ROBUST January 19, Zdeněk Fabián Ústav informatiky AVČR Praha
|
|
- Gabriel Kołodziej
- 5 lat temu
- Przeglądów:
Transkrypt
1 ROBUST 2014 Zdeněk Fabián Ústav informatiky AVČR Praha January 19, 2014
2 Starověk x 1,..., x n data průměry
3 Starověk x 1,..., x n data průměry aritm., geom., harm.
4 Novověk Model F a skórová funkce Ψ F inferenční funkce: náhodný výběr (x 1,...x n ) z F F θ : n (x i µ) = 0 k=1 vlivová funkce: n Ψ F (x k ; θ) = 0 k=1 Ψ F (x k ; θ) pro pevné k: relativní vliv pozorovaného x k na odhadovanou charakteristiku výběru
5 2 typy skórových funkcí Klasická statistika: Model F θ s hustotou f (x; θ) Robustní statistika: Ψ clasic (x; θ) = log f (x; θ) θ Fisherova skórová funkce Struktura s parametry polohy a měřítka Ψ robust (x; µ, σ) = ψ bounded ( x µ σ )
6 Třetí typ skórové funkce na R Základní identita µ log g(y µ) = 1 g(y µ) d g(y µ) dy
7 Třetí typ skórové funkce na R Základní identita µ log g(y µ) = 1 g(y µ) d g(y µ) dy S G (y) = g (y) g(y)
8 Třetí typ skórové funkce na R Základní identita µ log g(y µ) = 1 g(y µ) d g(y µ) dy S G (y) = g (y) g(y) S G (y) je charakteristikou rozdělení Pearson (1895) Typy rozdělení S G (y) = ay+b cy 2 +dy+v Hampel et al. (1986) S G vlivová fce rozdělení Jurečková (2012) skórová funkce rozdělení
9 Typy funkcí s definičním oborem reálná přímka typ funkce NE sinh(u) NP u ON e u 1 NO 1 e u OO tanh(u/2) OR 2u 1+u 2
10 jako skórové funkce rozdělení typ S G (u) g(u) rozdělení NE e u e u 2 1 2K 1 (1) e 1 2 (eu +e u ) NP u 1 2π e 1 2 u2 hyperbolic normal ON e u 1 e u e eu Gumbel? NO 1 e u e u e e u extreme value OO e u 1 logistic OR e u (1+e u ) 2 e u +1 2u 1 1+u 2 π(1+u 2 ) S G (u) = g (u) g(u) Cauchy
11 Parametrické skórové funkce rozdělení zobecnění s podmínkou S G (u; α, ν) = 0 typ S G (u; α, ν) g(u; α, ν) rodina α NE 2 (eu νe u ) + ρ e α 2 (eu +νe u ) hyperbolic NP u e 1 2 u2 normal ON α(e u 1) e αu e αeu gamma NO α(1 e u ) e αu e αe u extreme val. OO α eu 1 e ναu OR e u +1/ν 2αu 1 1+u 2 (1+u 2 ) α [e u +1/ν] (1+ν)α beta Cauchy
12 Parametrické skórové funkce rozdělení zobecnění s podmínkou S G (u; α, ν) = 0 typ S G (u; α, ν) g(u; α, ν) rodina α NE 2 (eu νe u ) + ρ e α 2 (eu +νe u ) hyperbolic NP u e 1 2 u2 normal ON α(e u 1) e αu e αeu gamma NO α(1 e u ) e αu e αe u extreme val. OO α eu 1 e ναu OR e u +1/ν 2αu 1 1+u 2 (1+u 2 ) α [e u +1/ν] (1+ν)α beta u = y µ σ Cauchy
13 Obecná parametrická skórová funkce rozdělení na R Pro g(y; θ) s nosičem R (Fabián, 2001) S G (y; θ) = 1 d g(y; θ) g(y; θ) dy
14 Obecná parametrická skórová funkce rozdělení na R Pro g(y; θ) s nosičem R (Fabián, 2001) např. S G (y; θ) = 1 d g(y; θ) g(y; θ) dy 1 g(y; p, q) = B(p, q) (e y + 1) p+q S G (y; p, q) = qey p e y + 1 S G (y; p, q) = 0 y = log p q e py
15 Vlastnosti S G (y; θ) momenty ESG k (θ) existují
16 Vlastnosti S G (y; θ) momenty ESG k (θ) existují a jsou jednoduchými funkcemi θ obecná momentová metoda
17 Vlastnosti S G (y; θ) momenty ESG k (θ) existují a jsou jednoduchými funkcemi θ obecná momentová metoda g(y) = 1 e py B(p,q) (e y +1), S p+q G (y) = qey p e y +1 n qe y i p e y = 0 i + 1 i=1 n ( ) qe y i p 2 pq e y = i + 1 p + q + 1 i=1
18 Vlastnosti S G (y; θ) momenty ESG k (θ) = SG k (θ)f (y; θ dy existují a jsou jednoduchými funkcemi θ obecná momentová metoda
19 Vlastnosti S G (y; θ) momenty ESG k (θ) = SG k (θ)f (y; θ dy existují a jsou jednoduchými funkcemi θ obecná momentová metoda typická hodnota: mód y : S G (y; θ) = 0
20 Vlastnosti S G (y; θ) momenty ESG k (θ) = SG k (θ)f (y; θ dy existují a jsou jednoduchými funkcemi θ obecná momentová metoda typická hodnota: mód y : S G (y; θ) = 0 variabilita rozdělení (z analogie s Cramér-Rao větou): score variance ω 2 = 1 ES 2 G kde ESG 2 je Fisherova informace pro mód normální rozdělení S Φ (x; µ, σ) = x µ σ 2, x = µ, ω = σ
21 Proč se to takhle ve statistice nedělá Funkce S F (x) = f (x) f (x) je pro rozdělení F s nosičem X = R divná: f (x) = e x, X = (0, ) f (x) = 1, X = (0, 1)
22 Proč se to takhle ve statistice nedělá Funkce S F (x) = f (x) f (x) je pro rozdělení F s nosičem X = R divná: f (x) = e x, X = (0, ) f (x) = 1, X = (0, 1) Nápad: Skórová funkce rozdělení na X = R existuje, ale je dána jiným vzorcem, který závisí na X
23 Skórová funkce rozdělení na X = R F má nosič X η : X R je hladká rostoucí funkce Y R G prototyp, S G X na X : X = η 1 (Y ), F = G η f (x) = g(η(x))η (x)
24 Skórová funkce rozdělení na X = R F má nosič X η : X R je hladká rostoucí funkce Y R G prototyp, S G X na X : X = η 1 (Y ), F = G η f (x) = g(η(x))η (x) S F (x) = S G (η(x))
25 Skórová funkce rozdělení na X = R Dvě ekvivalentní vyjádření: S F (x) = S G (η(x)) S F (x) = 1 ( ) d 1 f (x) dx η (x) f (x)
26 Věta: η je dáno jednoznačně Pokud vzorec pro transformovanou hustotu f (x) = g(η(x))η (x) obsahuje Jacobian nějaké transformace z X na R, je to ona
27 Věta: η je dáno jednoznačně Pokud vzorec pro transformovanou hustotu f (x) = g(η(x))η (x) obsahuje Jacobian nějaké transformace z X na R, je to ona Příklady: f (x) = 1 2π cos 2 x e 1 2 tan2 x f (x) = 1 2π x 2 e 1 2 arctan2 x
28 η je dáno jednoznačně V ostatní případech to nejfrekventovanější η : (0, ) R : η(x) = log x
29 η je dáno jednoznačně V ostatní případech to nejfrekventovanější η : (0, ) R : η(x) = log x Exponenciální f (x) = 1 2 e x/2 f (x) = [xf (x)] 1 x
30 η je dáno jednoznačně V ostatní případech to nejfrekventovanější η : (0, ) R : η(x) = log x Exponenciální f (x) = 1 2 e x/2 f (x) = [xf (x)] 1 x T F (x) = 1 d f (x) dx [xf (x)] = x 2 1
31 η je dáno jednoznačně v ostatní případech to nejfrekventovanější η : (0, ) R : η(x) = log x Exponenciální f (x) = 1 2 e x/2 f (x) = [xf (x)] 1 x T F (x) = 1 d f (x) dx [xf (x)] = x 2 1
32 Příklady g(y) 1 normal e 1 2 y 2 2π S G (y) extreme value e y e e y 1 e y Gumbel e y e ey e y 1 logistic e y (1+e y ) 2 y e y 1 e y +1 f (x) S F (x) lognormal 1 e 1 2 log2 x 2πx log x 1 Fréchet e 1/x 1 1/x x 1 2 exponential x xe x x 1 1 x 1 log-logistic x x+1 x (1+x) 2
33 Rozdělení na intervalu X = (0, 1) nejfrekventovanější η(x) = log x 1 x 1 Johnson U B f (x) = e 1 2 log2 x 1 x S 2πx(1 x) F (x) = log x 1 x
34 Rozdělení na intervalu X = (0, 1) nejfrekventovanější η(x) = log x 1 x 1 Johnson U B f (x) = e 1 2 log2 x 1 x S 2πx(1 x) F (x) = log x 1 x X = ( π/2, π/2) η(x) = tan x S F (x) = 1 d f (x) dx [cos2 xf (x)] = sin 2x cos 2 x f (x) f (x) S F (x) f (x) g(y) S G (y) 1 tan x c cos 2 x e 1 2 tan2 x 1 e 1 2 y 2 y 2π 1 sin x c cos 2 e 1/ cos x 1 x 2K 1 (1) e 1+y 2 y 1+y 2 sin 2x k cos 2 1 x c k e kx 1 1 c k e k tan 1 y 2y k 1+y 2 1+y 2
35 t-score a S F Pro parametrická rozdělení T F (x; θ) = 1 d f (x; θ) dx ( ) 1 η f (x; θ) (x) x : T F (x; θ) = 0 a skórová funkce rozdělení je S F (x; θ) = η (x )T F (x; θ)
36 t-score a S F Pro parametrická rozdělení T F (x; θ) = 1 d f (x; θ) dx ( ) 1 η f (x; θ) (x) x : T F (x; θ) = 0 a skórová funkce rozdělení je S F (x; θ) = η (x )T F (x; θ) Pro exponenciální f (x; τ) = 1 τ e x/τ je S F (x; τ) = 1 τ [x τ 1] zde je x = τ = η 1 (µ) a S F (x; τ) je Fisherův skór pro τ
37
38 Vlastnosti S F K regulární f na X je S F určena jednoznačně Skalární funkce reflektující vlastnosti rozdělení Typická hodnota x : T F (x; θ) = 0 je x = η 1 (y ), y obraz módu G Je-li θ = (x,...), je S F (x; θ) Fisherův skór pro x S F rozdělení s těžkými chvosty omezená
39 Co přináší S F nového pro popis modelu A. Systematika rozdělení: podle chování S F na koncích intervalu X
40 Co přináší S F nového pro popis modelu A. Systematika rozdělení: podle chování S F na koncích intervalu X B. Nové numerické charakteristiky: x, ω 2
41 Co přináší S F nového pro popis modelu A. Systematika rozdělení: podle chování S F na koncích intervalu X B. Nové numerické charakteristiky: x, ω 2 C. Nové funkce charakterizující rozdělení: S 2 F (x), S F (x) = ds F (x) dx
42 Co přináší S F nového pro popis modelu A. Systematika rozdělení: podle chování S F na koncích intervalu X B. Nové numerické charakteristiky: x, ω 2 C. Nové funkce charakterizující rozdělení: S 2 F (x), S F (x) = ds F (x) dx D. Vzdálenosti pravděpodobnostních měr a metrika ve výběrovém prostoru D(P, Q) = E P (S P S Q ) 2 d(x 1, x 2 ) = S F (x 1 ) S F (x 2 )
43 B. Numerické charakteristiky Poloha na ose x: těžiště x : S F (x) = 0
44 B. Numerické charakteristiky Poloha na ose x: těžiště x : S F (x) = 0 ES 2 F (Fisherova) informace (pro x )
45 B. Numerické charakteristiky Poloha na ose x: těžiště x : S F (x) = 0 ES 2 F (Fisherova) informace (pro x ) Míra variability: score variance ω 2 = 1 ES 2 F
46 B. Numerické charakteristiky Poloha na ose x: těžiště x : S F (x) = 0 ES 2 F (Fisherova) informace (pro x ) Míra variability: score variance ω 2 = 1 ES 2 F F f (x) m 1 x ω 2 c Weibull x ( x τ )c e ( x τ )c τγ( 1 c + 1) τ τ 2 /c 2 Pareto c/x c+1 c c+1 c+2 beta-prime 1 Fréchet x p 1 B(p,q) (x+1) p+q c 1 p q 1 c p q c 3 p(p+q+1) q 3 c x ( τ x )c e ( τ x )c τγ(1 1 c ) τ τ 2 /c 2
47 Variabilita pomocí ω 2 Rozdělení s různými x a týmž ω 2 = 1
48 Co přináší S F nového pro statistiku Málo dat: Neznáme model, čistá data: neparametrické metody
49 Co přináší S F nového pro statistiku Málo dat: Neznáme model, čistá data: neparametrické metody Neznáme model, kontaminovaná data: metody robustní statistiky
50 Co přináší S F nového pro statistiku Málo dat: Neznáme model, čistá data: neparametrické metody Neznáme model, kontaminovaná data: metody robustní statistiky Známe model, čistá data: parametrické metody klasické statistiky
51 Co přináší S F nového pro statistiku Málo dat: Neznáme model, čistá data: neparametrické metody Neznáme model, kontaminovaná data: metody robustní statistiky Známe model, čistá data: parametrické metody klasické statistiky Známe model, kontaminovaná data: parametrické metody založené na skalárním skóru
52 S F jako inferenční funkce pro bodové odhady Score moment rovnice ˆθ SM : 1 n n SF k (x i; θ) = ESF k (θ) i=1 k = 1,..., m Estimátor robustní pro všechny parametry když S F je omezená
53 S F jako inferenční funkce pro bodové odhady Score moment rovnice ˆθ SM : 1 n n SF k (x i; θ) = ESF k (θ) i=1 k = 1,..., m Estimátor robustní pro všechny parametry když S F je omezená Výsledky pro rozdílné modely jdou porovnávat pomocí ˆx F = x F (ˆθ), ˆω F = ω F (ˆθ)
54 S F jako inferenční funkce pro bodové odhady Score moment rovnice ˆθ SM : 1 n n SF k (x i; θ) = ESF k (θ) i=1 k = 1,..., m Estimátor robustní pro všechny parametry když S F je omezená Výsledky pro rozdílné modely jdou porovnávat pomocí ˆx F = x F (ˆθ), ˆω F = ω F (ˆθ) Konfidenční intervaly pro ˆx pomocí S F (x 0 ) S F (ˆx F )
55 Těžiště: i S F(x i ; θ) = 0 exponential lognormal Weibull Pareto beta-prime Johnson ( x i τ 1) = 0 log(xi /τ) = 0 (xi /τ) c 1) = 0 ˆτ = x ˆτ = x g ˆτ = ( xi c ) 1/c ˆx = x h (1 x /x i ) = 0 qxi p x i +1 = 0 ˆx = log ( xi (1 τ) (1 x i )τ xi x i +1 1 x i +1 ) = 0 ˆx = Π n i=1 x i 1 x i
56 ˆx a std(ˆx ) Pareto f (x; c) = kde x = (c + 1)/c c x c+1 S F (x; c) (1 x x )
57 ˆx a std(ˆx ) Pareto f (x; c) = kde x = (c + 1)/c c x c+1 S F (x; c) (1 x x )
58 F s neomezenou S F Pro G(y µ) z R (Huber, Ronchetti, 2007) u pro x u ψ(x) = S G (x) pro u < x < v v pro x v Nejde pro vektorový parametr, ale jde pro S F (x) při libovolném X v = ˆx + r MADN(x) F = 0.9F 0 (ω = 1) + 0.1F(ω = k)
59
60 B. Složitější úlohy Kovarianční koeficienty: r S = n i=1 S X (x i ; ˆθ)S Y (y i ; ˆθ) Lineární regrese: ε i = y i (α 0 + α 1 x i ) 1 n n Sε 2 (ε i ; ˆθ) = min. i=1 Skalární skór časové řady {S F (X t )}
61 Korelační koeficient
62
63
64 Lineární regrese pro data z R + (beta-prime)
65 Lineární regrese pro data z R +
66 Lineární regrese pro data z R +
67 y i = a 0 + a 1 x i + ε i a 1 = 0.25, a 0 = 2.5 ε i beta-prime Weibull method â 1 â 0 std(â 1 ) std(â 0 ) least-squares Huber score Pareto Huber score
68 Skalární skór S F (X t ) časové řady X t
69 Odhad spektrální hustoty X t = 0.4X t 1 + Z t with beta-prime noise with different ω Full line: S F (X t ), dashed line: log X t, dotted line: true
70 Odhad spektrální hustoty X t = 0.4X t 1 + Z t with beta-prime noise with different ω Full line: S F (X t ), dashed line: log X t, dotted line: normal Z t
71 Statistické metody při kontaminaci známého modelu (x 1,..., x n ) z F θ ψ F (x; θ) je S F (x; θ) nebo její huberizovaná verze data jako latentní hodnoty (ψ F (x 1, θ),..., ψ F (x n, θ)) odhady ˆθ n, ˆx = x (ˆθ n ),... Upravená data pro další operace [ψ F (x 1 ; ˆθ n ),..., ψ F (x n ; ˆθ n )] nový model Fθ 2...
72 Reference. Fabián Z.: Score function of distribution and revival of the moment method (accepted in Communication in Statistics, Theory-Method) Děkuji za pozornost
Funkce zadané implicitně. 4. března 2019
Funkce zadané implicitně 4. března 2019 Parciální derivace druhého řádu Parciální derivace druhého řádu funkce z = f (x, y) jsou definovány: Parciální derivace 2 f 2 = ( ) f 2 f 2 = ( ) f 2 f a 2 f 2 f
Bardziej szczegółowoNecht je funkce f spojitá v intervalu a, b a má derivaci v (a, b). Pak existuje bod ξ (a, b) tak, že f(b) f(a) b a. Geometricky
Monotónie a extrémy funkce Diferenciální počet - průběh funkce Věta o střední hodnotě (Lagrange) Necht je funkce f spojitá v intervalu a, b a má derivaci v (a, b). Pak existuje bod ξ (a, b) tak, že f (ξ)
Bardziej szczegółowoKristýna Kuncová. Matematika B2 18/19
(6) Určitý integrál Kristýna Kuncová Matematika B2 18/19 Kristýna Kuncová (6) Určitý integrál 1 / 28 Newtonův integrál Zdroj: https://kwcalculus.wikispaces.com/integral+applications Kristýna Kuncová (6)
Bardziej szczegółowoVybrané kapitoly z matematiky
Vybrané kapitoly z matematiky VŠB-TU Ostrava 2018-2019 Vybrané kapitoly z matematiky 2018-2019 1 / 11 Křivkový integrál Vybrané kapitoly z matematiky 2018-2019 2 / 11 Parametricky zadaná křivka v R 3 :
Bardziej szczegółowoKristýna Kuncová. Matematika B3
(10) Vícerozměrný integrál II Kristýna Kuncová Matematika B3 Kristýna Kuncová (10) Vícerozměrný integrál II 1 / 30 Transformace Otázka Jaký obrázek znázorňuje čtverec vpravo po transformaci u = x + y a
Bardziej szczegółowoCo nám prozradí derivace? 21. listopadu 2018
Co nám prozradí derivace? Seminář sedmý 21. listopadu 2018 Derivace základních funkcí Tečna a normála Tečna ke grafu funkce f v bodě dotyku T = [x 0, f (x 0 )]: y f (x 0 ) = f (x 0 )(x x 0 ) Normála: y
Bardziej szczegółowov = v i e i v 1 ] T v =
v U = e i,..., e n ) v = n v i e i i= e i i v T v = = v v n v n U v v v +q 3q +q +q b c d XY X +q Y 3q r +q = r 3q = r +q = r +q = r 3q = r +q = E = E +q + E 3q + E +q = k q r+q 3 + k 3q r 3q 3 b V = kq
Bardziej szczegółowov = v i e i v 1 ] T v = = v 1 v n v n ] a r +q = a a r 3q =
v U = e i,..., e n ) v = n v i e i i= e i i v T v = = v v n v v v v n 3q q q q r q = r 3q = E = E q E 3q E q = k q rq 3 k 3q r 3q 3 r q = k q rq 3 = kq 4 3 ) 4 q d b d c d d X d ± = d r = x y T d ± r ±
Bardziej szczegółowoMATEMATIKA 3. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATIKA 3 Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Osnova: Komplexní funkce - definice, posloupnosti, řady Vybrané komplexní funkce
Bardziej szczegółowoElementární funkce. Edita Pelantová. únor FJFI, ČVUT v Praze. katedra matematiky, FJFI, ČVUT v Praze
Elementární funkce Edita Pelantová FJFI, ČVUT v Praze Seminář současné matematiky katedra matematiky, FJFI, ČVUT v Praze únor 2013 c Edita Pelantová (FJFI) Elementární funkce únor 2013 1 / 19 Polynomiální
Bardziej szczegółowoUrčitý (Riemannův) integrál a aplikace. Nevlastní integrál. 19. prosince 2018
Určitý (Riemnnův) integrál plikce. Nevlstní integrál Seminář 9. prosince 28 Určitý integrál Existence: Necht funkce f (x) je definovná n uzvřeném intervlu, b. Necht je splněn n tomto intervlu kterákoliv
Bardziej szczegółowo(1) Derivace. Kristýna Kuncová. Matematika B2 17/18. Kristýna Kuncová (1) Derivace 1 / 35
(1) Derivace Kristýna Kuncová Matematika B2 17/18 Kristýna Kuncová (1) Derivace 1 / 35 Růst populací Zdroj : https://www.tes.com/lessons/ yjzt-cmnwtvsq/noah-s-ark Kristýna Kuncová (1) Derivace 2 / 35 Růst
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 szczegółowo(13) Fourierovy řady
(13) Fourierovy řady Kristýna Kuncová Matematika B3 Kristýna Kuncová (13) Fourierovy řady 1 / 22 O sinech a kosinech Lemma (O sinech a kosinech) Pro m, n N 0 : 2π 0 2π 0 2π 0 sin nx dx = sin nx cos mx
Bardziej szczegółowokontaktní modely (Winklerův, Pasternakův)
TÉMA 7: Pružný poloprostor, modely podloží pružný poloprostor základní předpoklady pružný poloprostor Boussinesqueovo řešení kontaktní modely (Winklerův, Pasternakův) 1 Pružný poloprostor (1) vychází z
Bardziej szczegółowoKomplexní analýza. Martin Bohata. Katedra matematiky FEL ČVUT v Praze Martin Bohata Komplexní analýza Mocninné řady 1 / 18
Komplexní analýza Mocninné řady Martin Bohata Katedra matematiky FEL ČVUT v Praze bohata@math.feld.cvut.cz Martin Bohata Komplexní analýza Mocninné řady 1 / 18 Posloupnosti komplexních čísel opakování
Bardziej szczegółowoNumerické metody 8. května FJFI ČVUT v Praze
Obyčejné diferenciální rovnice Numerické metody 8. května 2018 FJFI ČVUT v Praze 1 Úvod Úvod Základní metody Pokročilejší metody Soustava Vyšší řád Program 1 Úvod Úvod - Úloha Základní úloha, kterou řešíme
Bardziej szczegółowoInverzní Z-transformace
Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 9. přednáška 11MSP úterý 16. dubna 2019 verze: 2019-04-15 12:25
Bardziej szczegółowoCo to znamená pro vztah mezi simultánní a marginální hustotou pravděpodobnosti f (x) (pravděpodobnostní funkci p(x))?
Ondřej Pokora M5120 Lineární statistické modely I poznámky do cvičení podzim 2011 1 / 36 12.12.2011 Maximálně věrohodné odhady Náhodný výběr X 1,..., X n rosahu n z rozdělení pravděpodobnosti P: X i P
Bardziej szczegółowoJednoduchá zobrazení. Podpořeno z projektu FRVŠ 584/2011.
Podpořeno z projektu FRVŠ 584/2011. Obsah 1 2 Obsah 1 2 Společné vlastnosti jednoduchých zobrazení: Zobrazovací ref. plocha je rovina - souřadnice X, Y, případně ρ, ɛ Zobrazovaná ref. plocha je eliposid
Bardziej szczegółowoJednoduchá zobrazení. Podpořeno z projektu FRVŠ 584/2011.
Podpořeno z projektu FRVŠ 584/2011. Obsah 1 2 Obsah 1 2 Společné vlastnosti jednoduchých zobrazení: Zobrazovací ref. plocha je rovina - souřadnice X, Y, případně ρ, ɛ Zobrazovaná ref. plocha je eliposid
Bardziej szczegółowo5. a 12. prosince 2018
Integrální počet Neurčitý integrál Seminář 9, 0 5. a. prosince 08 Neurčitý integrál Definice. Necht funkce f (x) je definovaná na intervalu I. Funkce F (x) se nazývá primitivní k funkci f (x) na I, jestliže
Bardziej szczegółowoMatematická analýza II pro kombinované studium. Konzultace první a druhá. RNDr. Libuše Samková, Ph.D. pf.jcu.cz
Učební texty ke konzultacím předmětu Matematická analýza II pro kombinované studium Konzultace první a druhá RNDr. Libuše Samková, Ph.D. e-mail: lsamkova@ pf.jcu.cz webová stránka: home.pf.jcu.cz/ lsamkova/
Bardziej szczegółowo(2) Funkce. Kristýna Kuncová. Matematika B2. Kristýna Kuncová (2) Funkce 1 / 25
(2) Funkce Kristýna Kuncová Matematika B2 Kristýna Kuncová (2) Funkce 1 / 25 Sudá a lichá funkce Určete, které funkce jsou sudé a které liché: liché: A, D, E sudé: B Kristýna Kuncová (2) Funkce 2 / 25
Bardziej szczegółowoRovnice proudění Slapový model
do oceánského proudění Obsah 1 2 3 Co způsobuje proudění v oceánech? vyrovnávání rozdílů v teplotě, salinitě, tlaku, ρ = ρ(p, T, S) vítr - wind stress F wind = ρ air C D AU 2 10 slapy produkují silné proudy,
Bardziej szczegółowoheteroskedasticitě Radim Navrátil, Jana Jurečková Katedra pravděpodobnosti a matematické statistiky, MFF UK, Praha
Pořadové testy v regresi při rušivé heteroskedasticitě Radim Navrátil, Jana Jurečková Katedra pravděpodobnosti a matematické statistiky, MFF UK, Praha Robust 2014, Jetřichovice 22.1.2014 Radim Navrátil,
Bardziej szczegółowox2 + 2x 15 x 2 + 4x ) f(x) = x 2 + 2x 15 x2 + x 12 3) f(x) = x 3 + 3x 2 10x. x 3 + 3x 2 10x x 2 + x 12 10) f(x) = log 2.
Příklady k 1 zápočtové písemce Definiční obor funkce Určete definiční obor funkce: x + x 15 1 f(x x + x 1 ( x + x 1 f(x log x + x 15 x + x 1 3 f(x x 3 + 3x 10x ( x 3 + 3x 10x f(x log x + x 1 x3 + 5x 5
Bardziej szczegółowoKombinatorika a grafy I
Kombinatorika a grafy I Martin Balko 1. přednáška 19. února 2019 Základní informace Základní informace úvodní kurs, kde jsou probrány základy kombinatoriky a teorie grafů ( pokračování diskrétní matematiky
Bardziej szczegółowoczastkowych Państwo przyk ladowe zadania z rozwiazaniami: karpinw adres strony www, na której znajda
Zadania z równań różniczkowych czastkowych Za l aczam adres strony www, na której znajda Państwo przyk ladowe zadania z rozwiazaniami: http://math.uni.lodz.pl/ karpinw Zadanie 1. Znaleźć wszystkie rozwiazania
Bardziej szczegółowoPoslední úprava dokumentu: 7. května 2019
Poslední úprava dokumentu: 7. května 2019 Budu velmi vděčný za upozornění na případné chyby a překlepy. 1 Podmíněné hustoty, podmíněné momenty Z teorie pravděpodobnosti (NMSA 333 víme, že podmíněná střední
Bardziej szczegółowoÚvodní informace. 18. února 2019
Úvodní informace Funkce více proměnných Cvičení první 18. února 2019 Obsah 1 Úvodní informace. 2 Funkce více proměnných Definiční obor Úvodní informace. Komunikace: e-mail: olga@majling.eu nebo olga.majlingova@fs.cvut.cz
Bardziej szczegółowoAproximace funkcí 1,00 0,841 1,10 0,864 1,20 0,885. Body proložíme lomenou čarou.
Příklad Známe následující hodnoty funkce Φ: u Φ(u) 1,00 0,841 1,10 0,864 1,20 0,885 Odhadněte přibližně hodnoty Φ(1,02) a Φ(1,16). Možnosti: Vezmeme hodnotu v nejbližším bodě. Body proložíme lomenou čarou.
Bardziej szczegółowoStochastické modelování v ekonomii a financích Konzistence odhadu LWS. konzistence OLS odhadu. Předpoklady pro konzistenci LWS
Whitův pro heteroskedasticitě pro heteroskedasticitě Stochastické modelování v ekonomii a financích 7. 12. 2009 Obsah Whitův pro heteroskedasticitě pro heteroskedasticitě 1 Whitův 2 pro 3 heteroskedasticitě
Bardziej szczegółowoNumerické metody minimalizace
Numerické metody minimalizace Než vám klesnou víčka - Stříbrnice 2011 12.2. 16.2.2011 Emu (Brkos 2011) Numerické metody minimalizace 12.2. 16.2.2011 1 / 19 Obsah 1 Úvod 2 Základní pojmy 3 Princip minimalizace
Bardziej szczegółowoKatedra aplikované matematiky FEI VŠB Technická univerzita Ostrava
Lineární algebra 5. přednáška: Báze a řešitelnost soustav Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1 Text
Bardziej szczegółowoNumeryczne aproksymacje prawdopodobieństwa ruiny
Numeryczne aproksymacje prawdopodobieństwa ruiny Krzysztof Burnecki Aleksander Weron Centrum Metod Stochastycznych im. Hugona Steinhausa Instytut Matematyki i Informatyki Politechnika Wrocławska www.im.pwr.wroc.pl/
Bardziej szczegółowoGranica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywistej
Wydział Matematyki Stosowanej Zestaw zadań nr 3 Akademia Górniczo-Hutnicza w Krakowie WEiP, energetyka, I rok Elżbieta Adamus 3 listopada 06r. Granica i ciągłość funkcji Granica funkcji rzeczywistej jednej
Bardziej szczegółowoOperace s funkcemi [MA1-18:P2.1] funkční hodnota... y = f(x) (x argument)
KAPITOLA : Funkce - úvod [MA-8:P.] reálná funkce (jedné) reálné proměnné... f : A R...... zobrazení množin A R do množin reálných čísel R funkční hodnota... = f() ( argument) ( tj. reálná funkce f : A
Bardziej szczegółowoLinea rnı (ne)za vislost
[1] Lineární (ne)závislost Skupiny, resp. množiny, vektorů mohou být lineárně závislé nebo lineárně nezávislé... a) zavislost, 3, b) P. Olšák, FEL ČVUT, c) P. Olšák 2010, d) BI-LIN, e) L, f) 2009/2010,
Bardziej szczegółowoKristýna Kuncová. Matematika B2
(3) Průběh funkce Kristýna Kuncová Matematika B2 Kristýna Kuncová (3) Průběh funkce 1 / 26 Monotonie (x 2 ) = 2x (sin x) = cos x Jak souvisí derivace funkce a fakt, zda je funkce rostoucí nebo klesající?
Bardziej szczegółowoEdita Pelantová, katedra matematiky / 16
Edita Pelantová, katedra matematiky seminář současné matematiky, září 2010 Axiomy reálných čísel Axiomy tělesa Axiom 1. x + y = y + x a xy = yx (komutativní zákon). Axiom 2. x + (y + z) = (x + y) + z a
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowoGeometrická nelinearita: úvod
Geometrická nelinearita: úvod Opakování: stabilita prutů Eulerovo řešení s využitím teorie 2. řádu) Stabilita prutů Ritzovou metodou Stabilita tenkých desek 1 Geometrická nelinearita Velké deformace průhyby,
Bardziej szczegółowoR Z N C. p11. a!b! = b (a b)!b! d n dx n [xn sin x] = x n(n k) (sin x) (n) = n(n 1) (n k + 1) sin(x + kπ. n(n 1) (n k + 1) sin(x + lπ 2 )
5 Z N p ) a a + b)! b ) a!b! a a! b a b)!b! p n n k nn k) n ) n k) d n d n [n sin ] n nn k) sin ) n) k n nn ) n k + ) sin + lπ ) k d n d n [n sin ] n k ) n n ) n k) sin ) k) k n k ) n nn ) n k + ) sin
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 szczegółowoEstymatory regresji rangowej oparte na metodzie LASSO
Estymatory regresji rangowej oparte na metodzie LASSO Wojciech Rejchel UMK Toruń Wisła 2013 Z = (X, Y ), Z = (X, Y ) - niezależne wektory losowe o tym samym rozkładzie P X, X X R m, Y, Y R Z = (X, Y ),
Bardziej szczegółowo(a). Pak f. (a) pro i j a 2 f
Připomeň: 1. Necht K R n. Pak 1. Funkce více proměnných II 1.1. Parciální derivace vyšších řádů K je kompaktní K je omezená a uzavřená. 2. Necht K R n je kompaktní a f : K R je spojitá. Pak f nabývá na
Bardziej szczegółowoWłasności estymatorów regresji porządkowej z karą LASSO
Własności estymatorów regresji porządkowej z karą LASSO Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Warszawski Badania sfinansowane ze środków Narodowego Centrum Nauki przyznanych w ramach finansowania
Bardziej szczegółowoMatematika (KMI/PMATE)
Matematika (KMI/PMATE) Úvod do matematické analýzy Limita a spojitost funkce Matematika (KMI/PMATE) Osnova přednášky lineární funkce y = kx + q definice lineární funkce význam (smysl) koeficientů lineární
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 szczegółowo5. Równania różniczkowe zwyczajne pierwszego rzędu
5. Równania różniczkowe zwyczajne pierwszego rzędu 5.1. Wstęp. Definicja 5.1. Niech V R 3 będzie obszarem oraz F : V R. Równaniem różniczkowym zwyczajnym rzędu pierwszego nazywamy równanie postaci Równanie
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowov = v i e i v 1 ] T v = = v 1 v n v n [ ] U [x y z] T (X,Y,Z)
v U = e i,..., e n ) v = n v i e i i= e i i U = {X i } i=,n v T v = = v v n v n U x y z T X,Y,Z) v v v = 2 T A, ) b = 3 4 T B, ) c = + b b d = b c c d d 2 + 3b e b c = 5 3 T b d = 5 T c c = 34 d = 26 d
Bardziej szczegółowoProjekt silnika bezszczotkowego prądu przemiennego. 1. Wstęp. 1.1 Dane wejściowe. 1.2 Obliczenia pomocnicze
projekt_pmsm_v.xmcd 01-04-1 Projekt silnika bezszczotkowego prądu przemiennego 1. Wstęp Projekt silnika bezszczotkowego prądu przemiennego - z sinusoidalnym rozkładem indukcji w szczelinie powietrznej.
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 szczegółowo1 Soustava lineárních rovnic
Soustavy lineárních rovnic Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Soustava lineárních rovnic 2 Řešitelnost soustavy lineárních rovnic 3 Gaussova eliminační metoda 4 Jordanova eliminační
Bardziej szczegółowoSb ırka pˇr ıklad u z matematick e anal yzy II Petr Tomiczek
Sbírka příkladů z matematické analýzy II Petr Tomiczek Obsah 0 Diferenciální rovnice. řádu 0. Separace proměnných Příklad : Najděte obecné řešení (obecný integrál) diferenciální rovnice y = tg x tg y.
Bardziej szczegółowo1 Warunkowe wartości oczekiwane
Warunkowe wartości oczekiwane W tej serii zadań rozwiążemy różne zadania związane z problemem warunkowania.. (Eg 48/) Załóżmy, że X, X, X 3, X 4 są niezależnymi zmiennymi losowymi o jednakowym rozkładzie
Bardziej szczegółowon [2, 11] 1.5 ( G. Pick 1899).
1. / / 2. R 4k 3. 4. 5. 6. / 7. /n 8. n 1 / / Z d ( R d ) d P Z d R d R d? n > 0 n 1.1. R 2 6 n 5 n [Scherrer 1946] d 3 R 3 6 1.2 (Schoenberg 1937). d 3 R d n n = 3, 4, 6 1.1. d 3 R d 1.3. θ θ/π 1.4. 0
Bardziej szczegółowoKristýna Kuncová. Matematika B2 18/19. Kristýna Kuncová (1) Vzorové otázky 1 / 36
(1) Vzorové otázky Kristýna Kuncová Matematika B2 18/19 Kristýna Kuncová (1) Vzorové otázky 1 / 36 Limity - úlohy Otázka Určete lim x 0 f (x) A -3 B 0 C 5 D 7 E D Zdroj: Calculus: Single and Multivariable,
Bardziej szczegółowoPodstawowe rozkłady zmiennych losowych typu dyskretnego
Podstawowe rozkłady zmieych losowych typu dyskretego. Zmiea losowa X ma rozkład jedopuktowy, skocetroway w pukcie x 0 (ozaczay przez δ(x 0 )), jeżeli P (X = x 0 ) =. EX = x 0, V arx = 0. e itx0.. Zmiea
Bardziej szczegółowoprof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií
Náhodné vektory 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,
Bardziej szczegółowoAnna Kratochvílová Anna Kratochvílová (FJFI ČVUT) PDR ve zpracování obrazu / 17
Parciální diferenciální rovnice ve zpracování obrazu Anna Kratochvílová FJFI ČVUT 10. 6. 2009 Anna Kratochvílová (FJFI ČVUT) PDR ve zpracování obrazu 10. 6. 2009 1 / 17 Obsah 1 Motivace 2 Vyšetření pomocí
Bardziej szczegółowoDyrektor oraz pracownicy Miejsko - Gminnego Ośrodka Kultury w Kowalewie Pomorskim
Wszystkim Nauczycielom i pracownikom oświaty z okazji Dnia Edukacji Narodowej moc najserdeczniejszych życzeń, spełnienia najskrytszych marzeń oraz byście mogli w pełni realizować swoje plany życiowe i
Bardziej szczegółowoStavový popis Stabilita spojitých systémů (K611MSAP) Katedra aplikované matematiky Fakulta dopravní ČVUT. čtvrtek 20. dubna 2006
Modelování systémů a procesů (K611MSAP) Přednáška 4 Katedra aplikované matematiky Fakulta dopravní ČVUT Pravidelná přednáška K611MSAP čtvrtek 20. dubna 2006 Obsah 1 Laplaceova transformace Přenosová funkce
Bardziej szczegółowoElektrodynamika Część 4 Magnetostatyka Ryszard Tanaś Zakład Optyki Nieliniowej, UAM
Elektrodynamika Część 4 Magnetostatyka Ryszard Tanaś Zakład Optyki Nieliniowej, UAM http://zon8.physd.amu.edu.pl/\~tanas Spis treści 5 Magnetostatyka 3 5.1 Siła Lorentza........................ 3 5.2 Prawo
Bardziej szczegółowoTvarová optimalizace pro 3D kontaktní problém
Tvarová optimalizace pro 3D kontaktní problém s Coulombovým třením Petr Beremlijski, Jaroslav Haslinger, Michal Kočvara, Radek Kučera a Jiří V. Outrata Katedra aplikované matematik Fakulta elektrotechnik
Bardziej szczegółowoRachunek całkowy funkcji wielu zmiennych
Rachunek całkowy funkcji wielu zmiennych Całki potrójne wykład z MATEMATYKI Budownictwo studia niestacjonarne sem. II, rok ak. 2008/2009 Katedra Matematyki Wydział Informatyki olitechnika Białostocka 1
Bardziej szczegółowoMatematika 2, vzorová písemka 1
Matematika 2, vzorová písemka Pavel Kreml 9.5.20 Přesun mezi obrazovkami Další snímek: nebo Enter. Zpět: nebo Shift + Enter 2 3 4 Doporučení Pokuste se vyřešit zadané úlohy samostatně. Pokud nebudete vědět
Bardziej szczegółowoElektrodynamika Część 8 Fale elektromagnetyczne Ryszard Tanaś Zakład Optyki Nieliniowej, UAM
Elektrodynamika Część 8 Fale elektromagnetyczne Ryszard Tanaś Zakład Optyki Nieliniowej, UAM http://zon8.physd.amu.edu.pl/~tanas Spis treści 9 Fale elektromagnetyczne 3 9.1 Fale w jednym wymiarze.................
Bardziej szczegółowoDFT. verze:
Výpočet spektra signálu pomocí DFT kacmarp@fel.cvut.cz verze: 009093 Úvod Signály můžeme rozdělit na signály spojité v čase nebo diskrétní v čase. Další možné dělení je na signály periodické nebo signály
Bardziej szczegółowoLaplaceova transformace
Laplaceova transformace Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 5. přednáška 11MSP 219 verze: 219-3-17
Bardziej szczegółowoSpis wszystkich symboli
1 Spis wszystkich symboli Symbole podstawowe - pojedyncze znaki, alfabet grecki α β γ Γ δ ξ η ε ϕ ν ρ τ θ Θ ψ Ψ φ Φ Ω Υ Σ -alfa -beta - gamma - gamma (duże) - delta (małe) - delta (duże) -ksi -eta - epsilon
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 szczegółowoII seria zadań z Geometrii różniczkowej I 26. grudnia 2014 r. (wraz z komentarzem z 5. stycznia 2015 r.)
II seria zadań z Geometrii różniczkowej I 26. grudnia 24 r. (wraz z komentarzem z 5. stycznia 25 r.) Uwaga: W niniejszym tekście stosujemy konwencjȩ sumacyjn a Einsteina! ω Komentarz: Poznaliśmy kilka
Bardziej szczegółowo3. Generacja liczb losowych o różnych rozkładach
3. Generacja liczb losowych o różnych rozkładach 1. Jak uzyskać liczby pseudolosowe za pomocakomputera?[zieliński] nieliniowe sprzężenie zwrotne x k = F(x k 1,x k 2,..., x k q ) Postulaty dotyczace F:
Bardziej szczegółowoPrůvodce studiem V této kapitole se budeme zabývat diferenciálním počtem pro funkce více
5 Diferenciální počet funkcí více proměnných Průvodce studiem V této kapitole se budeme zabývat diferenciálním počtem pro funkce více proměnných, především budeme pracovat s funkcemi dvou proměnných Ukážeme
Bardziej szczegółowoAnaliza Matematyczna Praca domowa
Analiza Matematyczna Praca domowa J. de Lucas Zadanie 1. Pokazać, że dla wszystkich n naturalnych ( n ) exp kx k dx 1 dx n = 1 n (e k 1). (0,1) n k=1 n! k=1 Zadanie. Obliczyć dla dowolnego n. (0,1) n (x
Bardziej szczegółowoSzczególna i ogólna teoria względności (wybrane zagadnienia)
Szczególna i ogólna teoria względności (wybrane zagadnienia) Mariusz Przybycień Wydział Fizyki i Informatyki Stosowanej Akademia Górniczo-Hutnicza Wykład 6 M. Przybycień (WFiIS AGH) Szczególna Teoria Względności
Bardziej szczegółowoUniverzita Karlova v Praze Matematicko-fyzikální fakulta. bankovnictví. Katedra pravděpodobnosti a matematické statistiky
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Barbora Janečková Aplikace 2-dimenzionálních rozdělení v bankovnictví Katedra pravděpodobnosti a matematické statistiky Vedoucí
Bardziej szczegółowoZagadnienia brzegowe dla równań eliptycznych
Temat 7 Zagadnienia brzegowe dla równań eliptycznych Rozważmy płaski obszar R 2 ograniczony krzywą. la równania Laplace a (Poissona) stawia się trzy podstawowe zagadnienia brzegowe. Zagadnienie irichleta
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 szczegółowoMasywne neutrina w teorii i praktyce
Instytut Fizyki Teoretycznej Uniwersytet Wrocławski Wrocław, 20 czerwca 2008 1 Wstęp 2 3 4 Gdzie znikają neutrina słoneczne (elektronowe)? 4p 4 2He + 2e + + 2ν e 100 miliardów neutrin przez paznokieć kciuka
Bardziej szczegółowoKatedra aplikované matematiky FEI VŠB Technická univerzita Ostrava
Lineární algebra 8. přednáška: Kvadratické formy Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la Text byl vytvořen
Bardziej szczegółowoMartin Branda. Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky
Tvorba optimálních sazeb v neživotním pojištění Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Seminář z aktuárských věd 2013 M.Branda
Bardziej szczegółowoSymetrie. D. Kiełczewska, wykład9
Symetrie Symetrie a prawa zachowania Zachowanie momentu pędu (niezachowanie spinu) Parzystość, sprzężenie ładunkowe Symetria CP Skrętność (eksperyment Goldhabera) Zależność spinowa oddziaływań słabych
Bardziej szczegółowoElektrodynamika. Część 8. Fale elektromagnetyczne. Ryszard Tanaś. Zakład Optyki Nieliniowej, UAM
Elektrodynamika Część 8 Fale elektromagnetyczne Ryszard Tanaś Zakład Optyki Nieliniowej, UAM http://zon8.physd.amu.edu.pl/\~tanas Spis treści 9 Fale elektromagnetyczne 3 9.1 Fale w jednym wymiarze.................
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 szczegółowoLineární algebra - iterační metody
Lineární algebra - iterační metody Numerické metody 7. dubna 2018 FJFI ČVUT v Praze 1 Úvod Úvod Rozdělení Metody Zastavení SOR Programy 1 Úvod Úvod - LAR Mějme základní úlohu A x = b, (1) kde A R n,n je
Bardziej szczegółowoSymbole Numer Nazwa Opis Znaczenie Wygląd. Latin small "f" with hook (function, florin) Greek capital letter "alpha"
Symbole Numer Nazwa Opis Znaczenie Wygląd ƒ Litery greckie ƒ Latin small "f" with hook (function, florin) Łacińskie małe "f" z "haczykiem" (funkcja, floren) Α Α "alpha" Grecka wielka litera "alfa" Α Β
Bardziej szczegółowow jednowymiarowym pudle potencja lu
Do wyk ladu II czastka w pudle potencja lu oscylator harmoniczny rotator sztywny Ścis le rozwiazania równania Schrödingera: atom wodoru i jon wodoropodobny) Czastka w jednowymiarowym pudle potencja lu
Bardziej szczegółowoObsah. Petr Hasil. (konjunkce) (disjunkce) A B (implikace) A je dostačující podmínka pro B; B je nutná podmínka pro A A B: (A B) (B A) A (negace)
Množiny, číselné obory, funkce Petr Hasil Přednáška z Matematické analýzy I c Petr Hasil (MUNI) Množiny, číselné obory, funkce Matematická analýza / 5 Obsah Množinové operace Operace s funkcemi Definice
Bardziej szczegółowoEnergetické principy a variační metody ve stavební mechanice
Energetické principy a variační metody ve stavební mechanice Přetvárná práce vnějších sil Přetvárná práce vnitřních sil Potenciální energie Lagrangeův princip Variační metody Ritzova metoda 1 Přetvárná
Bardziej szczegółowoStatistika (KMI/PSTAT)
Statistika (KMI/PSTAT) Cvičení deváté aneb Důležitá rozdělení pravděpodobnosti spojité náhodné veličiny Statistika (KMI/PSTAT) 1 / 15 Spojitá náhodná veličina Spojitá náhodná veličina Spojitá náhodná veličina
Bardziej szczegółowoTryb Matematyczny w L A TEX-u
Tryb Matematyczny w L A TEX-u Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-12-13 1 2 Tekst w trybie matematycznym Ściąga z symboli 3 Jak nie pisać pracy magisterskiej
Bardziej szczegółowoZADANIA Z ANALIZY MATEMATYCZNEJ dla I roku kierunku informatyka WSZiB
pro. dr hb. Stisłw Biłs ZADANIA Z ANALIZY MATEMATYCZNEJ I roku kieruku iormtyk WSZiB I. ELEMENTARNE WŁASNOŚCI FUNKCJI. Wyzczyć dziedzię ukcji: 5 7 log[ log 5 6. b c ] d. Wyzczyć przeciwdziedzię ukcji:
Bardziej szczegółowoKapitola 4: Soustavy diferenciálních rovnic 1. řádu
Sbírka příkladů Matematika II pro strukturované studium Kapitola 4: Soustavy diferenciálních rovnic 1 řádu Chcete-li ukončit prohlížení stiskněte klávesu Esc Chcete-li pokračovat stiskněte klávesu Enter
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoPodstawy robotyki. Wykład II. Robert Muszyński Janusz Jakubiak Instytut Informatyki, Automatyki i Robotyki Politechnika Wrocławska
Podstawy robotyki Wykład II Ruch ciała sztywnego w przestrzeni euklidesowej Robert Muszyński Janusz Jakubiak Instytut Informatyki, Automatyki i Robotyki Politechnika Wrocławska Preliminaria matematyczne
Bardziej szczegółowoStochastyczne równania różniczkowe, studia II stopnia
Stochastyczne równania różniczkowe, studia II stopnia Niech W t (ewentualnie W, W (t)), t oznacza proces Wienera oraz niech W = Niech W = (W, W 2,, W n ) oznacza n-wymiarowy proces Wienera Pokazać, że
Bardziej szczegółowo