INVARIANTNÍ ROZDĚLENÍ ČÁSTICOVÝCH SYSTÉMŮ

Rozměr: px
Začít zobrazení ze stránky:

Download "INVARIANTNÍ ROZDĚLENÍ ČÁSTICOVÝCH SYSTÉMŮ"

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

Definice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně

Definice 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

Více

Markovské metody pro modelování pravděpodobnosti

Markovské 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

Více

1 Linearní prostory nad komplexními čísly

1 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)

Více

9. 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 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

Více

INTEGRÁLY S PARAMETREM

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

Více

5. Lokální, vázané a globální extrémy

5. 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,

Více

Matematická analýza III.

Matematická 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,... )

Více

OBECNOSTI KONVERGENCE V R N

OBECNOSTI 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

Více

Symetrické a kvadratické formy

Symetrické 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

Více

10. 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. 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

Více

Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech

Texty 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

Více

Riemannův určitý integrál

Riemannův 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

Více

Posloupnosti a jejich konvergence POSLOUPNOSTI

Posloupnosti 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,

Více

Skalár- veličina určená jedním číselným údajem čas, hmotnost (porovnej životní úroveň, hospodaření firmy, naše poloha podle GPS )

Skalár- 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

Více

Pravděpodobnost a statistika

Pravděpodobnost 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

Více

19 Hilbertovy prostory

19 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

Více

označme 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,

označme 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

Více

METRICKÉ A NORMOVANÉ PROSTORY

METRICKÉ 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

Více

15. Moduly. a platí (p + q)(x) = p(x) + q(x), 1(X) = id. Vzniká tak struktura P [x]-modulu na V.

15. 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,

Více

Cvičení 5. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 5. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. 5 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v

Více

Matematika III. Miroslava Dubcová, Daniel Turzík, Drahoslava Janovská. Ústav matematiky

Matematika 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.

Více

verze 1.4 Ekvivalentní podmínkou pro stacionární bod je, že totální diferenciál je nulový

verze 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

Více

Matematika B101MA1, B101MA2

Matematika 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

Více

ANTAGONISTICKE HRY 172

ANTAGONISTICKE 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

Více

Kapitola 10: Diferenciální rovnice 1/14

Kapitola 10: Diferenciální rovnice 1/14 Kapitola 10: Diferenciální rovnice 1/14 Co je to diferenciální rovnice? Definice: Diferenciální rovnice je vztah mezi hledanou funkcí y(x), jejími derivacemi y (x), y (x), y (x),... a nezávisle proměnnou

Více

Učební 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 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)

Více

Vlastní čísla a vlastní vektory

Vlastní čísla a vlastní vektory Kapitola 11 Vlastní čísla a vlastní vektory Základní motivace pro studium vlastních čísel a vektorů pochází z teorie řešení diferenciálních rovnic Tato teorie říká, že obecné řešení lineární diferenciální

Více

Učební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty. študenti MFF 15. augusta 2008

Učební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty. študenti MFF 15. augusta 2008 Učební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty študenti MFF 15. augusta 2008 1 14 Vlastní čísla a vlastní hodnoty Požadavky Vlastní čísla a vlastní hodnoty lineárního

Více

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}. VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:

Více

Jan Pavĺık. FSI VUT v Brně 14.5.2010

Jan Pavĺık. FSI VUT v Brně 14.5.2010 Princip výškovnice Jan Pavĺık FSI VUT v Brně 14.5.2010 Osnova přednášky 1 Motivace 2 Obecný princip 3 Příklady Světové rekordy Turnajové uspořádání Skupinové hodnocení Rozhledny 4 Geografická výškovnice

Více

Nekonečné číselné řady. January 21, 2015

Nekonečné číselné řady. January 21, 2015 Nekonečné číselné řady January 2, 205 IMA 205 Příklad 0 = 0 + 0 +... + 0 +... =? n= IMA 205 Příklad n= n 2 + n = 2 + 6 + 2 +... + n 2 +... =? + n s = 2 s 2 = 2 3... s 3 = 3 4 IMA 205 Příklad (pokr.) =

Více

Úlohy krajského kola kategorie A

Úlohy krajského kola kategorie A 62. ročník matematické olympiády Úlohy krajského kola kategorie A 1. Je dáno 21 různých celých čísel takových, že součet libovolných jedenácti z nich je větší než součet deseti ostatních čísel. a) Dokažte,

Více

12 DYNAMIKA SOUSTAVY HMOTNÝCH BODŮ

12 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

Více

Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice

Vektorové 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

Více

1 Vektorové prostory.

1 Vektorové prostory. 1 Vektorové prostory DefiniceMnožinu V, jejíž prvky budeme označovat a, b, c, z, budeme nazývat vektorovým prostorem právě tehdy, když budou splněny následující podmínky: 1 Je dáno zobrazení V V V, které

Více

Zpracoval: hypspave@fel.cvut.cz 7. Matematická indukce a rekurse. Řešení rekurentních (diferenčních) rovnic s konstantními koeficienty.

Zpracoval: hypspave@fel.cvut.cz 7. Matematická indukce a rekurse. Řešení rekurentních (diferenčních) rovnic s konstantními koeficienty. Zpracoval: hypspave@fel.cvut.cz 7. Matematická indukce a rekurse. Řešení rekurentních (diferenčních) rovnic s konstantními koeficienty. (A7B01MCS) I. Matematická indukce a rekurse. Indukční principy patří

Více

[1] Motivace. p = {t u ; t R}, A(p) = {A(t u ); t R} = {t A( u ); t R}

[1] Motivace. p = {t u ; t R}, A(p) = {A(t u ); t R} = {t A( u ); t R} Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost s diagonální

Více

pouze u některých typů rovnic a v tomto textu se jím nebudeme až na

pouze u některých typů rovnic a v tomto textu se jím nebudeme až na Matematika II 7.1. Zavedení diferenciálních rovnic Definice 7.1.1. Rovnice tvaru F(y (n), y (n 1),, y, y, x) = 0 se nazývá diferenciální rovnice n-tého řádu pro funkci y = y(x). Speciálně je F(y, y, x)

Více

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují 1. u + v = v + u, u, v V 2. (u + v) + w = u + (v + w),

Více

Dvojné a trojné integrály příklad 3. x 2 y dx dy,

Dvojné a trojné integrály příklad 3. x 2 y dx dy, Spočtěte = { x, y) ; 4x + y 4 }. Dvojné a trojné integrály příklad 3 x y dx dy, Řešení: Protože obor integrace je symetrický vzhledem k ose x, tj. vzhledem k substituci [x; y] [x; y], a funkce fx, y) je

Více

6. Lineární nezávislost a báze p. 1/18

6. Lineární nezávislost a báze p. 1/18 6. Lineární nezávislost a báze 6. Lineární nezávislost a báze p. 1/18 6. Lineární nezávislost a báze p. 2/18 Lineární nezávislost a báze 1. Závislé a nezávislé vektory 2. Lineární kombinace a závislost

Více

8 Kořeny cyklických kódů, BCH-kódy

8 Kořeny cyklických kódů, BCH-kódy 24 8 Kořeny cyklických kódů, BCH-kódy Generující kořeny cyklických kódů Nechť K je cyklický kód délky n nad Z p s generujícím polynomem g(z). Chceme najít rozšíření T tělesa Z p, tedy nějaké těleso GF

Více

Skalární součin je nástroj, jak měřit velikost vektorů a úhly mezi vektory v reálných a komplexních vektorových prostorech.

Skalární 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

Více

Aplikovaná numerická matematika

Aplikovaná numerická matematika Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních

Více

Matematika IV - 3. přednáška Rozklady grup

Matematika IV - 3. přednáška Rozklady grup Matematika IV - 3. přednáška Rozklady grup Michal Bulant Masarykova univerzita Fakulta informatiky 3. 3. 2008 Obsah přednášky Rozklady podle podgrup ô Normální podgrupy Martin Panák, Jan Slovák, Drsná

Více

4. Topologické vlastnosti množiny reálných

4. 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

Více

Matematika B101MA1, B101MA2

Matematika 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

Více

Hlubší věty o počítání modulo

Hlubší věty o počítání modulo Hlubší věty o počítání modulo Jiří Velebil: X01DML 3. prosince 2007: Hlubší věty o počítání modulo 1/17 Příklad Vyřešte: Idea řešení: x = 3 v Z 4 x = 2 v Z 5 x = 6 v Z 21 x = 3 + 2 + 6 Musí být: 1 První

Více

Úlohy k procvičování textu o univerzální algebře

Úlohy k procvičování textu o univerzální algebře Úlohy k procvičování textu o univerzální algebře Číslo za pomlčkou v označení úlohy je číslo kapitoly textu, která je úlohou procvičovaná. Každá úloha je vyřešena o několik stránek později. Kontrolní otázky

Více

Podmíněná pravděpodobnost

Podmíněná pravděpodobnost odmíněná pravděpodobnost 5. odmíněná pravděpodobnost 5.. Motivace: Opakovaně nezávisle provádíme týž náhodný pokus a sledujeme nastoupení jevu A v těch pokusech, v nichž nastoupil jev H. odmíněnou relativní

Více

Diferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36

Diferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Diferenciální rovnice a jejich aplikace Zdeněk Kadeřábek (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Obsah 1 Co to je derivace? 2 Diferenciální rovnice 3 Systémy diferenciálních rovnic

Více

7. Integrál přes n-rozměrný interval

7. Integrál přes n-rozměrný interval 7. Integrál přes n-rozměrný interval Studijní text 7. Integrál přes n-rozměrný interval Definice 7.1. Buď A = a 1, b 1 a n, b n R n n-rozměrný uzavřený interval a f : R n R funkce ohraničená na A Df. Definujme

Více

Drsná matematika IV 7. přednáška Jak na statistiku?

Drsná matematika IV 7. přednáška Jak na statistiku? Drsná matematika IV 7. přednáška Jak na statistiku? Jan Slovák Masarykova univerzita Fakulta informatiky 2. 4. 2012 Obsah přednášky 1 Literatura 2 Co je statistika? 3 Popisná statistika Míry polohy statistických

Více

Součin matice A a čísla α definujeme jako matici αa = (d ij ) typu m n, kde d ij = αa ij pro libovolné indexy i, j.

Součin matice A a čísla α definujeme jako matici αa = (d ij ) typu m n, kde d ij = αa ij pro libovolné indexy i, j. Kapitola 3 Počítání s maticemi Matice stejného typu můžeme sčítat a násobit reálným číslem podobně jako vektory téže dimenze. Definice 3.1 Jsou-li A (a ij ) a B (b ij ) dvě matice stejného typu m n, pak

Více

Nechť je číselná posloupnost. Pro všechna položme. Posloupnost nazýváme posloupnost částečných součtů řady.

Nechť je číselná posloupnost. Pro všechna položme. Posloupnost nazýváme posloupnost částečných součtů řady. Číselné řady Definice (Posloupnost částečných součtů číselné řady). Nechť je číselná posloupnost. Pro všechna položme. Posloupnost nazýváme posloupnost částečných součtů řady. Definice (Součet číselné

Více

ALGEBRA. Téma 4: Grupy, okruhy a pole

ALGEBRA. 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,

Více

Učební texty k státní bakalářské zkoušce Matematika Základy teorie funkcí více proměnných. študenti MFF 15. augusta 2008

Učební texty k státní bakalářské zkoušce Matematika Základy teorie funkcí více proměnných. študenti MFF 15. augusta 2008 Učební texty k státní bakalářské zkoušce Matematika Základy teorie funkcí více proměnných študenti MFF 15. augusta 2008 1 5 Základy teorie funkcí více proměnných Požadavky Parciální derivace a totální

Více

Soustavy. Terminologie. Dva pohledy na soustavu lin. rovnic. Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová.

Soustavy. Terminologie. Dva pohledy na soustavu lin. rovnic. Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová. [1] Terminologie [2] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová matice.

Více

1. Jordanův kanonický tvar

1. Jordanův kanonický tvar . Jordanův kanonický tvar Obecně nelze pro zadaný lineární operátor ϕ : U U najít bázi α takovou, že (ϕ) α,α by byla diagonální. Obecně však platí, že pro každý lineární operátor ϕ : U U nad komplexními

Více

3 Lineární kombinace vektorů. Lineární závislost a nezávislost

3 Lineární kombinace vektorů. Lineární závislost a nezávislost 3 Lineární kombinace vektorů. Lineární závislost a nezávislost vektorů. Obrázek 5: Vektor w je lineární kombinací vektorů u a v. Vektory u, v a w jsou lineárně závislé. Obrázek 6: Vektor q je lineární

Více

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou

Více

Pojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.

Pojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu. 6. NÁHODNÝ VEKTOR Průvodce studiem V počtu pravděpodobnosti i v matematické statistice se setkáváme nejen s náhodnými veličinami, jejichž hodnotami jsou reálná čísla, ale i s takovými, jejichž hodnotami

Více

stránkách přednášejícího.

stránkách přednášejícího. Předmět: MA 4 Dnešní látka Iterační metoda Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Superrelaxační metoda (metoda SOR) Metoda sdružených gradientů Četba: Text o lineární algebře v Příručce

Více

1 Soustavy lineárních rovnic

1 Soustavy lineárních rovnic 1 Soustavy lineárních rovnic 1.1 Základní pojmy Budeme uvažovat soustavu m lineárních rovnic o n neznámých s koeficienty z tělesa T (potom hovoříme o soustavě m lineárních rovnic o n neznámých nad tělesem

Více

ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ

ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LII 6 Číslo 3, 2004 Gasser-Müllerův odhad J. Poměnková Došlo: 8.

Více

Vlastnosti regulárních jazyků

Vlastnosti regulárních jazyků Vlastnosti regulárních jazyků Podobně jako u dalších tříd jazyků budeme nyní zkoumat následující vlastnosti regulárních jazyků: vlastnosti strukturální, vlastnosti uzávěrové a rozhodnutelné problémy pro

Více

12. Křivkové integrály

12. Křivkové integrály 12 Křivkové integrály Definice 121 Jednoduchou po částech hladkou křivkou v prostoru R n rozumíme množinu bodů [x 1,, x n ], které jsou dány parametrickými rovnicemi x 1 = ϕ 1 t), x 2 = ϕ 2 t), x n = ϕ

Více

Úvod do informatiky. Miroslav Kolařík

Úvod do informatiky. Miroslav Kolařík Úvod do informatiky přednáška sedmá Miroslav Kolařík Zpracováno dle učebního textu R. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008. Obsah 1 Čísla a číselné obory 2 Princip indukce 3 Vybrané

Více

Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace

Pojem 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,

Více

Praha & EU: investujeme do vaší budoucnosti. Daniel Turzík, Miroslava Dubcová,

Praha & EU: investujeme do vaší budoucnosti. Daniel Turzík, Miroslava Dubcová, E-sbírka příkladů Seminář z matematiky Evropský sociální fond Praha & EU: investujeme do vaší budoucnosti Daniel Turzík, Miroslava Dubcová, Pavla Pavlíková Obsah 1 Úpravy výrazů................................................................

Více

Značení 1.1 (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů,

Značení 1.1 (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů, Rekurentní jevy Značení. (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů, kde každý má tutéž konečnou nebo spočetnou množinu výsledků E, E,...}. Pak E j,..., E jn } značí

Více

Vlastní číslo, vektor

Vlastní číslo, vektor [1] Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost

Více

Učební texty k státní bakalářské zkoušce Matematika Matice. študenti MFF 15. augusta 2008

Učební texty k státní bakalářské zkoušce Matematika Matice. študenti MFF 15. augusta 2008 Učební texty k státní bakalářské zkoušce Matematika Matice študenti MFF 15. augusta 2008 1 12 Matice Požadavky Matice a jejich hodnost Operace s maticemi a jejich vlastnosti Inversní matice Regulární matice,

Více

Algoritmy komprese dat

Algoritmy komprese dat Algoritmy komprese dat Úvod do teorie informace Claude Shannon (1916 2001) 5.11.2014 NSWI072-7 Teorie informace Informace Co je to informace? Můžeme informaci měřit? Existují teoretické meze pro délku

Více

1 Mnohočleny a algebraické rovnice

1 Mnohočleny a algebraické rovnice 1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem

Více

P 1 = P 1 1 = P 1, P 1 2 =

P 1 = P 1 1 = P 1, P 1 2 = 1 Výpočet inverzní matice Věta 1 Necht P U elementární matice vzniklá el úpravou U Pak je P U regulární Důkaz: Protože elementární úprava U je invertovatelná, existuje el úprava U, která vrací změny U

Více

Rozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce

Rozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce Náhodná veličina motivace Náhodná veličina Často lze výsledek náhodného pokusu vyjádřit číslem: číslo, které padlo na kostce, výška náhodně vybraného studenta, čas strávený čekáním na metro, délka života

Více

Odpřednesenou látku naleznete v kapitole 3.3 skript Diskrétní matematika.

Odpřednesenou látku naleznete v kapitole 3.3 skript Diskrétní matematika. Lineární kódy, část 2 Odpřednesenou látku naleznete v kapitole 3.3 skript Diskrétní matematika. Jiří Velebil: A7B01LAG 22.12.2014: Lineární kódy, část 2 1/12 Dnešní přednáška 1 Analýza Hammingova (7, 4)-kódu.

Více

Lineární algebra II. Adam Liška. 9. února 2015. Zápisky z přednášek Jiřího Fialy na MFF UK, letní semestr, ak. rok 2007/2008

Lineární algebra II. Adam Liška. 9. února 2015. Zápisky z přednášek Jiřího Fialy na MFF UK, letní semestr, ak. rok 2007/2008 Lineární algebra II Zápisky z přednášek Jiřího Fialy na MFF UK, letní semestr, ak rok 2007/2008 Adam Liška 9 února 2015 http://kammffcunicz/~fiala http://wwwadliskacom 1 Obsah 10 Permutace 3 11 Determinant

Více

1 Analytická geometrie

1 Analytická geometrie 1 Analytická geometrie 11 Přímky Necht A E 3 a v R 3 je nenulový Pak p = A + v = {X E 3 X = A + tv, t R}, je přímka procházející bodem A se směrovým vektorem v Rovnici X = A + tv, t R, říkáme bodová rovnice

Více

Funkce zadané implicitně

Funkce zadané implicitně Kapitola 8 Funkce zadané implicitně Začneme několika příklady. Prvním je známá rovnice pro jednotkovou kružnici x 2 + y 2 1 = 0. Tato rovnice popisuje křivku, kterou si však nelze představit jako graf

Více

1 Zdroj napětí náhradní obvod

1 Zdroj napětí náhradní obvod 1 Zdroj napětí náhradní obvod Příklad 1. Zdroj napětí má na svorkách naprázdno napětí 6 V. Při zatížení odporem 30 Ω klesne napětí na 5,7 V. Co vše můžete o tomto zdroji říci za předpokladu, že je v celém

Více

VI. Derivace složené funkce.

VI. Derivace složené funkce. VI. Derivace složené funkce. 17. Parciální derivace složené funkce Budeme uvažovat složenou funkci F = f(g, kde některá z jejich součástí může být funkcí více proměnných. Předpokládáme, že uvažujeme funkce,

Více

y ds, z T = 1 z ds, kde S = S

y ds, z T = 1 z ds, kde S = S Plošné integrály příklad 5 Určete souřadnice těžiště části roviny xy z =, která leží v prvním oktantu x >, y >, z >. Řešení: ouřadnice těžiště x T, y T a z T homogenní plochy lze určit pomocí plošných

Více

9. Bilineární formy. 9. Bilineární formy p. 1/14

9. Bilineární formy. 9. Bilineární formy p. 1/14 9. Bilineární formy 9. Bilineární formy p. 1/14 9. Bilineární formy p. 2/14 Bilineární formy 1. Definice a příklady 2. Klasifikace bilineárních forem 3. Matice bilineární formy 4. Změna báze 5. Kongruentní

Více

letní semestr Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika vektory

letní 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

Více

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

Jazyk matematiky. 2.1. Matematická logika. 2.2. Množinové operace. 2.3. Zobrazení. 2.4. Rozšířená číslená osa 2. Jazyk matematiky 2.1. Matematická logika 2.2. Množinové operace 2.3. Zobrazení 2.4. Rozšířená číslená osa 1 2.1 Matematická logika 2.1.1 Výrokový počet logická operace zapisujeme čteme česky negace

Více

Soustavy lineárních diferenciálních rovnic I. řádu s konstantními koeficienty

Soustavy lineárních diferenciálních rovnic I. řádu s konstantními koeficienty Soustavy lineárních diferenciálních rovnic I řádu s konstantními koeficienty Definice a) Soustava tvaru x = ax + a y + az + f() t y = ax + a y + az + f () t z = a x + a y + a z + f () t se nazývá soustava

Více

ŠIFROVACÍ METODA ZALOŽENÁ NA FRAKTÁLNÍ KOMPRESI. 1. Úvod. V posledních letech se ukázalo, že teorii fraktálů lze využít v mnoha teoretických

ŠIFROVACÍ METODA ZALOŽENÁ NA FRAKTÁLNÍ KOMPRESI. 1. Úvod. V posledních letech se ukázalo, že teorii fraktálů lze využít v mnoha teoretických Kvaternion 2 (2012, 83 89 83 ŠIFROVACÍ METODA ZALOŽENÁ NA FRAKTÁLNÍ KOMPRESI TOMÁŠ GRÍSA Abstrakt Tento článek se zabývá teoretickými principy fraktální komprese a využitím modifikovaného algoritmu fraktální

Více

Převyprávění Gödelova důkazu nutné existence Boha

Převyprávění Gödelova důkazu nutné existence Boha Převyprávění Gödelova důkazu nutné existence Boha Technické podrobnosti Důkaz: Konečná posloupnost výrokůkorektně utvořených formulí nějakého logického kalkulu), z nichž každý jelogickým) axiomem, postulátemteorie),

Více

Funkce a lineární funkce pro studijní obory

Funkce a lineární funkce pro studijní obory Variace 1 Funkce a lineární funkce pro studijní obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Funkce

Více

Mezi elementární komplexní funkce se obvykle počítají tyto funkce: f(z) = az + b,

Mezi elementární komplexní funkce se obvykle počítají tyto funkce: f(z) = az + b, Elementární funkce Mezi elementární komplení funkce se obvykle počítají tyto funkce:. Lineární funkce Lineární funkce je funkce tvaru f(z) az + b, kde a a b jsou konečná komplení čísla. Její derivace je

Více

MOORE-PENROSEOVA INVERZE MATICE A JEJÍ APLIKACE. 1. Úvod

MOORE-PENROSEOVA INVERZE MATICE A JEJÍ APLIKACE. 1. Úvod Kvaternion 1/2013, 7 14 7 MOORE-PENROSEOVA INVERZE MATICE A JEJÍ APLIKACE LADISLAV SKULA Abstrakt V článku je uvedena definice pseudoinverzní matice, ukázána její existence a jednoznačnost a zmíněny dvě

Více

3 Bodové odhady a jejich vlastnosti

3 Bodové odhady a jejich vlastnosti 3 Bodové odhady a jejich vlastnosti 3.1 Statistika (Skripta str. 77) Výběr pořizujeme proto, abychom se (více) dověděli o souboru, ze kterého jsme výběr pořídili. Zde se soustředíme na situaci, kdy známe

Více

12. Soustava lineárních rovnic a determinanty

12. Soustava lineárních rovnic a determinanty @7. Soustava lineárních rovnic a determinanty Determinanty x V této lekci si ukážeme řešení soustavy lineárních rovnic (dvou rovnici pro dvě neznámé a tří rovnic pro tři neznámé) pomocí determinantů. Definice:

Více

Frakcionální Lévyho proces

Frakcionální Lévyho proces Univerzita Karlova v Praze Matematicko-fyzikální fakulta BKLÁŘSKÁ PRÁCE Jan Kislinger Frakcionální Lévyho proces Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce: Studijní program:

Více

1 Rozptyl a kovariance

1 Rozptyl a kovariance Rozptyl a kovariance Nechť X je náhodná veličina s konečnou střední hodnotou EX Potom rozptyl náhodné veličiny X definujeme jako: DX E(X EX, pokud střední hodnota na pravé straně existuje Podobně jako

Více

2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2

2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2 Výpočet transformačních koeficinetů vybraných 2D transformací Jan Ježek červen 2008 Obsah Odvození transformačního klíče vybraných 2D transformací 2 Meto vyrovnání 2 2 Obecné vyjádření lineárních 2D transformací

Více

Aplikace derivace a průběh funkce

Aplikace derivace a průběh funkce Aplikace derivace a průběh funkce Petr Hasil Přednáška z matematiky Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny společného

Více

Gymnázium, Brno. Matice. Závěrečná maturitní práce. Jakub Juránek 4.A Školní rok 2010/11

Gymnázium, Brno. Matice. Závěrečná maturitní práce. Jakub Juránek 4.A Školní rok 2010/11 Gymnázium, Brno Matice Závěrečná maturitní práce Jakub Juránek 4.A Školní rok 2010/11 Konzultant: Mgr. Aleš Kobza Ph.D. Brno, 2011 Prohlášení Prohlašuji, že jsem předloženou práci zpracoval samostatně

Více