22 M-odhady za predpokladu eregular hustoty (4) x (y x b)! =: Uvazujme mozu S = fs s 2 ::: s k g kde <s <s 2 <:::s k <, a k prslusou mozu ::: k, prcem

Rozměr: px
Začít zobrazení ze stránky:

Download "22 M-odhady za predpokladu eregular hustoty (4) x (y x b)! =: Uvazujme mozu S = fs s 2 ::: s k g kde <s <s 2 <:::s k <, a k prslusou mozu ::: k, prcem"

Transkript

1 M-ODHADY ZAPREDPOKLADU NEREGUL ARNI HUSTOTY Ja SVATOS MFF UK, KPMS Abstract: Theory of M-estmators lear regresso model s well kow. Oe of the classcal regularty assumptos the lear model Y = + E s the exstece of f. Ths paper studes the case whe f does ot exst the sese, that f (x) =jxs j j j q j (x), where j = ::: ks te umber of \sgular pots" of the desty f. Itsshow, that such a case rate of the covergece of M -estmators depeds o the mmum of j. Rezme: Problematka M -oceok v leo regres horoxo zvesta razrabotaa. V rabotah, kotorye teresuts to problematko uqtyvat, qto plotost~ vektora oxbok E v model Y = + E regulra. to zaqt, qtosuwestvuet f. Mo rabota rassmatrvaet stuac, kogda f e suwestvuet v tom smysle, qto f (x) = jx s j j j q j (x), gde j = ::: k koeqoe qslo sgulryh toqek plotost. Moo pokazat~, qto v takom sluqae stepe~ skorost shodmost M -oceok zmeets v zavsmost ot mma j. Predpokladejme platost learho modelu () Y = + E s podmkou a matc (2) jjx jj 4 = O() kde jj()jj ozacuje Eukldovskou ormu, x ozacuje -ty radek matce a E =(" ) " d. M -odhadem ezameho parametru je lbovole rese mmalzace souctu (3) %(y x b) vzhledem k b: Pokud exstuje prv dervace fukce % a pokud% je kovex, pak lze dec (3) zjedodust a tvar:

2 22 M-odhady za predpokladu eregular hustoty (4) x (y x b)! =: Uvazujme mozu S = fs s 2 ::: s k g kde <s <s 2 <:::s k <, a k prslusou mozu ::: k, prcemz l 2 ( 2) l = ::: k. Ozacme dale = m 5l5k l jako. Necht' hustota chybovych slozek exstuje a abyva tvaru (5) f (e) =q l (e)je s l j ( l) : Pro l 6=echt' q l (e) spluje Lpschtzovu podmku radu =2. Predpoklady a fukc : = + 2 prcemz je eklesajc, absolute spojta fukce, 2 je eklesajcskokovafukce. Dale predpokladejme sple jede ze dvou asledujcch podmek: () je absolute spojta azarove Z (6) spluje podmku R (e + t) 2 df (e) 5 C pr jtj < pro ejake reale kostaty C > () je kostat mmo omezey terval (a b) azarove jsou omezee uvtr (a b). Predpokladejme avc, ze a jsou obe tegrovatele sectvercem vzhledem k F (e). Podmky a 2 : (7) 2 (e) = a (8) kde Ozacme (9a) (9b) 8 >< >: a <e5 s a s <e5 s 2 ::: a k s k <e< l2k (a l a l )q l (s l ) > : K = fl :5 j 5 k l = g: = Z R (e)df (e) > : 2 = (a l a l )q l (s l ) > : l2k

3 Ja SVATO S 23 Tvrze dae vtomto claku bude jeste uto rozsrt a obecejs, kokrete = absolute spojta +skokova fukce. Dukaz pro teto prpad bude poda v dals prac. Problem asymptotckeho chova M -odhadu studovala v prac [] Jureckova pro prpad parametru polohy jedorozmereho rozdele. Vzka prrozey problem, ktere techky dukazu projdou pro regres parametr a kdy je uto zeslt podmky a rozdele aa fukc. Prvm ukolem je zobect vysledek Lemmatu 3. z []. Za vyse uvedeych podmek plat: 8 = 2 : lm! P f max jjtjj5c x [ (" + x t) (" )] x x (jt jj sg t j ) p j= x x t = "g = 8" > C > Pro peve t dukaz prochaz podobe jako v[]. Za prve je uto ukazat, ze rozptyl vyrazu je asymptotcky zaedbately pro spojtou dskret cast. Za druhe je zapotreb ukazat, ze aproxmace stred hodoty se od skutece hodoty ls pro!pouze zaedbatele. Pro radu erovost a omeze, ktere budou ukazay, je postacujc podmkou P jjx jj 4 = O(), jelkoz = 4. Necht' plat x t >. Pro prpad opaceho zameka plat asledujc techka stejym zpusobem, pouze se prohod tegrac meze a a prave strae posled erovost bude vyraz x t > v absolut hodote. var [ (" x t) (" )] x Z t x t 5 E (" u) (" v)dudv x 5 t q E[ (" u)] 2 [ ( v)] 2 dudv = x t q 2 = E[ (" u)] 2 du 5 x x t t E[ (" u)] 2 du 5 ( x t) 2

4 24 M-odhady za predpokladu eregular hustoty Z toho plye, ze 8j 2f ::: pg plat: var 2 5 x j [ (" x t) (" )] x 2 j ( x t) 2 5 C 2 jjtjj 2 jjx jj 4 A tedy P postacujc podmkou pro kovergec k ule je v tomto prpade jjx jj 4 = O() >. Pro dskret slozku budeme ejprve pracovat s e 5 r 2(e) = Tedy Necht' x t >. Pak 2(" x t) 2 (" )= e>r 8 >< >: r+ x t<" <r r+ x t>" >r jak P 2(" x t) 2 (" )= = F (r + x t) F (r) x t x t = f (r + u)du = q l (r + u)u l du x t (jq l (r + u) q l (r)j + jq l (r)j)u l du 5 5 u " l+ l du + C l Tedy dostavame, ze plat var 2 x t u l du 5 K l ( x t) l x j [ 2 (" x t) 2 (" )] 5 K 5 K jjtjj x 2 jjx j jj 5 K 2 jjx jj 2+ x 2 j l j(x t)j l Vzhledem k dec plat x t!. Ny je zapotreb ukazat, jak male jsou rozdly mez stredm hodotam a jejch aproxmacem. 2 5 K 2 x j E[ (" x t) (" ) x t] jx j jjx tj K 2 2 jjtjj 2 jjx jj 3

5 Ja SVATO S 25 Pro dskret slozku abyva rozdl tvaru: E[ 2 (" x t) 2 (" )] = asymptotcky k j= = = (a j a j )ff (s j ) F (s j x t)g k j= k j= (a j a j ) (a j a j ) Z x t f (s j + u)du Z x t juj j q j (s j + u)du Pozamka ke slovu "asymptotcky": Stred hodota a leve strae rovce ve skutecost abyva hodoty k j (a j a jk )P f" + x t >s j &" <s jk+ g Pokud ovsem x t!, coz je spleo z podmky (2) vzdy, kdyz > =4, pak 9 : P f" + x t >s j &" <s jk+ k= 2g =8jjtjj 5 C = a tedy e uto uvazovat skoky vetsho ez prvho radu. Pro = =4 vsak e podmka (2) postacujc ke sple x t! amus tedy byt zeslea podmka amatc. Odectem aproxmace a koec dostavame jj 2 5 K 2 K 2 2 x fe[ 2 (" x t) 2 (" )] j2k (a j a j )q j (s j )(x t) gjj jjx jj 3 4 (x t) +" + jjx jj 2 (x t) 5 K jjtjj +" 4 jjx jj ++" + + K 2 jjtjj jjx jj + kde =m l f l 6= g. Pro = l 8l druhy cle zmz. Pro kovergec celeho vyrazu k ule je y postacujc pomkou (2), protoze bez ujmy a obecost lze brat " = =2.

6 26 M-odhady za predpokladu eregular hustoty Toto lemma je uztecym astrojem pro dukaz hlav vety, ktera ukazuje rad kovergece. Veta rka: 2 jjm jj = O p () prcemz M je M -odhad deovay ve (4), hustota spluje (5) a fukce vyhovuje podmkam (6) az (9a,b). Zde elze prmo pouzt techku z prace [], jelkoz problem ma obece vce ez jede rozmer. Proto je ute k dukazu vety pouzt jy zpusob. Hlav mysleka tohoto postupu je ukazaa vprac [2]. Necht' je absolute spojta, tedy echt' =. Pak P f sup jjtjj=c t x (" =2 x t) = g! dava, ze rese ulohy x (" =2 x (M ))! = lez v koul se stredem v a polomerem C. Pro dokoce dukazu je pouzta veta z prace [3]. Kovergece se ukaze pomoc stejomereho omeze vyrazu P f sup jjtjj=c t x (" =2 x t) = g: A y dostavame vysledek ze skutecost, ze rese vyse uvedeeho problemu je ekvvalet skutecost, ze M je M -odhad. Refereces. Jureckova, J., Asymptotc Behavor of M-estmators of Locato Noregular Cases, Statstcs & Decsos (983), Jureckova, J. ad Se, P.K., Robust Statstcal Procedures: Asymptotcs ad Iterrelatos, Ortega, J.M. ad Rheboldt, W. C., Iteratva Soluto of Nolear Equatos Several Varables, Academc Press, New York, 97.

U. Jestliže lineární zobrazení Df x n n

U. Jestliže lineární zobrazení Df x n n MATEMATICKÁ ANALÝZA III předášky M. Krupky Zmí semestr 999/ 3. Iverzí a mplctí zobrazeí V této kaptole uvádíme dvě důležté věty, které acházeí aplkace v moha oblastech matematky: Větu o verzím a větu o

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,

Více

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost

Více

Posloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b

Posloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b Najděte itu Poslouposti a číselé řady ) + Protože + = + x ) + + =, je + + + + ) + = = 0 + + Najděte itu 3 si! + Protože je si! a 3 = 0, je 3 si! = 0 Najděte itu + a + a + + a + b + b, a

Více

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2 Iterpolace pomocí sple křvky dáo: bodů v rově úkol: alézt takovou křvku, která daým body prochází y f f 2 f 0 f x0 x... x 2 x x Iterpolace pomocí sple křvky evýhodou polyomálí terpolace změa ěkterého z

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru

Více

procesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze

procesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí

Více

8. Zákony velkých čísel

8. Zákony velkých čísel 8 Zákoy velkých čísel V této část budeme studovat velm často užívaá tvrzeí o součtech posloupost áhodých velč Nedříve budeme vyšetřovat tvrzeí azývaá souhrě ako slabé zákoy velkých čísel Veškeré úvahy

Více

z možností, jak tuto veličinu charakterizovat, je určit součet

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

Více

Matematická analýza I

Matematická analýza I 1 Matematická aalýza ity posloupostí, součty ekoečých řad, ity fukce, derivace Matematická aalýza I látka z I. semestru iformatiky MFF UK Zpracovali: Odřej Keddie Profat, Ja Zaatar Štětia a další 2 Matematická

Více

Definice obecné mocniny

Definice obecné mocniny Defiice obecé mociy Zavedeí obecé mociy omocí ity číselé oslouosti lze rovést ěkolika zůsoby Níže uvedeý zůsob využívá k defiici eoeciálí fukce itu V dalším budeme otřebovat ásledující dvě erovosti: Lemma

Více

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých 9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie

Více

je číselná posloupnost. Pro všechna n položme s n = ak. Posloupnost

je číselná posloupnost. Pro všechna n položme s n = ak. Posloupnost Číselé řady Defiice (Posloupost částečých součtů číselé řady). Nechť (a ) =1 je číselá posloupost. Pro všecha položme s = ak. Posloupost ( s ) azýváme posloupost částečých součtů řady. Defiice (Součet

Více

Spojitost a limita funkcí jedné reálné proměnné

Spojitost a limita funkcí jedné reálné proměnné Spojitost a limita fukcí jedé reálé proměé Pozámka Vyšetřeí spojitosti fukce je možo podle defiice převést a výpočet limity V dalším se proto soustředíme je problém výpočtu limit Pozámka Limitu fukce v

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP Záko velkých čísel, cetrálí lmtí věta PRAVDĚPODOBNOST A STATISTIKA Lbor Žák SP Záko velkých čísel, cetrálí lmtí věta Lbor Žák Kovergece podle pravděpodobost Posloupost áhodých proměých,,,, koverguje

Více

Znegujte následující výroky a rozhodněte, jestli platí výrok, nebo jeho negace:

Znegujte následující výroky a rozhodněte, jestli platí výrok, nebo jeho negace: . cvičeí Příklady a matematickou idukci Dokažte:.! . Návody:. + +. + i i i i + + 4. + + + + + + + + Operace s možiami.

Více

(3n + 1) 3n Příklady pro samostatnou práci

(3n + 1) 3n Příklady pro samostatnou práci ... 4. 5. 6. 0 0 0 a q koverguje pro q < geometrická řada diverguje harmoická řada koverguje srovejte s teleskopickou řadou + + utá podmíka kovergece + 4 + + 7 ití srovávací kritérium, srováí s ití podílové

Více

n=0 a n, n=0 a n = ±. n=0 n=0 a n diverguje k ±, a píšeme n=0 n=0 b n = t. Pak je konvergentní i řada n=0 (a n + b n ) = s + t. n=0 k a n a platí n=0

n=0 a n, n=0 a n = ±. n=0 n=0 a n diverguje k ±, a píšeme n=0 n=0 b n = t. Pak je konvergentní i řada n=0 (a n + b n ) = s + t. n=0 k a n a platí n=0 Nekoečé řady, geometrická řada, součet ekoečé řady Defiice Výraz a 0 a a a, kde {a i } i0 je libovolá posloupost reálých čísel, azveme ekoečou řadou Číslo se azývá -tý částečý součet Defiice Nekoečá řada

Více

HYPOTEČNÍ ÚVĚR. , kde v = je diskontní faktor, Dl počáteční výše úvěru, a anuita, i roční úroková sazba v procentech vyjádřená desetinným číslem.

HYPOTEČNÍ ÚVĚR. , kde v = je diskontní faktor, Dl počáteční výše úvěru, a anuita, i roční úroková sazba v procentech vyjádřená desetinným číslem. HYPTEČNÍ ÚVĚR Spláceí úvěru stejým splátkam - kostatí auta ÚLHA 1: Mladý maželský pár s dostačujícím příjmy (tz. a získáí hypotéčího úvěru) se rozhodl postavt s meší rodý domek. Podle předběžé kalkulace

Více

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt

Více

Přednáška 7, 14. listopadu 2014

Přednáška 7, 14. listopadu 2014 Předáška 7, 4. listopadu 204 Uvedeme bez důkazu klasické zobecěí Leibizova kritéria (v ěmž b = ( ) + ). Tvrzeí (Dirichletovo a Abelovo kritérium). Nechť (a ), (b ) R, přičemž a a 2 a 3 0. Pak platí, že.

Více

P. Girg. 23. listopadu 2012

P. Girg. 23. listopadu 2012 Řešeé úlohy z MS - díl prví P. Girg 2. listopadu 202 Výpočet ity poslouposti reálých čísel Věta. O algebře it kovergetích posloupostí.) Necht {a } a {b } jsou kovergetí poslouposti reálých čísel a echt

Více

Obsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad...

Obsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad... Obsah 1 Mocié řady 1 1.1 Defiice a vlastosti mociých řad.................... 1 1. Rozvoj fukce do mocié řady...................... 5 1.3 Aplikace mociých řad........................... 10 1 Kapitola 1

Více

Výsledky této ásti regresní analýzy jsou asto na výstupu z poítae prezentovány ve form tabulky analýzy rozptylu.

Výsledky této ásti regresní analýzy jsou asto na výstupu z poítae prezentovány ve form tabulky analýzy rozptylu. Ig. Marta Ltschmaová Statstka I., cveí 4 JEDNODUCHÁ LINEÁRNÍ REGRESE asto chceme prozkoumat vztah mez dvma velam, kde jeda z ch, tzv. ezávsle promá x, má ovlvovat druhou, tzv. závsle promou Y. edpokládá

Více

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC 5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém

Více

Vlastnosti posloupností

Vlastnosti posloupností Vlstosti posloupostí Nekoečá posloupost je fukce defiová v oboru přirozeých čísel Z toho plye, že kždá posloupost má prví čle (zčíme ), koečé poslouposti mjí i čle posledí Př Vypište prví čtyři čley poslouposti

Více

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost

Více

Náhodné jevy, jevové pole, pravděpodobnost

Náhodné jevy, jevové pole, pravděpodobnost S Náhodé jevy pravděpodobost Náhodé jevy jevové pole pravděpodobost Lbor Žák S Náhodé jevy pravděpodobost Lbor Žák Základí pojmy Expermet česky též vědecký pokus je soubor jedáí a pozorováí jehož účelem

Více

5. Posloupnosti a řady

5. Posloupnosti a řady Matematická aalýza I předášky M. Málka cvičeí A. Hakové a R. Otáhalové Zimí semestr 2004/05 5. Poslouposti a řady 5.1 Limita a hromadé hodoty. Mějme posloupost x ) prvků Hausdorffova topologického prostoru

Více

20. Eukleidovský prostor

20. Eukleidovský prostor 20 Eukleidovský prostor V této kapitole budeme pokračovat ve studiu dalších vlastostí afiích prostorů avšak s tím rozdílem že místo obecého vektorového prostoru budeme uvažovat prostor uitárí Proto bude

Více

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení.

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení. MATEMATICKÁ STATISTIKA - a základě výběrových dat uuzujeme a obecější kutečot, týkající e základího ouboru; provádíme zevšeobecňující (duktví) úudek - duktví uuzováí pomocí matematcko-tattckých metod je

Více

Zformulujme PMI nyní přesně (v duchu výrokové logiky jiný kurz tohoto webu):

Zformulujme PMI nyní přesně (v duchu výrokové logiky jiný kurz tohoto webu): Pricip matematické idukce PMI) se systematicky probírá v jié části středoškolské matematiky. a tomto místě je zařaze z důvodu opakováí matka moudrosti) a proto, abychom ji mohli bez uzarděí použít při

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu

Více

NMAF063 Matematika pro fyziky III Zkoušková písemná práce 25. ledna x 1 n

NMAF063 Matematika pro fyziky III Zkoušková písemná práce 25. ledna x 1 n Jméo: Příklad 3 Celkem bodů Bodů 8 0 30 Získáo [8 Uvažujte posloupost distribucí f } D R defiovaou jako f [δ kde δ a začí Diracovu distribuci v bodě a Najděte itu δ 0 + δ + této poslouposti aeb spočtěte

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a

Více

Generování dvojrozměrných rozdělení pomocí copulí

Generování dvojrozměrných rozdělení pomocí copulí Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta

Více

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =

Více

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1 [M2-P9] KAPITOLA 5: Číselé řady Ozačeí: R, + } = R ( = R) C } = C rozšířeá komplexí rovia ( evlastí hodota, číslo, bod) Vsuvka: defiujeme pro a C: a ± =, a = (je pro a 0), edefiujeme: 0,, ± a Poslouposti

Více

O Jensenově nerovnosti

O Jensenově nerovnosti O Jeseově erovosti Petr Vodstrčil petr.vodstrcil@vsb.cz Katedra aplikovaé matematiky, Fakulta elektrotechiky a iformatiky, Vysoká škola báňská Techická uiverzita Ostrava Ostrava, 28.1. 2019 (ŠKOMAM 2019)

Více

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz: Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám

Více

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i : ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru

Více

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme

Více

Masarykova univerzita Přírodovědecká fakulta

Masarykova univerzita Přírodovědecká fakulta Masarykova uiverzita Přírodovědecká fakulta Zuzaa Došlá, Vítězslav Novák NEKONEČNÉ ŘADY Bro 00 c Zuzaa Došlá, Vítězslav Novák, Masarykova uiverzita, Bro, 998, 00 ISBN 80-0-949- 3 Kapitola 3 Řady absolutě

Více

ZS 2018/19 Po 10:40 T5

ZS 2018/19 Po 10:40 T5 Cvičeí - Matematická aalýza ZS 08/9 Po 0:40 T5 Cvičeí 008 Řešte erovice v R: 8, log 3 ( 3+3 0 Částečý součet geometrické řady: pro každé q C, q, a N platí 3 Důsledek: +q +q + +q = q+ q si+si+ +si = si

Více

6.2. ČÍSELNÉ ŘADY. V této kapitole se dozvíte:

6.2. ČÍSELNÉ ŘADY. V této kapitole se dozvíte: 6.2. ČÍSELNÉ ŘADY V této kpitole se dozvíte: jk defiujeme číselou řdu; defiici kovergece řdy jejího součtu; jk vypdá ritmetická, geometrická hrmoická řd jk je to s jejich kovergecí; jk zí utá podmík kovergece

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

1 Trochu o kritériích dělitelnosti

1 Trochu o kritériích dělitelnosti Meu: Úloha č.1 Dělitelost a prvočísla Mirko Rokyta, KMA MFF UK Praha Jaov, 12.10.2013 Růzé dělitelosti, třeba 11 a 7 (aeb Jak zfalšovat rodé číslo). Prvočísla: které je ejlepší, které je ejvětší a jak

Více

Kapitola 5 - Matice (nad tělesem)

Kapitola 5 - Matice (nad tělesem) Kapitola 5 - Matice (ad tělesem) 5.. Defiice matice 5... DEFINICE Nechť T je těleso, m, N. Maticí typu m, ad tělesem T rozumíme zobrazeí možiy {, 2,, m} {, 2,, } do T. 5..2. OZNAČENÍ Možiu všech matic

Více

Cvičení 1.1. Dokažte Bernoulliovu nerovnost (1 + x) n 1 + nx, n N, x 2. Platí tato nerovnost obecně pro všechna x R a n N?

Cvičení 1.1. Dokažte Bernoulliovu nerovnost (1 + x) n 1 + nx, n N, x 2. Platí tato nerovnost obecně pro všechna x R a n N? 1 Prví prosemiář Cvičeí 1.1. Dokažte Beroulliovu erovost (1 + x) 1 + x, N, x. Platí tato erovost obecě pro všecha x R a N? Řešeí: (a) Pokud předpokládáme x 1, pak lze řešit klasickou idukcí. Pro = 1 tvrzeí

Více

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení Odhad parametru p biomického rozděleí a test hypotézy o tomto parametru Test hypotézy o parametru p biomického rozděleí Motivačí úloha Předpokládejme, že v důsledku realizace jistého áhodého pokusu P dochází

Více

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n 8.3. Limity ěkterých posloupostí Předpoklady: 83 Opakováí z miulé hodiy: 8 Hodoty poslouposti + se pro blížící se k ekoeču blíží k a to tak že mezi = posloupostí a číslem eexistuje žádá mezera říkáme že

Více

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n 8.3. Limity ěkterých posloupostí Předpoklady: 83 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí

Více

Matematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti

Matematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti

Více

NMAF061, ZS Zápočtová písemná práce skupina A 16. listopad dx

NMAF061, ZS Zápočtová písemná práce skupina A 16. listopad dx NMAF06, ZS 07 08 Zápočtová písemá práce skupia A 6. listopad 07 Jedotlivé kroky při výpočtech stručě, ale co ejpřesěji odůvoděte. Pokud používáte ějaké tvrzeí, ezapomeňte ověřit splěí předpokladů. Jméo

Více

ANALÝZA A KLASIFIKACE DAT

ANALÝZA A KLASIFIKACE DAT ANALÝZA A KLASIFIKACE DA prof. Ig. Jří Holčík, CSc. INVESICE Isttut DO bostatstky ROZVOJE VZDĚLÁVÁNÍ a aalýz IV. LINEÁRNÍ KLASIFIKACE pokračováí Isttut bostatstky a aalýz (SUPPOR VECOR MACHINE SVM) SEPARABILNÍ

Více

Matematika I. Název studijního programu. RNDr. Jaroslav Krieg. 2014 České Budějovice

Matematika I. Název studijního programu. RNDr. Jaroslav Krieg. 2014 České Budějovice Matematika I Název studijího programu RNDr. Jaroslav Krieg 2014 České Budějovice 1 Teto učebí materiál vzikl v rámci projektu "Itegrace a podpora studetů se specifickými vzdělávacími potřebami a Vysoké

Více

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D.

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D. MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ PH.D. Obsah MNOŽINY.... ČÍSELNÉ MNOŽINY.... OPERACE S MNOŽINAMI... ALGEBRAICKÉ VÝRAZY... 6. OPERACE S JEDNOČLENY A MNOHOČLENY...

Více

Univerzita Karlova v Praze Pedagogická fakulta

Univerzita Karlova v Praze Pedagogická fakulta Uverzt Krlov v Prze Pedgogcká kult SEMINÁRNÍ PRÁCE Z POLYNOMICKÉ ALGEBRY POLYNOM / CIFRIK Zdáí: Vyšetřete všem probrým prostředky polyom Vyprcováí: Rcoálí kořey Podle věty: Nechť p Q je koře polyomu q

Více

8. Odhady parametrů rozdělení pravděpodobnosti

8. Odhady parametrů rozdělení pravděpodobnosti Pozámky k předmětu Aplikovaá statistika, 8 téma 8 Odhady parametrů rozděleí pravděpodobosti Zaměříme se a odhad středí hodoty a rozptylu a to dvěma způsoby Předpokládejme, že máme áhodý výběr X 1,, X z

Více

k(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln

k(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln Číselé řady - řešeé přílady ČÍSELNÉ ŘADY - řešeé přílady A. Součty řad Vzorové přílady:.. Přílad. Určete součet řady + = + 6 + +.... Řešeí: Rozladem -tého čleu řady a parciálí zlomy dostáváme + = + ) =

Více

Testy statistických hypotéz

Testy statistických hypotéz Úvod Testy statstckých hypotéz Václav Adamec vadamec@medelu.cz Testováí: kvalfkovaá procedura vedoucí v zamítutí ebo ezamítutí ulové hypotézy v podmíkách ejstoty Testy jsou vázáy a rozděleí áhodých velč

Více

Elementární úvod do vyšší algebry

Elementární úvod do vyšší algebry Část III. Elemetárí úvod do vyšší algebry Mgr. Davd Zoul 202 2 Obsah Spektrum operátoru 7 Defce spektra operátoru 7 Defce spektrálího poloměru operátoru 7 Prví věta spektra 7 Druhá věta spektra Třetí věta

Více

ŘADY Jiří Bouchala a Petr Vodstrčil

ŘADY Jiří Bouchala a Petr Vodstrčil ŘADY Jiří Bouchala a Petr Vodstrčil Text byl vytvoře v rámci realizace projektu Matematika pro ižeýry 2. století (reg. č. CZ..07/2.2.00/07.0332), a kterém se společě podílela Vysoká škola báňská Techická

Více

Metody zkoumání závislosti numerických proměnných

Metody zkoumání závislosti numerických proměnných Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy

Více

3. Lineární diferenciální rovnice úvod do teorie

3. Lineární diferenciální rovnice úvod do teorie 3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se

Více

n 3 lim 3 1 = lim Je vidět, že posloupnost je neklesající, tedy z Leibnize řada konverguje, ( 1) k 1 k=1

n 3 lim 3 1 = lim Je vidět, že posloupnost je neklesající, tedy z Leibnize řada konverguje, ( 1) k 1 k=1 3. cvičeí Přílady. (a) (b) (c) ( ) ( 3 ) = Otestujeme itu 3 = 3 = = 0. Je vidět, že posloupost je elesající, tedy z Leibize řada overguje, ( ) Řada overguje podle Leibizova ritéria, ebot je zjevě erostoucí.

Více

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:

Více

TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ

TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ je postup, pomocí ěhož a základě áhodého výběru ověřujeme určté předpoklady (hypotézy) o základím souboru STATISTICKÁ HYPOTÉZA předpoklad (tvrzeí) o parametru G základího

Více

1.2. NORMA A SKALÁRNÍ SOUČIN

1.2. NORMA A SKALÁRNÍ SOUČIN 2 NORMA A SKALÁRNÍ SOUČIN V této kapitole se dozvíte: axiomatickou defiici ormy vektoru; co je to ormováí vektoru a jak vypadá Euklidovská orma; axiomatickou defiici skalárího (také vitřího) součiu vektorů;

Více

1 Uzavřená Gaussova rovina a její topologie

1 Uzavřená Gaussova rovina a její topologie 1 Uzavřeá Gaussova rovia a její topologie Podobě jako reálá čísla rozšiřujeme o dva body a, rozšiřujeme také možiu komplexích čísel. Nepřidáváme však dva body ýbrž je jede. Te budeme začit a budeme ho

Více

Funkce. RNDr. Yvetta Bartáková. Gymnázium, SOŠ a VOŠ Ledeč nad Sázavou

Funkce. RNDr. Yvetta Bartáková. Gymnázium, SOŠ a VOŠ Ledeč nad Sázavou Fukce RNDr. Yvetta Bartáková Gymázium, SOŠ a VOŠ Ledeč ad Sázavou Limita poslouposti a fukce VY INOVACE_0 9_M Gymázium, SOŠ a VOŠ Ledeč ad Sázavou A) Limita poslouposti Říkáme, že posloupost a je kovergetí,

Více

POZN AMKA K V YPO CTU BAYESOVSKEHO RIZIKA Ales LINKA TU Liberec, KPDM Abstrakt. V teto praci porovame dva bayesovske odhady fukce spolehlivosti v expoecialm rozdele z pohledu bayesovskeho rizika vypo-

Více

, jsou naměřené a vypočtené hodnoty závisle

, jsou naměřené a vypočtené hodnoty závisle Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,

Více

6. Posloupnosti a jejich limity, řady

6. Posloupnosti a jejich limity, řady Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme

Více

11.1 Úvod. Definice : [MA1-18:P11.1] definujeme pro a C: nedefinujeme: Posloupnosti komplexních čísel

11.1 Úvod. Definice : [MA1-18:P11.1] definujeme pro a C: nedefinujeme: Posloupnosti komplexních čísel KAPITOLA : Číselé řdy MA-8:P.] Ozčeí: R {, +} R R C {} C rozšířeá komplexí rovi evlstí hodot, číslo, bod U ε {x C x < ε } pro C, ε > 0 U K {x C x > K } pro K 0 defiujeme pro C: ±, je pro 0, edefiujeme:

Více

11. Časové řady. 11.1. Pojem a klasifikace časových řad

11. Časové řady. 11.1. Pojem a klasifikace časových řad . Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé

Více

Matematika I, část II

Matematika I, část II 1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího

Více

ANALÝZA VLIVU NUMERICKÉ APERTURY A ZVĚTŠENÍ NA HODNOTU ROZPTYLOVÉ FUNKCE BODU

ANALÝZA VLIVU NUMERICKÉ APERTURY A ZVĚTŠENÍ NA HODNOTU ROZPTYLOVÉ FUNKCE BODU ANALÝZA VLIVU NUMERICKÉ APERTURY A ZVĚTŠENÍ NA HODNOTU ROZPTYLOVÉ FUNKCE BODU A.Mikš, J.Novák, P. Novák katedra fyziky, Fakulta stavebí ČVUT v Praze Abstrakt Práce se zabývá aalýzou vlivu velikosti umerické

Více

Číselné řady. 1 m 1. 1 n a. m=2. n=1

Číselné řady. 1 m 1. 1 n a. m=2. n=1 Číselé řady Úvod U řad budeme řešit dva typy úloh: alezeí součtu a kovergeci. Nalezeí součtu (v případě, že řada koverguje) je obecě mohem těžší, elemetárě lze sečíst pouze ěkolik málo typů řad. Součet

Více

10.3 GEOMERTICKÝ PRŮMĚR

10.3 GEOMERTICKÝ PRŮMĚR Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo

Více

Lineární regrese ( ) 2

Lineární regrese ( ) 2 Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující

Více

Matematika NÁRODNÍ SROVNÁVACÍ ZKOUŠKY BŘEZNA 2018

Matematika NÁRODNÍ SROVNÁVACÍ ZKOUŠKY BŘEZNA 2018 NÁRODNÍ SROVNÁVACÍ ZKOUŠKY Mtemtik T BŘEZNA 08 : 9. břez 08 D : 897 P P P : 0 M. M. M. :, % S : 0 : 0 : -7,5 M. P : -, : 0, Zopkujte si zákldí iformce ke zkoušce: Test obshuje 0 úloh jeho řešeí máte 90

Více

I. TAYLORŮV POLYNOM ( 1

I. TAYLORŮV POLYNOM ( 1 I. TAYLORŮV POLYNOM Připomeňme si defiice elemetárích fukcí: a si( = 2+ = ( (2+! b cos( = 2 = ( (2! c e = =!. Dokažte, že Taylorův polyom k-tého řádu v bodě pro fukce f je rove polyomu P : (tyto výsledky

Více

a logaritmickou funkci a goniometrické funkce. 6.1 Násobení řad. Podívejme se neprve na násobení mnohočlenů x = x x n a y = y y n.

a logaritmickou funkci a goniometrické funkce. 6.1 Násobení řad. Podívejme se neprve na násobení mnohočlenů x = x x n a y = y y n. Matematická aalýza II předášky M. Málka cvičeí A. Hakové a R. Otáhalové Semestr letí 2005 6. Nekoečé řady fukcí V šesté kapitole pokračujeme ve studiu ekoečých řad. Nejprve odvozujeme základí tvrzeí o

Více

1.1 Definice a základní pojmy

1.1 Definice a základní pojmy Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých

Více

Petr Šedivý Šedivá matematika

Petr Šedivý  Šedivá matematika LIMITA POSLOUPNOSTI Úvod: Kapitola, kde poprvé arazíme a ekoečo. Argumety posloupostí rostou ade všechy meze a zkoumáme, jak vypadají hodoty poslouposti. V kapitole se sezámíte se základími typy it a početími

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA PRAVDĚPODOBNOS A SAISIKA Regulární systém hustot Vychází se z: -,, P - pravděpodobnostní prostor -, R neprázdná množna parametrů - X X 1,, náhodný vektor s sdruženou hustotou X n nebo s sdruženou pravděpodobnostní

Více

Užitečné zdroje příkladů jsou: Materiály ke cvičením z Kalkulu 3 od Kristýny Kuncové:

Užitečné zdroje příkladů jsou: Materiály ke cvičením z Kalkulu 3 od Kristýny Kuncové: Užitečé zdroje příkladů jsou: Materiály ke cvičeím z Kalkulu 3 od Kristýy Kucové: http://www.karli.mff.cui.cz/~kucova/historie8. php K posloupostem řad a fukcí Ilja Čerý: Iteligetí kalkulus. Olie zde:

Více

SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU

SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU Matematické modelováí (KMA/MM Téma: Model pohybu mraveců Zdeěk Hazal (A8N18P, zhazal@sezam.cz 8/9 Obor: FAV-AVIN-FIS 1. ÚVOD Model byl převzat z kihy Spojité modely v biologii

Více

Doc. Ing. Dagmar Blatná, CSc.

Doc. Ing. Dagmar Blatná, CSc. PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj

Více

ď Ř Á ť ž Č ý Ú ž ř ř ě ěš ý š ž ž ý ň ř ý Ů Ů ž ž ě ř ě ý Ů Ů ň ú ě ž ž ň ý ý ž ý ř ž ž ý ř š ú ě ž ý š ž ž ý ř ě ř ý ý ý Ů ř ý ž Ů ž ý ř ž ý ý ž ý ř ý ž ý ý ě ý ř š ě ý ě š ěř ý ž ý ý ž ý ěž ý ž š ž

Více

APLIKACE REGRESNÍ ANALÝZY NA VÝPOČET BODU ZVRATU

APLIKACE REGRESNÍ ANALÝZY NA VÝPOČET BODU ZVRATU VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA PODNIKATELSKÁ ÚSTAV FINANCÍ FACULTY OF BUSINESS AND MANAGEMENT INSTITUTE OF FINANCES APLIKACE REGRESNÍ ANALÝZY NA VÝPOČET BODU ZVRATU

Více

Mocninné řady - sbírka příkladů

Mocninné řady - sbírka příkladů UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Mocié řady - sbírka příkladů Vedoucí bakalářské práce: Mgr. Iveta Bebčáková, Ph.D.

Více

Užití binomické věty

Užití binomické věty 9..9 Užití biomické věty Předpoklady: 98 Často ám z biomického rozvoje stačí pouze jede kokrétí čle. Př. : x Urči šestý čle biomického rozvoje xy + 4y. Získaý výraz uprav. Biomický rozvoj začíá: ( a +

Více

c) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je transcendentí. xp 1 (p 1)! (x 1)p (x 2) p... (x d) p e x t f(t) d t = F (0)e x F (x),

c) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je transcendentí. xp 1 (p 1)! (x 1)p (x 2) p... (x d) p e x t f(t) d t = F (0)e x F (x), a) Vyslovte a dokažte Liouvillovu větu o šaté aroximovatelosti algebraického čísla řádu d b) Defiujte Liouvillovo číslo c) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je trascedetí 2 a) Defiujte

Více

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE V této kaptole se dozvíte: jak je oecě defováa kolmost (ortogoalta) vektorů; co rozumíme ortogoálí a ortoormálí ází; co jsou to tzv relace ortoormalty a Croeckerovo delta;

Více

8.2.1 Aritmetická posloupnost

8.2.1 Aritmetická posloupnost 8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž

Více

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

( + ) ( ) ( ) ( ) ( ) Derivace elementárních funkcí II. Předpoklady: Př. 1: Urči derivaci funkce y = x ; n N.

( + ) ( ) ( ) ( ) ( ) Derivace elementárních funkcí II. Předpoklady: Př. 1: Urči derivaci funkce y = x ; n N. .. Derivace elemetárích fukcí II Předpoklady: Př. : Urči derivaci fukce y ; N. Budeme postupovat stejě jako předtím dosazeím do vzorce: f ( + ) f ( ) f f ( + ) + + + +... + (biomická věta) + + +... + f

Více