Stochastická dominance a optimalita portfolií
|
|
- Alexandra Štěpánková
- před 7 lety
- Počet zobrazení:
Transkript
1 Dopravní fakulta ČVUT 2010
2 Obsah 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
3 Obsah 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
4 Obsah 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
5 Obsah 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
6 Obsah 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
7 Množiny užitkových funkcí Koncept stochastické dominance pracuje s užitkovými funkcemi jednotlivých investorů. Množina všech přípustných užitkových funkcí: U = {u : R R, u(x) je neklesající na R}. Budeme se zabývat těmito podmnožinami U: U N = {u U C N : ( 1) k u (k) (x) 0, x R, k = 1,..., N} U = N N N=1 U N U E = {u U : u(x) = ae kx + b, a < 0, k < 0, b R}
8 Množiny užitkových funkcí Koncept stochastické dominance pracuje s užitkovými funkcemi jednotlivých investorů. Množina všech přípustných užitkových funkcí: U = {u : R R, u(x) je neklesající na R}. Budeme se zabývat těmito podmnožinami U: U N = {u U C N : ( 1) k u (k) (x) 0, x R, k = 1,..., N} U = N N N=1 U N U E = {u U : u(x) = ae kx + b, a < 0, k < 0, b R}
9 Množiny užitkových funkcí Koncept stochastické dominance pracuje s užitkovými funkcemi jednotlivých investorů. Množina všech přípustných užitkových funkcí: U = {u : R R, u(x) je neklesající na R}. Budeme se zabývat těmito podmnožinami U: U N = {u U C N : ( 1) k u (k) (x) 0, x R, k = 1,..., N} U = N N N=1 U N U E = {u U : u(x) = ae kx + b, a < 0, k < 0, b R}
10 Předpoklady S čím dále pracujeme Možné finanční výstupy investičních příležitostí (aktiv) jsou reprezentovány náhodnými veličinami. Aktiva tak lze s náhodnými veličinami ztotožnit. Množinu všech přípustných aktiv značíme X. Investoři maximalizují svůj užitek.
11 Předpoklady S čím dále pracujeme Možné finanční výstupy investičních příležitostí (aktiv) jsou reprezentovány náhodnými veličinami. Aktiva tak lze s náhodnými veličinami ztotožnit. Množinu všech přípustných aktiv značíme X. Investoři maximalizují svůj užitek.
12 Stochastická dominance Definice: Bud U U. Řekneme, že náhodná veličina X (stochasticky) dominuje náhodnou veličinu Y vzhledem k množině U, jestliže Eu(X) Eu(Y ) u U, je-li nerovnost definována. Zapisujeme X U Y. Množinu U nazýváme generátorem stochastické dominance U. Platí-li navíc pro nějakou funkci u 0 U ostrá nerovnost, řekneme, že náhodná veličina X striktně (stochasticky) dominuje náhodnou veličinu Y vzhledem k množině U. Značíme X U Y.
13 Stochastická dominance Definice: Bud U U. Řekneme, že náhodná veličina X (stochasticky) dominuje náhodnou veličinu Y vzhledem k množině U, jestliže Eu(X) Eu(Y ) u U, je-li nerovnost definována. Zapisujeme X U Y. Množinu U nazýváme generátorem stochastické dominance U. Platí-li navíc pro nějakou funkci u 0 U ostrá nerovnost, řekneme, že náhodná veličina X striktně (stochasticky) dominuje náhodnou veličinu Y vzhledem k množině U. Značíme X U Y.
14 Obsah Zavedení pojmů Dosavadní výsledky 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
15 Zavedení pojmů Dosavadní výsledky Několik pojmů..aneb proč se v práci slovo eficientní příliš nevyskytuje Neexistuje jednotná definice eficientního aktiva. Budeme pracovat se třemi specifikacemi aktiv, která někteří označují jako eficienci: Přijatelnost Striktní přijatelnost Optimalita
16 Zavedení pojmů Dosavadní výsledky Několik pojmů..aneb proč se v práci slovo eficientní příliš nevyskytuje Neexistuje jednotná definice eficientního aktiva. Budeme pracovat se třemi specifikacemi aktiv, která někteří označují jako eficienci: Přijatelnost Striktní přijatelnost Optimalita
17 Zavedení pojmů Dosavadní výsledky Několik pojmů..aneb proč se v práci slovo eficientní příliš nevyskytuje Neexistuje jednotná definice eficientního aktiva. Budeme pracovat se třemi specifikacemi aktiv, která někteří označují jako eficienci: Přijatelnost Striktní přijatelnost Optimalita
18 Definice Přijatelnost, striktní přijatelnost a optimalita Zavedení pojmů Dosavadní výsledky Definice: Mějme množinu přípustných aktiv X a generátor stochastické dominance U U. Řekneme, že aktivum X X je vzhledem k U nepřijatelné, jestliže Y X Y U X. přijatelné, jestliže není nepřijatelné. striktně nepřijatelné, jestliže Y X u U, u rostoucí na R Eu(Y ) > Eu(X). striktně přijatelné, jestliže není striktně nepřijatelné. optimální, jestliže u U, u rostoucí na R Eu(X) Eu(Y ) Y X.
19 Definice Přijatelnost, striktní přijatelnost a optimalita Zavedení pojmů Dosavadní výsledky Definice: Mějme množinu přípustných aktiv X a generátor stochastické dominance U U. Řekneme, že aktivum X X je vzhledem k U nepřijatelné, jestliže Y X Y U X. přijatelné, jestliže není nepřijatelné. striktně nepřijatelné, jestliže Y X u U, u rostoucí na R Eu(Y ) > Eu(X). striktně přijatelné, jestliže není striktně nepřijatelné. optimální, jestliže u U, u rostoucí na R Eu(X) Eu(Y ) Y X.
20 Definice Přijatelnost, striktní přijatelnost a optimalita Zavedení pojmů Dosavadní výsledky Definice: Mějme množinu přípustných aktiv X a generátor stochastické dominance U U. Řekneme, že aktivum X X je vzhledem k U nepřijatelné, jestliže Y X Y U X. přijatelné, jestliže není nepřijatelné. striktně nepřijatelné, jestliže Y X u U, u rostoucí na R Eu(Y ) > Eu(X). striktně přijatelné, jestliže není striktně nepřijatelné. optimální, jestliže u U, u rostoucí na R Eu(X) Eu(Y ) Y X.
21 Definice Přijatelnost, striktní přijatelnost a optimalita Zavedení pojmů Dosavadní výsledky Definice: Mějme množinu přípustných aktiv X a generátor stochastické dominance U U. Řekneme, že aktivum X X je vzhledem k U nepřijatelné, jestliže Y X Y U X. přijatelné, jestliže není nepřijatelné. striktně nepřijatelné, jestliže Y X u U, u rostoucí na R Eu(Y ) > Eu(X). striktně přijatelné, jestliže není striktně nepřijatelné. optimální, jestliže u U, u rostoucí na R Eu(X) Eu(Y ) Y X.
22 Jednoduché důsledky..zjevné přímo z definic Zavedení pojmů Dosavadní výsledky Optimální aktivum je striktně přijatelné. Bud U generátor stochastické dominance složený jen z rostoucích funkcí. Aktivum, které je vzhledem k U přijatelné, je vzhledem k U také striktně přijatelné. Opačné implikace obecně neplatí.
23 Jednoduché důsledky..zjevné přímo z definic Zavedení pojmů Dosavadní výsledky Optimální aktivum je striktně přijatelné. Bud U generátor stochastické dominance složený jen z rostoucích funkcí. Aktivum, které je vzhledem k U přijatelné, je vzhledem k U také striktně přijatelné. Opačné implikace obecně neplatí.
24 Jednoduché důsledky..zjevné přímo z definic Zavedení pojmů Dosavadní výsledky Optimální aktivum je striktně přijatelné. Bud U generátor stochastické dominance složený jen z rostoucích funkcí. Aktivum, které je vzhledem k U přijatelné, je vzhledem k U také striktně přijatelné. Opačné implikace obecně neplatí.
25 Scénářový přístup Dále jej budeme předpokládat Zavedení pojmů Dosavadní výsledky Definice: Množiny přípustných portfolií pro matici výnosů X n m s lineárně nezávislými sloupci. Povolené krátké prodeje: Θ = {θ R m : 1 θ = 1}. Krátké prodeje omezené koeficientem a (, 0]: Θ a = {θ = (θ 1,..., θ m ) R m : 1 θ = 1, θ i a, i = 1,..., m}. Definice: Θ množina příp. portfolií, V = { } Xθ : θ Θ. Za množinu X přípustných aktiv generovanou maticí X považujeme množinu náhodných veličin X splňujících n k=1 v V P(X = v i ) = I v k =v i. n X je scénářové aktivum reprezentované vektorem v.
26 Scénářový přístup Dále jej budeme předpokládat Zavedení pojmů Dosavadní výsledky Definice: Množiny přípustných portfolií pro matici výnosů X n m s lineárně nezávislými sloupci. Povolené krátké prodeje: Θ = {θ R m : 1 θ = 1}. Krátké prodeje omezené koeficientem a (, 0]: Θ a = {θ = (θ 1,..., θ m ) R m : 1 θ = 1, θ i a, i = 1,..., m}. Definice: Θ množina příp. portfolií, V = { } Xθ : θ Θ. Za množinu X přípustných aktiv generovanou maticí X považujeme množinu náhodných veličin X splňujících n k=1 v V P(X = v i ) = I v k =v i. n X je scénářové aktivum reprezentované vektorem v.
27 Interpretace a poznámky Zavedení pojmů Dosavadní výsledky Volně řečeno: Sloupce matice X odpovídají výnosům m lineárně nezávislých aktiv, řádky reprezentují n stejně pravděpodobných scénářů. Dále připouštíme aktiva vzniklá kombinacemi sloupců podle koeficientů z množiny přípustných portfolií. Pojmy jako (striktní) stoch. dominance a všechny uvedené druhy eficience definujeme pro přípustné portfolio θ pomocí aktiva reprezentovaného vektorem Xθ. Pro aktivum X reprezentované vektorem Xθ je Eu(X) = 1 n n u((xθ) i ). i=1
28 Obsah Zavedení pojmů Dosavadní výsledky 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
29 Zavedení pojmů Dosavadní výsledky Tvar množin přijatelných, striktně přijatelných a optimálních portfolií Souvislost Množiny portfolií striktně přijatelných a optimálních vzhledem ke stochastické dominanci prvního řádu, při zakázaných krátkých prodejích, obecně nejsou souvislé. (Kopa, Post, 2009) V diplomové práci analyzuji souvislost množin portfolií optimálních vzhledem k obloukově souvislým generátorům tvořeným striktně konkávními funkcemi, při omezených krátkých prodejích.
30 Zavedení pojmů Dosavadní výsledky Tvar množin přijatelných, striktně přijatelných a optimálních portfolií Souvislost Množiny portfolií striktně přijatelných a optimálních vzhledem ke stochastické dominanci prvního řádu, při zakázaných krátkých prodejích, obecně nejsou souvislé. (Kopa, Post, 2009) V diplomové práci analyzuji souvislost množin portfolií optimálních vzhledem k obloukově souvislým generátorům tvořeným striktně konkávními funkcemi, při omezených krátkých prodejích.
31 Zavedení pojmů Dosavadní výsledky Tvar množin přijatelných, striktně přijatelných a optimálních portfolií Konvexita V případě stochastické dominance prvního řádu není ani jedna z množin obexně konvexní. Množina portfolií optimálních vzhledem k U 2 není obecně konvexní, jak při omezených, tak při povolených krátkých prodejích (Dybvig, Ross, 1983). Množina portfolií přijatelných vzhledem k U N a U není při zakázaných krátkých prodejích obecně konvexní (Kopa, 2008). Ve své diplomové práci hledám nutnou a postačující podmínku pro rozměry matice výnosů X, zaručující konvexitu množiny portfolií optimálních vzhledem k U E, při povolených krátkých prodejích.
32 Zavedení pojmů Dosavadní výsledky Tvar množin přijatelných, striktně přijatelných a optimálních portfolií Konvexita V případě stochastické dominance prvního řádu není ani jedna z množin obexně konvexní. Množina portfolií optimálních vzhledem k U 2 není obecně konvexní, jak při omezených, tak při povolených krátkých prodejích (Dybvig, Ross, 1983). Množina portfolií přijatelných vzhledem k U N a U není při zakázaných krátkých prodejích obecně konvexní (Kopa, 2008). Ve své diplomové práci hledám nutnou a postačující podmínku pro rozměry matice výnosů X, zaručující konvexitu množiny portfolií optimálních vzhledem k U E, při povolených krátkých prodejích.
33 Zavedení pojmů Dosavadní výsledky Tvar množin přijatelných, striktně přijatelných a optimálních portfolií Konvexita V případě stochastické dominance prvního řádu není ani jedna z množin obexně konvexní. Množina portfolií optimálních vzhledem k U 2 není obecně konvexní, jak při omezených, tak při povolených krátkých prodejích (Dybvig, Ross, 1983). Množina portfolií přijatelných vzhledem k U N a U není při zakázaných krátkých prodejích obecně konvexní (Kopa, 2008). Ve své diplomové práci hledám nutnou a postačující podmínku pro rozměry matice výnosů X, zaručující konvexitu množiny portfolií optimálních vzhledem k U E, při povolených krátkých prodejích.
34 Zavedení pojmů Dosavadní výsledky Tvar množin přijatelných, striktně přijatelných a optimálních portfolií Konvexita V případě stochastické dominance prvního řádu není ani jedna z množin obexně konvexní. Množina portfolií optimálních vzhledem k U 2 není obecně konvexní, jak při omezených, tak při povolených krátkých prodejích (Dybvig, Ross, 1983). Množina portfolií přijatelných vzhledem k U N a U není při zakázaných krátkých prodejích obecně konvexní (Kopa, 2008). Ve své diplomové práci hledám nutnou a postačující podmínku pro rozměry matice výnosů X, zaručující konvexitu množiny portfolií optimálních vzhledem k U E, při povolených krátkých prodejích.
35 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
36 Definice Souvislost a oblouková souvislost Podmnožina A M metrického prostoru (M, ρ) je souvislá, jestliže neexistují neprázdné otevřené množiny A 1, A 2 splňující A = A 1 A 2 a A 1 A 2 =. Podmnožina A M metrického prostoru (M, ρ) je obloukově souvislá, jestliže mezi každou dvojicí jejich bodů lze sestrojit spojitý oblouk, tedy x, y A f : [0, 1] (A, ρ) spojitá, splňující f (0) = x, f (1) = y. Obloukově souvislá množina je souvislá.
37 Definice Souvislost a oblouková souvislost Podmnožina A M metrického prostoru (M, ρ) je souvislá, jestliže neexistují neprázdné otevřené množiny A 1, A 2 splňující A = A 1 A 2 a A 1 A 2 =. Podmnožina A M metrického prostoru (M, ρ) je obloukově souvislá, jestliže mezi každou dvojicí jejich bodů lze sestrojit spojitý oblouk, tedy x, y A f : [0, 1] (A, ρ) spojitá, splňující f (0) = x, f (1) = y. Obloukově souvislá množina je souvislá.
38 Předpoklady Opět uvažujeme scénářový přístup. Pracujeme s množinou Û a supremovou metrikou ρ: Û = {u : R R, u C 2, u (x) > 0, u (2) (x) < 0, x R} ρ(u 1, u 2 ) = sup u 1 (x) u 2 (x), u 1, u 2 Û. x R Omezujeme krátké prodeje, tedy Θ a = {θ = (θ 1,..., θ m ) R m : 1 θ = 1, θ i a, i = 1,..., m}, pro pevné a (, 0].
39 Hlavní výsledek kapitoly Věta: Bud U Û množina užitkových funkcí obloukově souvislá vzhledem k supremové metrice ρ a necht a (, 0]. Pak množina portfolií z Θ a optimálních vzhledem k U je obloukově souvislá.
40 Hlavní myšlenky důkazu Definujeme zobrazení g : (Û, ρ) (Θ a, σ) 1 g(u) = arg max θ Θ a n n u((xθ) i ). Přesvědčíme se, že zobrazení g je dobře definováno a že je spojité (σ - libovolná metrika). Množinou portfolií optimálních vzhledem k U Û je g(u). Je-li U Û obloukově souvislá množina, existuje pro libovolná portfolia τ, λ spojitý oblouk f mezi funkcemi u τ, u λ τ = g(u τ ), λ = g(u λ ). Pak ovšem g f je spojitý oblouk mezi τ a λ. i=1
41 Hlavní myšlenky důkazu Definujeme zobrazení g : (Û, ρ) (Θ a, σ) 1 g(u) = arg max θ Θ a n n u((xθ) i ). Přesvědčíme se, že zobrazení g je dobře definováno a že je spojité (σ - libovolná metrika). Množinou portfolií optimálních vzhledem k U Û je g(u). Je-li U Û obloukově souvislá množina, existuje pro libovolná portfolia τ, λ spojitý oblouk f mezi funkcemi u τ, u λ τ = g(u τ ), λ = g(u λ ). Pak ovšem g f je spojitý oblouk mezi τ a λ. i=1
42 Hlavní myšlenky důkazu Definujeme zobrazení g : (Û, ρ) (Θ a, σ) 1 g(u) = arg max θ Θ a n n u((xθ) i ). Přesvědčíme se, že zobrazení g je dobře definováno a že je spojité (σ - libovolná metrika). Množinou portfolií optimálních vzhledem k U Û je g(u). Je-li U Û obloukově souvislá množina, existuje pro libovolná portfolia τ, λ spojitý oblouk f mezi funkcemi u τ, u λ τ = g(u τ ), λ = g(u λ ). Pak ovšem g f je spojitý oblouk mezi τ a λ. i=1
43 Hlavní myšlenky důkazu Definujeme zobrazení g : (Û, ρ) (Θ a, σ) 1 g(u) = arg max θ Θ a n n u((xθ) i ). Přesvědčíme se, že zobrazení g je dobře definováno a že je spojité (σ - libovolná metrika). Množinou portfolií optimálních vzhledem k U Û je g(u). Je-li U Û obloukově souvislá množina, existuje pro libovolná portfolia τ, λ spojitý oblouk f mezi funkcemi u τ, u λ τ = g(u τ ), λ = g(u λ ). Pak ovšem g f je spojitý oblouk mezi τ a λ. i=1
44 Obsah Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
45 Předpoklady Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Připomeňme U E = {u : u(x) = aekx + b, a < 0, k < 0, b R} a definujme U E = {u : u(x) = e kx, k < 0}. Práce s oběma generátory je pro stochastickou dominanci ekvivalentní. Volíme množinu U E. Pro vyšetřování souvislosti pracujeme s množinou přípustných portfolií Θ a, a (, 0], omezení a může být libovolně volné. Pro vyšetřování konvexity pracujeme s množinou Θ.
46 Předpoklady Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Připomeňme U E = {u : u(x) = aekx + b, a < 0, k < 0, b R} a definujme U E = {u : u(x) = e kx, k < 0}. Práce s oběma generátory je pro stochastickou dominanci ekvivalentní. Volíme množinu U E. Pro vyšetřování souvislosti pracujeme s množinou přípustných portfolií Θ a, a (, 0], omezení a může být libovolně volné. Pro vyšetřování konvexity pracujeme s množinou Θ.
47 Obsah Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
48 Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Množina Θ a, a (, 0] a generátor U E. Množina optimálních portfolií je souvislá pro každou matici X n m s linárně nezávislými sloupci - aplikace věty dokázané v předchozí části.
49 Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Množina Θ a, a (, 0] a generátor U E. Množina optimálních portfolií je souvislá pro každou matici X n m s linárně nezávislými sloupci - aplikace věty dokázané v předchozí části.
50 Obsah Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
51 Specifikace úlohy Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Pracujeme s generátorem U E. Mějme matici výnosů X n m s lineárně nezávislými sloupci (X 1,..., X m ) a označme množinu optimálních portfolií E, kde je E Θ. Dále označme E = XE. Úloha: Rozhodněte, při kterých rozměrech X je E obecně konvexní. Místo konvexity E lze ekvivalentně vyšetřovat konvexitu E.
52 Specifikace úlohy Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Pracujeme s generátorem U E. Mějme matici výnosů X n m s lineárně nezávislými sloupci (X 1,..., X m ) a označme množinu optimálních portfolií E, kde je E Θ. Dále označme E = XE. Úloha: Rozhodněte, při kterých rozměrech X je E obecně konvexní. Místo konvexity E lze ekvivalentně vyšetřovat konvexitu E.
53 Specifikace úlohy Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Pracujeme s generátorem U E. Mějme matici výnosů X n m s lineárně nezávislými sloupci (X 1,..., X m ) a označme množinu optimálních portfolií E, kde je E Θ. Dále označme E = XE. Úloha: Rozhodněte, při kterých rozměrech X je E obecně konvexní. Místo konvexity E lze ekvivalentně vyšetřovat konvexitu E.
54 Přepis úlohy Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Pro s = (s 1,..., s n ) R n definujme e s = (e s 1,..., e sn ). Portfolio τ Θ leží v E, právě když k < 0 : (X 1 X j ) e k (Xτ) = 0, j = 2,..., m tedy k < 0 : e k(xτ) {X 1 X i, i = 2,..., m} = S.
55 y vyšetřování konvexity Rozměry matice X n m zaručující konvexitu E Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií m = 1 E je konvexní. m = 2 E je konvexní. Konvexita E vyplývá ze souvislosti této množiny. m = n E je konvexní. Důkaz konvexity využívá skutečnost, že prostor S je jednorozměrný. V ostatních případech E obecně konvexní není.
56 y vyšetřování konvexity Rozměry matice X n m zaručující konvexitu E Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií m = 1 E je konvexní. m = 2 E je konvexní. Konvexita E vyplývá ze souvislosti této množiny. m = n E je konvexní. Důkaz konvexity využívá skutečnost, že prostor S je jednorozměrný. V ostatních případech E obecně konvexní není.
57 y vyšetřování konvexity Rozměry matice X n m zaručující konvexitu E Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií m = 1 E je konvexní. m = 2 E je konvexní. Konvexita E vyplývá ze souvislosti této množiny. m = n E je konvexní. Důkaz konvexity využívá skutečnost, že prostor S je jednorozměrný. V ostatních případech E obecně konvexní není.
58 y vyšetřování konvexity Rozměry matice X n m zaručující konvexitu E Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií m = 1 E je konvexní. m = 2 E je konvexní. Konvexita E vyplývá ze souvislosti této množiny. m = n E je konvexní. Důkaz konvexity využívá skutečnost, že prostor S je jednorozměrný. V ostatních případech E obecně konvexní není.
59 y vyšetřování konvexity 2 Matice výnosů X o rozměrech 4 3 nezaručuje konvexitu E Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Necht m = 3, n = 4. Pak existuje matice X 4 3 s lineárně nezávislými sloupci, pro kterou množina E není konvexní.
60 y vyšetřování konvexity 3 Protipříklad pro úlohu m = 3, n = 4 Protipříklad. Zvolme a položme c = d = X = Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií c d Portfolia (1, 0, 0), ( 3, 4, 0) E, portfolio ( 1, 2, 0) / E.
61 y vyšetřování konvexity 3 Protipříklad pro úlohu m = 3, n = 4 Protipříklad. Zvolme a položme c = d = X = Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií c d Portfolia (1, 0, 0), ( 3, 4, 0) E, portfolio ( 1, 2, 0) / E.
62 Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií y vyšetřování konvexity 4 Rozšíření výsledku pro m = 3, n = 4 pro matice X vyšší dimenze Za pomoci uvedené matice lze protipříklad rozšířit pro m 3 a n m + 1. Jedná se pouze o technické úpravy.
63 Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií y vyšetřování konvexity 4 Rozšíření výsledku pro m = 3, n = 4 pro matice X vyšší dimenze Za pomoci uvedené matice lze protipříklad rozšířit pro m 3 a n m + 1. Jedná se pouze o technické úpravy.
64 Obsah Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
65 Příklad Striktně přijatelné portfolio nemusí být optimální Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Mějme matici X = ( a testujme přijatelnost a optimalitu portfolia τ = (1, 0) Uvažujeme generátor U E a povolené krátké prodeje. Vypočteme, že portfolio τ je přijatelné a striktně přijatelné, ale není optimální. Tento příklad ukazuje, že se množiny striktně přijatelných a optimálních portfolií obecně liší. )
66 Příklad Striktně přijatelné portfolio nemusí být optimální Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Mějme matici X = ( a testujme přijatelnost a optimalitu portfolia τ = (1, 0) Uvažujeme generátor U E a povolené krátké prodeje. Vypočteme, že portfolio τ je přijatelné a striktně přijatelné, ale není optimální. Tento příklad ukazuje, že se množiny striktně přijatelných a optimálních portfolií obecně liší. )
67 Příklad Striktně přijatelné portfolio nemusí být optimální Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Mějme matici X = ( a testujme přijatelnost a optimalitu portfolia τ = (1, 0) Uvažujeme generátor U E a povolené krátké prodeje. Vypočteme, že portfolio τ je přijatelné a striktně přijatelné, ale není optimální. Tento příklad ukazuje, že se množiny striktně přijatelných a optimálních portfolií obecně liší. )
68 Příklad Striktně přijatelné portfolio nemusí být optimální Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Mějme matici X = ( a testujme přijatelnost a optimalitu portfolia τ = (1, 0) Uvažujeme generátor U E a povolené krátké prodeje. Vypočteme, že portfolio τ je přijatelné a striktně přijatelné, ale není optimální. Tento příklad ukazuje, že se množiny striktně přijatelných a optimálních portfolií obecně liší. )
69 Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Spojení striktní přijatelnosti a optimality Po zvolení vhodných předpokladů Uvažujme krátké prodeje omezené libovolným pevným a (, 0]. Pro pevné p < 1 zaved me generátor U E (p) = {u : u(x) = (te kx + (1 t)e lx ), k [ l p, 1 ] }, t [0, 1]. p [ p, 1 ], p Pro pevné τ Θ a definujeme f τ : (Θ a U) R předpisem f τ (θ, u) = 1 n [u((xθ) i ) u((xτ) i )]. n i=1
70 Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Spojení striktní přijatelnosti a optimality Po zvolení vhodných předpokladů Uvažujme krátké prodeje omezené libovolným pevným a (, 0]. Pro pevné p < 1 zaved me generátor U E (p) = {u : u(x) = (te kx + (1 t)e lx ), k [ l p, 1 ] }, t [0, 1]. p [ p, 1 ], p Pro pevné τ Θ a definujeme f τ : (Θ a U) R předpisem f τ (θ, u) = 1 n [u((xθ) i ) u((xτ) i )]. n i=1
71 Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Spojení striktní přijatelnosti a optimality Po zvolení vhodných předpokladů Uvažujme krátké prodeje omezené libovolným pevným a (, 0]. Pro pevné p < 1 zaved me generátor U E (p) = {u : u(x) = (te kx + (1 t)e lx ), k [ l p, 1 ] }, t [0, 1]. p [ p, 1 ], p Pro pevné τ Θ a definujeme f τ : (Θ a U) R předpisem f τ (θ, u) = 1 n [u((xθ) i ) u((xτ) i )]. n i=1
72 Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Spojení striktní přijatelnosti a optimality Jako důsledek minimaxové věty Lze dokázat, že pro libovolné τ Θ a je max θ Θ a min f v U E (p) τ (θ, v) = sup inf f v U E (p) τ (θ, v) = θ Θ a = inf sup f τ (θ, v) = min max f τ (θ, v). v U E (p) θ Θ a v U E (p) θ Θ a Má-li tento výraz nulovou hodnotu, je portfolio τ optimální, přijatelné i striktně přijatelné. Platí i opačná implikace.
73 Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií Spojení striktní přijatelnosti a optimality Jako důsledek minimaxové věty Lze dokázat, že pro libovolné τ Θ a je max θ Θ a min f v U E (p) τ (θ, v) = sup inf f v U E (p) τ (θ, v) = θ Θ a = inf sup f τ (θ, v) = min max f τ (θ, v). v U E (p) θ Θ a v U E (p) θ Θ a Má-li tento výraz nulovou hodnotu, je portfolio τ optimální, přijatelné i striktně přijatelné. Platí i opačná implikace.
74 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních portfolií Množiny optimálních a striktně přijatelných portfolií 5
75 Zavedli jsme používané pojmy, včetně tří různých definic eficientního portfolia. Shrnuli jsme dosavadní výsledky. Dokázali jsme souvislost množiny portfolií optimálních vzhledem k obloukově souvislému generátoru, tvořenému ze striktně konkávních funkcí, při omezených krátkých prodejích. Formulovali jsme nutnou a postačující podmínku pro rozměry matice výnosů zaručující konvexitu množin portfolií optimálních vzhledem k exponenciálním funkcím, při povolených krátkých prodejích. Formulovali jsme postačující podmínku pro ekvivalenci tří používaných definic eficience.
76 Zavedli jsme používané pojmy, včetně tří různých definic eficientního portfolia. Shrnuli jsme dosavadní výsledky. Dokázali jsme souvislost množiny portfolií optimálních vzhledem k obloukově souvislému generátoru, tvořenému ze striktně konkávních funkcí, při omezených krátkých prodejích. Formulovali jsme nutnou a postačující podmínku pro rozměry matice výnosů zaručující konvexitu množin portfolií optimálních vzhledem k exponenciálním funkcím, při povolených krátkých prodejích. Formulovali jsme postačující podmínku pro ekvivalenci tří používaných definic eficience.
77 Zavedli jsme používané pojmy, včetně tří různých definic eficientního portfolia. Shrnuli jsme dosavadní výsledky. Dokázali jsme souvislost množiny portfolií optimálních vzhledem k obloukově souvislému generátoru, tvořenému ze striktně konkávních funkcí, při omezených krátkých prodejích. Formulovali jsme nutnou a postačující podmínku pro rozměry matice výnosů zaručující konvexitu množin portfolií optimálních vzhledem k exponenciálním funkcím, při povolených krátkých prodejích. Formulovali jsme postačující podmínku pro ekvivalenci tří používaných definic eficience.
78 Zavedli jsme používané pojmy, včetně tří různých definic eficientního portfolia. Shrnuli jsme dosavadní výsledky. Dokázali jsme souvislost množiny portfolií optimálních vzhledem k obloukově souvislému generátoru, tvořenému ze striktně konkávních funkcí, při omezených krátkých prodejích. Formulovali jsme nutnou a postačující podmínku pro rozměry matice výnosů zaručující konvexitu množin portfolií optimálních vzhledem k exponenciálním funkcím, při povolených krátkých prodejích. Formulovali jsme postačující podmínku pro ekvivalenci tří používaných definic eficience.
79 Konec prezentace.
80 Odpověd k oponentskému posudku Část 1 Nedávají zcela smysl některé komentáře, např. poznámka na str. 34 nebo konvexnost množiny portfolií eficientních vzhledem k Markowitzovu modelu (str. 23). Poznámkou na str. 34 je de facto myšleno, že v důkazu Věty 5.2 volíme jinou terminologii, než která je uvedena např. ve skriptech Doc. Lachouta Matematické programování. Přesto je v důkazu postupováno v souladu s těmito skripty. Proto má oponent pravdu, poznámka není formulována přesně. Na str. 23 jsem měl na mysli úlohu s povolenými krátkými prodeji, ve které lze, za splnění jistých předpokladů, hovořit o konvexitě množiny markowitzovsky eficientních portfolií. Poznámka není formulována přesně.
81 Odpověd k oponentskému posudku Část 1 Nedávají zcela smysl některé komentáře, např. poznámka na str. 34 nebo konvexnost množiny portfolií eficientních vzhledem k Markowitzovu modelu (str. 23). Poznámkou na str. 34 je de facto myšleno, že v důkazu Věty 5.2 volíme jinou terminologii, než která je uvedena např. ve skriptech Doc. Lachouta Matematické programování. Přesto je v důkazu postupováno v souladu s těmito skripty. Proto má oponent pravdu, poznámka není formulována přesně. Na str. 23 jsem měl na mysli úlohu s povolenými krátkými prodeji, ve které lze, za splnění jistých předpokladů, hovořit o konvexitě množiny markowitzovsky eficientních portfolií. Poznámka není formulována přesně.
82 Odpověd k oponentskému posudku Část 1 Nedávají zcela smysl některé komentáře, např. poznámka na str. 34 nebo konvexnost množiny portfolií eficientních vzhledem k Markowitzovu modelu (str. 23). Poznámkou na str. 34 je de facto myšleno, že v důkazu Věty 5.2 volíme jinou terminologii, než která je uvedena např. ve skriptech Doc. Lachouta Matematické programování. Přesto je v důkazu postupováno v souladu s těmito skripty. Proto má oponent pravdu, poznámka není formulována přesně. Na str. 23 jsem měl na mysli úlohu s povolenými krátkými prodeji, ve které lze, za splnění jistých předpokladů, hovořit o konvexitě množiny markowitzovsky eficientních portfolií. Poznámka není formulována přesně.
83 Odpověd k oponentskému posudku Část 2 Vhodné by bylo uvést znění Bernsteinovy věty zmíněné na str. 43. Bernsteinovu větu jsem neuvedl, jelikož v práci pracujeme pouze se závěrem, který za použití této věty učinil Whitmore (1989, 1994). Přesto jsem se nyní přesvědčil, že vět o tomto názvu je více, proto její znění uvedu. Bernsteinova věta: Jestliže f je omezená a absolutně monotónní funkce na intervalu (0, ), pak existuje jednoznačně určená Borelova míra µ na intervalu [0, ], splňující µ([0, ]) = f (0 + ) a pro každé x > 0: f (x) = 0 e αx dµ(α).
84 Odpověd k oponentskému posudku Část 2 Vhodné by bylo uvést znění Bernsteinovy věty zmíněné na str. 43. Bernsteinovu větu jsem neuvedl, jelikož v práci pracujeme pouze se závěrem, který za použití této věty učinil Whitmore (1989, 1994). Přesto jsem se nyní přesvědčil, že vět o tomto názvu je více, proto její znění uvedu. Bernsteinova věta: Jestliže f je omezená a absolutně monotónní funkce na intervalu (0, ), pak existuje jednoznačně určená Borelova míra µ na intervalu [0, ], splňující µ([0, ]) = f (0 + ) a pro každé x > 0: f (x) = 0 e αx dµ(α).
85 Odpověd k oponentskému posudku Část 2 Vhodné by bylo uvést znění Bernsteinovy věty zmíněné na str. 43. Bernsteinovu větu jsem neuvedl, jelikož v práci pracujeme pouze se závěrem, který za použití této věty učinil Whitmore (1989, 1994). Přesto jsem se nyní přesvědčil, že vět o tomto názvu je více, proto její znění uvedu. Bernsteinova věta: Jestliže f je omezená a absolutně monotónní funkce na intervalu (0, ), pak existuje jednoznačně určená Borelova míra µ na intervalu [0, ], splňující µ([0, ]) = f (0 + ) a pro každé x > 0: f (x) = 0 e αx dµ(α).
86 Odpověd k oponentskému posudku Část 3 Zajímavá (v práci neřešená) otázka je, které výsledky lze použít bez předpokladu stejných pravděpodobností scénářů. Většina výsledků zůstane v platnosti, i když se některé řádky matice výnosů X nebudou navzájem lišit (lineární nezávislost sloupců však musí zůstat zachována). Pomocí tohoto konceptu lze uvažovat, že pracujeme s konečným množstvím scénářů, jejichž pravděpodobnosti nemusejí být stejné, ale jsou vyjádřitelné racionálním číslem.
87 Odpověd k oponentskému posudku Část 3 Zajímavá (v práci neřešená) otázka je, které výsledky lze použít bez předpokladu stejných pravděpodobností scénářů. Většina výsledků zůstane v platnosti, i když se některé řádky matice výnosů X nebudou navzájem lišit (lineární nezávislost sloupců však musí zůstat zachována). Pomocí tohoto konceptu lze uvažovat, že pracujeme s konečným množstvím scénářů, jejichž pravděpodobnosti nemusejí být stejné, ale jsou vyjádřitelné racionálním číslem.
88 a optimalita portfolií Část 1
89 Obsah
90 Pojmy Portfolio = množina finančních aktiv (akcie, dluhopisy, ) Výnos portfolia je náhodná veličina Investor vybírá portfolio za účelem maximalizace očekávaného a minimalizace rizika Očekávaný výnos odpovídá střední hodnotě výnosu
91 Předpoklady Investor se rozhoduje na základě očekávaného výnosu a kovariance výnosů Neomezená dělitelnost aktiv Neexistují transakční náklady Povoleny krátké pozice
92 Riziko je třeba zohlednit? St Peterburg paradox 1713 Nicholas Bernoulli Hážeme mincí, dokud nepadne orel Padne-li orel v n-tém pokusu, dostaneme n dukátů. 2 1 Střední hodnota výnosů je nekonečná, přesto by za účast ve hře žádný investor nedal příliš velkou částku. Řešení investor nemaximalizuje výnos, ale užitek. V tomto přístupu je již zohledněno riziko.
93 Jak vzít v potaz riziko? Dva základní přístupy 1. Maximalizujeme očekávaný výnos při zohlednění rizika Zavádíme míry rizika 2. Maximalizujeme očekávaný užitek Užitková funkce (Von Neumann a Morgenstern, 1944) Sem patří i koncept stochastické dominance
94 Míry rizika Rozptyl výnosů (Markowitz, 1951) Semivariance (Markowitz, 1970) Střední absolutní odchylka (Sharpe, 1971) Value at risk (VaR) (1995) Conditional value at risk (CVaR) (Rockafellar a Uryasev, 2000)
95 Markowitzův model I
96 Markowitzův model II Řešíme úlohu nebo max r(x) k. w(x), k > 0 min w(x) za podmínky r(x) > r 0 Řešení pro různá k tvoří eficientní hranici (mean-variance efficient frontier)
97 Markowitzův model III Markowitz bullet Markowitzův model lze reprezentovat taktéž pomocí užitkových funkcí
98 VaR Value-at-risk p% - VaR je příslušný kvantil rozdělení ztrát Tedy je to velikost ztrát, kterým se vyhneme s pravděpodobností p Volíme p = 95%, p = 99%
99 CVaR Conditional Value-at-risk nebo též Expected shortfall Střední hodnota ztrát, jestliže překročí stanovenou hladinu p Míra zavedena po špatných zkušenostech s VaR (volba rozdělení s těžkými chvosty) Lze reprezentovat pomocí konceptu stochastické dominance
100 Užitkové funkce Zavedl Von Neumann a Morgernstern (1944)
Úvod do teorie her
Úvod do teorie her 2. Garanční řešení, hry s nulovým součtem a smíšené strategie Tomáš Kroupa http://staff.utia.cas.cz/kroupa/ 2017 ÚTIA AV ČR Program 1. Zavedeme řešení, které zabezpečuje minimální výplatu
VíceOptimalizace portfolia a míry rizika. Pavel Sůva
Základní seminář 6. října 2009 Obsah Úloha optimalizace portfolia Markowitzův model Míry rizika Value-at-Risk Conditional Value-at-Risk Drawdown míry rizika Minimalizační formule Optimalizační modely Empirická
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
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
VíceV předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti
Kapitola 5 Vektorové prostory V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti operací sčítání a násobení
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
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
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
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
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
VíceLineární algebra : Lineární (ne)závislost
Lineární algebra : Lineární (ne)závislost (4. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních technologií
VíceDnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení.
Předmět: MA4 Dnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení. Literatura: Kapitola 2 a)-c) a kapitola 4 a)-c) ze skript Karel Rektorys: Matematika 43, ČVUT,
Vícei=1 λ ix i,λ i T,x i M}.Množinuvektorů
Velké prostory Anička Doležalová Abstrakt. Budeme si hrát s vektorovými prostory, které mají nekonečnou dimenzi. Cílemjesijetrochuosahatazískatzákladníintuici.Ktomunámposloužíhlavně prostory posloupností.
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceMatematická analýza 1
Matematická analýza 1 ZS 2019-20 Miroslav Zelený 1. Logika, množiny a základní číselné obory 2. Limita posloupnosti 3. Limita a spojitost funkce 4. Elementární funkce 5. Derivace 6. Taylorův polynom Návod
VíceMETRICKÉ A NORMOVANÉ PROSTORY
PŘEDNÁŠKA 1 METRICKÉ A NORMOVANÉ PROSTORY 1.1 Prostor R n a jeho podmnožiny Připomeňme, že prostorem R n rozumíme množinu uspořádaných n tic reálných čísel, tj. R n = R } R {{ R }. n krát Prvky R n budeme
VíceIX. Vyšetřování průběhu funkce
IX. Vyšetřování průběhu funkce Úvodní poznámky: Cíl: vyšetřit průběh dané funkce f. Zahrnuje: základní vlastnosti: D(f), spojitost, limity v krajních bodech, průsečíky s osami souřadnic, intervaly, kde
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:
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2015/2016 Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz Jan Kracík jan.kracik@vsb.cz Obsah: Výběrová rozdělení
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
VíceDIPLOMOVÁ PRÁCE. Jakub Mikulka
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Jakub Mikulka Stochastická dominance vyšších řádů Katedra pravděpodobnosti a matematické statistiky Vedoucí diplomové práce: Studijní
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
VíceLineární algebra : Báze a dimenze
Lineární algebra : Báze a dimenze (5. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 9. dubna 2014, 13:33 1 2 5.1 Báze lineárního prostoru Definice 1. O množině vektorů M z LP V řekneme,
VíceLineární algebra : Lineární prostor
Lineární algebra : Lineární prostor (3. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 17. dubna 2014, 14:43 1 2 3.1 Aximotické zavedení lineárního prostoru Číselné těleso Celou lineární
Vícep 2 q , tj. 2q 2 = p 2. Tedy p 2 je sudé číslo, což ale znamená, že
KAPITOLA 1: Reálná čísla [MA1-18:P1.1] 1.1. Číselné množiny Přirozená čísla... N = {1,, 3,...} nula... 0, N 0 = {0, 1,, 3,...} = N {0} Celá čísla... Z = {0, 1, 1,,, 3,...} Racionální čísla... { p } Q =
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
VíceALGEBRA. Téma 5: Vektorové prostory
SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 5: Vektorové prostory Základní pojmy Vektorový prostor nad polem P, reálný (komplexní)
VíceMatematika pro informatiky
(FIT ČVUT v Praze) Konvexní analýza 13.týden 1 / 1 Matematika pro informatiky Jaroslav Milota Fakulta informačních technologíı České vysoké učení technické v Praze Letní semestr 2010/11 Extrémy funkce
VíceDůkaz Heineho Borelovy věty. Bez újmy na obecnosti vezmeme celý prostor A = M (proč? úloha 1). Implikace. Nechť je (M, d) kompaktní a nechť.
Přednáška 3, 19. října 2015 Důkaz Heineho Borelovy věty. Bez újmy na obecnosti vezmeme celý prostor A = M (proč? úloha 1). Implikace. Nechť je (M, d) kompaktní a nechť X i = M i I je jeho pokrytí otevřenými
VíceMatematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
Více7 Konvexní množiny. min c T x. při splnění tzv. podmínek přípustnosti, tj. x = vyhovuje podmínkám: A x = b a x i 0 pro každé i n.
7 Konvexní množiny Motivace. Lineární programování (LP) řeší problém nalezení minima (resp. maxima) lineárního funkcionálu na jisté konvexní množině. Z bohaté škály úloh z této oblasti jmenujme alespoň
VíceMnožiny, relace, zobrazení
Množiny, relace, zobrazení Množiny Množinou rozumíme každý soubor určitých objektů shrnutých v jeden celek. Zmíněné objekty pak nazýváme prvky dané množiny. Pojem množina je tedy synonymem pojmů typu soubor,
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
VíceMatematika V. Dynamická optimalizace
Matematika V. Dynamická optimalizace Obsah Kapitola 1. Variační počet 1.1. Derivace funkcí na vektorových prostorech...str. 3 1.2. Derivace integrálu...str. 5 1.3. Formulace základní úlohy P1 var. počtu,
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 )
VíceText může být postupně upravován a doplňován. Datum poslední úpravy najdete u odkazu na stažení souboru. Veronika Sobotíková
Tento text není samostatným studijním materiálem. Jde jen o prezentaci promítanou na přednáškách, kde k ní přidávám slovní komentář. Některé důležité části látky píšu pouze na tabuli a nejsou zde obsaženy.
VíceDEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
VíceFREDHOLMOVA ALTERNATIVA
FREDHOLMOVA ALTERNATIVA Pavel Jirásek 1 Abstrakt. V tomto článku se snažíme shrnout dosavadní výsledky týkající se Fredholmovy alternativy (FA). Postupně zmíníme FA na prostorech konečné dimenze, FA pro
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 -
VíceTOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 4. PREDNÁŠKA - SOUČIN PROSTORŮ A TICHONOVOVA VĚTA.
TOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 4. PREDNÁŠKA - SOUČIN PROSTORŮ A TICHONOVOVA VĚTA. PAVEL RŮŽIČKA 4.1. (Kvazi)kompaktnost a sub-báze. Buď (Q, ) uspořádaná množina. Řetězcem v Q budeme rozumět lineárně
VíceGreenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice
Greenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice Jan Tomeček Tento stručný text si klade za cíl co nejrychlejší uvedení do teorie Greenových funkcí pro obyčejné diferenciální
VíceMatematická analýza pro informatiky I.
Matematická analýza pro informatiky I. 1. přednáška Jan Tomeček tomecek@inf.upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci 14. února 2011 Jan Tomeček, tomecek@inf.upol.cz
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
VíceZobecněný Riemannův integrál
Zobecněný Riemannův integrál Definice (Zobecněný Riemannův integrál). Buď,,. Nechť pro všechna existuje určitý Riemannův integrál. Pokud existuje konečná limita, říkáme, že zobecněný Riemannův integrál
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
VíceALGEBRA. Téma 4: Grupy, okruhy a pole
SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 4: Grupy, okruhy a pole Základní pojmy unární operace, binární operace, asociativita,
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
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Náhodné vektory Vilém Vychodil KMI/PRAS, Přednáška 8 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 8) Náhodné vektory Pravděpodobnost a statistika
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
VíceINVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.0141 Báze vektorových prostorů, transformace souřadnic Michal Botur Přednáška
Víceletní semestr Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika vektory
Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 202 Založeno na materiálech doc. Michala Kulicha Náhodný vektor často potřebujeme
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
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,
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodný jev Pravděpodobnost náhodného jevu Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 15. srpna 2012 Statistika
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
VíceFunkce. Definiční obor a obor hodnot
Funkce Definiční obor a obor hodnot Opakování definice funkce Funkce je předpis, který každému číslu z definičního oboru, který je podmnožinou množiny všech reálných čísel R, přiřazuje právě jedno reálné
VíceDoporučené příklady k Teorii množin, LS 2018/2019
Doporučené příklady k Teorii množin, LS 2018/2019 1. přednáška, 21. 2. 2019 1. Napište množina x je prázdná (přesněji množina x nemá žádné prvky ) formulí základního jazyka teorie množin. 2. Dokažte ((x
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
Více1 Množiny, výroky a číselné obory
1 Množiny, výroky a číselné obory 1.1 Množiny a množinové operace Množinou rozumíme každé shrnutí určitých a navzájem různých objektů (které nazýváme prvky) do jediného celku. Definice. Dvě množiny jsou
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
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 3. přednáška SIMPLEXOVÁ METODA I. OSNOVA PŘEDNÁŠKY Standardní tvar MM Základní věta LP Princip simplexové metody Výchozí řešení SM Zlepšení řešení
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristiky často potřebujeme vyšetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceUčební texty k státní bakalářské zkoušce Matematika Základy lineárního programování. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Základy lineárního programování študenti MFF 15. augusta 2008 1 15 Základy lineárního programování Požadavky Simplexová metoda Věty o dualitě (bez důkazu)
VíceTexty k přednáškám z MMAN3: 3. Metrické prostory
Texty k přednáškám z MMAN3: 3. Metrické prostory 3. července 2012 1 Metrika na množině, metrický prostor Pojem vzdálenosti dvou reálných (komplexních) čísel, nebo bodů v rovině či prostoru je známý ze
VíceWaldovy testy, vlastnosti a Operační charakteristika
Waldovy testy, vlastnosti a Operační charakteristika Adéla Zavřelová 11. března 2018 Adéla Zavřelová Waldovy testy 11. března 2018 1 / 21 Úvod Úloha H 0 : náhodná veličina X má rozdělení s hustotou f 0
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
Více4. Topologické vlastnosti množiny reálných
Matematická analýza I přednášky M. Málka cvičení A. Hakové a R. Otáhalové Zimní semestr 2004/05 4. Topologické vlastnosti množiny reálných čísel V této kapitole definujeme přirozenou topologii na množině
VíceMatematika 5 FSV UK, ZS Miroslav Zelený
Matematika 5 FSV UK, ZS 2018-19 Miroslav Zelený 1. Stabilita řešení soustav diferenciálních rovnic 2. Úvod do variačního počtu 3. Globální extrémy 4. Teorie optimálního řízení 5. Různé 1. Stabilita řešení
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
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
VíceAplikovaná matematika I, NMAF071
M. Rokyta, MFF UK: Aplikovaná matematika I kap. 1: Úvod, čísla, zobrazení, posloupnosti 1 Aplikovaná matematika I, NMAF071 M. Rokyta, KMA MFF UK ZS 2013/14 Sylabus = obsah (plán) přednášky [a orientační
Více1 Lineární prostory a podprostory
Lineární prostory a podprostory Přečtěte si: Učebnice AKLA, kapitola první, podkapitoly. až.4 včetně. Cvičení. Které z následujících množin jsou lineárními prostory s přirozenými definicemi operací?. C
VíceMatematika 2 pro PEF PaE
Vektorové prostory 1 / 17 Matematika 2 pro PEF PaE 8. Vektorové prostory Přemysl Jedlička Katedra matematiky, TF ČZU Vektorové prostory Vektorové prostory a podprostory 2 / 17 vektorového prostoru Množina
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
VíceKapitola Základní množinové pojmy Princip rovnosti. Dvě množiny S a T jsou si rovny (píšeme S = T ) prvek T je také prvkem S.
1 Kapitola 1 Množiny 11 Základní množinové pojmy Pojem množiny nedefinujeme, pouze připomínáme, že množina je souhrn, nebo soubor navzájem rozlišitelných objektů, kterým říkáme prvky 111 Princip rovnosti
VíceUniverzita Karlova v Praze Matematicko-fyzikální fakulta
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Bc. Dana Chromíková Vícerozměrné míry rizika Katedra pravděpodobnosti a matematické statistiky Vedoucí diplomové práce: RNDr. Ing.
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
VíceBáze a dimenze vektorových prostorů
Báze a dimenze vektorových prostorů Buď (V, +, ) vektorový prostor nad tělesem (T, +, ). Nechť u 1, u 2,..., u n je konečná posloupnost vektorů z V. Existují-li prvky s 1, s 2,..., s n T, z nichž alespoň
VíceTěleso racionálních funkcí
Těleso racionálních funkcí Poznámka. V minulém semestru jsme libovolnému oboru integrity sestrojili podílové těleso. Pro libovolné těleso R je okruh polynomů R[x] oborem integrity, máme tedy podílové těleso
VíceNecht L je lineární prostor nad R. Operaci : L L R nazýváme
Skalární součin axiomatická definice odvození velikosti vektorů a úhlu mezi vektory geometrická interpretace ortogonalita vlastnosti ortonormálních bázi [1] Definice skalárního součinu Necht L je lineární
VíceApriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
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
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
VíceÚvod do teorie her. 6. Koaliční hry
Úvod do teorie her 6. Koaliční hry Tomáš Kroupa http://staff.utia.cas.cz/kroupa/ 2018 ÚTIA AV ČR Různé formy her Známé formy her jsou: rozvinutá, strategická, koaliční. Pro danou množinu hráčů N = {1,...,
VíceFIT ČVUT MI-LOM Lineární optimalizace a metody. Dualita. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
FIT ČVUT MI-LOM Lineární optimalizace a metody Dualita Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Michal Černý, 2011 FIT ČVUT, MI-LOM, M. Černý, 2011: Dualita 2/5 Dualita Evropský
VíceNecht tedy máme přirozená čísla n, k pod pojmem systém lineárních rovnic rozumíme rovnice ve tvaru
2. Systémy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních rovnic s koeficienty z pole reálných případně komplexních čísel. Uvádíme podmínku pro existenci řešení systému lineárních
VícePROSTORY SE SKALÁRNÍM SOUČINEM. Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti
PROSTORY SE SKALÁRNÍM SOUČINEM Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx, y) = λ(x,
Více10. Vektorové podprostory
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan Definice. Bud V vektorový prostor nad polem P. Podmnožina U V se nazývá podprostor,
VícePojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace
RELACE Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace slouží k vyjádření vztahů mezi prvky nějakých množin. Vztahy mohou být různé povahy. Patří sem vztah býti potomkem,
VícePavlína Matysová. 5. listopadu 2018
Soubor řešených úloh Vyšetřování průběhu funkce Pavlína Matysová 5. listopadu 018 1 Soubor řešených úloh Tento text obsahuje 7 úloh na téma vyšetřování průběhu funkce. Každé úloha je řešena dvěma způsoby
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
Více8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice
9. Lineární diferenciální rovnice 2. řádu Cíle Diferenciální rovnice, v nichž hledaná funkce vystupuje ve druhé či vyšší derivaci, nazýváme diferenciálními rovnicemi druhého a vyššího řádu. Analogicky
VíceVektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3,
Vektorový prostor Příklady: Př.1. R 2 ; R 3 ; R n...aritmetický n-rozměrný prostor Dvě operace v R n : součet vektorů u = (u 1,...u n ) a v = (v 1,...v n ) je vektor u + v = (u 1 + v 1,...u n + v n ),
Více1. POJMY 1.1. FORMULE VÝROKOVÉHO POČTU
Obsah 1. Pojmy... 2 1.1. Formule výrokového počtu... 2 1.2. Množina... 3 1.2.1. Operace s množinami... 3 1.2.2. Relace... 3 2. Číselné obory... 5 2.1. Uzavřenost množiny na operaci... 5 2.2. Rozšíření
VíceTestování statistických hypotéz
Testování statistických hypotéz 1 Testování statistických hypotéz 1 Statistická hypotéza a její test V praxi jsme nuceni rozhodnout, zda nějaké tvrzeni o parametrech náhodných veličin nebo o veličině samotné
VíceModely Herbrandovské interpretace
Modely Herbrandovské interpretace Petr Štěpánek S využitím materialu Krysztofa R. Apta 2006 Logické programování 8 1 Uvedli jsme termové interpretace a termové modely pro logické programy a také nejmenší
Více5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}.
5. Náhodná veličina Poznámka: Pro popis náhodného pokusu jsme zavedli pojem jevového pole S jako množiny všech možných výsledků a pravděpodobnost náhodných jevů P jako míru výskytů jednotlivých výsledků.
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
VícePŘEDNÁŠKA 5 Konjuktivně disjunktivní termy, konečné distributivní svazy
PŘEDNÁŠKA 5 Konjuktivně disjunktivní termy, konečné distributivní svazy PAVEL RŮŽIČKA Abstrakt. Ukážeme, že každý prvek distributivního svazu odpovídá termu v konjuktivně-disjunktivním (resp. disjunktivně-konjunktivním)
VíceMatematika I. Přednášky: Mgr. Radek Výrut, Zkouška:
Přednášky: Mgr. Radek Výrut, Matematika I katedra matematiky, UL-605, rvyrut@kma.zcu.cz tel.: 377 63 2658 Zkouška: Písemná část zkoušky - příklady v rozsahu zápočtových prací Ústní část zkoušky - základní
Více