Hypatia? 415 PROCESY KAWAŁKAMI DETERMINISTYCZNE I ICH ASYMPTOTYKA RYSZARD RUDNICKI ŚLADAMI KOBIET W MATEMATYCE RZESZÓW, Strona 1 z 36 Wróć
|
|
- Bronisław Borowski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Strona 1 z 36 Wróć PROCESY KAWAŁKAMI Hypatia? 415 DETERMINISTYCZNE I ICH ASYMPTOTYKA RYSZARD RUDNICKI ŚLADAMI KOBIET W MATEMATYCE RZESZÓW,
2 Strona 2 z 36 Wróć Plan: Co to sa procesy kawałkami deterministyczne? Przykłady Zwiazek z półgrupami stochastycznymi Twierdzenie o rozkładzie Wnioski
3 Sophie Germain Strona 3 z 36 Wróć
4 Strona 4 z 36 Wróć 1. CO TO SA PROCESY KAWAŁKAMI DETERMINISTYCZNE? Davis (1984).
5 Strona 5 z 36 Wróć Proces Markowa z czasem ciagłym ξ(t) nazywamy kawałkami deterministycznym, jeżeli istnieje taki rosnacy ciag losowych momentów (t n ) zwanych skokami, że realizacje procesu ξ(t) zdefiniowane sa w sposób deterministyczny w każdym przedziale (t n, t n+1 ). Dalej zakładamy, że ξ(t) jest procesem jednorodnym w czasie. Główne typy PDMP: ze zmienna dynamika, z losowymi skokami trajektorii. Ryszard Rudnicki and Marta Tyran-Kamińska, Piecewise Deterministic Processes in Biological Models, Springer 2017.
6 Strona 6 z 36 Wróć ξ(t )5 2) ξ(t 3) ξ(t ξ(t 1 ) 4 ) ξ(t 1) ξ(t 2 ) ξ(t 4) ξ(t 3 ) ξ(t 0 Układ dynamiczny z losowymi skokami.
7 Ada Lovelace Strona 7 z 36 Wróć
8 Strona 8 z 36 Wróć 2. PRZYKŁADY 1. Proces urodzin i śmierci. 2. Ruch kangura. 3. Bilard stochastyczny. 4. Modele cyklu komórkowego. 5. Ekspresja genów. 6. Aktywność neuronów referat Katarzyny Pichór. 7. Procesy biotechnologiczne (np. produkcja subtyliny). 8. Indywidualne modele populacyjne. 9. Procesy koagulacji i fragmentacji.
9 Strona 9 z 36 Wróć Auto-regulacja 0Gen nieakt. q 0 q 1 Gen R P aktywny mrna Białka µ R µ P Ekspresja genów degradacja degradacja A. Bobrowski, T. Lipniacki, K. Pichór, RR; J. Math. Anal. Appl. 333 (2007), RR, A. Tomski; J. Theor. Biology 387 (2015),
10 Strona 10 z 36 Wróć x 1 liczba molekuł mrna, x 2 liczba molekuł białka, 0 q 0(x 1,x 2 ) A, 0 q 1(x 1,x 2 ) A, A Rγ(t) mrna µ R φ, mrna P x 1(t) białko dx 1 dt = Rγ(t) µ Rx 1, µ P φ. dx 2 dt = P x 1 µ P x 2, γ(t) = 1, gdy gen aktywny, γ(t) = 0, gdy gen nieaktywny.
11 Strona 11 z 36 Wróć ξ 2 ξ χ 0 1ξ 1 1 2ξ 1 γ = 0 γ = 1 χ 1 1
12 Strona 12 z 36 Wróć Proces Trudność: Para (x 1 (t), x 2 (t)) nie jest procesem Markowa! Przestrzeń stanów: E = R 2 + {0, 1}. ξ(t) = (x 1 (t), x 2 (t), γ(t)), t 0 jest procesem Markowa. Czȩściowe gęstości f i (x 1, x 2, t): Pr(ξ t B {i}) = f i (x 1, x 2, t) dx 1 dx 2, B is a podzbiór borelowski w R + R +, i = 0, 1. B
13 Zofia Kowalewska Strona 13 z 36 Wróć
14 Strona 14 z 36 Wróć 3. ZWIAZEK Z PÓŁGRUPAMI STOCHASTYCZNYMI (X, Σ, m), D = {f L 1 : f 0, f = 1} gęstości. Operator Markowa: P :L 1 L 1 liniowy, P (D) D. Rodzinę operatorów Markowa spełniajac a warunki (a) P (0) = Id, P (t + s) = P (t)p (s), s, t 0, (b) dla każdej f L 1, funkcja t P (t)f jest ciagła. nazywamy półgrupa stochastyczna lub półgrupa Markowa. Jeśli P (t) 1 i P (t)f 0 dla f 0, to mówimy o półgrupie podstochastycznej.
15 Strona 15 z 36 Wróć Jeżeli jednorodny proces Markowa ξ(t) ma następujac a własność: jeżeli ξ(0) na gęstość f 0 = ξ(t) na gęstość f t, to z procesem ξ(t) wiażemy półgrupę stochastyczna {P (t)} t 0 określona wzorem P (t)f 0 = f t.
16 Strona 16 z 36 Wróć Własności asymptotyczne f D nazywamy gęstościa niezmiennicza jeśli P (t)f = f dla t 0. {P (t)} jest asymptotycznie stabilna, jeśli istnieje taka gęstość niezmiennicza f, że lim P (t)f f = 0 dla f D. t {P (t)} jest wymiatajaca ze zbioru A Σ, jeśli lim t A P (t)f dµ = 0 dla f D.
17 Strona 17 z 36 Wróć {P (t)} częściowo całkowa jeśli istnieje t > 0, q(t, x, y) 0 X X q(t, x, y) m(dx)m(dy) > 0 P (t)f(x) q(t, x, y)f(y) m(dy) dla f D. (1) Twierdzenie 1. Niech {P (t)} t 0 będzie częściowo całkowa półgrupa stochastyczna. Zakładamy, że półgrupa {P (t)} t 0 ma dokładnie jedna gęstość niezmiennicza f. Jeżeli f > 0, to półgrupa {P (t)} t 0 jest asymptotycznie stabilna. K. Pichór i RR, J. Math. Anal. Appl. (2000).
18 Emmy Noether Strona 18 z 36 Wróć
19 Strona 19 z 36 Wróć 4. TWIERDZENIE O ROZKŁADZIE Warunek (K) X metryczna ośrodkowa, Σ = B(X), q(t, x, y) 0 P (t)f(x) q(t, x, y)f(y) m(dy) dla f D. (K) dla każdego y 0 X istniej a takie r > 0, t > 0, i funkcja η 0, że η dm > 0 i q(t, x, y) η(x)1 B(y0,r)(y). (2)
20 Strona 20 z 36 Wróć {P (t)} t 0 nieredukowalna jeśli 0 P (t)f dt > 0 p.w. dla f D. Twierdzenie 2 (RR1995). Zakładamy, że półgrupa stochastyczna spełnia (K) i jest nieredukowalna. Jeżeli półgrupa nie ma gęstości niezmienniczej, to jest wymiatajaca ze zbiorów zwartych. Wniosek 1. Jeżeli {P (t)} t 0 spełnia (K) i jest nieredukowalna, to zachodzi alternatywa Foguela: {P (t)} t 0 jest albo asymptotycznie stabilna, albo wymiatajaca ze zbiorów zwartych. W szczególności, gdy X jest przestrzenia zwarta, to {P (t)} t 0 jest asymptotycznie stabilna.
21 Strona 21 z 36 Wróć Twierdzenie o rozkładzie K. Pichór i RR; J. Math. Anal. Appl. (2016) dla półgrup stochastycznych K. Pichór i RR; Stochastics and Dynamics (2018) dla półgrup podstochastycznych
22 Strona 22 z 36 Wróć Twierdzenie 3. Zakładamy, że zachodzi warunek (K), wtedy istnieje taki przeliczalny (może być pusty) zbiór I, oraz dodatnie i ciagłe funkcjonały α i, i I, i gęstości niezmiennicze fi, i I, o parami rozłacznych nośnikach A i, że dla dowolnej gęstości f i każdego zbioru zwartego F mamy lim t F Y Uwaga. Āi Āj = dla i j. lim 1 A t i P (t)f α i (f)fi = 0, P (t)f(x) m(dx) = 0, Y = X \ i I A i.
23 Strona 23 z 36 Wróć Twierdzenie o rozkładzie - idea dowodu Najpierw dowodzimy wersję dla podstochastycznych operatorów: Twierdzenie 4. Jeśli zachodzi (K) to: istnieja takie przeliczalne parami rozłaczne zbiory A i, że P jest asymptotycznie okresowy na A i i lim n F P n f(x) m(dx) = 0, Y = X \ A Y i. i I
24 Strona 24 z 36 Wróć S jest okresowy jeśli istnieje ciag gestości h 1,..., h k o rozłacz- nych nośnikach B i, Sh i = h i+1, Sh k = h 1, i S = SQ, gdzie Qf = k α i (f)h i, i=1 α i (f) = B i f(x) m(dx). P jest asymptotycznie okresowy na A i jeśli istnieje projekcja R i : L 1 (X) L 1 (A i ) i taki okresowy operator S i na L 1 (A i ), że lim n 1 A i P n f S n i R i f = 0.
25 Strona 25 z 36 Wróć Przestrzeń X może być podzielona na dwie części: C część konserwatywna) i D część dyssypatywna: C = {x X : n=0 P n f(x) = }, D = X \ C, Gdzie f jest gęstościa z f > 0 p.w. Problem: Operator (półgrupa) może nie być ani konserwatywny, ani dyssypatywny. 1. Konstruujemy taki operator P, że P i P maja tę sama część konserwatywna C, P L 1 (C) = P L 1 (C), P L 1 (D) P L 1 (D), P (D) D i P spełnia (K).
26 Strona 26 z 36 Wróć Operator P jest Harrisa jeśli P jest konserwatywny, m(x) = 1, i X n=1 k n (x, y) m(dy) > 0 x p.w., (3) gdzie k n jest jadrow a częścia P n.
27 Strona 27 z 36 Wróć 2. Sprawdzamy, że P L 1 (C) jest operatorem Harissa. 3. Znajdujemy taka mierzalna funkcję h > 0, że P h h i F h < dla zbiorów zwartych F. Uwaga: Jeśli P jest dyssypatywny, f = n=0 P n f, to f < i P f f. Jeśli P jest operatorem Harrisa to istnieje taka mierzalna funkcja h, że 0 < h < i P h = h.
28 Strona 28 z 36 Wróć 4. Stosujemy rezultaty dotyczace operatorów Harrisa dla pokazania asymptotycznej okresowości i wymiatamia 5. W przypadku półgrupy pokazujemy, że asyptotyczna okresowość implikuje asymptotyczna stabilność. Problem: Półgrupa stochastyczna {P (t)} może spełniać warunek (K) choć żaden z operatorów P (t) warunku (K) nie spełnia.
29 Olga Ładyżenska Strona 29 z 36 Wróć
30 Strona 30 z 36 Wróć 5. WNIOSKI Przypomnienie treści twierdzenia (K) = istnieja: dodatnie i ciagłe funkcjonały α i i gęstości niezmiennicze fi, i I o parami rozłacznych nośnikach A i, że dla dowolnej gęstości f i każdego zbioru zwartego F mamy koniec! lim t F Y lim 1 A t i P (t)f α i (f)fi = 0, P (t)f(x) m(dx) = 0, Y = X \ Stwierdzenie 1. Zakładamy (K) i że {P (t)} t 0 nie ma gęstości niezmienniczej. Wtedy {P (t)} t 0 jest wymiatajaca ze zbiorów zwartych. i I A i.
31 Strona 31 z 36 Wróć Warunek (I) - słaba nieredukowalność Istnieje taki punkt x 0 X, że dla każdego ε > 0 i dla każdej gęstości f mamy B(x 0,ε) P (t)f(x) m(dx) > 0 dla pewnego t = t(ε, f) > 0. (4) Stwierdzenie 2. Jeśli zachodz a warunki (K) i (I), to istnieje co najwyżej jedna gęstość niezmiennicza dla półgrupy. W szczególności jeśli X jest zbiorem zwartym, to półgrupa jest asymptotycznie stabilna.
32 Strona 32 z 36 Wróć Warunek (T) -słaba ścisłość Istnieje takie κ > 0, że sup lim sup F F t F P (t)f(x) m(dx) κ (5) dla f D 0, gdzie D 0 jest gęstym podzbiorem D i F jest rodzina zbiorów zwartych w X. Twierdzenie 5. Niech {P (t)} t 0 będzie półgrupa stochastyczna. Zakładamy, że {P (t)} t 0 spełnia warunki (K), (I) i (T). Wtedy półgrupa {P (t)} t 0 jest asymptotycznie stabilna.
33 Strona 33 z 36 Wróć Zastosowania do procesów z przełaczan a dynamika jak sprawdzić (K)? Układ składa się z k potoków, πt, i które sa rozwiazaniami równań różniczkowych x = b i (x) w G R d. Funkcje przejścia q ij (x) sa ciagłe i dodatnie. (warunek Hörmandera) Jeśli wektory b 2 (y 0 ) b 1 (y 0 ),..., b k (y 0 ) b 1 (y 0 ), [b i, b j ](y 0 ) 1 i,j k, [b i, [b j, b l ]](y 0 ) 1 i,j,l k,... rozpinaja przestrzeń R d, to (K) zachodzi dla y 0.
34 Strona 34 z 36 Wróć Zakładamy, że G jest zbiorem ograniczonym (można osłabić) i istnieje x 0 G i i 0 I takie, że startujac z dowolnego stanu (x, i) X jesteśmy w stanie dojść dowolnie blisko (x 0, i 0 ) za pomoca by a "łacznego" potoku i warunek Hörmandera zachodzi dla x 0. To półgrupa {P (t)} t 0 jest asymptotycznie stabilna
35 Hypatia (obraz Charlesa Mitchella) Strona 35 z 36 Wróć
36 Dziękuję za uwagę! Strona 36 z 36 Wróć
Kraków, dnia 10 maja 2013 roku
dr hab. Jan Malczak, Prof. AGH Akademia Górniczo-Hutnicza im. Stanisława Staszica Aleja Adama Mickiewicza 30 30-962 Kraków Kraków, dnia 10 maja 2013 roku RECENZJA ROZPRAWY HABILITACYJNEJ I DOROBKU NAUKOWEGO
Bardziej szczegółowoO pewnych klasach funkcji prawie okresowych (niekoniecznie ograniczonych)
(niekoniecznie ograniczonych) Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza, Poznań Będlewo, 25-30 maja 2015 Funkcje prawie okresowe w sensie Bohra Definicja Zbiór E R nazywamy względnie
Bardziej szczegółowoOśrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski,
Procesy Stochastyczne, wykład, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 27 luty, 2012 Ośrodkowość procesów Dalej zakładamy, że (Ω, Σ, P) jest zupełną przestrzenią miarową. Definicja.
Bardziej szczegółowoVII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.
VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w
Bardziej szczegółowo21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126
Mocna własność Markowa procesu Wienera Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 21 maja, 2012 Mocna własność Markowa W = (W 1,..., W d ) oznaczać
Bardziej szczegółowoPROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)
PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej
Bardziej szczegółowoGRA Przykład. 1) Zbiór graczy. 2) Zbiór strategii. 3) Wypłaty. n = 2 myśliwych. I= {1,,n} S = {polować na jelenia, gonić zająca} S = {1,,m} 10 utils
GRA Przykład 1) Zbiór graczy n = 2 myśliwych I= {1,,n} 2) Zbiór strategii S = {polować na jelenia, gonić zająca} S = {1,,m} 3) Wypłaty jeleń - zając - 10 utils 3 utils U i : S n R i=1,,n J Z J Z J 5 0
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowoTematy prac magisterskich i doktorskich
Tematy prac magisterskich i doktorskich Stochastyczna dynamika z opóźnieniami czasowymi w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki
Bardziej szczegółowo28 maja, Problem Dirichleta, proces Wienera. Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126
Problem Dirichleta, proces Wienera Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 28 maja, 2012 Funkcje harmoniczne Niech będzie operatorem Laplace a w
Bardziej szczegółowoStochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów
Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 14
Bardziej szczegółowoRodzinę spełniającą trzeci warunek tylko dla sumy skończonej nazywamy ciałem (algebrą) w zbiorze X.
1 σ-ciała Definicja 1.1 (σ - ciało) σ - ciałem (σ - algebrą) w danym zbiorze X (zwanym przestrzenią) nazywamy rodzinę M pewnych podzbiorów zbioru X, spełniającą trzy warunki: 1 o M; 2 o jeśli A M, to X
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoczyli o szukaniu miejsc zerowych, których nie ma
zerowych, których nie ma Instytut Fizyki im. Mariana Smoluchowskiego Centrum Badania Systemów Złożonych im. Marka Kaca Uniwersytet Jagielloński Metoda Metoda dla Warszawa, 9 stycznia 2006 Metoda -Raphsona
Bardziej szczegółowo2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27
SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;
Bardziej szczegółowoZadania do Rozdziału X
Zadania do Rozdziału X 1. 2. Znajdź wszystkie σ-ciała podzbiorów X, gdy X = (i) {1, 2}, (ii){1, 2, 3}. (b) Znajdź wszystkie elementy σ-ciała generowanego przez {{1, 2}, {2, 3}} dla X = {1, 2, 3, 4}. Wykaż,
Bardziej szczegółowoBioFizMat 5. Bistabilny przełącznik genetyczny
BioFizMat 5 Bistabilny przełącznik genetyczny Marta Tyran-Kamińska Instytut Matematyki Uniwersytet Śląski Warszawa, 9 grudnia 2016 Badania finansowane przez NCN grant 2014/13/B/ST1/00224 Od DNA poprzez
Bardziej szczegółowo1 Relacje i odwzorowania
Relacje i odwzorowania Relacje Jacek Kłopotowski Zadania z analizy matematycznej I Wykazać, że jeśli relacja ρ X X jest przeciwzwrotna i przechodnia, to jest przeciwsymetryczna Zbadać czy relacja ρ X X
Bardziej szczegółowoG. Plebanek, MIARA I CAŁKA Zadania do rozdziału 1 28
G. Plebanek, MIARA I CAŁKA Zadania do rozdziału 1 28 1.9 Zadania 1.9.1 Niech R będzie pierścieniem zbiorów. Zauważyć, że jeśli A, B R to A B R i A B R. Sprawdzić, że (R,, ) jest także pierścieniem w sensie
Bardziej szczegółowoZadania z Analizy Funkcjonalnej I Które z poniższych przestrzeni metrycznych są przestrzeniami unormowanymi?
Zadania z Analizy Funkcjonalnej I - 1 1. Które z poniższych przestrzeni metrycznych są przestrzeniami unormowanymi? a) X = R, d(x, y) = arctg x y ; b) X = R n, d(x, y) = x 1 y 1 + x 2 y 2 + max i 3 x i
Bardziej szczegółowoGeometryczna zbieżność algorytmu Gibbsa
Geometryczna zbieżność algorytmu Gibbsa Iwona Żerda Wydział Matematyki i Informatyki, Uniwersytet Jagielloński 6 grudnia 2013 6 grudnia 2013 1 / 19 Plan prezentacji 1 Algorytm Gibbsa 2 Tempo zbieżności
Bardziej szczegółowoOperatorowe wersje twierdzenia Radona-Nikodyma
Operatorowe wersje twierdzenia Radona-Nikodyma Zakład Równań Funkcyjnych Letnia Szkoła Instytutu Matematyki UŚ, 22-26 września 2014r. skalarne twierdzenie Radona-Nikodyma Załóżmy, że X = (X, A) jest przestrzenia
Bardziej szczegółowoW2 Podstawy rachunku prawdopodobieństwa (przypomnienie)
W2 Podstawy rachunku prawdopodobieństwa (przypomnienie) Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Rachunek prawdopodobieństwa - przypomnienie 1. Zdarzenia 2. Prawdopodobieństwo
Bardziej szczegółowo1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo
1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo 1.1 Rodzaje zbieżności ciagów zmiennych losowych Niech (Ω, F, P ) będzie przestrzenia probabilistyczna na której określony jest ciag {X
Bardziej szczegółowoϕ(t k ; p) dla pewnego cigu t k }.
VI. Trajektorie okresowe i zbiory graniczne. 1. Zbiory graniczne. Rozważamy równanie (1.1) x = f(x) z funkcją f : R n R n określoną na całej przestrzeni R n. Będziemy zakładać, że funkcja f spełnia założenia,
Bardziej szczegółowoModel Pasywnego Trasera w Lokalnie Ergodycznym Środowisku
w Lokalnie Ergodycznym Środowisku Tymoteusz Chojecki UMCS, Lublin Tomasz Komorowski IMPAN, Warszawa Kościelisko, 10 września 2016, XLV Konferencja Zastosowań Matematyki T. Komorowski, T. Chojecki w Lokalnie
Bardziej szczegółowo1 Elementy analizy funkcjonalnej
M. Beśka, Dodatek 1 1 Elementy analizy funkcjonalnej 1.1 Twierdzenia o reprezentacji Zaczniemy od znanego twierdzenia Riesza Twierdzenie 1.1 (Riesz) Niech będzie zwartą przestrzenią metryczną i załóżmy,
Bardziej szczegółowoWykłady ostatnie. Rodzinę P podzbiorów przestrzeni X nazywamy σ - algebrą, jeżeli dla A, B P (2) A B P, (3) A \ B P,
Wykłady ostatnie CAŁKA LBSGU A Zasadnicza różnica koncepcyjna między całką Riemanna i całką Lebesgue a polega na zamianie ról przestrzeni wartości i przestrzeni argumentów przy konstrukcji sum górnych
Bardziej szczegółowo2 Rodziny zbiorów. 2.1 Algebry i σ - algebry zbiorów. M. Beśka, Wstęp do teorii miary, rozdz. 2 11
M. Beśka, Wstęp do teorii miary, rozdz. 2 11 2 Rodziny zbiorów 2.1 Algebry i σ - algebry zbiorów Niech X będzie niepustym zbiorem. Rodzinę indeksowaną zbiorów {A i } i I 2 X nazywamy rozbiciem zbioru X
Bardziej szczegółowoSzkice do zajęć z Przedmiotu Wyrównawczego
Szkice do zajęć z Przedmiotu Wyrównawczego Matematyka Finansowa sem. letni 2011/2012 Spis treści Zajęcia 1 3 1.1 Przestrzeń probabilistyczna................................. 3 1.2 Prawdopodobieństwo warunkowe..............................
Bardziej szczegółowoProces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką
z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoWykład 21 Funkcje mierzalne. Kostrukcja i własności całki wzglȩdem miary przeliczalnie addytywnej
Wykład 2 Funkcje mierzalne. Kostrukcja i własności całki wzglȩdem miary przeliczalnie addytywnej czȩść II (opracował: Piotr Nayar) Definicja 2.. Niech (E, E) bȩdzie przestrzenia mierzalna i niech λ : E
Bardziej szczegółowoJak trudne jest numeryczne całkowanie (O złożoności zadań ciągłych)
Jak trudne jest numeryczne całkowanie (O złożoności zadań ciągłych) Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki leszekp@mimuw.edu.pl Horyzonty 2014 17-03-2014 Będlewo Zadania numeryczne
Bardziej szczegółowoFale biegnące w równaniach reakcji-dyfuzji
Fale biegnące w równaniach reakcji-dyfuzji Piotr Bartłomiejczyk Politechnika Gdańska Między teorią a zastosowaniami: Matematyka w działaniu Będlewo, 25 30 maja 2015 P. Bartłomiejczyk Fale biegnące 1 /
Bardziej szczegółowo1. Struktury zbiorów 2. Miara 3. Miara zewnętrzna 4. Miara Lebesgue a 5. Funkcje mierzalne 6. Całka Lebesgue a. Analiza Rzeczywista.
Literatura P. Billingsley, Miara i prawdopodobieństwo, PWN, Warszawa 1997, P. R. Halmos, Measure theory, Springer-Verlag, 1994, W, Kołodziej, naliza matematyczna, PWN, Warszawa 1978, S. Łojasiewicz, Wstęp
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa III - 1
Zadania z Rachunku Prawdopodobieństwa III - 1 Funkcją tworzącą momenty (transformatą Laplace a) zmiennej losowej X nazywamy funkcję M X (t) := Ee tx, t R. 1. Oblicz funkcję tworzącą momenty zmiennych o
Bardziej szczegółowoWariacje na temat Twierdzenia Banacha o Indykatrysie i ich zastosowanie
Wariacje na temat Twierdzenia Banacha o Indykatrysie i ich zastosowanie Rafał M. Łochowski Wrocław 2015 Rafał M. Łochowski Twierdzenie o indykatrysie Wrocław 2015 1 / 42 Plan odczytu 1 Twierdzenie Banacha
Bardziej szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
Bardziej szczegółowoZadania z Procesów Stochastycznych 1
Zadania z Procesów Stochastycznych 1 Definicja Procesem Poissona z parametrem (intensywnością) λ > 0 nazywamy proces stochastyczny N = (N t ) t 0 taki, że N 0 = 0; (P0) N ma przyrosty niezależne; (P1)
Bardziej szczegółowoTwierdzenie spektralne
Twierdzenie spektralne Algebrę ograniczonych funkcji borelowskich na K R będziemy oznaczać przez B (K). Spektralnym rozkładem jedności w przestrzeni Hilberta H nazywamy odwzorowanie, które każdemu zbiorowi
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoTeoria ze Wstępu do analizy stochastycznej
eoria ze Wstępu do analizy stochastycznej Marcin Szumski 22 czerwca 21 1 Definicje 1. proces stochastyczny - rodzina zmiennych losowych X = (X t ) t 2. trajektoria - funkcja (losowa) t X t (ω) f : E 3.
Bardziej szczegółowoRÓWNANIA RÓŻNICZKOWE ZWYCZAJNE. Marta Zelmańska
RÓWNANIA RÓŻNICZKOWE ZWYCZAJNE Marta Zelmańska Toruń 009 1 Rozdział 1 Wstęp Definicja 1. Równaniem różniczkowym zwyczajnym rzędu n nazywamy równanie: F (t, x, x, x,..., x (n) ) = 0 (1.1) Rozwiązaniem równania
Bardziej szczegółowoInformacja o przestrzeniach Sobolewa
Wykład 11 Informacja o przestrzeniach Sobolewa 11.1 Definicja przestrzeni Sobolewa Niech R n będzie zbiorem mierzalnym. Rozważmy przestrzeń Hilberta X = L 2 () z iloczynem skalarnym zdefiniowanym równością
Bardziej szczegółowon=0 Dla zbioru Cantora prawdziwe są wersje lematu 3.6 oraz lematu 3.8 przy założeniu α = :
4. Zbiory borelowskie. Zbiór wszystkich podzbiorów liczb naturalnych będziemy oznaczali przez ω. Najmniejszą topologię na zbiorze ω, w której zbiory {A ω : x A ω \ y}, gdzie x oraz y są zbiorami skończonymi,
Bardziej szczegółowo8 Całka stochastyczna względem semimartyngałów
M. Beśka, Całka Stochastyczna, wykład 8 148 8 Całka stochastyczna względem semimartyngałów 8.1 Całka stochastyczna w M 2 Oznaczmy przez Ξ zbiór procesów postaci X t (ω) = ξ (ω)i {} (t) + n ξ i (ω)i (ti,
Bardziej szczegółowoZadania z Analizy Funkcjonalnej I Które z poniższych przestrzeni metrycznych są przestrzeniami unormowanymi?
Zadania z Analizy Funkcjonalnej I - 1 1. Które z poniższych przestrzeni metrycznych są przestrzeniami unormowanymi?. a) X = R, x = arctg x ; b) X = R n, d(x, y) = x 1 y 1 + x 2 y 2 + max i 3 x i y i ;
Bardziej szczegółowoZadania z Analizy Funkcjonalnej I* - 1
Zadania z Analizy Funkcjonalnej I* - 1 1. Która z następujących przestrzeni jest przestrzenią Banacha w normie supremum: C(R); C ogr (R) przestrzeń funkcji ciągłych ograniczonych; C zw (R) przestrzeń funkcji
Bardziej szczegółowoRegresja form kwadratowych i algebry Jordana
Regresja form kwadratowych i algebry Jordana Jacek Wesołowski Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska, Warszawa Konferencja Statystyki Matematycznej Wisła 2009 współautor: G. Letac
Bardziej szczegółowoWSTĘP. Tematy: Regresja liniowa: model regresji liniowej, estymacja nieznanych parametrów. Wykład:30godz., ćwiczenia:15godz., laboratorium:30godz.
Tematy: WSTĘP 1. Wprowadzenie do przedmiotu. Próbkowe odpowiedniki wielkości populacyjnych. Modele statystyczne i przykładowe zadania wnioskowania statystycznego. Statystyki i ich rozkłady. 2. Estymacja
Bardziej szczegółowoChaos w układach dynamicznych: miary i kryteria chaosu
: miary i kryteria chaosu Uniwersytet Śląski w Katowicach, Wydział Matematyki, Fizyki i Chemii 27.08.14 : miary i kryteria chaosu Temat tego referatu jest związany z teorią układów dynamicznych która ma
Bardziej szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoTeoria miary i całki
Teoria miary i całki Spis treści 1 Wstęp 3 2 lgebra zbiorów 5 3 Pierścienie, ciała, σ ciała zbiorów. 7 3.1 Definicja pierścienia ciała i σ ciała............... 7 3.2 Pierścień, ciało i σ ciało generowane
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy
Bardziej szczegółowoPorównanie różnych podejść typu ODE do modelowania sieci regu
Porównanie różnych podejść typu ODE do modelowania sieci regulacji genów 8 stycznia 2010 Plan prezentacji 1 Praca źródłowa Sieci regulacji genów 2 Założenia Funkcja Hill a Modele dyskretne 3 Przykład Modele
Bardziej szczegółowo1 Przestrzenie metryczne
1 Przestrzenie metryczne Definicja 1.1 (metryka) Niech będzie niepustym zbiorem. Funkcję d: R + nazywamy metryką, jeśli spełnia warunki: 1 o d(x, y) = d(y, x) (symetria) 2 o d(x, y) + d(y, z) d(x, z) (nierówność
Bardziej szczegółowoO pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego
O pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego Jan Ligęza Instytut Matematyki Wisła Letnia Szkoła Instytutu Matematyki wrzesień 2010 r. [1] S. Łojasiewicz, J. Wloka, Z. Zieleżny; Über eine
Bardziej szczegółowoPodkowa Smale a jako klasyk chaosu
IV Matematyczne Warsztaty KaeNeMw p. 1/? Podkowa Smale a jako klasyk chaosu Justyna Signerska jussig@wp.pl Wydział Fizyki Technicznej i Matematyki Stosowanej, Politechnika Gdańska Konstrukcja odwzorowania
Bardziej szczegółowoStochastyczne dynamiki z opóźnieniami czasowymi w grach ewolucyjnych
Stochastyczne dynamiki z opóźnieniami czasowymi w grach ewolucyjnych Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 10 listopada 2016 Proseminarium licencjackie
Bardziej szczegółowoZADANIA PRZYGOTOWAWCZE DO EGZAMINU Z UKŁADÓW DYNAMICZNYCH
ZADANIA PRZYGOTOWAWCZE DO EGZAMINU Z UKŁADÓW DYNAMICZNYCH Punkty okresowe, zbiory graniczne, sprzężenia Zadanie 1. Pokazać, że trajektoria (w przód) punktu x w przestrzeni metrycznej X pod działaniem ciągłego
Bardziej szczegółowo5 Przegląd najważniejszych rozkładów
5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,
Bardziej szczegółowoGranica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywsitej
Wydział Matematyki Stosowanej Zestaw zadań nr 3 Akademia Górniczo-Hutnicza w Krakowie WEiP, energetyka, I rok Elżbieta Adamus listopada 07r. Granica i ciągłość funkcji Granica funkcji rzeczywistej jednej
Bardziej szczegółowoPrzestrzenie metryczne. Elementy Topologii. Zjazd 2. Elementy Topologii
Zjazd 2 Przestrzenia metryczna (X, d) nazywamy parę złożona ze zbioru X i funkcji d : X X R, taka, że 1 d(x, y) 0 oraz d(x, y) = 0 wtedy i tylko wtedy, gdy x = y, 2 d(x, y) = d(y, x), 3 d(x, z) d(x, y)
Bardziej szczegółowoA i. i=1. i=1. i=1. i=1. W dalszej części skryptu będziemy mieli najczęściej do czynienia z miarami określonymi na rodzinach, które są σ - algebrami.
M. Beśka, Wstęp do teorii miary, rozdz. 3 25 3 Miara 3.1 Definicja miary i jej podstawowe własności Niech X będzie niepustym zbiorem, a A 2 X niepustą rodziną podzbiorów. Wtedy dowolne odwzorowanie : A
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. ZMIENNA LOSOWA JEDNOWYMIAROWA. Zmienną losową X nazywamy funkcję (praktycznie każdą) przyporządkowującą zdarzeniom elementarnym liczby rzeczywiste. X : Ω R (dokładniej:
Bardziej szczegółowoProcesy Stochastyczne - Zestaw 1
Procesy Stochastyczne - Zestaw 1 Zadanie 1 Niech ξ i η bed a niezależnymi zmiennymi losowymi o rozk ladach N (0, 1). Niech X = ξ +η i Y = ξ η. Znaleźć rozk lad (X, Y ) i rozk lad warunkowy L X ( Y ). Zadanie
Bardziej szczegółowo}, gdzie a = t (n) )(f(t(n) k. ) f(t(n) k 1 ) 1+δ = 0,
Zadania z Procesów Stochastycznych II - 1 1. Niech π n = {t (n), t(n) 1,..., t(n) k n }, gdzie a = t (n) < t (n) 1
Bardziej szczegółowoProces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.
Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi
Bardziej szczegółowoLiczba obrotu i twierdzenie Poincare go o klasyfikacji homeomorfizmów okręgu.
II Interdyscyplinarne Warsztaty Matematyczne p. 1/1 Liczba obrotu i twierdzenie Poincare go o klasyfikacji homeomorfizmów okręgu. Justyna Signerska jussig@wp.pl Wydział Fizyki Technicznej i Matematyki
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoWYKŁAD 3. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 3 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Schemmat Bernouliego Rzucamy 10 razy moneta, próba Bernouliego jest pojedynczy
Bardziej szczegółowoWYKŁAD 1. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Instytut Matematyki Uniwersytet Warszawski
WYKŁAD 1 Witold Bednorz, Paweł Wolff Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Wprowadzenie Gry hazardowe Wprowadzenie Gry hazardowe Klasyczna definicja prawdopodobieństwa.
Bardziej szczegółowoDystrybucje, wiadomości wstępne (I)
Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów
Bardziej szczegółowoPojęcie przestrzeni probabilistycznej
Pojęcie przestrzeni probabilistycznej Definicja (przestrzeni probabilistycznej) Uporządkowany układ < Ω, S, P> nazywamy przestrzenią probabilistyczną jeśli (Ω) Ω jest niepustym zbiorem zwanym przestrzenia
Bardziej szczegółowoDetekcja rozkładów o ciężkich ogonach
Detekcja rozkładów o ciężkich ogonach J. Śmiarowska, P. Jamer Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska 24 kwietnia 2012 J. Śmiarowska, P. Jamer (Politechnika Warszawska) Detekcja
Bardziej szczegółowoChaotyczne generatory liczb pseudolosowych
Chaotyczne generatory liczb pseudolosowych Michał Krzemiński michalkrzeminski@wp.pl Politechnika Gdańska Wydział Fizyki Technicznej i Matematyki Stosowanej Chaotyczne generatory liczb pseudolosowych -
Bardziej szczegółowoUkłady liniowo niezależne
Układy liniowo niezależne Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 3.wykład z algebry liniowej Warszawa, październik 2016 Mirosław Sobolewski (UW) Warszawa, październik 2016 1
Bardziej szczegółowoDyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej
Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Co to jest entropia nadwyżkowa? Niech (X i ) i Z będzie procesem
Bardziej szczegółowo2 Równania różniczkowe zwyczajne o rozdzielonych zmiennych
2. Równania o rozdzielonych zmiennych 2 1 2 Równania różniczkowe zwyczajne o rozdzielonych zmiennych Równaniem różniczkowym zwyczajnym pierwszego rzędu o rozdzielonych zmiennych nazywamy równanie różniczkowe
Bardziej szczegółowoUniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki
Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Stabilność rozwiązań równań różniczkowych w ujęciu lokalnych układów dynamicznych. Adam Kanigowski Toruń 2010 1 Spis treści 1 Wprowadzenie
Bardziej szczegółowoMatematyka z el. statystyki, # 3 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a bud. Agro II, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoII. Równania autonomiczne. 1. Podstawowe pojęcia.
II. Równania autonomiczne. 1. Podstawowe pojęcia. Definicja 1.1. Niech Q R n, n 1, będzie danym zbiorem i niech f : Q R n będzie daną funkcją określoną na Q. Równanie różniczkowe postaci (1.1) x = f(x),
Bardziej szczegółowoUkłady równań i równania wyższych rzędów
Rozdział Układy równań i równania wyższych rzędów Układy równań różniczkowych zwyczajnych Wprowadzenie W poprzednich paragrafach zajmowaliśmy się równaniami różniczkowymi y = f(x, y), których rozwiązaniem
Bardziej szczegółowo19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136
Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 19 marzec, 2012 Przykłady procesów Markowa (i). P = (p ij ) - macierz stochastyczna, tzn. p ij 0, j p ij =
Bardziej szczegółowoF t+ := s>t. F s = F t.
M. Beśka, Całka Stochastyczna, wykład 1 1 1 Wiadomości wstępne 1.1 Przestrzeń probabilistyczna z filtracją Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną i niech F = {F t } t 0 będzie rodziną
Bardziej szczegółowoDystrybucje. Marcin Orchel. 1 Wstęp Dystrybucje Pochodna dystrybucyjna Przestrzenie... 5
Dystrybucje Marcin Orchel Spis treści 1 Wstęp 1 1.1 Dystrybucje................................... 1 1.2 Pochodna dystrybucyjna............................ 3 1.3 Przestrzenie...................................
Bardziej szczegółowo1 Ciągłe operatory liniowe
1 Ciągłe operatory liniowe Załóżmy, że E, F są przestrzeniami unormowanymi. Definicja 1.1. Operator liniowy T : E F nazywamy ograniczonym, jeżeli zbiór T (B) F jest ograniczony dla dowolnego zbioru ograniczonego
Bardziej szczegółowo1. Pojęcie normy, normy wektora [Kiełbasiński, Schwetlick]
1. Pojęcie normy, normy wektora [Kiełbasiński, Schwetlick] wektor x R d x =(x 1,x 2,..., x d ) T wektor, punkt w przestrzeni d-wymiarowej norma wektora własności (1) kxk > 0, kxk =0tylko wtedy, gdy x =0
Bardziej szczegółowojest ciągiem elementów z przestrzeni B(R, R)
Wykład 2 1 Ciągi Definicja 1.1 (ciąg) Ciągiem w zbiorze X nazywamy odwzorowanie x: N X. Dla uproszczenia piszemy x n zamiast x(n). Przykład 1. x n = n jest ciągiem elementów z przestrzeni R 2. f n (x)
Bardziej szczegółowoAnaliza modelu ekspresji genu białka Hes1
Analiza modelu ekspresji genu białka Hes1 Agnieszka Bartłomiejczyk Politechnika Gdańska Konferencja Śladami Kobiet w Matematyce w stulecie urodzin Profesor Heleny Rasiowej Rzeszów, 24 czerwca 2017 (współautor:
Bardziej szczegółowo4 Prawa zachowania. Fale uderzeniowe
Prawa zachowania. Fale uderzeniowe 4 1 4 Prawa zachowania. Fale uderzeniowe W niniejszych notatkach, oprócz literatury wymienionej na stronie internetowej, korzystam też z następujących artykułów: A. Bressan,
Bardziej szczegółowoElementy analizy funkcjonalnej PRZESTRZENIE LINIOWE
Elementy analizy funkcjonalnej PRZESTRZENIE LINIOWE Niech K = R lub K = C oraz X - dowolny zbiór. Określmy dwa dzia lania: dodawanie + : X X X i mnożenie przez liczbȩ : K X X, spe lniaj ace nastȩpuj ace
Bardziej szczegółowoPrawdopodobieństwo. Prawdopodobieństwo. Jacek Kłopotowski. Katedra Matematyki i Ekonomii Matematycznej SGH. 16 października 2018
Katedra Matematyki i Ekonomii Matematycznej SGH 16 października 2018 Definicja σ-algebry Definicja Niech Ω oznacza zbiór niepusty. Rodzinę M podzbiorów zbioru Ω nazywamy σ-algebrą (lub σ-ciałem) wtedy
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoRodzinę F złożoną z podzbiorów zbioru X będziemy nazywali ciałem zbiorów, gdy spełnione są dwa następujące warunki.
3. Funkcje borelowskie. Rodzinę F złożoną z podzbiorów zbioru X będziemy nazywali ciałem zbiorów, gdy spełnione są dwa następujące warunki. (1): Jeśli zbiór Y należy do rodziny F, to jego dopełnienie X
Bardziej szczegółowoSeria 1. Zbieżność rozkładów
Seria Zbieżność rozkładów We wszystkich poniższych zadaniach (E, ρ) jest przestrzenią metryczną Wykazać, że dla dowolnych x, x n, δ xn δ x wtedy i tylko wtedy, gdy x n x Sprawdzić, że n nk= δ k n λ, gdzie
Bardziej szczegółowo