BAKALÁŘSKÁ PRÁCE. Podmíněné hustoty
|
|
- Daniel Švec
- před 5 lety
- Počet zobrazení:
Transkript
1 Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Vladimír Krásný Podmíněné hustoty Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce: RNDr. Jan Seidler, CSc., Ústav teorie informace a automatizace AV Studijní program: Matematika, Obecná matematika 2009
2 Rád bych poděkoval RNDr. Janu Seidlerovi, CSc. za shovívavost a pomoc při vypracovávání mé bakalářské práce. Prohlašuji, že jsem svou bakalářskou práci napsal samostatně a výhradně s použitím citovaných pramenů. Souhlasím se zapůjčováním práce. V Praze dne Jméno Příjmení 2
3 Obsah Kapitola Podmíněná střední hodnota... 5 Kapitola Podmíněná pravděpodobnost... 5 Tvrzení Lemma Poznámka Kapitola Podmíněná hustota... 9 Definice... 9 Tvrzení Kapitola Podmíněná hustota a motivace...10 Kapitola Podmíněná hustota a nezávislost...11 Lemma Kapitola Podmíněná hustota a náhodné míry...12 Kapitola Příklady...13 Příklad Příklad Příklad Příklad Příklad Příklad Příklad Příklad Příklad Příklad Příklad Příklad Literatura
4 Název práce: Podmíněné hustoty Autor: Vladimír Krásný Katedra (ústav): Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce RNDr. Jan Seidler, CSc., Ústav teorie informace a automatizace AV vedoucího: seidler@utia.cas.cz Abstrakt: Podmíněná hustota je hlavním nástrojem pro výpočet podmíněných pravděpodobností a zejména podmíněných středních hodnot. V teoretické části mé bakalářské práce jsem se soustředil na objasnění kroků, jež nás vedou k definici podmíněné hustoty, a to včetně jisté motivační úvahy. Převážná část této práce je však věnována příkladům, na kterých je možno pozorovat, jak s podmíněnou hustotou v praxi počítat. Klíčová slova: pravděpodobnostní prostor, měřitelný prostor, náhodná veličina, podmíněná hustota Title: Conditional density Author: Vladimír Krásný Department: Název katedry či ústavu v angličtině Supervisor: RNDr. Jan Seidler, CSc., Ústav teorie informace a automatizace AV ČR Supervisor's address: seidler@utia.cas.cz Abstract: Conditional density is the main tool for computing condintional probabilities, mostly conditional expected values. In theoretical part of my work I focused on introducing of reasons which lead us to definiton of conditional density function. In more than half of my work I am paying attention to practical examples of how to compute conditional density functions. Keywords: probability space, measurable space, random variable, conditional density function 4
5 Kapitola 1 Podmíněná střední hodnota Nechť je pravděpodobnostní prostor, je -algebra a náhodná veličina. Pakliže pro náhodnou veličinu platí, kde je zúžení na, pak tuto nazveme podmíněnou střední hodnotou náhodné veličiny za podmínky a budeme ji značit. Jelikož podmíněná střední hodnota není těmito podmínkami určena jednoznačně (nýbrž skoro jistě), budeme množinu všech náhodných veličin vyhovujících těmto podmínkám značit. Je-li náhodná veličina speciálně tvaru, pak náhodnou veličinu nazýváme podmíněnou pravděpodobností jevu za podmínky a značíme (ve smyslu předchozího budeme množinu takovýchto náhodných veličin značit. Úmluva: Bude-li se v práci hovořit o měřitelném zobrazení, automaticky se tím bude myslet, že prostory a jsou prostory měřitelné. Dále nechť je měřítelné zobrazení (neboli zobecněná náhodná veličina) a -algebra budiž generována náhodnou veličnou, tedy. Podmíněnou střední hodnotu budeme zkráceně značit a budeme ji nazývat podmíněnou střední hodnotou náhodné veličiny za podmínky. Když si navíc uvědomíme, že každá množina z je tvaru, kde (tedy ), jíž budeme pro jednoduchost značit, můžeme druhý požadavek z definice podmíněné střední hodnoty přepsat do následující podoby Kapitola 2 Podmíněná pravděpodobnost 5
6 Nechť jsou zobecněné náhodné veličiny a dále nechť, pak podle tvrzení I.4.9 [1] existuje funkce taková, že. Označíme-li rozdělení náhodné veličiny, dostaneme použitím předchozího tvrzení, rovnosti a věty o substituci II.2.5 [1] tento vztah Zatím však pouze víme, že takováto funkce existuje. Jakým způsobem ji sestrojit nicméně stále zůstává nejasné. Proto se v nadcházejících řádcích, za dodatečných předpokladů, pokusíme tuto funkci explicitně vyjádřit. Předpokládejme, že existují -konečné míry na a na takové, že rozdělení náhodného vektoru je absolutně spojité vůči součinové míře na. Pak víme, že existuje hustota míry vzhledem k míře. Bez újmy na obecnosti si přitom můžeme zvolit takovou funkci, která je nezáporná všude na a pro každé. Zároveň podle věty o marginální hustotě (věta III.7 [2]) víme, že hustota rozdělení náhodného veličiny má tento tvar Definujme nyní funkci následovně Z definice je patrné, že funkce je nezáporná -měřitelná funkce a je pro každé takové, že hustota nějaké pravděpodobnostní míry na. Vraťme se nyní k funkci, jíž bychom chtěli umět explicitně vyjádřit. Nechť je náhodný jev, pak víme, že existuje měřitelná funkce taková, že s.j. neboli také V následujícím tvrzení ukážeme, že funkci funkce. je možno reprezentovat pomocí Tvrzení 1 Nechť platí předpoklad. Pak pro funkce definována předpisem 6
7 vyhovuje vztahu, tedy je podmíněnou pravděpodobností jevu za podmínky Y. Ještě než se pustíme do důkazu, dokážeme si pomocné lemma. Lemma 1 Nechť platí předpoklad a budiž funkce definována vztahem, pak Důkaz: K vzhledem k definici pro -skoro všechna. platí dokazovaná rovnost triviálně pro. Předpokládejme nadále, že množina má nenulovou míru, (v opačném případě by bylo lemma již dokázáno), pak platí když jsme v první rovnosti použili Fubiniho větu. Protože však, znamená předchozí rovnost, že -skoro na, címž jsme lemma dokázali. Nyní již přistoupíme k důkazu samotného tvrzení. Naším úkolem je dokázat, že neboli Ve výpočtu využijeme fakt, že má hustotu, dále pak Fubiniho větu a nakonec právě dokázané lemma. čímž je tvrzení dokázáno. Poznámka 1 7
8 V tvrzení 1 jsme uvažovali pouze podmíněné pravděpodobnosti, přičemž by šlo dané trvzení zobecnit na podmíněné střední hodnoty, a to následovně: Nechť je splněn předpoklad, buď měřitelná funkce taková, že. Pak platí Důkaz: 1) Pro, kde, dostáváme přímo tvrzení 1, neboť 2) Nechť, kde, a 3) Nechť je nezáporná funkce, pak existuje rostoucí posloupnost jednoduchých funkcí, které konvergují s.j. k a podle Leviho věty pro podmíněné střední hodnoty (Věta 7.12 [4]) platí, že Podle (obyčejné) Leviho věty naopak dostáváme, že a tedy což podle již dokázaného a věty o jednoznačnosti limity znamená, že 4) Nechť je libovolná integrovatelná funkce, pak pomocí rozkladu a předchozího kroku je důkaz hotov. Nyní již máme vše připraveno pro samotnou definici podmíněné hustoty. 8
9 Kapitola 3 Podmíněná hustota Definice Nechť platí předpoklad. Řekneme, že -měřitelná funkce je podmíněná hustota náhodné veličiny za podmínky, jestliže Z tvrzení 1 víme, že této rovnosti vyhovuje, tedy že je podmíněnou hustotou náhodné veličiny za podmínky. V následujícím tvrzení ukážeme, že funkce je ovností určena jednoznačně, a tedy že každou funkci takovou můžeme označovat. Tvrzení 2 Nechť jsou dvě měřitelné funkce vyhovující předchozí definici, pak -skoro všude na. Důkaz: Při důkazu opět využijeme fakt, že má hustotu (vzhledem k míře ) a Fubiniho větu. Podle předpokladu platí, že kde. Platí tedy pro všechna, z čehož plyne, že pro všechna, čímž bylo tvrzení dokázáno. 9
10 Kapitola 4 Podmíněná hustota a motivace Na chvíli se vráťme ke vztahu, kterým je explicitně určen tvar podmíněné hustoty. K tomuto tvaru by šlo totiž dospět i následujícími (nepřesnými) úvahami. Vycházet budeme z dobře známého vztahu pro podmíněnou pravděpodobnost jevu za podmínky, že nastal jev, tj. pokud platí, že. Od náhodných jevů přejdeme k náhodným veličinám. Nechť tedy a jsou dvě reálné náhodné veličiny, jejich sdružená hustota a marginální hustota náhodné veličiny. Dále předpokládejme, že pro interval platí, že. Pak platí což v řeči integrálů znamená V dalším kroku použijeme věty o střední hodnotě, k čemuž požadujeme, aby byla spojitá na a byla spojitá na pro každé. Pak totiž existují takové, že a a Po dosazení a zkrácení tak dostáváme vztah Při limitním přechodu, když přitom stále platí, dostaneme podmíněnou distribuční funkci a tak bychom mohli skutečně definovat podmíněnou hustotu vztahem 10
11 (převzato z kapitoly 3.5 [3], str. 54) Kapitola 5 Podmíněná hustota a nezávislost Pro potřeby výpočtu či rozhodování o nezávislosti náhodných veličin může mnohdy přijít vhod následující lemma dávající do souvislosti nezávislost náhodných veličin a jejich podmíněnou hustotu. Toto lemma dokážeme ještě před závěrečnou odbočkou k náhodným mírám a podmíněnému rozdělení (Definice 9.1 [4]). Lemma 2 Nechť je splněn předpoklad, pak jsou náhodné veličiny a nezávislé právě tehdy, když, pro -skoro všechna, kde je hustotou rozdělení náhodného vektoru a funkce je definovaná vztahem (a také jak již víme je podmíněnou hustotou náhodné veličiny za podmínky ). Důkaz: Za platnosti předpokladu víme, že pro -skoro všechna, a tak tedy po dosazení za dostaneme, pro -skoro všechna, a podle věty 2.5 [3] tak jsou náhodné veličiny a nezávislé. Jelikož jsou náhodné veličiny a nezávislé, pak pro jejich sdruženou hustotu platí, pro -skoro všechna. Víme, že definovaná předpisem vyhovuje vztahu, tomuto vztahu vyhovuje ale i, neboť 11
12 čímž bylo lemma dokázáno. Kapitola 6 Podmíněná hustota a náhodné míry V tvrzení 1 jsme tedy ukázali, že pomocí podmíněné hustoty lze reprezentovat podmíněné pravděpodobnosti. V následující části ukážeme, že má blízký vztah i k náhodné míře (resp. reglární verzi náhodné míry). Položme Pro funkci platí, že je -měřitelná pro, s.j. a pro je s.j., s.j. pro každou posloupnost po dvou disjunktních množin a je tak (podle Definice 8.1 [4]) -náhodnou pravděpodobnostní mírou. Není však obecně pravdou, že by byla pravděpodobnostní mírou pro pevná. Takové verzi, která tento požadavek splňuje, se říká regulární verze náhodné pravděpodobnostní míry. Podle věty VI.1.21 [1] taková regulární verze existuje (tj. a zároveň je pravděpodobnostní míra na ), a to pokud je úplný separabilní metrický prostor a je -algebra jeho borelovských množin. Avšak tato věta pouze zajišťuje existenci, už ale blíže neříká, jak takovou regulární verzi náhodné pravděpodobnostní míry explicitně vyjádřit. Nicméně my si můžeme všimnout, že za předpokladu nám tvrzení 1 návod na explixitní vyjádření dává. Nechť, a platí Definujme nyní následujícím předpisem kde je libovolná pevně zvolená pravděpodobnostní míra na. 12
13 Je snadné nahlednout, že je -měřitelná pro a je pravděpodobnostní mírou na, a tedy je skutečně regulární verzí -náhodné pravděpodobnostní míry. Dále si můžeme všimnout, že pravá strana je konstantní na množinách tvaru. Můžeme proto parametrizovat body. Pro a definujme kde je libovolná pevně zvolená pravděpodobnostní míra na. Pak je regulární verzí -náhodné pravděpodobnostní míry navíc splňující Takováto regulární verze je podle Definice 9.1 [4] podmíněným rozdělením náhodné veličiny za podmínky. Ještě na zavěr poznamenejme, že na volbě míry nezáleží, neboť podle je. Kapitola 7 Příklady První příklady budou lehčího typu a mají především sloužit k názorné ukázce, jak s podmíněnou hustotou pracovat, jak ji vypočítat. Obtížnost jednotlivých příkladů, kterých je celkem 12, bude postupně růst (náhodné vektory mající gaussovské rozdělení) s tím, že na závěr je uveden jeden příklad dokumentující, že vztah uvedený v tvrzení 1 lze použít i na diskrétní náhodné veličiny a dále jeden příklad obecnějšího rázu, který na rozdíl od předchozích příkladů nebude klást důraz na výpočet integrálů, nýbrž na šikovné zvolení transformace a kroků k ní vedoucím. Příklad 1 Nechť má rovnoměrné rozdělení na množině konečné Lebesqueovy míry. Ukažte, že a jsou rovnoměrná rozdělení na příslušnách řezech. Ze zadání víme, že, kde je konečná hodnota. Platí tedy, že 13
14 je hustota rozdělení. Jako první vypočteme. Označme si, tato množina je horizontálním řezem množiny procházející bodem. Marginální hustotu pak můžeme spočíst takto Podmíněnou hustotu již vypočteme jen dosazením do obecného vzorce Tedy hustota je hustotou rovnoměrného rozdělení na množině. Analogický provedeme výpočet pro podmíněnou hustotu. Označme tedy, což je v tomto případě vertikální řez množiny procházející bodem. Marginální hustota vyjde obdodně jako, a to Stejně jako v předchozím případě pak podmíněnou hustotu pouhým dosazením do obecného vzorce, címž dostaneme spočteme Opět je tak patrné, že vypočtená hustota je hustotou rovnoměrného rozdělení na množině. Od obecné množiny nyní přejdeme k dvěma speciálním volbám množiny. 1) Hustota náhodného vektoru mající rovnoměrného rozdělení na množině má tvar Množina je v tomto případě tvaru pro, pro jiná se jedná o prázdnou množinu. Marginální hustotu pro a pro spočteme následovně 14
15 a podmíněná hustota má tedy tvar Vzhledem k identickému výpočtu (včetně totožných hodnot) výpočet vynecháme. 2) Hustota náhodného vektoru mající rovnoměrného rozdělení na množině má tvar Pro výpočet budeme opět nejprve potřebovat určit množinu. Ta má pro tvar, pro jiná je prázdná množina. Pro marginální hustotua tak platí, že pro a pro lze spočíst Podle obecného vzorce pro podmíněnou hustotu tak dostáváme, že Pro výpočet budeme potřebovat určit tvar množiny. Pro je, pro jiná je množina prázdná. Pro je tedy, pro můžeme spočíst Dosazením do obecného vzorce pro výpočet podmíněné hustoty dostaneme 15
16 Příklad 2 Nechť má náhodný vektor v rovnoměrné rozdělení na množině. Najděte podmíněnou hustotu každé dvojice za podmínky zbývající náhodné veličiny, a dále pak podmíněnou hustotu každé náhodné veličiny za podmínky zbývajících dvou. Hustota je tvaru Nejprve spočteme marginální hustoty, a. Pro je, pro pak platí, že Pro je, pro pak platí, že Pro je, pro pak platí, že Po dosazení do obecného vzorce pro podmíněnou hustotu tak dostaneme a Pro druhou část příkladu potřebujeme spočíst marginální hustoty, a. Pro je, pro pak platí, že 16
17 Pro je, pro pak platí, že Pro je, pro pak platí, že Pouhým dosazením do vzorce pro podmíněnou hustotu dostaneme a Příklad 3 Nechť náhodná veličina má rovnoměrné rozdělení na a nechť náhodná veličina za podmínky má rovnoměrné rozdělení na, určete sdruženou hustotu náhodného vektoru, hustotu a podmíněnou hustotu. Ze zadání víme, že a Použitím lemma 2 dostaneme, že 17
18 Nyní již také lze spočíst marginální hustotu a konečně i podmíněnou hustotu, kterou získame dosazením do obecného vzorce pro podmíněnou hustotu, tedy Příklad 4 Nechť má náhodný vektor rozdělení s hustotou, kde. Najděte a. Abychom mohli dané podmíněné hustoty vypočítat, potřebujeme marginální hustoty a. Pro platí, že pro, pro je a tedy Pro platí, že pro, pro je a tedy Příklad 5 Nechť má náhodný vektor v standardní normální rozdělení. Položme, pak 18
19 a tedy náhodná veličina za podmínky má rozdělení. Skutečně, definujme zobrazení, pak. Zobrazení t je prosté a regulární na celém, dále nechť je hustota rozdělení náhodného vektoru. Nyní můžeme použít větu III.6 [2], podle které je hustota náhodného vektoru dána vztahem kde značí Jakobián inverzního zobrazení. a Po dosazení tak dostaneme Dále potřebujeme určit marginální hustotu náhodné veličiny. To bychom mohli zajisté učinit výpočtem podle věty o marginální hustotě III.7 [2]. Druhým způsobem je použití věty V.4 [2], podle níž má náhodná veličina, která je součtem dvou nezávislých náhodných veličin majících standardní normální rozdělení, normální rozdělení, a tak hustota má tvar Určení je již jen otázkou dosazení dvou známých hustot do obecného vzorce pro výpočet podmíněné hustoty. Příklad 6 Nechť má náhodný vektor v standardní normální rozdělení. Položme, pak 19
20 Definujme zobrazení pak Označme a jsou otevřené množiny, nechť dále je hustotou rozdělení, pak jistě platí, že a že zobrazení restrikce na, kde, je regulární a prosté. Označme, přičemž platí, kde. Podle věty III.6 [2] lze pak hustotu vyjádřit ve tvaru kde značí jakobián inverzního zobrazení pro. Jednoduše vypočteme, že a pro, a tedy po dosazení dostaneme Z tvaru množiny je zřejmé, že pro a pro spočteme 20
21 když jsme v průběhu použili substituci. Po dosazení do obecného vzorce pro výpočet podmíněné hustoty získáme výsledek prezentovaný v úvodu příkladu. Příklad 7 Nechť má náhodný vektor v standardní normální rozdělení. Buď jeho vyjádření v polárních souřadnicích. Pak a Opravdu, definujme a nechť Restrikce zobrazení na je pak difeomorfismus na. 1 Označme inverzní zobrazení k, definujme pak Označíme-li hustotu rozdělení, pak platí a proto, tedy definice je korektní. Podle věty III.6 [2] tak můžeme hustotu náhodného vektoru spočíst následovně 1 Viz. např. [5] L.Zajíček: Vybrané partie z matematické analýzy pro 1. a 2.ročník, matfyzpress, Praha 2003, Příklad
22 kde značí Jakobián zobrazení, tedy Z tohoto dostáváme, že a že pro Analogicky pro platí, že a pro spočteme když v předposlední rovnosti jsme použili substituci. Dosazením do obecného vzorce pro výpočet podmíněné hustoty dostaneme tvrzení uvedené v úvodu tohoto příkladu. Příklad 8 Nechť má náhodný vektor v normální rozdělení s kovarianční maticí kde. Buď vyjádření tohoto náhodného vektoru v polárních souřadnicích. Pak a 22
23 kde je modifikovaná Besselova funkce indexu 0. Ukažme, že tomu tak skutečně je. Podobně jako v minulém příkladu definujme zobrazení a nechť opět Restrikce zobrazení na je pak difeomorfismus na. Při zachování značení z předchozí příkladu je inverzní zobrazení k, jež je předpisem definováno korektně. Označíme-li hustotu rozdělení, pak podle věty III.6 [A] můžeme hustotu náhodného vektoru spočíst následovně kde značí Jakobián zobrazení, který, jak jsme v minulém příkladě ukázali, je roven, a tak K výpočtu marginálních hustot (resp. jedné z nich) využijeme v úvodu již zmíněnou modifikovanou Besselovu funkci indexu 0. Protože je pravda, že můžeme spočíst a tak tedy platí, že Dále užitím goniometrických vzorců si můžeme vyjádřit způsobem následujícím 23
24 Hustotu lze proto upravit takto Odtud dostáváme, že pro a pro dostaneme když v předposlední rovnosti jsme využili -periodičnosti funkce a vztahu. Nyní přistoupíme k výpočtu marginální hustotu. Jistě platí, pro spočteme, že 24
25 když v předposlední rovnosti jsme použili substituci. Příklad 9 Nechť má náhodný vektor v standardní normální rozdělení buď jeho vyjádření v polárních (sférických) souřadnicích. Pak a Definujme zobrazení a budiž Restrikce zobrazení na množinu je difeomorfismus na. 2 Označme inverzní zobrazení k difeomorfismu a definujme Označíme-li hustotu míry, pak jistě platí a tedy, takže definice je korektní. Podle věty III.6 [2] je hustota náhodného vektoru dána výrazem kde je Jacobián zobrazení, 2 Viz. např. [5] L.Zajíček: Vybrané partie z matematické analýzy pro 1. a 2.ročník, matfyzpress, Praha 2003, Příklad
26 Protože a je Dále je potřeba spočíst marginální hustotu, pro kterou jistě platí, že pro, zatímco pro je Marginální hustota na a pro je když v poslední rovnosti jsme využili toho, že se jedná o druhý moment standardního normálního rozdělení, a tedy se daný integrál rovná 1. A jako poslední nám zbývá marginální hustota, pro kterou platí a pro lze spočítat, že 26
27 Dosazením do obecného vzorce pro podmíněné hustoty dostaneme naše tvrzení. Poznámka: Podobně lze spočíst i podmíněnou hustotu, kdy se podmiňuje pouze jednou souřadnicí, ukažme si to například na. Pro marginální hustotu náhodné veličiny platí, že a pro dostaneme Po dosazení do obecného vzorce pro podmíněnou hustotu bychom dospěli k tomuto výsledku Příklad 10 Nechť má náhodný vektor normální rozdělení kde. Buď vyjádření tohoto náhodného vektoru ve sférických (polárních) souřadnicích. Pak kde a kde 27
28 je modifikovaná Besselova funkce indexu 0. Obdobně jako v předchozím příkladě uvažujme zobrazení a položme Opět tedy budiž restrikcí na množinu, pak je difeomorfismus na. Již víme, že, inverzní zobrazení k, definováno tímto předpisem je definováno korektně. Nechť je hustotou míry pak podle věty III.6 [2] je hustota náhodného vektoru dána výrazem kde je Jacobián zobrazení, o němž jsme v minulém příkladě prokázali, že je roven. Díky a je Nyní spočteme marginální hustoty a. K tomuto účelu použijeme modifikovanou Besselovu funkci indexu 0, pro kterou podle příkladu 8 platí Také platí, že je možné vyjádřit následujícím způsobem Proto lze hustotu upravit následujícím způsobem 28
29 Tento zápis nám ulehčí výpočet, k němuž právě přistoupíme. Jistě pro, zatímco pro je 29
30 když v předposlední rovnosti jsme užili -periodičnost funkce a vztah. Analogicky, jistě na a pro je neboť integrál před poslední rovností je druhý moment normálního rozdělení, a rovná se tak. Naše tvrzení pak plynou pouhým dosazením do obecného vzorce pro výpočet podmíněné hustoty. Příklad 11 Nechť má náhodná veličina Poissonovo rozdělení s parametrem 1 a za podmínky má binomocké rozdělení s parametry a. Nalezněte rozdělení, rozdělení a podmíněné rozdělení za podmínky. Označme čítací míru, pak náhodná veličina má hustotu vzhledem k míře ve tvaru a náhodná veličina za podmínky má hustotu vzhledem k míře ve tvaru Nechť existuje sdružená hustota, pak lemma 1 říká, že neboli Marginální hustotu náhodné veličiny je nulová pro, pro získáme výpočtem integrálu 30
31 Náhodná veličina má tedy Poissonovo rozdělení s paramatrem. Při znalosti a již můžeme snadno dopočíst poslední neznámou hustotu, a tou je. Pro ni platí, že se rovná nule, je-li. V případě, kdy, lze spočíst jako podíl výše zmíněných hustot, tedy což znamená, že náhodná veličina za podmínky má stejné rozdělení jako náhodná veličiny, kde ma Poissonovo rozdělení s parametrem pro. Příklad 12 Nechť má v normální rozdělení, kde. Označme a. Ukažte, že. je hustotou normálního rozdělení Definujme. Protože existuje matice taková, že víme podle věty V.1 [2], že náhodný vektor. Navíc platí, že má normální rozdělení kam když dosadíme za 31
32 dostaneme, což podle věty V.8 [2] znamená, že náhodné vektory a jsou nezávislé. Pro další postup budeme potřebovat hustotu, pro jejíž určení si zjistíme střední hodnotu a rozptyl Náhodný vektor tak má hustotu Jak jsme výše ukázali, náhodné vektory a jsou nezávislé, proto se jejich sdružená hustota rovná součinu hustoty a. Definujme nyní zobrazení takové, že Nechť je inverzní zobrazení k, pak Jakobián tohoto zobrazení je roven 1, tedy podle věty III.6 [2] je sdružená hustota náhodného vektoru rovna Po dosazení do obecného vzorce pro podmíněnou hustotu nakonec dostaneme, že z čehož je již zřejmé, že je hustotou normálního rozdělení. Poznámka: Hlavní myšlenka, tj. definice, byla převzata z důkazu věty V.9 [2]. 32
33 Literatura [1] Prof. RNDr. Štěpán J., DrSc. (1987): Teorie Pravděpodobnosti. Academica Praha. [2] Doc. RNDr. Anděl J., DrSc. (1985): Matematická statistika. Nakladatelství technické literatury, Praha. [3] Doc. RNDr. Anděl J., DrSc. (2005): Základy matematické statistiky. Matfyzpress, Praha. [4] Doc. RNDr. Lachout P., CSc. (2004): Teorie pravděpodobnosti. Nakladatelství Karolinum, Praha. [5] Prof. RNDr. Zajíček L., DrSc. (2003): Vybrané partie z matematické analýzy pro 1. a 2.ročník, Matfyzpress, Praha
8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice
9. Lineární diferenciální rovnice 2. řádu Cíle Diferenciální rovnice, v nichž hledaná funkce vystupuje ve druhé či vyšší derivaci, nazýváme diferenciálními rovnicemi druhého a vyššího řádu. Analogicky
VíceRiemannův určitý integrál
Riemannův určitý integrál 1. Motivační příklad Příklad (Motivační příklad pro zavedení Riemannova integrálu). Nechť,. Vypočtěme obsah vybarvené oblasti ohraničené grafem funkce, osou a svislými přímkami
Vícepříkladů 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
VíceNechť 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
VíceGreenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice
Greenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice Jan Tomeček Tento stručný text si klade za cíl co nejrychlejší uvedení do teorie Greenových funkcí pro obyčejné diferenciální
Víceoznačme j = (0, 1) a nazvěme tuto dvojici imaginární jednotkou. Potom libovolnou (x, y) = (x, 0) + (0, y) = (x, 0) + (0, 1)(y, 0) = x + jy,
Komplexní čísla Množinu všech uspořádaných dvojic (x, y) reálných čísel x, y nazýváme množinou komplexních čísel C, jestliže pro každé dvě takové dvojice (x, y ), (x 2, y 2 ) je definována rovnost, sčítání
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
VíceZobecněný Riemannův integrál
Zobecněný Riemannův integrál Definice (Zobecněný Riemannův integrál). Buď,,. Nechť pro všechna existuje určitý Riemannův integrál. Pokud existuje konečná limita, říkáme, že zobecněný Riemannův integrál
VíceDerivace funkcí více proměnných
Derivace funkcí více proměnných Pro studenty FP TUL Martina Šimůnková 16. května 019 1. Derivace podle vektoru jako funkce vektoru. Pro pevně zvolenou funkci f : R d R n a bod a R d budeme zkoumat zobrazení,
VíceBáze a dimenze vektorových prostorů
Báze a dimenze vektorových prostorů Buď (V, +, ) vektorový prostor nad tělesem (T, +, ). Nechť u 1, u 2,..., u n je konečná posloupnost vektorů z V. Existují-li prvky s 1, s 2,..., s n T, z nichž alespoň
Více(Cramerovo pravidlo, determinanty, inverzní matice)
KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce
VíceNáhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která
Náhodná veličina a její charakteristiky Náhodná veličina a její charakteristiky Představte si, že provádíte náhodný pokus, jehož výsledek jste schopni ohodnotit nějakým číslem. Před provedením pokusu jeho
Více6 Lineární geometrie. 6.1 Lineární variety
6 Lineární geometrie Motivace. Pojem lineární varieta, který budeme v této kapitole studovat z nejrůznějších úhlů pohledu, není žádnou umělou konstrukcí. Příkladem lineární variety je totiž množina řešení
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
VíceNecht tedy máme přirozená čísla n, k pod pojmem systém lineárních rovnic rozumíme rovnice ve tvaru
2. Systémy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních rovnic s koeficienty z pole reálných případně komplexních čísel. Uvádíme podmínku pro existenci řešení systému lineárních
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceFREDHOLMOVA ALTERNATIVA
FREDHOLMOVA ALTERNATIVA Pavel Jirásek 1 Abstrakt. V tomto článku se snažíme shrnout dosavadní výsledky týkající se Fredholmovy alternativy (FA). Postupně zmíníme FA na prostorech konečné dimenze, FA pro
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
Více2 Hlavní charakteristiky v analýze přežití
2 Hlavní charakteristiky v analýze přežití Předpokládané výstupy z výuky: 1. Student umí definovat funkci přežití, rizikovou funkci a kumulativní rizikovou funkci a zná funkční vazby mezi nimi 2. Student
VíceMatice lineárních zobrazení
Matice lineárních zobrazení Nechť V, +, a W, +, jsou nenulové vektorové prostory konečných dimenzí n a m nad tělesem T, +,, nechť posloupnosti vektorů g 1, g 2,..., g n V a h 1, h 2,..., h m W tvoří báze
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceLineární algebra : Báze a dimenze
Lineární algebra : Báze a dimenze (5. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 9. dubna 2014, 13:33 1 2 5.1 Báze lineárního prostoru Definice 1. O množině vektorů M z LP V řekneme,
VíceMaticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
VíceMatematika III. Miroslava Dubcová, Daniel Turzík, Drahoslava Janovská. Ústav matematiky
Matematika III Řady Miroslava Dubcová, Daniel Turzík, Drahoslava Janovská Ústav matematiky Přednášky ZS 202-203 Obsah Číselné řady. Součet nekonečné řady. Kritéria konvergence 2 Funkční řady. Bodová konvergence.
VíceTOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 4. PREDNÁŠKA - SOUČIN PROSTORŮ A TICHONOVOVA VĚTA.
TOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 4. PREDNÁŠKA - SOUČIN PROSTORŮ A TICHONOVOVA VĚTA. PAVEL RŮŽIČKA 4.1. (Kvazi)kompaktnost a sub-báze. Buď (Q, ) uspořádaná množina. Řetězcem v Q budeme rozumět lineárně
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristiky často potřebujeme vyšetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceLineární algebra : Lineární prostor
Lineární algebra : Lineární prostor (3. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 17. dubna 2014, 14:43 1 2 3.1 Aximotické zavedení lineárního prostoru Číselné těleso Celou lineární
VíceZáklady matematické analýzy
Základy matematické analýzy Spojitost funkce Ing. Tomáš Kalvoda, Ph.D. 1, Ing. Daniel Vašata 2 1 tomas.kalvoda@fit.cvut.cz 2 daniel.vasata@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
Více1. 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:
VíceMatematická analýza pro informatiky I. Limita funkce
Matematická analýza pro informatiky I. 5. přednáška Limita funkce Jan Tomeček tomecek@inf.upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci 18. března 2011 Jan Tomeček, tomecek@inf.upol.cz
VíceVI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku
VI Maticový počet VI1 Základní operace s maticemi Definice Tabulku a 11 a 12 a 1n a 21 a 22 a 2n, a m1 a m2 a mn kde a ij R, i = 1,, m, j = 1,, n, nazýváme maticí typu m n Zkráceně zapisujeme (a ij i=1m
VíceV předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti
Kapitola 5 Vektorové prostory V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti operací sčítání a násobení
Více1 Řešení soustav lineárních rovnic
1 Řešení soustav lineárních rovnic 1.1 Lineární rovnice Lineární rovnicí o n neznámých x 1,x 2,..., x n s reálnými koeficienty rozumíme rovnici ve tvaru a 1 x 1 + a 2 x 2 +... + a n x n = b, (1) kde koeficienty
Více1 Linearní prostory nad komplexními čísly
1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
VíceDefinice (Racionální mocnina). Buď,. Nechť, kde a a čísla jsou nesoudělná. Pak: 1. je-li a sudé, (nebo) 2. je-li liché, klademe
Úvodní opakování. Mocnina a logaritmus Definice ( -tá mocnina). Pro každé klademe a dále pro každé, definujeme indukcí Dále pro všechna klademe a pro Později budeme dokazovat následující větu: Věta (O
Více9. Vícerozměrná integrace
9. Vícerozměrná integrace Tomáš Salač Ú UK, FF UK LS 2017/18 Tomáš Salač ( Ú UK, FF UK ) 9. Vícerozměrná integrace LS 2017/18 1 / 29 9.1 Elementy teorie míry Poznámka Na R n definujeme systém tzv. měřitelných
Více1 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
VíceMnožiny, relace, zobrazení
Množiny, relace, zobrazení Množiny Množinou rozumíme každý soubor určitých objektů shrnutých v jeden celek. Zmíněné objekty pak nazýváme prvky dané množiny. Pojem množina je tedy synonymem pojmů typu soubor,
VíceŘešení. Označme po řadě F (z) Odtud plyne, že
Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme
Více10. DETERMINANTY " # $!
10. DETERMINANTY $ V této kapitole zavedeme determinanty čtvercových matic libovolného rozměru nad pevným tělesem, řekneme si jejich základní vlastnosti a naučíme se je vypočítat včetně příkladů jejich
VíceMatematická analýza pro informatiky I.
Matematická analýza pro informatiky I. 10. přednáška Diferenciální počet funkcí více proměnných (II) Jan Tomeček jan.tomecek@upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci
VíceINVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.0141 Báze vektorových prostorů, transformace souřadnic Michal Botur Přednáška
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristik často potřebujeme všetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceTEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose.
TEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose. Kvůli těmto těžkostem se měření zúžilo jen na délku
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceZáklady teorie množin
1 Základy teorie množin Z minula: 1. Cantorovu větu (x P(x)) 2. základní vlastnosti disjunktního sjednocení, kartézského součinu a množinové mocniny (z hlediska relací, ) 3. vztah P(a) a 2 4. větu (2 a
Více9. Vícerozměrná integrace
9. Vícerozměrná integrace Aplikovaná matematika II, NMAF072 M. Rokyta, KMA MFF UK LS 2016/17 9.1 Elementy teorie míry Poznámka Na R n definujeme systém tzv. měřitelných množin, M n, který má následující
Více1 Lineární prostory a podprostory
Lineární prostory a podprostory Přečtěte si: Učebnice AKLA, kapitola první, podkapitoly. až.4 včetně. Cvičení. Které z následujících množin jsou lineárními prostory s přirozenými definicemi operací?. C
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VícePravděpodobnost a její vlastnosti
Pravděpodobnost a její vlastnosti 1 Pravděpodobnost a její vlastnosti Náhodné jevy Náhodný jev je výsledek pokusu (tj. realizace určitého systému podmínek) a jeho charakteristickým rysem je, že může, ale
Více9 Kolmost vektorových podprostorů
9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
Více1 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
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
VíceDefinice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
VíceÚlohy 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.
VíceUčební 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
Více19 Hilbertovy prostory
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem
Více10. N á h o d n ý v e k t o r
10. N á h o d n ý v e k t o r 10.1. Definice: Náhodný vektor. Uspořádanou n tici (X 1, X 2,..., X n ) náhodných veličin X i, 1 i n, nazýváme náhodným vektorem. Poznámka: Pro jednoduchost budeme zavádět
VíceP 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
VíceMatematická analýza pro informatiky I. Limita posloupnosti (I)
Matematická analýza pro informatiky I. 3. přednáška Limita posloupnosti (I) Jan Tomeček tomecek@inf.upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci 25. února 2011 tomecek@inf.upol.cz
VíceVektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
VícePravděpodobnost a statistika I KMA/K413
Pravděpodobnost a statistika I KMA/K413 Konzultace 3 Přírodovědecká fakulta Katedra matematiky jiri.cihlar@ujep.cz Kovariance, momenty Definice kovariance: Kovariance náhodných veličin Dále můžeme dokázat:,
VíceVěta o dělení polynomů se zbytkem
Věta o dělení polynomů se zbytkem Věta. Nechť R je okruh, f, g R[x], přičemž vedoucí koeficient polynomu g 0 je jednotka okruhu R. Pak existuje jediná dvojice polynomů q, r R[x] taková, že st(r) < st(g)
VíceAplikovaná 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
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
VíceLimita a spojitost funkce. 3.1 Úvod. Definice: [MA1-18:P3.1]
KAPITOLA 3: Limita a spojitost funkce [MA-8:P3.] 3. Úvod Necht je funkce f definována alespoň na nějakém prstencovém okolí bodu 0 R. Číslo a R je itou funkce f v bodě 0, jestliže pro každé okolí Ua) bodu
VíceŘADY KOMPLEXNÍCH FUNKCÍ
ŘADY KOMPLEXNÍCH FUNKCÍ OBECNÉ VLASTNOSTI Řady komplexních čísel z n byly částečně probírány v kapitole o číselných řadách. Definice říká, že n=0 z n = z, jestliže z je limita částečných součtů řady z
VíceLineární algebra : Polynomy
Lineární algebra : Polynomy (2. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 15. dubna 2014, 11:21 1 2 2.1 Značení a těleso komplexních čísel Značení N := {1, 2, 3... }... množina
VíceKolik existuje různých stromů na pevně dané n-prvkové množině vrcholů?
Kapitola 9 Matice a počet koster Graf (orientovaný i neorientovaný) lze popsat maticí, a to hned několika různými způsoby. Tématem této kapitoly jsou incidenční matice orientovaných grafů a souvislosti
Více4 Integrální počet funkcí více reálných proměnných
Dvojné integrály - 61-4 ntegrální počet funkcí více reálných proměnných 4.1 Dvojné a dvojnásobné integrály Dvojné a dvojnásobné integrály na intervalech z Pod uzavřeným intervalem z rozumíme kartézský
Více3. Podmíněná pravděpodobnost a Bayesův vzorec
3. Podmíněná pravděpodobnost a Bayesův vzorec Poznámka: V některých úlohách řešíme situaci, kdy zkoumáme pravděpodobnost náhodného jevu za dalších omezujících podmínek. Nejčastěji má omezující podmínka
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
Více3 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
Více1 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
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
VícePříklad. Řešte v : takže rovnice v zadání má v tomto případě jedno řešení. Pro má rovnice tvar
Řešte v : má rovnice tvar takže rovnice v zadání má v tomto případě jedno řešení. Pro má rovnice tvar takže rovnice v zadání má v tomto případě opět jedno řešení. Sjednocením obou případů dostaneme úplné
VíceKapitola 1. Úvod. 1.1 Značení. 1.2 Výroky - opakování. N... přirozená čísla (1, 2, 3,...). Q... racionální čísla ( p, kde p Z a q N) R...
Kapitola 1 Úvod 1.1 Značení N... přirozená čísla (1, 2, 3,...). Z... celá čísla ( 3, 2, 1, 0, 1, 2,...). Q... racionální čísla ( p, kde p Z a q N) q R... reálná čísla C... komplexní čísla 1.2 Výroky -
VíceStřední 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
VícePŘEDNÁŠKA 2 POSLOUPNOSTI
PŘEDNÁŠKA 2 POSLOUPNOSTI 2.1 Zobrazení 2 Definice 1. Uvažujme libovolné neprázdné množiny A, B. Zobrazení množiny A do množiny B je definováno jako množina F uspořádaných dvojic (x, y A B, kde ke každému
Vícestránkách 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
VíceDefinice : Definice :
KAPITOLA 7: Spektrální analýza operátorů a matic [PAN16-K7-1] Definice : Necht H je komplexní Hilbertův prostor. Řekneme, že operátor T B(H) je normální, jestliže T T = T T. Operátor T B(H) je normální
VíceLimita funkce. FIT ČVUT v Praze. (FIT) Limita funkce 3.týden 1 / 39
Limita funkce FIT ČVUT v Praze 3.týden (FIT) Limita funkce 3.týden 1 / 39 Definice funkce. Zobrazení (f, D f ), jehož definiční obor D f i obor hodnot H f je podmnožinou množiny reálných čísel, se nazývá
VíceSingulární rozklad. Petr Tichý. 31. října 2013
Singulární rozklad Petr Tichý 31. října 2013 1 Outline 1 Úvod a motivace 2 Zavedení singulárního rozkladu a jeho vlastnosti 3 Výpočet a náklady na výpočet singulárního rozkladu 4 Moor-Penroseova pseudoinverze
VíceTeoretická informatika Tomáš Foltýnek foltynek@pef.mendelu.cz. Algebra Struktury s jednou operací
Teoretická informatika Tomáš Foltýnek foltynek@pef.mendelu.cz Algebra Struktury s jednou operací Teoretická informatika 2 Proč zavádíme algebru hledáme nástroj pro popis objektů reálného světa (zejména
Více1 Determinanty a inverzní matice
Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
VíceMOORE-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
VíceVlastní 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
VíceDůkaz Heineho Borelovy věty. Bez újmy na obecnosti vezmeme celý prostor A = M (proč? úloha 1). Implikace. Nechť je (M, d) kompaktní a nechť.
Přednáška 3, 19. října 2015 Důkaz Heineho Borelovy věty. Bez újmy na obecnosti vezmeme celý prostor A = M (proč? úloha 1). Implikace. Nechť je (M, d) kompaktní a nechť X i = M i I je jeho pokrytí otevřenými
Více(4x) 5 + 7y = 14, (2y) 5 (3x) 7 = 74,
1. V oboru celých čísel řešte soustavu rovnic (4x) 5 + 7y = 14, (2y) 5 (3x) 7 = 74, kde (n) k značí násobek čísla k nejbližší číslu n. (P. Černek) Řešení. Z první rovnice dané soustavy plyne, že číslo
VíceNecht L je lineární prostor nad R. Operaci : L L R nazýváme
Skalární součin axiomatická definice odvození velikosti vektorů a úhlu mezi vektory geometrická interpretace ortogonalita vlastnosti ortonormálních bázi [1] Definice skalárního součinu Necht L je lineární
VíceANALYTICKÁ 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
VíceDefinice. 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),
VíceMatematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan. 14.
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan 14. Vlastní vektory Bud V vektorový prostor nad polem P. Lineární zobrazení f : V
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
Více