krigování (kriging) označujeme interpolační metody, které využívají geostacionární metody odhadu. Těchto metod je celá řada, zde jsou některé příklady. Pro krigování se používá tzv. Lokální odhad.

Více

y = Spočtěte všechny jejich normy (vektor je také matice, typu n 1). Řádková norma (po řádcích sečteme absolutní hodnoty prvků matice a z nich

y = Spočtěte všechny jejich normy (vektor je také matice, typu n 1). Řádková norma (po řádcích sečteme absolutní hodnoty prvků matice a z nich Normy matic Příklad 1 Je dána matice A a vektor y: A = 2 0 3 4 3 2 y = Spočtěte všechny jejich normy (vektor je také matice, typu n 1). Ověřte, že platí Ay A y (1) Ay = (4, 14, 2) T 2 2 Frobeniova norma

Více

INTERPOLAČNÍ POLYNOM.... hledaná funkce (polynom nebo funkce vytvořená z polynomů), pro kterou platí

INTERPOLAČNÍ POLYNOM.... hledaná funkce (polynom nebo funkce vytvořená z polynomů), pro kterou platí 8 Řešení Lagrangeovy a Hermiteovy úlohy interpolace 1 INTERPOLAČNÍ POLYNOM aproximace zadaných hodnot nebo hledané funkce f funkcí F (x) (polynomem) F musí být k f co nejblíže značení: P (n) množina všech

Více

Kapitola 2: Spojitost a limita funkce 1/20

Kapitola 2: Spojitost a limita funkce 1/20 Kapitola 2: Spojitost a limita funkce 1/20 Okolí bodu 2/20 Značení: a R, ε > 0 O ε (a) = (a ε, a + ε) ε-ové okolí bodu a O + ε (a) = a, a + ε) pravé okolí, O ε (a) = (a ε, a levé okolí P ε (a) = O ε (a)

Více

NÁHODNÁ VELIČINA. 3. cvičení

NÁHODNÁ 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

Více

Mgr. Karel Pazourek. online prostředí, Operační program Praha Adaptabilita, registrační číslo CZ.2.17/3.1.00/31165.

Mgr. Karel Pazourek. online prostředí, Operační program Praha Adaptabilita, registrační číslo CZ.2.17/3.1.00/31165. Mnohočleny z různých stran Mgr. Karel Pazourek Kurz vznikl v rámci projektu Rozvoj systému vzdělávacích příležitostí pro nadané žáky a studenty v přírodních vědách a matematice s využitím online prostředí,

Více

KGG/STG Statistika pro geografy

KGG/STG Statistika pro geografy KGG/STG Statistika pro geografy 10. Mgr. David Fiedor 27. dubna 2015 Nelineární závislost - korelační poměr užití v případě, kdy regresní čára není přímka, ale je vyjádřena složitější matematickou funkcí

Více

ZÁPADOČESKÁ UNIVERZITA V PLZNI

ZÁPADOČESKÁ UNIVERZITA V PLZNI ZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA PEDAGOGICKÁ KATEDRA MATEMATIKY, FYZIKY A TECHNICKÉ VÝCHOVY VYŠETŘOVÁNÍ PRŮBĚHU FUNKCÍ - ŘEŠENÉ PŘÍKLADY BAKALÁŘSKÁ PRÁCE Lucie Ceplechová Přírodovědná studia, obor

Více

1. Je dána funkce f(x, y) a g(x, y, z). Vypište symbolicky všechny 1., 2. a 3. parciální derivace funkce f a funkce g.

1. Je dána funkce f(x, y) a g(x, y, z). Vypište symbolicky všechny 1., 2. a 3. parciální derivace funkce f a funkce g. . Je dána funkce f(x, y) a g(x, y, z). Vypište symbolicky všechny.,. a 3. parciální derivace funkce f a funkce g.. Spočtěte všechny první parciální derivace funkcí: a) f(x, y) = x 4 + y 4 4x y, b) f(x,

Více

Modely diskrétní náhodné veličiny. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.

Modely diskrétní náhodné veličiny. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Po(λ) je možné použít jako model náhodné veličiny, která nabývá hodnot 0, 1, 2,... a udává buď počet událostí,

Více

Derivace a monotónnost funkce

Derivace 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

Více

Libovolnou z probraných metod najděte s přesností na 3 desetinná místa kladný kořen rovnice. sin x + x 2 2 = 0.

Libovolnou z probraných metod najděte s přesností na 3 desetinná místa kladný kořen rovnice. sin x + x 2 2 = 0. A 9 vzorové řešení Př. 1. Libovolnou z probraných metod najděte s přesností na 3 desetinná místa kladný kořen rovnice Počítejte v radiánech, ne ve stupních! sin x + x 2 2 = 0. Rovnici lze upravit na sin

Více

Rozptyl. Pozn.: rozptyl je nezávislý na posunu hustoty pravděpodobnosti na ose x, protože Var(X) mi určuje jen šířku rozdělení.

Rozptyl. Pozn.: rozptyl je nezávislý na posunu hustoty pravděpodobnosti na ose x, protože Var(X) mi určuje jen šířku rozdělení. Rozptyl Základní vlastnosti disperze Var(konst) = 0 Var(X+Y) = Var(X) + Var(Y) (nezávislé proměnné) Lineární změna jednotek Y = rx + s, například z C na F. Jak vypočítám střední hodnotu a rozptyl? Pozn.:

Více

Cvičení ze statistiky - 4. Filip Děchtěrenko

Cvičení 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

Více

Matematika 1 sbírka příkladů

Matematika 1 sbírka příkladů Matematika 1 sbírka příkladů RNDr. Rudolf SCHWARZ, CSc. Brno 2012 1. Poznámka Výsledky jednotlivých příkladů mají tuto barvu. 2. Poznámka Pokud je v hranatých závorkách uvedeno písmeno, označuje, ze které

Více

Zápočtová písemka z Matematiky III (BA04) skupina A

Zápočtová písemka z Matematiky III (BA04) skupina A skupina A 0 pro x < 1, ae x pro x 1, ), Pravděpodobnost P (X ) a P (X =.). E (X) a E ( X 1). Hustotu transformované náhodné veličiny Y = (X + 1). F(x) = x 3 pro x (0, 9), Hustotu f(x). Pravděpodobnost

Více

9. Je-li cos 2x = 0,5, x 0, π, pak tgx = a) 3. b) 1. c) neexistuje d) a) x ( 4, 4) b) x = 4 c) x R d) x < 4. e) 3 3 b

9. Je-li cos 2x = 0,5, x 0, π, pak tgx = a) 3. b) 1. c) neexistuje d) a) x ( 4, 4) b) x = 4 c) x R d) x < 4. e) 3 3 b 008 verze 0A. Řešeními nerovnice x + 4 0 jsou právě všechna x R, pro která je x ( 4, 4) b) x = 4 c) x R x < 4 e) nerovnice nemá řešení b. Rovnice x + y x = je rovnicí přímky b) dvojice přímek c) paraboly

Více

Kapitola 10: Diferenciální rovnice 1/14

Kapitola 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

Více

Zadání projektů z BPC2 pro letní semestr 2007/2008

Zadání projektů z BPC2 pro letní semestr 2007/2008 Zadání projektů z BPC2 pro letní semestr 2007/2008 Několik poznámek na úvod Projekt může být i konzolová aplikace. Záleží však na typu zadání, ne každé v konzolové aplikace vyřešit lze. Mezi studenty jsou

Více

Matematické symboly a značky

Matematické symboly a značky Matematické symboly a značky Z Wikipedie, otevřené encyklopedie Matematický symbol je libovolný znak, používaný v. Může to být znaménko pro označení operace s množinami, jejich prvky, čísly či jinými objekty,

Více

Významná diskrétní rozdělení pravděpodobnosti

Významná diskrétní rozdělení pravděpodobnosti Alternativní rozdělení Příklad Střelec vystřelí do terče, pravděpodobnost zásahu je 0,8. Náhodná veličina X udává, jestli trefil: položíme X = 1, jestliže ano, a X = 0, jestliže ne. Alternativní rozdělení

Více

INTEGRÁLY S PARAMETREM

INTEGRÁLY S PARAMETREM INTEGRÁLY S PARAMETREM b a V kapitole o integraci funkcí více proměnných byla potřeba funkce g(x) = f(x, y) dy proměnné x. Spojitost funkce g(x) = b a f(x, y) dy proměnné x znamená vlastně prohození limity

Více

MATEMATIKA. Robert Mařík Ústav matematiky, LDF, MZLU 5. patro, budova B marik@mendelu.cz user.mendelu.cz/marik

MATEMATIKA. Robert Mařík Ústav matematiky, LDF, MZLU 5. patro, budova B marik@mendelu.cz user.mendelu.cz/marik MATEMATIKA Robert Mařík Ústav matematiky, LDF, MZLU 5. patro, budova B marik@mendelu.cz user.mendelu.cz/marik P. Rádl, B. Černá, L. Stará: Základy vyšší matematiky, skriptum MZLU Text přednášky na user.mendelu.cz/marik,

Více

I. Diferenciální rovnice. 3. Rovnici y = x+y+1. převeďte vhodnou transformací na rovnici homogenní (vzniklou

I. Diferenciální rovnice. 3. Rovnici y = x+y+1. převeďte vhodnou transformací na rovnici homogenní (vzniklou Typy příkladů pro I. část písemky ke zkoušce z MA II I. Diferenciální rovnice. 1. Určete obecné řešení rovnice y = y sin x.. Určete řešení rovnice y = y x splňující počáteční podmínku y(1) = 0. 3. Rovnici

Více

5. cvičení z Matematiky 2

5. cvičení z Matematiky 2 5. cvičení z Matematiky 2 21.-25. března 2016 5.1 Nalezněte úhel, který v bodě 1, 0, 0 svírají grafy funkcí fx, y ln x 2 + y 2 a gx, y sinxy. Úhel, který svírají grafy funkcí je dán jako úhel mezi jednotlivými

Více

PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA I

PRAVDĚPODOBNOST 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

Více

FAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ PRO AKADEMICKÝ ROK

FAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ PRO AKADEMICKÝ ROK FAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ PRO AKADEMICKÝ ROK 00 007 TEST Z MATEMATIKY PRO PŘIJÍMACÍ ZKOUŠKY ČÍSLO FAST-M-00-0. tg x + cot gx a) sinx cos x b) sin x + cos x c) d) sin x e) +. sin x cos

Více

MATEMATIKA IV - PARCIÁLNÍ DIFERENCIÁLNÍ ROVNICE - ZÁPISKY Z. Obsah. 1. Parciální diferenciální rovnice obecně. 2. Kvaazilineární rovnice prvního řádu

MATEMATIKA IV - PARCIÁLNÍ DIFERENCIÁLNÍ ROVNICE - ZÁPISKY Z. Obsah. 1. Parciální diferenciální rovnice obecně. 2. Kvaazilineární rovnice prvního řádu MATEMATIKA IV - PARCIÁLNÍ DIFERENCIÁLNÍ ROVNICE - ZÁPISKY Z PŘEDNÁŠEK JAN MALÝ Obsah 1. Parciální diferenciální rovnice obecně 1. Kvaazilineární rovnice prvního řádu 1 3. Lineární rovnice druhého řádu

Více

Q(y) dy = P(x) dx + C.

Q(y) dy = P(x) dx + C. Cíle Naše nejbližší cíle spočívají v odpovědích na základní otázky, které si klademe v souvislosti s diferenciálními rovnicemi: 1. Má rovnice řešení? 2. Kolik je řešení a jakého jsou typu? 3. Jak se tato

Více

Poznámky z matematiky

Poznámky z matematiky Poznámky z matematiky Verze: 14. dubna 2015 Petr Hasil hasil@mendelu.cz http://user.mendelu.cz/hasil/ Ústav matematiky Lesnická a dřevařská fakulta Mendelova univerzita v Brně Vytvořeno s podporou projektu

Více

Odhady Parametrů Lineární Regrese

Odhady 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

Více

MATEMATIKA III. Olga Majlingová. Učební text pro prezenční studium. Předběžná verze

MATEMATIKA III. Olga Majlingová. Učební text pro prezenční studium. Předběžná verze Fakulta strojního inženýrství Univerzity J. E. Purkyně v Ústí nad Labem Pasteurova 7 Tel.: 475 285 511 400 96 Ústí nad Labem Fax: 475 285 566 Internet: www.ujep.cz E-mail: kontakt@ujep.cz MATEMATIKA III

Více

Transformujte diferenciální výraz x f x + y f do polárních souřadnic r a ϕ, které jsou definovány vztahy x = r cos ϕ a y = r sin ϕ.

Transformujte diferenciální výraz x f x + y f do polárních souřadnic r a ϕ, které jsou definovány vztahy x = r cos ϕ a y = r sin ϕ. Ukázka 1 Necht má funkce z = f(x, y) spojité parciální derivace. Napište rovnici tečné roviny ke grafu této funkce v bodě A = [ x 0, y 0, z 0 ]. Transformujte diferenciální výraz x f x + y f y do polárních

Více

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b

Více

alternativní rozdělení Statistika binomické rozdělení bi(n, π)(2)

alternativní rozdělení Statistika binomické rozdělení bi(n, π)(2) Statistika (MD360P03Z, MD360P03U) ak. rok 2007/2008 Karel Zvára karel.zvara@mff.cuni.cz http://www.karlin.mff.cuni.cz/ zvara 5. listopadu 2007 1(178) binomické rozdělení Poissonovo rozdělení normální rozdělení

Více

Numerické metody a programování. Lekce 7

Numerické metody a programování. Lekce 7 Numerické metody a programování Lekce 7 Řešení nelineárních rovnic hledáme řešení x problému f x = 0 strategie: odhad řešení iterační proces postupného zpřesňování řešení výpočet skončen pokud je splněno

Více

Přednáška 11, 12. prosince Část 5: derivace funkce

Přednáška 11, 12. prosince Část 5: derivace funkce Přednáška 11, 12. prosince 2014 Závěrem pasáže o spojitých funkcích zmíníme jejich podtřídu, lipschitzovské funkce, nazvané podle německého matematika Rudolfa Lipschitze (1832 1903). Fukce f : M R je lipschitzovská,

Více

Optimalizace spotřebitele & poptávka Jan Čadil FNH VŠE

Optimalizace spotřebitele & poptávka Jan Čadil FNH VŠE Optimalizace spotřebitele & poptávka Jan Čadil FNH VŠE Footer Text 3/24/2014 1 Podstata problému Spotřebitel se snaží maximalizovat užitek a zároveň je omezen rozpočtovým omezením Optimum nastává tehdy,

Více

V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více

V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více 9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost 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

Více

Požadavky a podmínky zkoušky z Numerických metod I (2NU)

Požadavky a podmínky zkoušky z Numerických metod I (2NU) Požadavky a podmínky zkoušky z Numerických metod I (2NU) LS 2018/2019 Zkouška je písemná, trvá 90 min. Skládá se ze 3 praktických příkladů a 4 teoretických otázek. S sebou ke zkoušce: psací potřeby (čisté

Více

Diferenciál a Taylorův polynom

Diferenciál a Taylorův polynom Diferenciál a Taylorův polynom Základy vyšší matematiky lesnictví LDF MENDELU c Simona Fišnarová (MENDELU) Diferenciál a Taylorův polynom ZVMT lesnictví 1 / 11 Aproximace funkce v okoĺı bodu Danou funkci

Více

Řešení nelineárních rovnic

Řešení nelineárních rovnic Řešení nelineárních rovnic Metody sečen (sekantová a regula falsi) Máme dva body x 1 a x mezi nimiž se nachází kořen Nový bod x 3 volíme v průsečíku spojnice bodů x 1, f x 1 a x, f x (sečny) s osou x ERRBISPAS

Více

8.4. Shrnutí ke kapitolám 7 a 8

8.4. Shrnutí ke kapitolám 7 a 8 8.4. Shrnutí ke kapitolám 7 a 8 Shrnutí lekce Úvodní 7. kapitola přinesla informace o druzích řešení diferenciálních rovnic prvního řádu a stručné teoretické poznatky o podmínkách existence a jednoznačnosti

Více

Náhodný pokus každá opakovatelná činnost, prováděná za stejných nebo přibližně stejných podmínek, jejíž výsledek je nejistý a závisí na náhodě.

Náhodný 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

Více

5.3. Implicitní funkce a její derivace

5.3. Implicitní funkce a její derivace Výklad Podívejme se na následující problém. Uvažujme množinu M bodů [x,y] R 2, které splňují rovnici F(x, y) = 0, M = {[x,y] D F F(x,y) = 0}, kde z = F(x,y) je nějaká funkce dvou proměnných. Je-li F(x,y)

Více

Uzavřené a otevřené množiny

Uzavřené a otevřené množiny Teorie: Uzavřené a otevřené množiny 2. cvičení DEFINICE Nechť M R n. Bod x M nazveme vnitřním bodem množiny M, pokud existuje r > 0 tak, že B(x, r) M. Množinu všech vnitřních bodů značíme Int M. Dále,

Více