ROVNICE NA ČASOVÝCH ŠKÁLÁCH A NÁHODNÉ PROCESY. Michal Friesl
|
|
- Bohumil Beneš
- před 6 lety
- Počet zobrazení:
Transkript
1 Robust 14, Jetřichovice ROVNICE NA ČASOVÝCH ŠKÁLÁCH A NÁHODNÉ PROCESY Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni
2 Robust 14, Jetřichovice ÚVOD Úvod Analýzníkům při zkoumání jejich problémů vycházejí rozdělení, překvapeni, že v diskrétním i spojitém případě některé výsledky stejné Obsah Časová škála a rovnice Transportní rovnice Difuzní rovnice Zainteresovaní kolegové: Antonín Slavík (MFF UK) Petr Stehlík, Jonáš Volek (FAV ZČU)
3 Robust 14, Jetřichovice ÚVOD Časová škála Množina T časových okamžiků libovolná uzavřená T R T = R T = Z Funkce zrnitosti µ t = vzdálenost od t k dalšímu µ t = čas t zprava spojitý µ t > čas t zprava diskrétní obecná t µ t t + µ t Zobecněná derivace u(t + µ t ) u(t) (diference) u t (t) = µ t u(t + h) u(t) lim (derivace) h + h
4 Robust 14, Jetřichovice ÚVOD Uvažujme funkci u : T X R Dynamická rovnice kde X je diskrétní stavový prostor, X = Z popř. X = N u(t) :=(u(t, x), x X ) = (u x (t)) x X : T l (X) Pro lineární omezený operátor A : l (X) l (X) zkoumáme omezená řešení rovnice (soustavy rovnic pro každé x jedna) u t (t) = A u(t), s počáteční podmínkou u(t ) = u. t T Řešením (předp. I + Aµ t pro každé t T invertibilní) hodnoty zobecněné exponenciely e A,t u(t) = ( e A,t (t) ) (u )
5 Robust 14, Jetřichovice ÚVOD Obrázek x 1 t 4 Prostor T X (čas spojitý)
6 Robust 14, Jetřichovice ÚVOD Obrázek x 1 t 4 Prostor T X (čas diskrétní)
7 Robust 14, Jetřichovice ÚVOD Obrázek x 1 t 4 Prostor T X (čas obecný)
8 Robust 14, Jetřichovice ÚVOD Obrázek x 1 t 4 Funkce u(t, x) na T X
9 Robust 14, Jetřichovice ÚVOD Obrázek x 1 t 4 Při pevném t chápeme u(t) = (u x (t)) jako prvek l
10 Robust 14, Jetřichovice ÚVOD Obrázek x 1 t 4 Při pevném t chápeme u(t) = (u x (t)) jako prvek l
11 Robust 14, Jetřichovice ÚVOD Obrázek x 1 t 4 Při pevném t chápeme u(t) = (u x (t)) jako prvek l
12 Robust 14, Jetřichovice ÚVOD Obrázek x 1 t 4 Při pevném t chápeme u(t) = (u x (t)) jako prvek l
13 Robust 14, Jetřichovice ÚVOD Obrázek x 1 t 4 Hodnoty u(t) v čase t určují derivaci u t v čase t
14 Robust 14, Jetřichovice ÚVOD Transportní rovnice Příklady rovnic u t = ku x neboli u t x = k(u x u x 1 ) Difuzní rovnice u t = (u x ) x neboli u t x = u x+1 u x + u x 1 Či obecněji u t x = bu x + au x 1 V tomto příspěvku rovnice u t x = au x 1 + bu x + cu x+1 na nezáporné časové škále T, ), min T =, sup T =, předp. počet diskrétních bodů na omezených intervalech konečný s počáteční podmínkou v čase
15 Robust 14, Jetřichovice ÚVOD Cílem vyšetřit u omezených řešení Zkoumané vlastnosti zachování znaménka u() = u(t) princip maxima u() K = u(t) K A vlastnosti integrálů zachování prostorového integrálu x u x (t) = x u x () časové integrály T u x(t) t konečnost, stejné pro všechna x Stačí při počáteční podmínce { 1, x = u(, x) =, x = (při ostatních přenásobením/nakombinováním)
16 Robust 14, Jetřichovice ÚVOD Zkoumané vlastnosti x 1 t 4 Funkce u(t, x) na T X
17 Robust 14, Jetřichovice ÚVOD Zkoumané vlastnosti x 1 t 4 Prostorový integrál (součet)
18 Robust 14, Jetřichovice ÚVOD Zkoumané vlastnosti x 1 t 4 Prostorový integrál (součet)
19 Robust 14, Jetřichovice ÚVOD Zkoumané vlastnosti x 1 t 4 Prostorový integrál (součet)
20 Robust 14, Jetřichovice ÚVOD Zkoumané vlastnosti x 1 t 4 Prostorový integrál (součet)
21 Robust 14, Jetřichovice ÚVOD Zkoumané vlastnosti x 1 t 4 Funkce u(t, x) na T X
22 Robust 14, Jetřichovice ÚVOD Zkoumané vlastnosti x 1 t 4 Časový integrál
23 Robust 14, Jetřichovice ÚVOD Zkoumané vlastnosti x 1 t 4 Časový integrál
24 Robust 14, Jetřichovice ÚVOD Zkoumané vlastnosti x 1 t 4 Časový integrál
25 Robust 14, Jetřichovice ÚVOD Cílem vyšetřit u omezených řešení Zkoumané vlastnosti zachování znaménka u() = u(t) princip maxima u() K = u(t) K A vlastnosti integrálů zachování prostorového integrálu x u x (t) = x u x () časové integrály T u x(t) t konečnost, stejné pro všechna x Stačí při počáteční podmínce { 1, x = u(, x) =, x = (při ostatních přenásobením/nakombinováním)
26 Robust 14, Jetřichovice TRANSPORTNÍ Transportní rovnice u t x = k(u x u x 1 ) (k > ) Rozepsáno pro bod t diskrétní: u x (t + µ t ) u x (t) µ t = k ( u x (t) u x 1 (t) ) u x (t + µ t ) = (1 kµ t ) u x (t) + kµ t u x 1 (t) Pro bod t spojitý: u x(t) = ku x (t) + ku x 1 (t) Předpokládáme kµ t < 1 t
27 Robust 14, Jetřichovice TRANSPORTNÍ Pro T = {, 1,,... } a k 1 S jednotkovým diskrétní časem u x (t + 1) = (1 k)u x (t) + ku x 1 (t) Tedy soustava u(t + 1) = P T u(t) diferenčních rovnic pro pravděpodobnosti homogenního markovského řetězce (X, X 1,... ) s diskrétním časem a maticí pravděpodobností přechodu P = (Bernoulliův proces) 1 k k 1 k k Řešením: u x (t) = ( t x )kx (1 k) t x 1 k x 1 x x + 1 k
28 Robust 14, Jetřichovice TRANSPORTNÍ Vlastnosti Zachování znaménka a prostorový integrál (u x (t)) x X tvoří pro každé t rozdělení automaticky u x (t) 1 automaticky x u x (t) = 1 Princip maxima pravděpodobnosti přechodu p xy (t) po t krocích závisí jen na x y u x (t) = k u x k () p x k,x (t) sup }{{} x u x () 1 Časové integrály = p x,x+k (t) t u x (t) je očekávaná doba strávená řetězcem ve stavu x každý stav navštíven jednou, doba τ setrvání geometricky rozdělená t u x (t) = E I Xt =x = E τ = 1/k, tedy konečné a x stejné
29 Robust 14, Jetřichovice TRANSPORTNÍ Se spojitým časem Pro T = R u x(t) = ku x + ku x 1 Tedy soustava u (t) = Q T u(t) Kolmogorovových prospektivních rovnic pro pravděpodobnosti homogenního markovského řetězce (X t, t ) se spojitým časem a s maticí intenzit přechodu (Poissonův proces) Q = Řešením: u x (t) = e kt (kt)x x! k k k k......
30 Robust 14, Jetřichovice TRANSPORTNÍ Vlastnosti Zachování znaménka a prostorový integrál (u x (t)) x X tvoří pro každé t rozdělení automaticky u x (t) 1 automaticky x u x (t) = 1 Princip maxima pravděpodobnosti přechodu p xy (t) pro interval délky t závisí na x y u x (t) = k u x k () p x k,x (t) sup }{{} x u x () 1 Časové integrály = p x,x+k (t) u x (t) dt je očekávaná doba strávená řetězcem ve stavu x každý stav navštíven jednou, doba τ setrvání exponenciálně rozdělená u x (t) dt = E I Xt =x dt = E τ = 1/k, tedy konečné a x stejné
31 Robust 14, Jetřichovice TRANSPORTNÍ Obecný čas Pro obecný okamžik t s µ = µ t (všechna µ t < 1/k) t spojitý (µ t = ): t diskrétní (µ t > ): u x(t) = ku x (t) + ku x+1 (t) u x (t + µ t ) = (1 kµ t )u x (t) + kµ t u x+1 (t) Tedy rovnice pro markovský řetězec se smíšeným časem ve vnořeném řetězci přechod x x + 1 s pravděpodobností 1 a doba čekání na výstup ze stavu: - ve spojitých časech s intenzitou k - v diskrétních s pravděpodobností kµ t Vlastnosti znaménko, prostorový integrál, princip maxima zůstávají časový integrál s menším zamyšlením...
32 Robust 14, Jetřichovice TRANSPORTNÍ Doba ve stavu Jsme-li na začátku intervalu ve stavu, do střední doby interval přispěje: je-li spojitý délky s: s e kt dt + e ks (následující) je-li diskrétní délky µ: µ + (1 kµ) (následující) tj. diskrétní délky µ stejně jako spojitý délky s µ = 1 k ln(1 kµ) kdt kµ s µ kdt 1 kµ kdt s s µ Místo diskrétních intervalů vložíme do T spojité (s µ > µ) řešení u se změní (na Poissonův proces), ale střední doby stejné časový integrál na struktuře časové škály T nezávisí
33 Robust 14, Jetřichovice DIFUZNÍ Rovnice difuzního typu Předpokládáme u t x = au x+1 + bu x + cu x 1 a, c, u diskrétních bodů navíc bµ t < 1 Speciální případy transportní rovnice a =, b = c difuzní rovnice a = c = 1, b = Postup nejprve pravděpodobnostní případ a + b + c = obecný případ převedením na pravděpodobnostní, předvedeme pro T = {, 1,,... } a T =, )
34 Robust 14, Jetřichovice DIFUZNÍ Pravděpodobnostní případ Pro T = {, 1,,... } a b 1, resp. T =, ), a a + b + c = t diskrétní: t spojitý: u x (t + 1) = au x 1 (t) + (1 + b)u x (t) + cu x+1 (t) u x(t) = au x 1 (t) + bu x (t) + cu x+1 (t) Tedy rovnice pro pravděpodobnosti markovského 1 + b c a řetězce s maticí pravděpodobností resp. s maticí intenzit. x 1 x x P = c 1+b a c 1+b a, Q = c b a.. c b a Z vlastností rozepišme snad jen časové integrály...
35 Robust 14, Jetřichovice DIFUZNÍ Časové integrály Vnořeným řetězcem známá náhodná procházka a c a+c odpovídá T = {, 1,,... } a a = a+c, 1 + b =, c = a = c: stavy trvalé nulové, t u x(t) = a > c: stavy přechodné, do x vždy a t u x(t) = (a c ) 1, do x < s pravděpodobností ( c a ) x a t u x(t) = ( c a ) x (a c ) 1 Původní řetězec při návštěvě stavu v něm setrvá po dobu průměrně 1/( b), tedy při a = c zůstává u x (t) t =, { při a > c: u x (t) t = 1 b 1 u a c x, x(t) = (c/a) x t a c x < Podobně jako v případě transportní rovnice se nahlédne, že stejný výsledek platí i pro ostatní časové škály.
36 Robust 14, Jetřichovice DIFUZNÍ Obecný diskrétní případ Jednotkový čas T = {, 1,,... } a a, c >, b < 1 libovolné a + (1 + b) + c + d = 1 tj. d = (a + b + c) Dosazením: rovnici splňuje funkce u(t) = (1 d) t ũ(t) kde ũ je řešením pravděpodobnostní rovnice s ã = a 1 d, 1 + b = 1 + b 1 d, c = c 1 d. V případě d > (a + (1 + b) + c < 1) můžeme interpretovat jako řetězec s dodatečným absorpčním stavem.
37 Robust 14, Jetřichovice DIFUZNÍ T =, ), a, c >, b libovolné Dosazením: rovnici splňuje funkce Obecný spojitý případ a + b + c + d = u(t) = e dt ũ(t) kde ũ je řešením pravděpodobnostní rovnice s ã = a, c = c, b = (a + c). V případě d > (a + b + c < ) můžeme interpretovat jako řetězec s přidaným absorpčním stavem vlastnosti platí, dokonce lépe u x (t) e dt, x u x (t) = e dt V případě d < v nerovnostech e dt kdy bude u x (t) dt <, můžeme spočítat...
38 Robust 14, Jetřichovice DIFUZNÍ Časové integrály Pro řetězec ( X t ) z pravděpodobnostní rovnice s ã, b, c označme T n = okamžik n-té změny stavu; T = τ n = doba strávená ve stavu po n-té změně stavu, T n = n 1 τ k Integrál poskládáme z příspěvků jednotlivých přechodů (vnořeného řetězce) u x (t) t = D(, t)ũ x (t) t = E D(, t)i Xt =x t ( Tn+1 ) = E D(, t) t u x(n) = n T } n I n u x(n) {{} n I n kde D(t 1, t ) = (1 d) t t 1 resp. e d(t t 1 ) označuje diskontní faktor a I n je střední diskontovaná doba strávená řetězcem ( X t ) po n-té změně stavu do příští změny
39 Robust 14, Jetřichovice DIFUZNÍ Výpočet D n Příspěvek n-tého přechodu {}}{{}}{ I n = E ( τn ) T n+1 T n D(, t) t = E D(, T n ) E D(T n, t) t T n D n je střední diskontní faktor do n-té změny stavu, D n = (D 1 ) n e n je střední diskontovaná doba do opuštění stavu (diskontovaná k okamžiku vstupu do stavu), e n = e 1 V diskrétním resp. spojitém případě (předp. b > ) E 1 = E(1 d) T i = E 1 = E e dt i = 1 (1 d) k ( b)(1 + b) k 1 = b d b e dt b e bt dt = b = a + c b + d b e n = a + c b e 1 = E τ 1 (1 d) k resp. E τ e dt dt, tedy e 1 = 1 d (1 D 1) = 1 b
40 Robust 14, Jetřichovice DIFUZNÍ Výsledek V případě T = {, 1,,... } i T =, ) stejné hodnoty (tak by vyšlo i pro jiné časové škály), v řadě pro časový integrál u x (t) t = n I n u x(n) je n-tý člen při n I n u x(n) = e 1 u x(n) D n 1 1 = 1 b 1 konst ( 4a c ) n( b d n b a součet konečný právě když 4ac < b ( ) n n+x (a ) n+x (c ) n x ) n 1 = konst ( a + c ) n b n ( 4ac b ) n
41 Robust 14, Jetřichovice Shrnutí Použití výsledků z markovských řetězců v pravděpodobnostním případě automatické vlastnosti transformací i nepravděpodobnostní případ časové integrály nezávisí na konkrétní časové škále nezabývali jsme se a, c < ani t < Analogicky pro náhodnou procházku s více možnostmi kroků než 1,, 1 ve vícerozměrných prostorech (místo X mít X, X 3 ) Nelineární případ? rovnice u t(t) = A u(t) s nelineárním operátorem A
42 Robust 14, Jetřichovice ROVNICE NA ČASOVÝCH ŠKÁLÁCH A NÁHODNÉ PROCESY Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni friesl/rob14.html
Stochastické modely Informace k závěrečné zkoušce
Stochastické modely Informace k závěrečné zkoušce Jan Zouhar Katedra ekonometrie, FIS VŠE v Praze, zouharj@vse.cz 10. února 2015 Průběh zkoušky. Zkouška je ústní s přípravou na potítku. Každý si vylosuje
VíceMarkovské metody pro modelování pravděpodobnosti
Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
Více17. Posloupnosti a řady funkcí
17. Posloupnosti a řady funkcí Aplikovaná matematika III, NMAF073 M. Rokyta, KMA MFF UK ZS 2011/12 17.1 Stejnoměrná konvergence posloupnosti funkcí Definice Necht M je množina, f, f n : M R m, m, n N.
VíceParciální diferenciální rovnice
Parciální diferenciální rovnice Obsah kurzu Co bude obsahovat... úvod do PDR odvození některých PDR klasická teorie lineárních PDR 1. a 2. řádu řešení poč. a okraj. úloh vlastnosti řešení souvislost s
Více21. Úvod do teorie parciálních diferenciálních rovnic
21. Úvod do teorie parciálních diferenciálních rovnic Aplikovaná matematika IV, NMAF074 M. Rokyta, KMA MFF UK LS 2014/15 21.1 Základní termíny Definice Vektor tvaru α = (α 1,...,α m ), kde α j N {0}, j
VícePojistná matematika. Úmrtnostní tabulky, komutační čísla a jejich použití. Silvie Kafková
Úmrtnostní tabulky, komutační čísla a jejich použití 2015 Osnova 1 Délka života 2 Intenzita úmrtnosti 3 Úmrtnostní Tabulky 4 Komutační čísla Obsah 1 Délka života 2 Intenzita úmrtnosti 3 Úmrtnostní Tabulky
VíceBayesovské metody. Mnohorozměrná analýza dat
Mnohorozměrná analýza dat Podmíněná pravděpodobnost Definice: Uvažujme náhodné jevy A a B takové, že P(B) > 0. Podmíněnou pravěpodobností jevu A za podmínky, že nastal jev B, nazýváme podíl P(A B) P(A
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
Více13. cvičení z PSI ledna 2017
cvičení z PSI - 7 ledna 07 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Řešení:
VíceSoustavy lineárních diferenciálních rovnic I. řádu s konstantními koeficienty
Soustavy lineárních diferenciálních rovnic I řádu s konstantními koeficienty Definice a) Soustava tvaru x = ax + a y + az + f() t y = ax + a y + az + f () t z = a x + a y + a z + f () t se nazývá soustava
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceMatematika 5 FSV UK, ZS Miroslav Zelený
Matematika 5 FSV UK, ZS 2018-19 Miroslav Zelený 1. Stabilita řešení soustav diferenciálních rovnic 2. Úvod do variačního počtu 3. Globální extrémy 4. Teorie optimálního řízení 5. Různé 1. Stabilita řešení
VíceDiferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36
Diferenciální rovnice a jejich aplikace Zdeněk Kadeřábek (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Obsah 1 Co to je derivace? 2 Diferenciální rovnice 3 Systémy diferenciálních rovnic
VícePřijímací zkouška na navazující magisterské studium 2017
Přijímací zkouška na navazující magisterské studium 27 Studijní program: Studijní obor: Matematika Finanční a pojistná matematika Varianta A Řešení příkladů pečlivě odůvodněte. Věnujte pozornost ověření
VíceMarkovovy řetězce se spojitým časem CTMC (Continuous time Markov Chain)
Markovovy řetězce se soitým časem CTMC (Continuous time Markov Chain) 3 5 1 4 Markovovy rocesy X Diskrétní stavový rostor Soitý obor arametru t { } S e1, e,, en t R t 0 0 t 1 t t 3 t Proces e Markovův
VíceDrsná matematika III 6. přednáška Obyčejné diferenciální rovnice vyšších řádů, Eulerovo přibližné řešení a poznámky o odhadech chyb
Drsná matematika III 6. přednáška Obyčejné diferenciální rovnice vyšších řádů, Eulerovo přibližné řešení a poznámky o odhadech chyb Jan Slovák Masarykova univerzita Fakulta informatiky 23. 10. 2006 Obsah
VíceVYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová
VYBRANÁ ROZDĚLENÍ SPOJITÉ NÁH. VELIČINY Martina Litschmannová Opakování hustota pravděpodobnosti f(x) Funkce f(x) je hustotou pravděpodobností (na intervalu a x b), jestliže splňuje následující podmínky:
Více11. přednáška 10. prosince Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah
11. přednáška 10. prosince 2007 Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah F (x, y, y, y,..., y (n) ) = 0 mezi argumentem x funkce jedné
VíceModelov an ı syst em u a proces
Modelování systémů a procesů 13. března 2012 Obsah 1 Vnější popis systému 2 Vnitřní popis systému 3 Příklady na stavový popis dynamických systémů Obsah 1 Vnější popis systému 2 Vnitřní popis systému 3
VíceIntervalová data a výpočet některých statistik
Intervalová data a výpočet některých statistik Milan Hladík 1 Michal Černý 2 1 Katedra aplikované matematiky Matematicko-fyzikální fakulta Univerzita Karlova 2 Katedra ekonometrie Fakulta informatiky a
VíceHOKEJOVÉ GÓLY. Michal Friesl. Katedra matematiky & NTIS Fakulta aplikovaných věd Západočeská univerzita v Plzni. Robust 2018, Rybník
Robust 2018, Rybník HOKEJOVÉ GÓLY Michal Friesl Katedra matematiky & NTIS Fakulta aplikovaných věd Západočeská univerzita v Plzni Robust 2018, Rybník ÚVOD Úvod Podíváme se na průběh počtu gólu během hokejových
VíceDiferenciální rovnice
Obyčejné diferenciální rovnice - studijní text pro cvičení v předmětu Matematika - 2. Studijní materiál byl připraven pracovníky katedry E. Novákovou, M. Hyánkovou a L. Průchou za podpory grantu IG ČVUT
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
Více, 1. skupina (16:15-17:45) Jméno: se. Postup je třeba odůvodnit (okomentovat) nebo uvést výpočet. Výsledek bez uvedení jakéhokoliv
42206, skupina (6:5-7:45) Jméno: Zápočtový test z PSI Nezapomeňte podepsat VŠECHNY papíry, které odevzdáváte Škrtejte zřetelně a stejně zřetelně pište i věci, které platí Co je škrtnuto, nebude bráno v
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
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:,
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
VíceRozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce
Náhodná veličina motivace Náhodná veličina Často lze výsledek náhodného pokusu vyjádřit číslem: číslo, které padlo na kostce, výška náhodně vybraného studenta, čas strávený čekáním na metro, délka života
VíceZáklady matematiky pro FEK
Základy matematiky pro FEK 8. přednáška Blanka Šedivá KMA zimní semestr 2016/2017 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 2016/2017 1 / 14 Derivace funkce U lineárních funkcí ve tvaru
VícePoznámky k předmětu Aplikovaná statistika, 5.téma
Poznámky k předmětu Aplikovaná statistika, 5.téma 5. Některá významná rozdělení A. Diskrétní rozdělení (i) Diskrétní rovnoměrné rozdělení na množině {,..., n} Náhodná veličina X, která má diskrétní rovnoměrné
Vícenaopak více variant odpovědí, bude otázka hodnocena jako nesprávně zodpovězená.
Datum:... Jméno:... Přijímací řízení pro akademický rok 28/9 na magisterské studijní obor Finanční informatiky a statistika Písemná část přijímací zkoušky z matematiky Za každou správnou odpověd se získávají
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáška 03 Přírodovědecká fakulta Katedra matematiky KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC jiri.cihlar@ujep.cz Diskrétní rozdělení Důležitá diskrétní rozdělení pravděpodobnosti
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
Více18 Fourierovy řady Úvod, základní pojmy
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 18: Fourierovy řady 7 18 Fourierovy řady 18.1 Úvod, základní pojmy Otázka J. Fouriera: Lze každou periodickou funkci napsat jako součet nějakých "elementárních"
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).
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
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
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
VíceIV120 Spojité a hybridní systémy. Jana Fabriková
IV120 Spojité a hybridní systémy Základní pojmy teorie řízení David Šafránek Jiří Barnat Jana Fabriková Problém řízení IV120 Základní pojmy teorie řízení str. 2/25 Mějme dynamický systém S definovaný stavovou
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
VíceMatematika 4 FSV UK, LS Miroslav Zelený
Matematika 4 FSV UK, LS 2017-18 Miroslav Zelený 13. Diferenční rovnice 14. Diferenciální rovnice se separovanými prom. 15. Lineární diferenciální rovnice prvního řádu 16. Lineární diferenciální rovnice
Více1/10. Kapitola 12: Soustavy lineárních algebraických rovnic
1/10 Kapitola 12: Soustavy lineárních algebraických rovnic Soustavy lineárních algebraických rovnic 2/10 Definice: Soustavou m lineárních algebraických rovnic o n neznámých rozumíme soustavu rovnic a 11
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
VíceVěta o sedlovém bodu a Fredholmova alternativa
Věta o sedlovém bodu a Fredholmova alternativa Petr Tomiczek Fakulta Aplikovaných věd Západočeská univerzita Plzeň 2006 obsah 1 Rozklad Hilbertova prostoru Uzavřený lineární a samoadjungovaný operátor
VíceApriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
Vícečasovém horizontu na rozdíl od experimentu lépe odhalit chybné poznání reality.
Modelování dynamických systémů Matematické modelování dynamických systémů se využívá v různých oborech přírodních, technických, ekonomických a sociálních věd. Použití matematického modelu umožňuje popsat
Více10 Funkce více proměnných
M. Rokyta, MFF UK: Aplikovaná matematika II kap. 10: Funkce více proměnných 16 10 Funkce více proměnných 10.1 Základní pojmy Definice. Eukleidovskou vzdáleností bodů x = (x 1,...,x n ), y = (y 1,...,y
VíceFunkce 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
VíceMATEMATIKA III. Olga Majlingová. Učební text pro prezenční studium. Předběžná verze
Fakulta strojního inženýrství Univerzity J. E. Purkyně v Ústí nad Labem Pasteurova 7 Tel.: 475 285 511 400 96 Ústí nad Labem Fax: 475 285 566 Internet: www.ujep.cz E-mail: kontakt@ujep.cz MATEMATIKA III
VíceFunkcionální řady. January 13, 2016
Funkcionální řady January 13, 216 f 1 + f 2 + f 3 +... + f n +... = f n posloupnost částečných součtů funkcionální řada konverguje na množine M konverguje posloupnost jeho částečných součtů na množine
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VíceDrsná matematika III 1. přednáška Funkce více proměnných: křivky, směrové derivace, diferenciál
Drsná matematika III 1. přednáška Funkce více proměnných: křivky, směrové derivace, diferenciál Jan Slovák Masarykova univerzita Fakulta informatiky 16. 9. 2008 Obsah přednášky 1 Literatura 2 Funkce a
VíceMatematické přístupy k pojištění automobilů. Silvie Kafková. 3. 6. září 2013, Podlesí
Matematické přístupy k pojištění automobilů Silvie Kafková 3. 6. září 2013, Podlesí Obsah 1 Motivace 2 Tvorba tarifních skupin a priori 3 Motivace Obsah 1 Motivace 2 Tvorba tarifních skupin a priori 3
VíceMKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0.
MKI -00 Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0. V jakém rozmezí se může pohybovat poloměr konvergence regulární
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
VíceA6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti
A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Vojta Vonásek vonasek@labe.felk.cvut.cz České vysoké učení technické v Praze Fakulta elektrotechnická Katedra kybernetiky Markovovy
VíceDefinice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:
Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé
VíceObsah Obyčejné diferenciální rovnice
Obsah 1 Obyčejné diferenciální rovnice 3 1.1 Základní pojmy............................................ 3 1.2 Obyčejné diferenciální rovnice 1. řádu................................ 5 1.3 Exaktní rovnice............................................
VíceDnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení.
Předmět: MA4 Dnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení. Literatura: Kapitola 2 a)-c) a kapitola 4 a)-c) ze skript Karel Rektorys: Matematika 43, ČVUT,
VíceÚvod do parciálních diferenciálních rovnic. 2 Kanonický tvar lineárních PDR 2. řádu pro funkce
Příklady na cvičení k přednášce NMMA334 Úvod do parciálních diferenciálních rovnic 1 Kanonický tvar lineárních PDR 2. řádu pro funkce dvou proměnných 1. Určete typ parciální diferenciální rovnice u xx
Více1.1 Existence a jednoznačnost řešení. Příklad 1.1: [M2-P1] diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu
[M2-P1] KAPITOLA 1: Diferenciální rovnice 1. řádu diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu G(x, y, y, y,..., y (n) ) = 0 y (n) = F (x, y, y,..., y (n 1) ) Příklad 1.1:
VíceKlasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
VíceAnalytické pravděpodobnostní modely, Markovské procesy
Analytické pravděpodobnostní modely, Markovské procesy Výkonnost a spolehlivost programových systémů KIV/VSS Richard Lipka Motivace Andrej Markov (1856-1922) Budoucnost je nezávislá na minulosti, pokud
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
VíceSemestrální písemka BMA3 - termín varianta A13 vzorové řešení
Semestrální písemka BMA3 - termín 6.1.9 - varianta A13 vzorové řešení Každý příklad je hodnocen maximálně 18 body, z toho část a) 1 body a část b) body. Mezivýsledky při výpočtech zaokrouhlujte alespoň
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceNEPARAMETRICKÉ BAYESOVSKÉ ODHADY V KOZIOLOVĚ-GREENOVĚ MODELU NÁHODNÉHO CENZOROVÁNÍ. Michal Friesl
NEPARAMETRICKÉ BAYESOVSKÉ ODHADY V KOZIOLOVĚ-GREENOVĚ MODELU NÁHODNÉHO CENZOROVÁNÍ Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Princip Příklady V K.-G. modelu
Více7. Aplikace derivace
7. Aplikace derivace Verze 20. července 2017 Derivace funkce se využívá při řešení úloh technické praxe i teorie. Uvedeme několik z nich: vyčíslení hodnot funkce, výpočet limity, vyšetřování průběhu funkce
Víceekologie Pavel Fibich rovnice rovnice Pavel Fibich Shrnutí Literatura
a diferenční - nalévárna pavel.fibich@prf.jcu.cz 27. září 2012 Obsah 1 2 3 4 5 6 7 Proč povídat o diferenciálních (δr) a diferenčních rovnicích ( R) v kurzu? δr a R jsou vhodné pro popisy vztahů a vývoje
VíceModelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček. 8. přednáška 11MSP pondělí 20. dubna 2015
Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 8. přednáška 11MSP pondělí 20. dubna 2015 verze: 2015-04-14 12:31
VíceNáhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
VíceDnešní látka: Literatura: Kapitoly 3 a 4 ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího.
Předmět: MA4 Dnešní látka: Od okrajových úloh v 1D k o. ú. ve 2D Laplaceův diferenciální operátor Variačně formulované okrajové úlohy pro parciální diferenciální rovnice a metody jejich přibližného řešení
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
VíceBAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni
BAYESOVSKÉ ODHADY V NĚKTERÝCH MODELECH Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Slunce Řidiči IQ Regrese Přežití Obvyklý model Pozorování X = (X 1,..., X
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VíceTéma 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
Více1. a) Určete parciální derivace prvního řádu funkce z = z(x, y) dané rovnicí z 3 3xy 8 = 0 v
. a) Určete parciální derivace prvního řádu funkce z = z(x, y) dané rovnicí z xy 8 = v bodě A =, ]. b) e grafu funkce f najděte tečnou rovinu, která je rovnoběžná s rovinou ϱ. f(x, y) = x + y x, ϱ : x
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
VíceOtázky k ústní zkoušce, přehled témat A. Číselné řady
Otázky k ústní zkoušce, přehled témat 2003-2004 A Číselné řady Vysvětlete pojmy částečný součet řady, součet řady, řadonverguje, řada je konvergentní Formulujte nutnou podmínku konvergence řady a odvoďte
VíceKendallova klasifikace
Kendallova klasifikace Délka obsluhy, frontový režim, Littleovy vzorce Parametry obsluhy Trvání obsluhy - většinou předpokládáme, že trvání obsluhy jsou nezávisl vislé náhodné proměnné, se stejným rozdělením
VíceMatematika I A ukázkový test 1 pro 2011/2012. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a
Matematika I A ukázkový test 1 pro 2011/2012 1. Je dána soustava rovnic s parametrem a R x y + z = 1 a) Napište Frobeniovu větu. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a b) Vyšetřete počet řešení soustavy
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
Víceintenzitu příchodů zákazníků za čas t intenzitu obsluhy (průměrný počet obsloužených) za čas t
Ukázka - Systémy hromadné obsluhy Příklad: Pan Pumpička se rozhodl postavit samoobslužnou čerpací stanici u obce Česká Bříza. Na základě průzkumu ví, že by čerpací stanici mohlo průměrně navštívit 32,
VíceINTEGRÁLY S PARAMETREM
INTEGRÁLY S PARAMETREM b a V kapitole o integraci funkcí více proměnných byla potřeba funkce g(x) = f(x, y) dy proměnné x. Spojitost funkce g(x) = b a f(x, y) dy proměnné x znamená vlastně prohození limity
Více22 Základní vlastnosti distribucí
M. Rokyta, MFF UK: Aplikovaná matematika IV kap. 22: Základní vlastnosti distribucí 5 22 Základní vlastnosti distribucí 22.1 Temperované distribuce Definice. O funkci ϕ C (R m ) řekneme, že je rychle klesající
Víceprof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií
prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman Kotecký, 2011 Pravděpodobnost
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VíceDiferenˇcní rovnice Diferenciální rovnice Matematika IV Matematika IV Program
Program Diferenční rovnice Program Diferenční rovnice Diferenciální rovnice Program Frisch a Samuelson: Systém je dynamický, jestliže jeho chování v čase je určeno funkcionální rovnicí, jejíž neznámé závisí
VícePojistná matematika 2 KMA/POM2E
Pojistná matematika 2 KMA/POM2E RNDr. Ondřej Pavlačka, Ph.D. pracovna 5.052 tel. 585 63 4027 e-mail: ondrej.pavlacka@upol.cz web: http://aix-slx.upol.cz/~pavlacka (informace + podkladové materiály) Konzultační
Více13. Lineární procesy
. Lineární procesy. Lineární procesy Našim cílem je studovat lineární (iterované) procesy. Každý takový proces je zadán čtvercovou maticí A Mat k k (R). Dále víme, že systém se v čase t n nachází ve stavu
VíceStatistika. 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
VícePružnost a plasticita II CD03
Pružnost a plasticita II CD3 uděk Brdečko VUT v Brně, Fakulta stavební, Ústav stavební mechanik tel: 5447368 email: brdecko.l @ fce.vutbr.cz http://www.fce.vutbr.cz/stm/brdecko.l/html/distcz.htm Obsah
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
VíceZimní semestr akademického roku 2015/ ledna 2016
Cvičení k předmětu BI-ZMA Tomáš Kalvoda Katedra aplikované matematiky FIT ČVUT Matěj Tušek Katedra matematiky FJFI ČVUT Zimní semestr akademického roku 015/016 5. ledna 016 Obsah Cvičení Předmluva iii
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
Více