Aplikovaná numerická matematika

Rozměr: px
Začít zobrazení ze stránky:

Download "Aplikovaná numerická matematika"

Transkript

1 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 programů Informatika pro novou fakultu ČVUT je spolufinancována Evropským sociálním fondem a rozpočtem Hlavního města Prahy v rámci Operačního programu Praha adaptabilita (OPPA) projektem CZ.2.17/3.1.00/31952 Příprava a zavedení nových studijních programů Informatika na ČVUT v Praze. Praha & EU: Investujeme do vaší budoucnosti R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

2 Obsah přednášky Metoda nejmenších čtverců R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

3 Metoda nejmenších čtverců (1) Úvod Chyby naměřených hodnot při experimentu mohou být větší než chyby zaokrouhlovací. Nejpřesnější reálná měření jsou s relativní chybou Experimentální hodnoty mohou být získané i vícenásobným měřením pro tutéž hodnotu nezávislé proměnné x. Tímto způsobem lze zmenšit chyby měření a není zde požadavek, aby aproximující funkce procházela všemi body (nemožné i vzhledem k chybám měřeni). Pro aproximaci takto získaných bodů nějakou aproximující funkcí patří k jedné z nejznámějších metoda nejmenších čtverců. Metoda minimalizuje součet čtverců vzdálenosti naměřených bodů od bodů aproximující funkce. R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

4 Metoda nejmenších čtverců (1) Aproximace pomocí lineární funkce Necht naměřené tabulkové hodnoty (x i, y i ), i = 1, 2,..., n jsou vyjádřením závislosti x a y, kde x i jsou zvolené hodnoty, při kterých jsme prováděli měření a y i je naměřená hodnota neznáme funkce f (x) v bodě x i. Předpokládejme, že závislost mezi x a y je lineární. Aproximující funkci budeme potom hledat ve tvaru ϕ(x) = a 0 + a 1 x, (1) kde a 0, a 1 R jsou neznámé konstanty. Z množiny všech lineárních funkcí V 1 = {a 0 + a 1 x a j R, j = 0, 1}, (2) chceme najít tu, která je nejpřesnější aproximací funkce danou tabulkou naměřených hodnot. R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

5 Metoda nejmenších čtverců (2) Předpokládáme, že hodnoty y i, i = 0, 1..., n byly naměřené "přibližně"se stejnou přesností. Koeficienty a0, a 1 vypočítáme tak, aby součet čtverců vzdáleností naměřených hodnot y i a hodnot aproximujíci funkce byl co nejmenší (Obr. 1), tj. ( S(a0, a 1 ) = (a0 +a 1 x i y i ) 2 = min (ϕ(x i ) y i ) 2) = min S(a 0, a 1 ), kde S(a 0, a 1 ) = (a 0 + a 1 x i y i ) 2. Ostré minimum funkce S(a 0, a 1 ) může nastat v bodě (a 0, a 1 ), ve kterém jsou nulové parciální derivace S(a 0, a 1 ) a 0 = 0, S(a 0, a 1 ) a 1 = 0, R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

6 Metoda nejmenších čtverců (3) dále po dosazení a derivování dostávame 2 (a0 + a 1xi y i ) = 0, 2 (a0 + a 1 x i y i )x i = 0. Po úpravě dostáváme soustavu rovnic, jejíž řešením jsou koeficienty a0, a 1, tj. a0 (n + 1) + a 1 x i = y i, a0 x i + a1 xi 2 = V maticovém zápisu n + 1 x i x i x 2 i ( ) a 0 a1 = y i x i y i x i y i. R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

7 Metoda nejmenších čtverců (4) y (x) a 0 a1x y 1 (x ) 1 y } 1 } (xi) y i y i y 0 } (x0) y 0 x 0 x 1 x i Obrázek 1. Lineární aproximace metodou nejmenších čtverců x R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

8 Metoda nejmenších čtverců (5) Dá se ukázat, že funkce S(a0, a 1 ) v bodě a 0, a 1 nabývá ostrého lokálního minima. Předpokládejme, že přesnost experimentu pro všechny hodnoty x i, i = 0, 1,..., n není stejná. Každé hodnotě y i přiřadíme v závislosti na přesnosti určitou váhu v i > 0, i = 0, 1,..., n. Pokud jsou známé rozptyly měření v bodech x i je vhodné zvolit váhu v i jako převrácenou hodnotu rozptylu. Hodnoty v i můžeme určit také na základě zkušenosti s přesností měřící aparatury pro různé hodnoty proměnné x, přičemž hodnotám y i naměřeným s větší přesností se přiřadí větší váha, obyčejně v i > 1 a ostatním v i = 1. R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

9 Metoda nejmenších čtverců (6) Postup, který byl předveden pro lineární závislost hodnot x a y, můžeme zobecnit. Označme M = {x 0, x 1,..., x n }, necht tato množina obsahuje právě n + 1 navzájem různých bodů. Necht k je celé číslo 0 k n a ϕ 0 (x), ϕ 1 (x),..., ϕ k (x) je systém funkcí lineárně nezávislých na množině M, tj. necht je lineárně nezávislých k + 1 vektorů. (ϕ 0 (x 0 ), ϕ 0 (x 1 ),... ϕ 0 (x n )), (ϕ 1 (x 0 ), ϕ 1 (x 1 ),... ϕ 1 (x n )),... (ϕ k (x 0 ), ϕ k (x 1 ),... ϕ k (x n )). Za třídu V k aproximujících funkcí vezmeme množinu jejich lineárních kombinací, tj. V k = {a 0 ϕ 0 (x) + a 1 ϕ 1 (x) + + a k ϕ k (x) a i R, i = 0, 1,..., k}. R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

10 Metoda nejmenších čtverců (7) Úloha aproximovat funkci f (x) funkcí ϕ(x) = k a j ϕ j (x) pro x I x 0, x n, j=0 metodou nejmenších čtverců je určení takových reálných koeficientů a 0, a 1,..., a k, které minimalizují funkci S(a 0, a 1,..., a k ) = (ϕ(x i ) y i ) 2 v i = δ 2 (ϕ), kde δ(ϕ) je tzv. kvadratická odchylka. Koeficienty a 0, a 1,..., a k můžeme určit podobně jako při aproximaci pomocí lineární funkce, tj. řešením soustavy rovnic S(a 0, a 1,..., a k ) a j = 0, j = 0, 1,..., k. R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

11 Metoda nejmenších čtverců (8) Skalární součin a norma vektorů při daných vahách Poznatky z lineární algebry jsou v této části využity pro modifikaci pojmů, které jsou dále použity pro jednodušší a názornější výklad. Skalární součin dvou spojitých funkcí f, g, které jsou definované na intervalu a, b a mají na tomto intervalu obecně komplexní hodnoty, budeme označovat (f, g) a definujeme vztahem (f, g) = b a f (x)g(x)v(x) dx pro spojitý případ. S pruhem se označujeme komplexně sdružené číslo a v je pevně daná váhová funkce, která je spojitá a kladná na intervalu (a, b) a integrovatelná na intervalu a, b. R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

12 Metoda nejmenších čtverců (9) Pro diskrétní případ platí (f, g) = f (x i )g(x i )v i, kde v i jsou kladná čísla. Dále platí pro takto definovaný skalární součin, funkce f, g, h a komplexní čísla c 1, c 2 následující tvrzení: a) (f, g) = (g, f ), b) (c 1 f + c 2 g, h) = c 1 (f, h) + c 2 (g, h), c) Im{(f, f )} = 0, { f (x) 0, x a, b d) (f, f ) = 0 f (x i ) = 0, i = 0, 1,..., n. Z platnosti podmínky b) plyne, že (c j ϕ j, ϕ k ) = j=0 c j (ϕ j, ϕ k ). j=0 R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

13 Metoda nejmenších čtverců (10) Pomocí skalárního součinu můžeme definovat normu funkce f, jako f = (f, f ). Necht u = (u 0, u 1,..., u n ) T je vektor, kde u i R, i = 0, 1,..., n, potom číslo u = n ui 2 v i nazýváme normou vektoru u s váhami v 0, v i,..., v n. Budeme říkat, že systém je ortogonální, pokud platí: (ϕ j, ϕ k ) = 0, pro j k a ϕ j = 0, j = 0, 1,..., r. Ortogonální systém je vždy lineárně nezávislý. R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

14 Metoda nejmenších čtverců (11) Existence minima kvadratické odchylky v prostoru Jednodušší případ: jednoduše geometricky interpretovatelný. Necht vektory ϕ 0, ϕ 1 R n jsou lineárně nezávislé. Uvažujme rovinu ρ určenou vektory ϕ 0, ϕ 1, kde vektory ϕ 0, ϕ 1 tvoří bázi prostoru V 2 R n. Každý vektor ϕ množiny V 2 potom můžeme vyjádřit ve tvaru ϕ = a 0 ϕ 0 + a 1 ϕ 1. R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

15 Metoda nejmenších čtverců (12) Necht y P R n, V 2 P. Pokud chceme aproximovat vektor y pomocí vektoru ϕ prostoru V 2 musíme najít prvek ϕ V k, který má nejmenší vzdálenost od y, tj. ϕ y = min ϕ V 2 ϕ y = min ϕ V 2 (ϕ y, ϕ y) = min ϕ V 2 δ(ϕ). Je zřejmé, že ϕ je pata kolmice vedené z bodu y na rovinu ρ, viz předchozí obrázek, tedy také na vektory ϕ 0, ϕ 1. To znamená, že vektor ϕ y je ortogonální s vektory ϕ 0, ϕ 1, a tedy (ϕ y, ϕ j ) = 0, j = 0, 1. Tento přístup můžeme zobecnit na prostor V k (k > 2) jako ortogonální průmět y P na podprostor V k. R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

16 Metoda nejmenších čtverců (13) Věta 1 Necht ϕ 0, ϕ 1,..., ϕ k je bází prostoru V k a y P. Pak existuje právě jedno řešení ϕ V k takové, že vektor ϕ y je ortogonální ke všem vektorům ϕ 0, ϕ 1,..., ϕ k, tj. platí (ϕ y, ϕ j ) = 0, j = 0, 1,..., k. ϕ je určeno následovně k ϕ = aj ϕ j v I, (x I = x 0, x n ), j=0 kde konstanty a0, a 1,..., a k jsou jediným řešením soustavy normálních rovnic k aj (ϕ r, ϕ j ) = (ϕ r, y), r = 0, 1,..., k (3) j=0 R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

17 Metoda nejmenších čtverců (14) Věta 1 - pokračování nebo a 0 (ϕ 0, ϕ 0 ) + a 1 (ϕ 0, ϕ 1 ) a k (ϕ 0, ϕ k ) = (ϕ 0, y) a 0 (ϕ 1, ϕ 0 ) + a 1 (ϕ 1, ϕ 1 ) a k (ϕ 1, ϕ k ) = (ϕ 1, y) a 0 (ϕ k, ϕ 0 ) + a 1 (ϕ k, ϕ 1 ) a k (ϕ k, ϕ k ) = (ϕ k, y) a platí δ(ϕ ) = min p V k δ(p), a přitom je ϕ jediné z prostoru V k realizující uvedené minimum. Poznámka: Pokud systém funkcí ϕ 0, ϕ 1,..., ϕ k je ortogonální, pak místo soustavy (3) dostávame a i (ϕ i, ϕ i ) = (ϕ i, y), i = 0, 1,..., k, tedy a i = (ϕ i, y), i = 0, 1,..., k. (ϕ i, ϕ i ) R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

18 Metoda nejmenších čtverců (15) Pro obecný případ v maticovém zápisu platí ( (Aa y) 2) = 0 ( ) 2 (Aa y) T (Aa y)) = 0 ( ) (a T A T ) y T (Aa y) = 0 EA T (Aa y) = o A T Aa A T y = o kde o je n prvkový nulový vektor (o = (0, 0,..., 0) T ). A T Aa = A T y, (4) R. Lórencz (ČVUT FIT) MNČ PI-ANM, 2011, Předn / 18

Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012

Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012 Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012 Metoda nejmenších čtverců Matematicko-statistická metoda používaná zejména při zpracování nepřesných dat (typicky experimentálních empirických

Více

1 Báze a dimenze vektorového prostoru 1

1 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

Necht L je lineární prostor nad R. Operaci : L L R nazýváme

Necht L je lineární prostor nad R. Operaci : L L R nazýváme Skalární součin axiomatická definice odvození velikosti vektorů a úhlu mezi vektory geometrická interpretace ortogonalita vlastnosti ortonormálních bázi [1] Definice skalárního součinu Necht L je lineární

Více

Učební 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 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

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

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

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

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

Průvodce studiem. do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat

Průvodce 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

Více

Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika)

Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika) Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika) Kartézská soustava souřadnic je dána počátkem O a uspořádanou trojicí bodů E x,

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

MATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]

MATICE. 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

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

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

Parciální derivace a diferenciál

Parciální derivace a diferenciál Parciální derivace a diferenciál Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

Více

Metoda nejmenších čtverců.

Metoda nejmenších čtverců. Metoda nejmenších čtverců. Robert Mařík 22. ledna 2006 Obsah 1 Motivace a geometrický význam 2 2 Vzorec 12 3 Příklad použití 13 4 Odvození vzorce 21 5 Otázky pozorného čtenáře 23 c Robert Mařík, 2006 1

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

Vektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3,

Vektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3, Vektorový prostor Příklady: Př.1. R 2 ; R 3 ; R n...aritmetický n-rozměrný prostor Dvě operace v R n : součet vektorů u = (u 1,...u n ) a v = (v 1,...v n ) je vektor u + v = (u 1 + v 1,...u n + v n ),

Více

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

Regresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23

Více

Kapitola 4: Extrémy funkcí dvou proměnných 1/5

Kapitola 4: Extrémy funkcí dvou proměnných 1/5 Kapitola 4: Extrémy funkcí dvou proměnných 1/5 Lokální extrémy Definice: Necht f : M R 2 R a (x 0, y 0 ) M. Říkáme, že fce f má v bodě (x 0, y 0 ) lokální maximum (resp. lokální minimum) jestliže existuje

Více

AVDAT Nelineární regresní model

AVDAT Nelineární regresní model AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných

Více

Téma 22. Ondřej Nývlt

Téma 22. Ondřej Nývlt Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené

Více

Necht tedy máme přirozená čísla n, k pod pojmem systém lineárních rovnic rozumíme rovnice ve tvaru

Necht 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

Více

Definice globální minimum (absolutní minimum) v bodě A D f, jestliže X D f

Definice globální minimum (absolutní minimum) v bodě A D f, jestliže X D f Výklad Globální extrémy mají stejný význam jako u funkcí jedné proměnné. Hledáme je bud na celém definičním oboru dané funkce, nebo na předem zadané podmnožině definičního oboru. Definice 6..1. Řekneme,

Více

Otázku, kterými body prochází větev implicitní funkce řeší následující věta.

Otázku, kterými body prochází větev implicitní funkce řeší následující věta. 1 Implicitní funkce Implicitní funkce nejsou funkce ve smyslu definice, že funkce bodu z definičního oboru D přiřadí právě jednu hodnotu z oboru hodnot H. Přesnější termín je funkce zadaná implicitně.

Více

Kapitola 7: Integrál. 1/17

Kapitola 7: Integrál. 1/17 Kapitola 7: Integrál. 1/17 Neurčitý integrál - Motivační příklad 2/17 Příklad: Necht se bod pohybuje po přímce rychlostí a) v(t) = 3 [m/s] (rovnoměrný přímočarý pohyb), b) v(t) = 2t [m/s] (rovnoměrně zrychlený

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

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

Učební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice. študenti MFF 15. augusta 2008 Učební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice študenti MFF 15. augusta 2008 1 7 Diferenciální rovnice Požadavky Soustavy lineárních diferenciálních rovnic prvního řádu lineární

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

POŽADAVKY K SOUBORNÉ ZKOUŠCE Z MATEMATIKY

POŽADAVKY K SOUBORNÉ ZKOUŠCE Z MATEMATIKY POŽADAVKY K SOUBORNÉ ZKOUŠCE Z MATEMATIKY Bakalářský studijní program B1101 (studijní obory - Aplikovaná matematika, Matematické metody v ekonomice, Aplikovaná matematika pro řešení krizových situací)

Více

Matematika 3. Úloha 1. Úloha 2. Úloha 3

Matematika 3. Úloha 1. Úloha 2. Úloha 3 Matematika 3 Úloha 1 Co lze říci o funkci imaginární část komplexního čísla která každému komplexnímu číslu q přiřazuje číslo Im(q)? a. Je to funkce mnohoznačná. b. Je to reálná funkce komplexní proměnné.

Více

Skalární součin dovoluje zavedení metriky v afinním bodovém prostoru, tj. umožňuje nám určovat vzdálenosti, odchylky, obsahy a objemy.

Skalární součin dovoluje zavedení metriky v afinním bodovém prostoru, tj. umožňuje nám určovat vzdálenosti, odchylky, obsahy a objemy. 6 Skalární součin Skalární součin dovoluje zavedení metriky v afinním bodovém prostoru, tj. umožňuje nám určovat vzdálenosti, odchylky, obsahy a objemy. Příklad: Určete odchylku přímek p, q : p : x =1+3t,

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

příkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u.

příkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u. Několik řešených příkladů do Matematiky Vektory V tomto textu je spočteno několik ukázkových příkladů které vám snad pomohou při řešení příkladů do cvičení. V textu se objeví i pár detailů které jsem nestihl

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

19 Eukleidovský bodový prostor

19 Eukleidovský bodový prostor 19 Eukleidovský bodový prostor Eukleidovským bodovým prostorem rozumíme afinní bodový prostor, na jehož zaměření je definován skalární součin. Víme, že pomocí skalárního součinu jsou definovány pojmy norma

Více

NUMERICKÉ METODY. Problematika num. řešení úloh, chyby, podmíněnost, stabilita algoritmů. Aproximace funkcí.

NUMERICKÉ METODY. Problematika num. řešení úloh, chyby, podmíněnost, stabilita algoritmů. Aproximace funkcí. NUMERICKÉ METODY. Problematika num. řešení úloh, chyby, podmíněnost, stabilita algoritmů. Aproximace funkcí. RNDr. Radovan Potůček, Ph.D., K-15, FVT UO, KŠ 5B/11, Radovan.Potucek@unob.cz, tel. 443056 -----

Více

ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ

ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ Parametrické vyjádření přímky v rovině Máme přímku p v rovině určenou body A, B. Sestrojíme vektor u = B A. Pro bod B tím pádem platí: B = A + u. Je zřejmé,

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

Odhad parametrů N(µ, σ 2 )

Odhad parametrů N(µ, σ 2 ) Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný

Více

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009

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 2 LS 2012/13. Prezentace vznikla na základě učebního textu, jehož autorem je doc. RNDr. Mirko Rokyta, CSc. J. Stebel Matematika 2

Matematika 2 LS 2012/13. Prezentace vznikla na základě učebního textu, jehož autorem je doc. RNDr. Mirko Rokyta, CSc. J. Stebel Matematika 2 Matematika 2 13. přednáška Obyčejné diferenciální rovnice Jan Stebel Fakulta mechatroniky, informatiky a mezioborových studíı Technická univerzita v Liberci jan.stebel@tul.cz http://bacula.nti.tul.cz/~jan.stebel

Více

V: Pro nulový prvek o lineárního prostoru L platí vlastnosti:

V: Pro nulový prvek o lineárního prostoru L platí vlastnosti: Zpracoval: hypspave@fel.cvut.cz. Základní vlastnosti abstraktních lineárních prostorů. Lineární závislost, nezávislost, báze, souřadnice vzhledem k bázi, matice lineárního zobrazení vzhledem k bázím.skalární

Více

ANALYTICKÁ GEOMETRIE V ROVINĚ

ANALYTICKÁ GEOMETRIE V ROVINĚ ANALYTICKÁ GEOMETRIE V ROVINĚ Analytická geometrie vyšetřuje geometrické objekty (body, přímky, kuželosečky apod.) analytickými metodami. Podle prostoru, ve kterém pracujeme, můžeme analytickou geometrii

Více

8 Matice a determinanty

8 Matice a determinanty M Rokyta, MFF UK: Aplikovaná matematika II kap 8: Matice a determinanty 1 8 Matice a determinanty 81 Matice - definice a základní vlastnosti Definice Reálnou resp komplexní maticí A typu m n nazveme obdélníkovou

Více

Vlastní (charakteristická) čísla a vlastní (charakteristické) Pro zadanou čtvercovou matici A budeme řešit maticovou

Vlastní (charakteristická) čísla a vlastní (charakteristické) Pro zadanou čtvercovou matici A budeme řešit maticovou 1 Vlastní (charakteristická) čísla a vlastní (charakteristické) vektory matice Pro zadanou čtvercovou matici A budeme řešit maticovou rovnici A x = λ x, kde x je neznámá matice o jednom sloupci (sloupcový

Více

7 Ortogonální a ortonormální vektory

7 Ortogonální a ortonormální vektory 7 Ortogonální a ortonormální vektory Ze vztahu (5) pro výpočet odchylky dvou vektorů vyplývá, že nenulové vektory u, v jsou na sebe kolmé právě tehdy, když u v =0. Tato skutečnost nám poslouží k zavedení

Více

9 Kolmost vektorových podprostorů

9 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.

Více

11 Vzdálenost podprostorů

11 Vzdálenost podprostorů 11 Vzdálenost podprostorů 11.1 Vzdálenost bodů Eukleidovský bodový prostor E n = afinní bodový prostor, na jehož zaměření je definován skalární součin. (Pech:AGLÚ/str.126) Definováním skalárního součinu

Více

1 Determinanty a inverzní matice

1 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

Více

Téma je podrobně zpracováno ve skriptech [1], kapitola 6, strany

Téma je podrobně zpracováno ve skriptech [1], kapitola 6, strany 3 Metoda nejmenších čtverců 3 Metoda nejmenších čtverců Břetislav Fajmon, UMAT FEKT, VUT Brno Téma je podrobně zpracováno ve skriptech [1], kapitola 6, strany 73-80. Jedná se o třetí možnou metodu aproximace,

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

DEFINICE Z LINEÁRNÍ ALGEBRY

DEFINICE Z LINEÁRNÍ ALGEBRY DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které

Více

5. Interpolace a aproximace funkcí

5. Interpolace a aproximace funkcí 5. Interpolace a aproximace funkcí Průvodce studiem Často je potřeba složitou funkci f nahradit funkcí jednodušší. V této kapitole budeme předpokládat, že u funkce f známe její funkční hodnoty f i = f(x

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

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

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 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 Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud

Více

verze 1.3 kde ρ(, ) je vzdálenost dvou bodů v R r. Redukovaným ε-ovým okolím nazveme ε-ové okolí bodu x 0 mimo tohoto bodu, tedy množinu

verze 1.3 kde ρ(, ) je vzdálenost dvou bodů v R r. Redukovaným ε-ovým okolím nazveme ε-ové okolí bodu x 0 mimo tohoto bodu, tedy množinu Úvod Diferenciální počet více proměnných verze.3 Následující text popisuje základy diferenciálního počtu více proměnných. Měl by sloužit především studentům předmětu MATEMAT na Univerzitě Hradec Králové

Více

LDF MENDELU. Simona Fišnarová (MENDELU) LDR druhého řádu VMAT, IMT 1 / 22

LDF MENDELU. Simona Fišnarová (MENDELU) LDR druhého řádu VMAT, IMT 1 / 22 Lineární diferenciální rovnice druhého řádu Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF)

Více

Úlohy nejmenších čtverců

Úlohy nejmenších čtverců Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.

Více

Lingebraické kapitolky - Analytická geometrie

Lingebraické kapitolky - Analytická geometrie Lingebraické kapitolky - Analytická geometrie Jaroslav Horáček KAM MFF UK 2013 Co je to vektor? Šipička na tabuli? Ehm? Množina orientovaných úseček majících stejný směr. Prvek vektorového prostoru. V

Více

na magisterský studijní obor Učitelství matematiky pro střední školy

na magisterský studijní obor Učitelství matematiky pro střední školy Datum:... Jméno:... Přijímací řízení pro akademický rok 203/4 na magisterský studijní obor Učitelství matematiky pro střední školy Písemná část přijímací zkoušky z matematiky Za každou správnou odpověd

Více

2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC

2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC .6. VLASTNÍ ČÍSLA A VEKTORY MATIC V této kapitole se dozvíte: jak jsou definována vlastní (charakteristická) čísla a vektory čtvercové matice; co je to charakteristická matice a charakteristický polynom

Více

Afinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe.

Afinita 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,

Více

a počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí:

a počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí: Řešené příklady z lineární algebry - část 1 Typové příklady s řešením Příklady jsou určeny především k zopakování látky před zkouškou, jsou proto řešeny se znalostmi učiva celého semestru. Tento fakt se

Více

fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28.

fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28. Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

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

2. Schurova věta. Petr Tichý. 3. října 2012

2. Schurova věta. Petr Tichý. 3. října 2012 2. Schurova věta Petr Tichý 3. října 2012 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci

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

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

Vzpěr jednoduchého rámu, diferenciální operátory. Lenka Dohnalová

Vzpěr jednoduchého rámu, diferenciální operátory. Lenka Dohnalová 1 / 40 Vzpěr jednoduchého rámu, diferenciální operátory Lenka Dohnalová ČVUT, fakulta stavební, ZS 2015/2016 katedra stavební mechaniky a katedra matematiky, Odborné vedení: doc. Ing. Jan Zeman, Ph.D.,

Více

Lineární algebra : Skalární součin a ortogonalita

Lineární 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

Více

Matematická analýza pro informatiky I. Extrémy funkcí více proměnných

Matematická analýza pro informatiky I. Extrémy funkcí více proměnných Matematická analýza pro informatiky I. 12. přednáška Extrémy funkcí více proměnných Jan Tomeček jan.tomecek@upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci 12. dubna 2011

Více

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D. Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která

Více

Katedra matematiky Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze. Zápočtová písemná práce č. 1 z předmětu 01MAB3 varianta A

Katedra matematiky Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze. Zápočtová písemná práce č. 1 z předmětu 01MAB3 varianta A Zápočtová písemná práce č. 1 z předmětu 01MAB3 varianta A středa 19. listopadu 2014, 11:20 13:20 ➊ (8 bodů) Rozhodněte o stejnoměrné konvergenci řady n 3 n ( ) 1 e xn2 x 2 +n 2 na množině A = 0, + ). ➋

Více

ALGEBRA. Téma 5: Vektorové prostory

ALGEBRA. Téma 5: Vektorové prostory SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 5: Vektorové prostory Základní pojmy Vektorový prostor nad polem P, reálný (komplexní)

Více

LDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25

LDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25 Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

Více

+ 2y. a y = 1 x 2. du x = nxn 1 f(u) 2x n 3 yf (u)

+ 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

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

Numerická matematika 1

Numerická matematika 1 Numerická matematika 1 Obsah 1 Řešení nelineárních rovnic 3 1.1 Metoda půlení intervalu....................... 3 1.2 Metoda jednoduché iterace..................... 4 1.3 Newtonova metoda..........................

Více

Přijímací zkouška - matematika

Přijímací zkouška - matematika Přijímací zkouška - matematika Jméno a příjmení pište do okénka Číslo přihlášky Číslo zadání 1 Grafy 1 Pro který z následujících problémů není znám žádný algoritmus s polynomiální časovou složitostí? Problém,

Více

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A1. Cvičení, zimní semestr. Samostatné výstupy. Jan Šafařík

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A1. Cvičení, zimní semestr. Samostatné výstupy. Jan Šafařík Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A1 Cvičení, zimní semestr Samostatné výstupy Jan Šafařík Brno c 2003 Obsah 1. Výstup č.1 2 2. Výstup

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou

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

VĚTY Z LINEÁRNÍ ALGEBRY

VĚTY Z LINEÁRNÍ ALGEBRY VĚTY Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. věta Nechť M = {x 1, x 2,..., x k } je množina vektorů z vektorového prostoru

Více

Základy teorie odhadu parametrů bodový odhad

Základy teorie odhadu parametrů bodový odhad Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Odhady parametrů Úkolem výběrového šetření je podat informaci o neznámé hodnotě charakteristiky základního souboru

Více

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:

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: 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...

Více

7. Rozdělení pravděpodobnosti ve statistice

7. Rozdělení pravděpodobnosti ve statistice 7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,

Více

f(x) = ax + b mocnin (čili čtverců, odtud název metody) odchylek proložených hodnot od naměřených hodnot byl co (ax i + b y i ) 2 2(ax i + b y i ).

f(x) = ax + b mocnin (čili čtverců, odtud název metody) odchylek proložených hodnot od naměřených hodnot byl co (ax i + b y i ) 2 2(ax i + b y i ). Úvod Metoda nejmenších čtverců Metodu nejmenších čtverců používáme, chceme-li naměřenými (nebo jinak získanými) body proložit křivku, např. přímku. Tedy hledáme taková reálná čísla a, b, aby graf funkce

Více

Testování hypotéz o parametrech regresního modelu

Testování hypotéz o parametrech regresního modelu Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,

Více

Aritmetické vektory. Martina Šimůnková. Katedra aplikované matematiky. 16. března 2008

Aritmetické vektory. Martina Šimůnková. Katedra aplikované matematiky. 16. března 2008 Aritmetické vektory Martina Šimůnková Katedra aplikované matematiky 16. března 2008 Martina Šimůnková (KAP) Aritmetické vektory 16. března 2008 1/ 34 Úvod 1Úvod Definice aritmetických vektorů a operací

Více

Soustavy lineárních rovnic

Soustavy lineárních rovnic Soustavy lineárních rovnic Základy vyšší matematiky LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny společného

Více

1. DIFERENCIÁLNÍ POČET FUNKCE DVOU PROMĚNNÝCH

1. DIFERENCIÁLNÍ POČET FUNKCE DVOU PROMĚNNÝCH 1. DIFERENCIÁLNÍ POČET FUNKCE DVOU PROMĚNNÝCH V minulém semestru jsme studovali vlastnosti unkcí jedné nezávislé proměnné. K popisu mnoha reálných situací obvkle s jednou proměnnou nevstačíme. FUNKCE DVOU

Více

PRIMITIVNÍ FUNKCE DEFINICE A MOTIVACE

PRIMITIVNÍ FUNKCE DEFINICE A MOTIVACE PIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí

Více

1 Funkce dvou a tří proměnných

1 Funkce dvou a tří proměnných 1 Funkce dvou a tří proměnných 1.1 Pojem funkce více proměnných Definice Funkce dvou proměnných je předpis, který každému bodu z R 2 (tj. z roviny) přiřazuje jediné reálné číslo. z = f(x, y), D(f) R 2

Více

Funkce jedn e re aln e promˇ enn e Derivace Pˇredn aˇska ˇr ıjna 2015

Funkce jedn e re aln e promˇ enn e Derivace Pˇredn aˇska ˇr ıjna 2015 Funkce jedné reálné proměnné Derivace Přednáška 2 15. října 2015 Obsah 1 Funkce 2 Limita a spojitost funkce 3 Derivace 4 Průběh funkce Informace Literatura v elektronické verzi (odkazy ze STAGu): 1 Lineární

Více

DERIVACE FUKNCÍ VÍCE PROMĚNNÝCH

DERIVACE FUKNCÍ VÍCE PROMĚNNÝCH DERIVACE FUKNCÍ VÍCE PROMĚNNÝCH Reálná funkce dvou proměnných a definiční obor Kartézský součin R R značíme R 2 R 2 je množina všech uspořádaných dvojic reálných čísel (rovina) Prvk R 2 jsou bod v rovině

Více

PRIMITIVNÍ FUNKCE. Primitivní funkce primitivní funkce. geometrický popis integrály 1 integrály 2 spojité funkce konstrukce prim.

PRIMITIVNÍ FUNKCE. Primitivní funkce primitivní funkce. geometrický popis integrály 1 integrály 2 spojité funkce konstrukce prim. PRIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí

Více

Funkce jedné proměnné

Funkce jedné proměnné Funkce jedné proměnné Příklad - V následujících příkladech v případě a) pro funkce dané rovnicí zjistěte zda jsou rostoucí klesající nebo konstantní vypočítejte průsečíky grafu s osami souřadnic a graf

Více