INVARIANTNÍ ROZDĚLENÍ ČÁSTICOVÝCH SYSTÉMŮ
|
|
- Aleš Dvořák
- před 8 lety
- Počet zobrazení:
Transkript
1 ROBUST 2002, c JČMF 2002 INVARIANTNÍ ROZDĚLENÍ ČÁSTICOVÝCH SYSTÉMŮ LUCIE FAJFROVÁ Abstract. In the paper we consider interacting particle system that have zero range interactions. It means we have special Markov process with uncountable state space where one state is configuration of particles on sites and interactions can occur just among particles at the same site. The natural questionareinvariantmeasuresofthismarkovprocess.wecanfindsomeofthem andinspecialcaseswecanfindjustsetofextremalinvariantmeasures.we deal with a characterization of the invariant measures in several examples. Rez me. V statьe izuqaets sistema vzaimode stvih qastic u kotoro estь specialьnye nulь-oblastnye vzaimode stva. Зto znaqitь qto u nas specialьny Markovski process s nesqetnym mnoжestvem sosto ni, gde зlement зtogo mnoжestva estь konfiguracia qastic na poloжeni h, i qasticy mogut vzaimno vli atь na seb tolьko kogda ony na tot жe samom poloжenii. Interesno vl ets problemma invariantnyh mer зtogo processa Markova. Nam bozmoжno na ti nekotorye iz nih i vo specialьnom sluqae mnoжestvo vseh зkstremalьnyh invariantnyh mer. My izuqaem harakterizaci invariantnyh mer v neskolьko primerah. 1. Definice Buď XPolskýprostoropatřenýBorelovskou σ-algebrou.označme Dprostor cadlag funkcí: D= {ϕ: R + Xzpravaspojitáaexistujívlastnílimityzlevavkaždémbodě} se σ-algebrou F, kterou definujeme jako nejmenší σ-algebru, při níž jsou měřitelné projekce π t : D X, ϕ ϕ(t), t 0.Označme(F t : t 0)soubor σ-algeber dočasu t,tzn. F t := σ(π s : 0 s t). Kanonický Markovský proces se stavy v množině X definujeme jako Markovské jádro ( P η : η X ),kde P η jsoupravděpodobnostnímíryna(d, F),jejichž projekcedočasu t=0jsoudirakovymírysoustředěnév η aoznačíme-liprokaždé η X a s 0 P η ( F s )podmíněnoupravděpodobnost odvozenouodpravděpodobnosti P η ( ),tzn. C Fje P η (C F s )náhodnáveličina na(d, F, P η )splňující P η (C B s )= P η (C F s )(ϕ) dp η (ϕ) B s F s, B s potom P η ( F s )měřímnožinu {ψ D:ψ(s+ ) A}stejně,ažnamnožinu nulovémíry P η,jakomíra P ϕ(s) množinu A. 1991MathematicsSubjectClassification. Primary82C22;Secondary60K35,37L40. Klíčová slova. Particle system, Markov process, invariant measure. Tato práce je podporována grantem GAČR 201/00/1149 a MSM
2 108 Lucie Fajfrová Definice: Soubor ( P η : η X ) pravděpodobnostníchměrna(d, F)nazveme kanonický Markovský proces se stavy v X, jestliže 1.zobrazení η P η (A) X [0,1] jeměřitelné A F 2. P η( ϕ(0)=η ) =1 3.(Markovskávlastnost) P η( ψ(s+ ) A F s ) (ϕ)=p ϕ(s) (A)pro P η -s.v. ϕ D. Poznámka 1.1. Podívejme se, že pro spočetnou množinu stavů X je tato definice konzistentní s definicíhomogenníhomarkovskéhořetězce(φ t : t 0),kterouznámevetvaru: t 0, 0 u 1... u n splatí (1) P(Φ s+t = γ Φ s = δ,φ un = δ n,...,φ u1 = δ 1,Φ 0 = η)=p(φ t = γ Φ 0 = δ). Buď X spočetná diskrétní. Vlastnost 1. je nyní splněna vždy a vlastnost 3. lze z definice podmíněné pravděpodobnosti vyjádřit jako: P η( {ψ(s+ ) A} B s ) = B s P ϕ(s) (A) P η (dϕ) B s F s, Zřejměstačíuvažovat B s = {φ:φ(s)=δ, φ(u n )=δ n,...,φ(u 1 )=δ 1 },neboť tytomnožinyprovšechna 0 u 1... u n s, n Ngenerují F s ajsou uzavřenénakonečnéprůniky.podobněstačíuvažovat A={φ:φ(t)=γ, φ(v k )= γ k,..., φ(v 1 )=γ 1 },kde 0 v 1... v k t, k N.Rovnost3.pakdostáváme ve tvaru P η( ψ(s+t)=γ, ψ(s+v k )=γ k,...,ψ(s+v 1 )=γ 1, ψ(s)=δ, ψ(u n )=δ n,..., ψ(u 1 )=δ 1 ) = P δ (ψ(t)=γ, ψ(v k )=γ k,..., ψ(v 1 )=γ 1 ) P η (ψ(s)=δ, ψ(u n )=δ n,...,ψ(u 1 )=δ 1 ) P η -s.v., 0 u 1... u n s, 0 v 1... v k t. OznačmeΦkanonickýprocesna(D, F, P)majícípodmíněnározděleníΦ Φ 0 = η zadanámírou P η prokaždé η Xtj. P(A Φ 0 = η)=p(φ A Φ 0 = η)=p η (A). Potom dostáváme rovnost ve tvaru P ( Φ s+t = γ,φ s+vk = γ k,...,φ s+v1 = γ 1 Φ s = δ,φ un = δ n,...φ u1 = δ 1, Φ 0 = η ) = P ( Φ t = γ,φ vk = γ k,...,φ v1 = γ 1 Φ 0 = δ ), což je ekvivalentní(1). Tedy Φ je homogenní Markovský proces se spočetnou stavovoumnožinou X. Definice: Označme C(X)prostorspojitýchfunkcína Xa C b (X)prostorspojitých, omezenýchfunkcí.buď ( P η : η X ) Markovskýproces.Prokaždé t 0definujme lineárníoperátor S(t)na C b (X)předpisempro f: X Rspojitou,omezenou S(t)f : X η R E η (f π t )= f ( π t (ϕ) ) P η (dϕ)= f ( ) ϕ t P η (dϕ.) D D kde π t jeprojekce D X, E η jestředníhodnotaodpravděpodobnosti P η tj.pronáhodnýproces Zscadlag trajektoriemije E η (Z)= D ZdP η existuje-li(odtudpocházípřirozeněpředpoklad uvažovat jen omezené funkce).
3 Invariantní rozdělení částicových systémů 109 UvažujmeMarkovskýproces ( P η : η X ).Označíme-li t 0P η t projekcimíry P η dočasu t,tedy P η t ( )jepravděpodobnostnímírana(x, B),je P t ( )Markovské jádrona(x, B).SpeciálněMarkovskávlastnost3.zdefinicemáprosouborMarkovskýchjader ( P t( ) ) tvar P η s+t (B)= Ps ξ(b) P η t (dξ) (Chapman-Kolmogorovarovnost). Operátory S(t) jsou potom přímo odvozené od takového souboru Markovských jader, S(t)f(η)= f(ξ)pt(dξ)ap η t(b)=s(t)i η B. Zajímavébudoutysituace,kdeplatí S(t)f C b (X).Snadnodokážeme,žetakový soubor operátorů splňuje vlastnosti t, s 0: 1) S(t)f 0 prokaždou f 0 a S(0)=I 2) t S(t)f(η) R + Xjezpravaspojitézobrazení f, η 3) S(t+s)f= S(t)S(s)f 4) S(t)1=1. Definice: Souboroperátorů ( S(t):t 0 ), S(t):C b (X) C b (X)prokaždé t 0, splňující vlastnosti 1)- 4) nazveme Markovská semigrupa. Markovská semigrupa je pro Markovský proces charakterizací v tom smyslu, že k Markovské semigrupě existuje jediný kanonický Markovský proces splňující S(t)f(η)=E η (f π t )prokaždé f C b (X), η X, t 0.Lzenaléztnapříkladv[2]. Definice: Operátor na C(X) s definičním oborem S(t)f f D(Ω)={f C(X): lim existuje} tց0 t definovaný předpisem S(t)f f Ωf=lim tց0 t se nazývá(infinitesimální) generátor Markovské semigrupy. Poznámka:limitou t ց0vdefinicimyslímelimituvmetrice C(X). Mezi Markovskou semigrupou a jejím generátorem za určitých předpokladů platí 1-1korespondence,toznamená,žeprokaždou f D(Ω)lzevyjádřit ( S(t)f= lim I t ) nf n n Ω aplatí,že S(t)f D(Ω).Potomnavícplatívztah d (2) S(t)f=Ω S(t)f= S(t)Ωf. dt Toto tvrzení bývá označováno jako Hille-Yosidova věta a jak jsem již předeslala je uváděno za určitých topologických předpokladů na prostory X, respektive C(X). Lze jej nalézt v[6],[8]. Takovým postačujícím předpokladem je například X kompaktní metrický prostor. V některých jiných případech stavového prostoru X je možné se vyhnout přímému použití H.-Y. věty a ukázat korespondenci ve smyslu(2) operátoru Ω definovaném na hustépodmnožině C(X)aMarkovskésemigrupy(S(t):t 0)definovanéna C b (X). JemožnévyjítzoperátoruΩazkonstruovatkněmusemigrupu,onížjetřeba ukázat, že odpovídá(2) a má vlastnosti Markovské semigrupy. Tuto konstrukci lze nalézt například v[4].
4 110 Lucie Fajfrová Definice: Buď P množina Borelovských pravděpodobnostních měr na X se slabou topologií.míra µ PsenazýváinvariantnívůčiMarkovskésemigrupě(S(t):t 0), jestližeprokaždou f C b (X)platí (3) S(t)fdµ= fdµ t 0. V ( této souvislosti ) označujeme µs(t) míru na X definovanou předpisem: f d µs(t) = S(t)f dµ pro každou f spojitou omezenou funkci na X. Potomlzemísto(3)psátjednoduše µs(t)=µ t 0. Definice: ZR proces(zero range process) definujeme jako Markovský proces se stavovou množinou X= N S = {η; η: S N}, kde Sjespočetnýdiskrétníprostora kde X opatříme součinovou topologií, tzn. otevřená bazeje { {η: η(x 1 )=k 1,..., η(x n )=k n }: n N +, k 1,...,k n N, x 1,..., x n S }, zadaný operátorem Ω na nějaké husté podmnožině C(X) předpisem (4) Ωf(η)= g ( η(x) ) p(x, y) ( f(η xy ) f(η) ) η X, x S y S kde gjenezápornáfunkcena N, g(0)=0, p(, ) je pravděpodobnost přechodu diskrétního Markovského řetězce na S akonfiguraci η xy Xdefinujeme z Spředpisem η(x) 1 pro z= x, η(x) >0ax y η xy (z)= η(y)+1 pro z= y, η(x) >0ax y η(z) jinak. Poznámka: Aby definice byla korektní, je potřeba ukázat existenci Markovského procesu s takto definovaným generátorem. Jak už bylo poznamenáno, stačí ukázat existenci Markovské semigrupy korespondující(ve smyslu(2)) s operátorem Ω definovanýmv(4).tutokonstrukcilzenaléztv[5],nebo[4],[3]provšechnypříklady, které budou uvedeny. První příklad bude speciálním případem, v němž vezmeme množinu pozic S konečnou, tedy stavový prostor X bude spočetný a ZR proces na X bude klasický Markovský proces se spočetně stavy definovaný intenzitami přechodů. Příklad 1. Mějmeprostorpozic S=[0, n] Z,potomstavovýprostor X= N S jespočetný. Nechťintenzitováfunkce g(k)=1 [k>0] indikujepřítomnostčástica(p(x, y):x, y S) je nerozložitelný Markovský řetězec. Funkci fna Xlzetedypsátjakovektor(f(η):η X)aoperátorΩpřepsatdo matice(ω ηζ ) η,ζ X.VýrazemΩfpotommínímenásobenímaticeavektoruΩ f. Zpředpisu(4)plyne,že(η, ζ)-týčlenmaticeωpro η ζ jeintenzitapřechodu zkonfigurace ηdokonfigurace ζ,kterájenenulovájenvpřípadě ζ= η xy pronějaká x, y Staková,že η(x) >0,avtompřípadě ω ηζ = p(x, y).diagonálníčlen ω ηη je minuscelkováintenzitastavu η,tj. ω ηη = ζ η ω ηζ,kdejenkonečněčlenůsumy je nenulových. Ω je tudíž matice intenzit Markovského řetězce se zprava spojitými trajektoriemi ařešenímzpětnékolmogorovydiferenciálnírovnice S (t)=ω S(t), S(0)=I
5 Invariantní rozdělení částicových systémů 111 získáme maticovou semigrupu(s(t), t 0), která určuje pravděpodobnosti přechodů za čas t tohoto ZR procesu. Míra µ= ( µ(η):η X ) na XjeinvariantnívzhledemkS(t)právětehdykdyž ( ) (5) S(t) f µ(η)= f(η) µ(η) t 0 η η X η X platíprokaždouomezenoufunkci fna X. Zřejměvšak(5)stačídokazovatpro f η =1 {η}, η X,protolze(5)ekvivalentně psátjako: ( S(t) ) T µ=µ t 0. Definujemenynípojemcylindrickéfunkcenasoučinovémprostorutypu X= N S,kde S je spočetný diskrétní prostor. Funkci f: X R nazveme cylindrickou, jestliže existuje K Skonečná,že η, ζ X : (η(x)=ζ(x) x K)platí f(η)=f(ζ). Pozorování: Cylindrické funkce jsou spojité a při vhodně zvolené topologii na C(X) jsouhustévc(x). Příklad 2. Jako prostor pozic, na kterém rozmístíme libovolné množství nerozlišitelných částic,sivezměmemnožinucelýchčísel.tj. S= Z.Konkrétníkonfiguracečástic η N Z, kde η(x)udávápočetčásticnapozici x S,jetedyprvekstavovéhoprostoru X = N Z.Buďopětintenzitováfunkce g(k)=1 [k>0],cožlzeinterpretovat,jakože částicena x tépozicičekajívefrontěsjednoustanicíobsluhynapřeskoknajinou pozici. NechťMarkovskýřetězec p(x, y)jenáhodnáprocházkana Z:buď0<p, q < 1 a p+q=1,potom p(x, x+1)=pap(x, x 1)=q.Pohybčásticpopozicíchje možný jen na sousední pozice. Intenzita přeskoku jedné částice z pozice x do pozice yjetudíž1 [η(x)>0] p(x, y). Generátor tohoto ZR procesu je (6) Ωf(η)= x Z 1 [η(x)>0] (p ( f(η x,x+1 ) f(η) ) + q ( f(η x,x 1 ) f(η) )) η X adefinujemejejprocylindrickéfunkce fna X. Příklad 3. Vezmeme si zobecnění předchozího příkladu v tom smyslu, že Markovský řetězec p(x, y) bude nehomogennínáhodnáprocházkana Z. Tzn. p(x, x+1) = p x a p(x, x 1)=q x,kde q x =1 p x,0<p x, q x <1 xainf p x >0, inf q x >0. Přeskok částice je tedy zase možný jen na sousední pozice, jeho intenzita však tentokrát nezávisí pouze na počtu částic na výchozí pozici a směru pohybu, ale navíc nadalšímparametrupozice p x. Všeostatnízůstávájakovpředchozímpříkladu,tj. X= N Z agenerátortohotozr procesu je (7) Ωf(η)= x Z 1 [η(x)>0] (p x ( f(η x,x+1 ) f(η) ) + q x ( f(η x,x 1 ) f(η) )) η X pro fcylindrickéfunkcena X.
6 112 Lucie Fajfrová 2. Invariantní míry Nyní se zaměříme na to, jak pro uvedené případy ZR procesů definované generátorem(7), nebo speciálně(6), nalezneme míry invariantní vůči jejich semigrupě (S(t), t 0).Invariantnímírynászajímajíztohodůvodu,žechováníprocesuvůči nim vykazuje určitou stabilitu. Je-li totiž µ invariantní vůči semigrupě Markovského procesu(ξ t : t 0),potomvezmeme-li µjakopočátečnírozdělenítohotoprocesu, budecelýprocesstriktněstacionární,tzn.(ξ t : t 0)a(ξ t+s : t 0)majístejná konečně rozměrná rozdělení pro každý čas s 0. Naopak startuje-li proces z libovolnéhorozdělení νna X,pronějžexistujelim t νs(t)=: µ,potom µjeinvariantní. To znamená, že množina invariantních měr obsahuje možné kandidáty na limitní rozdělení. Obojí není těžké ukázat. Vcelététokapitoleseomezmenasituacipopsanouvpříkladě3(speciálně2). Označme I množinu všech invariantních měr pro konkrétní ZR proces se semigrupou (S(t), t 0)agenerátoremΩtypu(7).Označme I e množinuextremálníchbodů I. Ideální situace nastává, známe-li celou množinu invariantních měr I a každému počátečnímu stavu umíme přiřadit tu invariantní míru, jež je limitním rozdělením procesu s tímto počátkem. Následující tvrzení ukazuje, že množinu invariantních měr lze popsat jejími extremálními body. Tvrzení 2.1. a) I= {µ P: µ=µs(t) t 0}jeuzavřená,konvexnípodmnožina P b) I= co I e důkaz: add a) konvexita a uzavřenost I jsou zřejmé, add b) Krein-Milmanova věta pro nekompaktní případ[7]. V některých případech ZR procesů se daří nalézt právě extremální body množiny Iatopostupem,kterýjepopsánvnásledujícívětě[1,(1.8.)].Tadáváalgoritmus, jak nalézt některé invariantní míry pro ZR proces. Z jejího tvrzení je ihned zřejmé, žepokudtímtozpůsobemnaleznemejednumíru µ π,pakcelárodinaměr µ α π,kde α Rtaková,aby µ α π P,jsouinvariantnímíry.Dokázatalespoňvkonkrétních případech, že právě tyto míry jsou extremální body I, není snadné. Větu uvádím jen v té obecnosti, kterou použijeme pro uvedené příklady. Věta 2.2.(Andjel(1982)) Buď p(x, y) irreducibilní Markovský řetězec na S. Buď π: S R +,0 < π(x) <1 x Stakové,že (8) π(x)p(x, y)=π(y) y S, x S potom ν π I,kde ν π jesoučinovámírana Xsmarginálydefinovanými x S: (9) ν π (η: η(x)=k)= ( 1 π(x) )( π(x) ) k k N. Důkazvěty2.2lzenaléztv[1].Probíhávetřechkrocích,znichžprvníjeobsahem následujícího tvrzení, z něhož vyplyne, že pro invarianci míry µ stačí dokazovat Ωfdµ=0 fcylindrickouna N S, µ-integrovatelnou.
7 Invariantní rozdělení částicových systémů 113 Druhý krok spočívá v provedení důkazu speciálně pro S konečnou. Tímto případemjsmesezabývalivpříkladě1,odkudplyne,žestačídokázatω T µ=0,cožje pro míru µ zadanou předpisem(9) snadné ukázat. Třetímkrokemjeaproximovat S= S n,kde S n jsoukonečnédosebevnořené podmnožiny S,avhodnězúžitoperátorΩnaoperátorΩ n na N Sn,takžeΩ n Ω a (Ω n Ω)(f) má µ-integrovatelnoumajorantu.z1.krokupak Ω n f dµ=0 alimitou n jedůkazdokončen. Tvrzení 2.3. NechťoperátorΩna C ( N S) jemarkovskýgenerátorzrprocesusg(k)=1 [k>0]. Nechť ( S(t) ) jekorespondující(vesmyslu(2))markovskásemigrupa.buď µmíra na N S.Paknásledujícítvrzeníjsouekvivalentní: (1) S(t)fdµ= fdµ t 0 fomezenouspojitouna N S (2) Ωfdµ=0 fcylindrickouna N S, µ-integrovatelnou. Důkaz tvrzení 2.3: Uvědomme si, že je-li funkce f cylindrická omezená, pak také S(t)f je cylindrická omezenáprokaždé t 0. Zkorespondence(2)mezi S(t)aΩplyne t ( ) ( t ) (10) S(t)f fdµ= ΩS(u)f dµ du= ΩS(u)f du dµ, 0 kde je ovšem pro druhou rovnost potřeba ověřit předpoklady pro záměnu integrálů. Nechťplatí(2).Prodůkaz(1)stačídokázatrovnost µs(t)=µ t 0probazové množiny X(viz definice ZR procesu). Tzn. stačí dokázat(1) pro cylindrické funkce. Buď f libovolná cylindrická omezená. Zpředpokladuje ΩS(t)fdµ=0prokaždé t 0atudíži ( t ΩS(u)fdµ ) 0 du=0. Pro záměnu integrálů v(10) stačí nalézt integrovatelnou majorantu pro ΩS(u)f. Protože fjeomezená,existuje N N: f(η) N ηapotom S(u)f(η) f(ξ) Pu η (dξ) N η, u 0. S(u)fjecylindrická u 0,speciálněpro S(t)fodtudexistujekonečná K S,že S(u)f(η) 0 u tzavisína ηjenpřessouřadnicezk.tudíž ΩS(u)f(η) 1 [η(x)>0] p(x, y) S(u)f(η x,y ) S(u)f(η) 2N K 2. x K y K Lzeprovéstzáměnuintegrálů,tedy S(t)f fdµ=0. Nechť platí(1). f(η) pokud f(η) N Buď fcylindrická, µ-integrovatelná.označme f N (η)= N pokud f(η) > N N pokud f(η) < N Zřejmě f N jecylindrickáaomezená,protozpředpokladuplatí S(t)f N f N dµ=0 t 0.Použitím(10)dostáváme ) t 0( S(u)ΩfN dµ du=0 t 0.Protoževnitřní integráljespojitoufunkcí u,dostáváme S(u)Ωf N dµ=0 u 0.Speciálněvolbou u=0pakplyne Ωf N dµ=0.zřejměωf N Ωfbodově. Abychom dokázali Ωfdµ = 0, stačí nalézt integrovatelnou majorantu pro Ω(f f N ).Toujekonst.*f,neboťjsmepředpokládali fintegrovatelnou. Tedy Ωfdµ Ω(f f N ) dµ N 0. 0
8 114 Lucie Fajfrová 3. Aplikace Pokusíme se nyní co nejlépe popsat množinu invariantních měr pro případ ZR procesu popsaného v příkladě 3), speciálně 2). Nejprve druhý příklad: máme ZR proces definovaný operátorem(6) odvozený od náhodné procházky na Z. Tzn.provšechna x Zje p(x, x+1)=pap(x, x 1)=q,ostatnípřechodymají pravděpodobnost nula. První krok k získání součinové invariantní míry je podle výše uvedené věty nalezení funkce πna Zřešícísoustavurovnic(8)asplňující0<π(x) <1.Vtomtonašem případě je rovnice(8) tvaru π(x)=pπ(x 1)+qπ(x+1) x Z ( avšechnajejířešeníjsou π(x) = A+B p x, q) A, B libovolnékonstanty.ovšem vzhledemkpodmínce0<π(x) <1jsouproaplikovánívěty2.2zevšechtěchto řešenívhodnájenkonstantnířešení: π(x)=a x Z,kde0<A<1.Potom dostáváme, že součinové míry s marginály ν A (η: η(x)=k)=a k (1 A) x SjsouinvariantníprotentoZRproces,kdykoliv0 < A <1. Tedy {ν A :0<A<1} I. Lze v tomto případě dokonce dokázat, že právě tyto součinové míry tvoří množinu extremálníchbodůpromnožinuinvariantníchměr,tj. {ν A :0<A<1}=I e.důkazjetechnickynáročnýalzejejnaléztv[1].vesmyslutvrzení2.1námmnožina součinovýchměr {ν A :0<A<1}dobřepopisujecelou I. Třetí příklad: máme ZR proces definovaný operátorem(7) a rozdíl od předchozího příkladu je ve zobecnění Markovského řetězce p(x, y), který už není prostorově homogenní. Abychom mohli použít větu 2.2 a nalézt k tomuto procesu invariantní míry, je nyní třeba řešit soustavu diferenčních rovnic (11) π(x)=p x π(x 1)+q x π(x+1) x Z. V této obecnosti její řešení explicitně nevyjádříme. Podívejme se alespoň na speciální případ: p x p x 0 & p x p x 1 pro0 < p p <1. Všechna řešení rovnice(11) jsou potom tvaru: ( q ) x ) x (12) π(x)=a+b x 0, π(x)=ã+ B x 1, p ( p q kde platí (13) (q p)a=( q p)ã & pb p B= qã qa. Vrámci(13)lzekoeficienty A, B, Ã, Bvolittak,abybylasplněnapodmínka (14) 0 < π(x) <1.
9 Invariantní rozdělení částicových systémů 115 Rozeberme řešení pro jednotlivé případy pravděpodobností p, p: I. II. III. IV. p 1/2, p 1/2 p 1/2, p 1/2 p >1/2, p >1/2 p <1/2, p <1/2, z nichž případ, kdy p = p, vyjmeme. Množinu všech funkcí π, splňujících(12),(13) a(14)označme R.Kdykolivje Rneprázdná,dostanemejivetvaru R={π C : c 1 < C < c 2 }. Rjetedyindexovanájednímparametremzotevřenéhointervalu(c 1, c 2 ), podobnějakovpříkladě2),stímrozdílem,že π C neníkonstantní. Množina R vždy intuitivně odpovídá představě o pohybu částic po Z v jednotlivých situacích: I. q 1/2 p 1/2 Dostávámejedině π 0tj. R=. Nastávábuď p q >1a q p >1,cožvedezpodmínky π <1 na B=0= Bazpodmínky π >0na A=0=Ã, nebo p q >1a q p =1,cožvedena Ã=0= Ba A+B=0, nebo p q =1a q p >1,cožvedena A=0=Ba Ã+ B=0. II. p 1/2 q 1/2 Dostáváme Nastávábuď p q <1a q p <1,potomzpodmínky π >0 dostaneme A=0=Ãapro B, Bvztah pb= p B, nebo p q <1a q p =1,cožvedena Ã=0a p B= 1 2 (A+B), nebo p q =1a q p <1,cožvedena A=0apB=1 2 (Ã+ B). R={π(x)=B ( q p ) x pro x 0, π(y)=b p p ( p ) ypro y 1 : 0 < B < b2 }, q kde b 2 závisí na konkrétní volbě p, p, aby platilo π < 1. Snadno zjistíme, že b 2 =min(1, q p ).Toznamená,žepůjde-li levá procházkarychleji(p > q),jetřeba B omezitshorapodílem q p.bude-lisituaceopačnáa pravá procházkapůjderychleji (p < q), stačí B omezit shora 1. Tato nesymetrie vzniká z nesymetrického rozdělení Zna Z (,0]aZ (0, ). III. p >1/2 p >1/2 Dostáváme Abyplatilo0 < π <1,jenutně B=0a0 < à <1 azpodmínky(13)plynepro A, B: A= q pã=: q p F(Ã), B= 1 q p p ( q q p )Ã=: G(Ã) (speciálněpro p > pje A > ÃaB<0). R={π(x)=F(Ã)+G(Ã)( q ) x pro x 0, π(y)= Ãpro y 1 : 0 < p à < a 2}, kde a 2 závisínakonkrétnívolbě p, p,abyplatilo π <1.Zasejejvjednotlivýchpřípadech snadno vyjádříme, výraz však bude složitější než v předchozím případě.
10 116 Lucie Fajfrová IV. q >1/2 q >1/2 Kvůli0 < π <1,jenutně B=0a0 < A <1 azpodmínky(13)plynepro Ã, B: Ã= q p q p A=: H(A), 1 q p B= p (q q p )A=: J(A) (speciálněpro q > qvyjde à < Aa B >0). Dostáváme R={π(x)=Apro x 0, π(y)=h(a)+j(a) ( p ) ypro y 1 : 0 < A < c2 }, q kde c 2 závisínakonkrétnívolbě p, p,abyplatilo π <1. Rozborem případů jsme našli všechna řešení rovnice(11) v našem speciálním případě,kterásplňují(14).označme I R množinusoučinovýchměrdanýchvětou2.2 prokaždýzpřípadůi-iv.vpřípaděije I R =.VpřípadechII-IVplynezcitované věty,že I R I.VpřípaděIIvypadámnožina I R následovně I R = ( ) ( {ν B : ν B η: η(x)=k = 1 B ( p) x )B k( p ) kx x 0 q q 0<B<b 2 k N }. = ( 1 B p p ( p )( ) x k ) kx q) p p ( p q B x 1 VpřípadechIIIaIVbudezápismnožiny I R vypadatobdobně. Otázkou v tomto příkladě zůstává, platí-li(stejně jako v příkladě 2), že jsme nalezli přímo všechny extremální body množiny invariantních měr I. Literatura [1] Andjel, E.D.: Invariant measures for the zero range proces, Ann.Probab. 10, , [2] Fremlin, D.H.: Measure Theory, Vol. 4: Topological measure spaces, in preparation. Partial drafts available via [3] Holley, R.: A Class of Interactions in Infinite Particle System, Adv. in Math. 5, , [4] Liggett, T.M., Spitzer, F.: Ergodic Theorems for Coupled Random Walks and Other Systems with Locally Interacting Components, Z. Wahrsch. Gebiete 56, 443/468, [5] Liggett, T.M.: Interacting Particle Systems, Springer-Verlag, New York, [6] Rogers, L.C.G., Williams, D.: Diffusions, Markov Processes and Martingales, Cambridge University Press, UK, Vol. 1, [7] Štěpán, J.: A noncompakt Choquet Theorem, Comment. Math. Univ. Carolinae 25,1, 73-89, [8] Yosida, K.: Functional Analysis, Springer-Verlag, New York, ÚTIAAVČR,PodVodárenskouvěží4,18208Praha8 fajfrova@karlin.mff.cuni.cz
FREDHOLMOVA 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
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
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,
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
Více9. přednáška 26. listopadu f(a)h < 0 a pro h (0, δ) máme f(a 1 + h, a 2,..., a m ) f(a) > 1 2 x 1
9 přednáška 6 listopadu 007 Věta 11 Nechť f C U, kde U R m je otevřená množina, a a U je bod Pokud fa 0, nemá f v a ani neostrý lokální extrém Pokud fa = 0 a H f a je pozitivně negativně definitní, potom
VíceROVNICE NA ČASOVÝCH ŠKÁLÁCH A NÁHODNÉ PROCESY. Michal Friesl
Robust 14, Jetřichovice ROVNICE NA ČASOVÝCH ŠKÁLÁCH A NÁHODNÉ PROCESY Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Robust 14, Jetřichovice ÚVOD Úvod Analýzníkům
Více1 Linearní prostory nad komplexními čísly
1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)
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
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
VícePrůvodce studiem. do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
6. Extrémy funkcí více proměnných Průvodce studiem Hledání extrémů je v praxi často řešená úloha. Např. při cestě z bodu A do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
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
VíceMarkovské metody pro modelování pravděpodobnosti
Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou
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
VíceINTEGRÁLY 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
VíceÚvod 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
VíceLineární algebra Kapitola 1 - Základní matematické pojmy
Lineární algebra Kapitola 1 - Základní matematické pojmy 1.1 Relace a funkce V celém textu budeme používat následující označení pro číselné množiny: N množina všech přirozených čísel bez nuly, N={1, 2,
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
VíceZáklady matematické analýzy
Základy matematické analýzy Spojitost funkce Ing. Tomáš Kalvoda, Ph.D. 1, Ing. Daniel Vašata 2 1 tomas.kalvoda@fit.cvut.cz 2 daniel.vasata@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
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
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
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
Více+ 2y. a y = 1 x 2. du x = nxn 1 f(u) 2x n 3 yf (u)
Diferenciální počet příklad 1 Dokažte, že funkce F, = n f 2, kde f je spojitě diferencovatelná funkce, vhovuje vztahu + 2 = nf ; 0 Řešení: Označme u = 2. Pak je F, = n fu a platí Podle vět o derivaci složené
Více1. přednáška 1. října Kapitola 1. Metrické prostory.
1. přednáška 1. října 2007 Kapitola 1. Metrické prostory. Definice MP, izometrie. Metrický prostor je struktura formalizující jev vzdálenosti. Je to dvojice (M, d) složená z množiny M a funkce dvou proměnných
Více5. Lokální, vázané a globální extrémy
5 Lokální, vázané a globální extrémy Studijní text Lokální extrémy 5 Lokální, vázané a globální extrémy Definice 51 Řekneme, že f : R n R má v bodě a Df: 1 lokální maximum, když Ka, δ Df tak, že x Ka,
VíceSymetrické a kvadratické formy
Symetrické a kvadratické formy Aplikace: klasifikace kvadrik(r 2 ) a kvadratických ploch(r 3 ), optimalizace(mpi) BI-LIN (Symetrické a kvadratické formy) 1 / 20 V celé přednášce uvažujeme číselné těleso
VíceMarkov Chain Monte Carlo. Jan Kracík.
Markov Chain Monte Carlo Jan Kracík jan.kracik@vsb.cz Princip Monte Carlo integrace Cílem je (přibližný) výpočet integrálu I(g) = E f [g(x)] = g(x)f (x)dx. (1) Umíme-li generovat nezávislé vzorky x (1),
VícePravděpodobnost a statistika
Pravděpodobnost a statistika 1 Náhodné pokusy a náhodné jevy Činnostem, jejichž výsledek není jednoznačně určen podmínkami, za kterých probíhají, a které jsou (alespoň teoreticky) neomezeně opakovatelné,
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,
VíceRelativní Eulerova funkce
MUNDUS SYMBOLICUS 25 (2017) Relativní Eulerova funkce J. Nečas Abstract. The article deals with the sequence of ratios between values of the Euler function of the natural number n and that number n. Klíčová
Vícerovnic), Definice y + p(x)y = q(x), Je-li q(x) = 0 na M, nazývá se y + p(x)y =
Cíle Přehled základních typů diferenciálních rovnic prvního řádu zakončíme pojednáním o lineárních rovnicích, které patří v praktických úlohách k nejfrekventovanějším. Ukážeme například, že jejich řešení
VíceMatematická analýza III.
1. - limita, spojitost Miroslav Hušek, Lucie Loukotová UJEP 2010 Úvod Co bychom měli znát limity posloupností v R základní vlastnosti funkcí jedné proměnné (definiční obor, monotónnost, omezenost,... )
VícePosloupnosti a jejich konvergence POSLOUPNOSTI
Posloupnosti a jejich konvergence Pojem konvergence je velmi důležitý pro nediskrétní matematiku. Je nezbytný všude, kde je potřeba aproximovat nějaké hodnoty, řešit rovnice přibližně, používat derivace,
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
VíceOBECNOSTI KONVERGENCE V R N
FUNKCE VÍCE PROMĚNNÝCH V reálných situacích závisejí děje obvykle na více proměnných než jen na jedné (např. na teplotě i na tlaku), závislost na jedné proměnné je spíše výjimkou. OBECNOSTI Reálná funkce
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,
VícePřednáška 9, 28. listopadu 2014 Část 4: limita funkce v bodě a spojitost funkce
Přednáška 9, 28. listopadu 2014 Část 4: limita funkce v bodě a spojitost funkce Zápisem f : M R rozumíme, že je dána funkce definovaná na neprázdné množině M R reálných čísel, což je množina dvojic f =
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
VíceLineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 30. dubna 2014, 09:00 1 2 15.1 Prehilhertovy prostory Definice 1. Buď V LP nad
Více13. cvičení z PSI ledna 2017
cvičení z PSI - 7 ledna 07 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Řešení:
VíceTeorie informace: řešené příklady 2014 Tomáš Kroupa
Teorie informace: řešené příklady 04 Tomáš Kroupa Kolik otázek je třeba v průměru položit, abychom se dozvěděli datum narození člověka (den v roce), pokud odpovědi jsou pouze ano/ne a tázaný odpovídá pravdivě?
Více0. Úvodní poznámky. pro i=1,2,...,s;říkáme,žetentořetězspojujebody a,b(v P),je-li a M 0, b M s a M i P pro
0. Úvodní poznámky Předpokládám znalost běžných základních pojmů z teorie metrických prostorů, jako je pojem uzávěru, otevřené množiny, souvislého prostoru apod. Většinu z nich včetně jejich základních
VíceTEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose.
TEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose. Kvůli těmto těžkostem se měření zúžilo jen na délku
Více1 Topologie roviny a prostoru
1 Topologie roviny a prostoru 1.1 Základní pojmy množin Intervaly a okolí Intervaly v rovině nebo prostoru jsou obdélníky nebo hranoly se stranami rovnoběžnými s osami souřadnic. Podmnožiny intervalů se
VíceZáklady teorie množin
1 Základy teorie množin Z minula: 1. Cantorovu větu (x P(x)) 2. základní vlastnosti disjunktního sjednocení, kartézského součinu a množinové mocniny (z hlediska relací, ) 3. vztah P(a) a 2 4. větu (2 a
Více1 Determinanty a inverzní matice
Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého
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
Více1.1 Existence a jednoznačnost řešení. Příklad 1.1: [M2-P1] diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu
[M2-P1] KAPITOLA 1: Diferenciální rovnice 1. řádu diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu G(x, y, y, y,..., y (n) ) = 0 y (n) = F (x, y, y,..., y (n 1) ) Příklad 1.1:
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
Více9. Vícerozměrná integrace
9. Vícerozměrná integrace Tomáš Salač Ú UK, FF UK LS 2017/18 Tomáš Salač ( Ú UK, FF UK ) 9. Vícerozměrná integrace LS 2017/18 1 / 29 9.1 Elementy teorie míry Poznámka Na R n definujeme systém tzv. měřitelných
Více1 Polynomiální interpolace
Polynomiální interpolace. Metoda neurčitých koeficientů Příklad.. Nalezněte polynom p co nejmenšího stupně, pro který platí p() = 0, p(2) =, p( ) = 6. Řešení. Polynom hledáme metodou neurčitých koeficientů,
Více3. přednáška 15. října 2007
3. přednáška 15. října 2007 Kompaktnost a uzavřené a omezené množiny. Kompaktní množiny jsou vždy uzavřené a omezené, a v euklidovských prostorech to platí i naopak. Obecně to ale naopak neplatí. Tvrzení
VíceMatematická analýza III.
2. Parciální derivace Miroslav Hušek, Lucie Loukotová UJEP 2010 Parciální derivace jsou zobecněním derivace funkce jedné proměnné. V této kapitole poznáme jejich základní vlastnosti a využití. Co bychom
Víceoznačme j = (0, 1) a nazvěme tuto dvojici imaginární jednotkou. Potom libovolnou (x, y) = (x, 0) + (0, y) = (x, 0) + (0, 1)(y, 0) = x + jy,
Komplexní čísla Množinu všech uspořádaných dvojic (x, y) reálných čísel x, y nazýváme množinou komplexních čísel C, jestliže pro každé dvě takové dvojice (x, y ), (x 2, y 2 ) je definována rovnost, sčítání
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
VíceMatematika III. Miroslava Dubcová, Daniel Turzík, Drahoslava Janovská. Ústav matematiky
Matematika III Řady Miroslava Dubcová, Daniel Turzík, Drahoslava Janovská Ústav matematiky Přednášky ZS 202-203 Obsah Číselné řady. Součet nekonečné řady. Kritéria konvergence 2 Funkční řady. Bodová konvergence.
Více10. N á h o d n ý v e k t o r
10. N á h o d n ý v e k t o r 10.1. Definice: Náhodný vektor. Uspořádanou n tici (X 1, X 2,..., X n ) náhodných veličin X i, 1 i n, nazýváme náhodným vektorem. Poznámka: Pro jednoduchost budeme zavádět
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
VíceMaticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
Více19 Hilbertovy prostory
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
Více5.3. 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)
VíceÚvod do lineární algebry
Úvod do lineární algebry Tomáš Matoušek Tělesa, vektorové prostory Definice. Tělesem nazveme množinu M, na které jsou definována zobrazení, : M M M(binární operace) splňující následující axiomy: (1) (
Vícepro každé i. Proto je takových čísel m právě N ai 1 +. k k p
KOMENTÁŘE ÚLOH 43. ROČNÍKU MO, KATEGORIE A 1. Přirozené číslo m > 1 nazveme k násobným dělitelem přirozeného čísla n, pokud platí rovnost n = m k q, kde q je celé číslo, které není násobkem čísla m. Určete,
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)
VíceLineární zobrazení. 1. A(x y) = A(x) A(y) (vlastnost aditivity) 2. A(α x) = α A(x) (vlastnost homogenity)
4 Lineární zobrazení Definice: Nechť V a W jsou vektorové prostory Zobrazení A : V W (zobrazení z V do W nazýváme lineárním zobrazením, pokud pro všechna x V, y V a α R platí 1 A(x y = A(x A(y (vlastnost
Více15 Maticový a vektorový počet II
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 15: Maticový a vektorový počet II 1 15 Maticový a vektorový počet II 15.1 Úvod Opakování z 1. ročníku (z kapitoly 8) Označení. Množinu všech reálných resp.
VíceVěta o dělení polynomů se zbytkem
Věta o dělení polynomů se zbytkem Věta. Nechť R je okruh, f, g R[x], přičemž vedoucí koeficient polynomu g 0 je jednotka okruhu R. Pak existuje jediná dvojice polynomů q, r R[x] taková, že st(r) < st(g)
VícePŘEDNÁŠKA 7 Kongruence svazů
PŘEDNÁŠKA 7 Kongruence svazů PAVEL RŮŽIČKA Abstrakt. Definujeme svazové kongruence a ukážeme jak pro vhodné binární relace svazu ověřit, že se jedná o svazové kongruence. Popíšeme svaz Con(A) kongruencí
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
VíceEUKLIDOVSKÉ PROSTORY
EUKLIDOVSKÉ PROSTORY Necht L je lineární vektorový prostor nad tělesem reálných čísel 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,
VíceKapitola 11: Lineární diferenciální rovnice 1/15
Kapitola 11: Lineární diferenciální rovnice 1/15 Lineární diferenciální rovnice 2. řádu Definice: Lineární diferenciální rovnice 2-tého řádu je rovnice tvaru kde: y C 2 (I) je hledaná funkce a 0 (x)y +
VíceIII. Diferenciál funkce a tečná rovina 8. Diferenciál funkce. Přírůstek funkce. a = (x 0, y 0 ), h = (h 1, h 2 ).
III. Diferenciál funkce a tečná rovina 8. Diferenciál funkce. Přírůstek funkce = f(x 0 + h 1, y 0 + h 2 ) f(x 0, y 0 ) f u (x 0, y 0 ), kde u = (h 1, h 2 ). ( ) = f(x 0 + h 1, y 0 ) f(x 0, y 0 ) x (x 0,
VíceDrsná matematika III 1. přednáška Funkce více proměnných: křivky, směrové derivace, diferenciál
Drsná matematika III 1. přednáška Funkce více proměnných: křivky, směrové derivace, diferenciál Jan Slovák Masarykova univerzita Fakulta informatiky 16. 9. 2008 Obsah přednášky 1 Literatura 2 Funkce a
VíceKompaktnost Kompaktifikace Prostory funkcí 4. KOMPAKTNOST. Miroslav Hušek, Pavel Pyrih KMA MFF UK. 4. Kompaktnost
4. KOMPAKTNOST Poznámky Miroslav Hušek, Pavel Pyrih KMA MFF UK 2008 4. bez oddělovacích axiómů Je-li S S pokrytím množiny X, říká se často, že S je podpokrytí nebo že je pokrytím vybraným z S. Relaci zjemnění
VíceAfinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe.
4 Afinita Afinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe. Poznámka. Vzájemně jednoznačným zobrazením rozumíme zobrazení,
VíceObyčejnými diferenciálními rovnicemi (ODR) budeme nazývat rovnice, ve kterých
Obyčejné diferenciální rovnice Obyčejnými diferenciálními rovnicemi (ODR) budeme nazývat rovnice, ve kterých se vyskytují derivace neznámé funkce jedné reálné proměnné. Příklad. Bud dána funkce f : R R.
VíceUčební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
Víceverze 1.4 Ekvivalentní podmínkou pro stacionární bod je, že totální diferenciál je nulový
1 Úvod Lokální extrémy funkcí více proměnných verze 14 Následující text popisuje výpočet lokálních extrémů funkcí více proměnných Měl by sloužit především studentům předmětu MATEMAT1 na Univerzitě Hradec
Více12 DYNAMIKA SOUSTAVY HMOTNÝCH BODŮ
56 12 DYNAMIKA SOUSTAVY HMOTNÝCH BODŮ Těžiště I. impulsová věta - věta o pohybu těžiště II. impulsová věta Zákony zachování v izolované soustavě hmotných bodů Náhrada pohybu skutečných objektů pohybem
VíceMATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
Více10 Přednáška ze
10 Přednáška ze 17. 12. 2003 Věta: G = (V, E) lze nakreslit jedním uzavřeným tahem G je souvislý a má všechny stupně sudé. Důkaz G je souvislý. Necht v je libovolný vrchol v G. A mějme uzavřený eurelovský
Více= je prostý orientovaný graf., formálně c ( u, v) 0. dva speciální uzly: zdrojový uzel s a cílový uzel t. Dále budeme bez
Síť Síť je čtveřice N = ( G, s, t, c) kde G ( V, A) = je prostý orientovaný graf a každé orientované hraně ( u, v) je přiřazeno nezáporné číslo, které se nazývá kapacita hrany ( u, v), formálně c ( u,
Více9. Vícerozměrná integrace
9. Vícerozměrná integrace Aplikovaná matematika II, NMAF072 M. Rokyta, KMA MFF UK LS 2016/17 9.1 Elementy teorie míry Poznámka Na R n definujeme systém tzv. měřitelných množin, M n, který má následující
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceDnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda
Předmět: MA 4 Dnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Četba: Text o lineární algebře v Příručce přežití na webových
VíceSkalár- veličina určená jedním číselným údajem čas, hmotnost (porovnej životní úroveň, hospodaření firmy, naše poloha podle GPS )
LINEÁRNÍ ALGEBRA Úvod vektor Skalár- veličina určená jedním číselným údajem čas, hmotnost (porovnej životní úroveň, hospodaření firmy, naše poloha podle GPS ) Kartézský souřadnicový systém -je taková soustava
VíceÚvod do informatiky. Miroslav Kolařík
Úvod do informatiky přednáška pátá Miroslav Kolařík Zpracováno dle učebního textu R. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008 a dle učebního textu R. Bělohlávka a V. Vychodila: Diskrétní
Více9 Kolmost vektorových podprostorů
9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.
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
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou
VíceOperace s maticemi. 19. února 2018
Operace s maticemi Přednáška druhá 19. února 2018 Obsah 1 Operace s maticemi 2 Hodnost matice (opakování) 3 Regulární matice 4 Inverzní matice 5 Determinant matice Matice Definice (Matice). Reálná matice
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
VíceTo je samozřejmě základní pojem konvergence, ale v mnoha případech je příliš obecný a nestačí na dokazování některých užitečných tvrzení.
STEJNOMĚRNÁ KONVERGENCE Zatím nebylo v těchto textech věnováno příliš pozornosti konvergenci funkcí, at jako limita posloupnosti nebo součet řady. Jinak byla posloupnosti funkcí nebo řady brána jako. To
VíceMatematická analýza pro informatiky I.
Matematická analýza pro informatiky I. 10. přednáška Diferenciální počet funkcí více proměnných (II) Jan Tomeček jan.tomecek@upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci
Více22 Základní vlastnosti distribucí
M. Rokyta, MFF UK: Aplikovaná matematika IV kap. 22: Základní vlastnosti distribucí 5 22 Základní vlastnosti distribucí 22.1 Temperované distribuce Definice. O funkci ϕ C (R m ) řekneme, že je rychle klesající
Více15. Moduly. a platí (p + q)(x) = p(x) + q(x), 1(X) = id. Vzniká tak struktura P [x]-modulu na V.
Učební texty k přednášce ALGEBRAICKÉ STRUKTURY Michal Marvan, Matematický ústav Slezská univerzita v Opavě 15. Moduly Definice. Bud R okruh, bud M množina na níž jsou zadány binární operace + : M M M,
VícePosloupnosti a jejich konvergence
a jejich konvergence Pojem konvergence je velmi důležitý pro nediskrétní matematiku. Je nezbytný všude, kde je potřeba aproximovat nějaké hodnoty, řešit rovnice přibližně, používat derivace, integrály.
VíceBAKALÁŘSKÁ PRÁCE. Podmíněné hustoty
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Vladimír Krásný Podmíněné hustoty Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce: RNDr. Jan Seidler,
VíceLimita funkce. FIT ČVUT v Praze. (FIT) Limita funkce 3.týden 1 / 39
Limita funkce FIT ČVUT v Praze 3.týden (FIT) Limita funkce 3.týden 1 / 39 Definice funkce. Zobrazení (f, D f ), jehož definiční obor D f i obor hodnot H f je podmnožinou množiny reálných čísel, se nazývá
Více