Stochastické modelování v ekonomii a financích Konzistence odhadu LWS. konzistence OLS odhadu. Předpoklady pro konzistenci LWS
|
|
- Grażyna Rogowska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Whitův pro heteroskedasticitě pro heteroskedasticitě Stochastické modelování v ekonomii a financích
2 Obsah Whitův pro heteroskedasticitě pro heteroskedasticitě 1 Whitův 2 pro 3 heteroskedasticitě pro heteroskedasticitě
3 Whitův pro heteroskedasticitě pro heteroskedasticitě
4 Whitův pro heteroskedasticitě pro heteroskedasticitě Uvažujme lineární regresní model tj. y 1. y T y = Xβ + e, 1 x x 1p = x T1... x Tp β 0. β p + e 1. e T, kde y 1,...,y T jsou náhodné veličiny příslušné pozorovaným hodnotám, X je náhodná matice, e 1,...,e T jsou náhodná rezidua, β R p+1 je vektor neznámých parametrů. Označme x t = (1,x t1,...,x tp ).
5 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad K1 (nezávislost X a e): Vektory x t a rezidua e s jsou nezávislé pro všechna t, s. Poznámky: Předpoklad (K1) lze oslabit: prvky x t a e s jsou současně nekorelované, tj. E[x tj e t ] = 0, t = 1, 2,..., j = 1,...,p {x t e t } t=1 je posloupnost martingalových diferencí {x t e t } t=1 je L 1-mixingal
6 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad K2 (momenty): Posloupnost {e t } je iid(0,σ 2 ), E[e 4 t ] < t.
7 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad K3 (konvergence): (a) Matice E[x t x t ] je pozitivně definitní (> 0) a jestliže označíme Σ T := 1 T [ ] T E x t x t, pak Σ T > 0. t=1 (b) Platí Σ T Σ, kde Σ > 0. 1 (c) Platí T T t=1 x tx t Σ. T Poznámky: (K3a): existence (Σ T > 0 detσ T > 0), (K3b): kvůli asymptotické normalitě (K3c): stačilo by T 1 t x tx t Σ T 0 lze nahradit momentovými podmínkami (SZVČ)
8 Whitův pro heteroskedasticitě pro heteroskedasticitě Tvrzení Věta: ( ) V lineárním regresním modelu s platností předpokladů (K1), (K2) a (K3) existuje OLS odhad β T, který je konzistentní. Důkaz: Lze psát Platí, že ( ) 1 ( ) 1 T β T β = T x t x 1 T t T x t e t. ( 1 T T x t x t t=1 t=1 ) 1 P Σ 1 a t=1 ( ) 1 T T P x t e t 0. t=1
9 Whitův pro heteroskedasticitě pro heteroskedasticitě (White) Předpoklad { W1 (ortogonalita Xe): (x t,e t ) } je posloupnost nezávislých nestejně rozdělených t=1 (inid) náhodných vektorů a platí t: E[x t e t ] = 0. Poznámky: Předpoklad (W1) zahrnuje: předpoklad nenáhodných regresorů s heteroskedasticitou, předpoklad tvaru E[e t x t ] = 0, předpoklad nezávislosti x t a e t s E[e t ] = 0.
10 Whitův pro heteroskedasticitě pro heteroskedasticitě (White) Předpoklad W2 (momenty): Existují konstanty 0 < δ < a 0 < M < takové, že [ [ E et 2 1+δ] < M a E x tj x tk 1+δ] < M, pro všechna t = 1, 2,... a pro všechna j,k = 1,...,p. Poznámky: V předpokladu (W2) jsou rozptyly chyb stejnoměrně omezené prvky prům. kov. matice regresorů stejnoměrně omezené (kvůli stejnoměrné integrovatelnosti a použití SZVČ)
11 (White) Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad W3 (regularita): Matice Σ T := 1 T T t=1 [ ] E x t x t je regulární pro všechna dost velká T taková, že detσ T > δ. Poznámky: V předpokladu (W3) je zahrnuta existence a stejnoměrná ohraničenost prvků inverze Σ T pro velká T.
12 Tvrzení Whitův pro heteroskedasticitě pro heteroskedasticitě Věta (White, 1980): ( ) V lineárním regresním modelu s platností předpokladů (W1), (W2), (W3) existuje OLS odhad β T, který je konzistentní. Dokonce platí β s.j. T β. Důkaz: β T existuje díky (W3) pro T velká a díky (W1) lze psát β T = β + ( ) 1 X X X e T T.
13 Whitův pro heteroskedasticitě pro heteroskedasticitě Tvrzení Díky (W2) - E [ x tj x tk 1+δ] < M, (W1) - vzájemné nezávislosti x t, ze SZVČ, předpokladu (W3) a spojitosti inverzního zobrazení vyplývá, že platí (po prvcích) pro T ( ) 1 X X Σ 1 s.j. T T 0.
14 Whitův pro heteroskedasticitě pro heteroskedasticitě Tvrzení Díky (W2) - E [ x tj x tk 1+δ] < M, (W1) - vzájemné nezávislosti x t, ze SZVČ, předpokladu (W3) a spojitosti inverzního zobrazení vyplývá, že platí (po prvcích) pro T ( ) 1 X X Σ 1 s.j. T T 0. Dále z Hölderovy nerovnosti a předpokladu (W2) [ E x tj e t 1+δ] E x tj 2(1+δ) E e t 2(1+δ) < M.
15 Whitův pro heteroskedasticitě pro heteroskedasticitě Protože x t e t jsou nezávislé, plyne se SZVČ X e T 1 T s.j. E[x t e t ] 0. T t=1 Tvrzení
16 Whitův pro heteroskedasticitě pro heteroskedasticitě Protože x t e t jsou nezávislé, plyne se SZVČ X e T 1 T s.j. E[x t e t ] 0. T t=1 Tvrzení Protože Σ 1 T má stejnoměrně omezené prvky pro dostatečně velké T z (W3) a E[x t e t ] má stejnoměrně omezené prvky, dostáváme ze stejnoměrné spojitosti ( ) 1 X X X e T T Σ 1 T 1 T s.j. E[x t e t ] T 0. t=1
17 Tvrzení Whitův pro heteroskedasticitě pro heteroskedasticitě Jelikož z (W1) je pak platí a tedy β T s.j. β. t = 1, 2,...,T : E[x t e t ] = 0, ( ) 1 X X X e T T s.j. 0
18 Whitův pro heteroskedasticitě pro heteroskedasticitě
19 Op a op notace Whitův pro heteroskedasticitě pro heteroskedasticitě Definice (O p ): Jestliže pro náhodnou posloupnost {X n } n=1 platí ( ε > 0) ( M = M ε < ) : sup {P[ X n > M]} < ε, n N pak píšeme, že X n = O p (1). Značení X n = O p (Y n ) znamená, že X n je nejvýše řádu Y n v prsti, tj. X n /Y n = O p (1). Definice (o p ): Jestliže pro náhodnou posloupnost {X n } n=1 platí ε > 0 : lim n P[ X n > ε] = 0, pak píšeme, že X n = o p (1). Značení X n = o p (Y n ) znamená, že X n je řádu menšího než Y n v prsti, tj. X n /Y n = o p (1).
20 Whitův pro heteroskedasticitě pro heteroskedasticitě Poznámka: Fakt, že platí X n = o p (1) lze ekvivalentně vyjádřit X n P 0, resp. plim n X n = 0. Značení: V = x 11. x T1... x 1p x Tp, v t = x t1. x tp. To jest X = (1 T,V) a x t = (1,v t ). Dále označme r t (β) = y t x t β, F β (u) := P[ r 1 (β) < u], F (T) β (u) := 1 T T t=1 I { r t(β) <u}. Platí, že F (T) β ( r t(β) ) = (pořadí t-tého rezidua 1)/T.
21 Whitův pro heteroskedasticitě pro heteroskedasticitě LWS odhad Necht r(1) 2 (β)... r2 (T)(β), jsou pořádkové statistiky čtverců reziduí rt 2(β) = y t x t β a necht w : [0,1] [0,1] je váhová funkce. Pak odhad LWS definujeme jako Platí β (LWS) T β (LWS) T := argmin β R p+1 = argmin β R p+1 { T { T ( } t 1 w )r 2(t) T (β). t=1 t=1 ( w F (T) β ) } ( r t(β) ) rt 2 (β).
22 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V1 (distribuce): (a) Posloupnost { (vt, e t ) } je posloupnost nezávislých t=1 p-dimenzionálních náhodných veličin rozdělených podle distribuční funkce F V,e (v,r), která je absolutně spojitá, její hustota f V,e (v,r) je omezená. (b) Pro marginální hustotu f V (v) platí M := sup{ v : f V (v) > 0} <.
23 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V2 (momenty): (a) t platí: E[e t ] = 0, E[v t ] = 0. (b) t existují druhé momenty náhodných veličin v t a e t.
24 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V3 (váhová funkce): Váhová funkce w : [0,1] [0,1] je absolutně spojitá, nerostoucí, w(0) = 1, α [0,1] existuje derivace w (α) a w (α) L <, [ ] E w(f β (0)( e 1 ))x 1 x 1 je pozitivně definitní.
25 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V4 (jednoznačnost řešení): Existuje právě jedno řešení β (0) vektorové rovnice ] β E [w (F β ( r 1 (β) )) x 1 (e 1 x 1 β) = 0 v neznámé β.
26 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V5 (Vlastnosti hustoty reziduí): Derivace hustoty f e(r) existuje a je omezená konstantou U e.
27 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V6 (Lipschitz. derivace váhové funkce): Derivace w (α) váhové funkce w je Lipschitzovská 1. řádu s konstantou J w, tj. α, α [0,1] : w (α) w ( α) J w α α.
28 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V7 (Nezávislost): Posloupnosti {v t } t=1 a {e t} t=1 jsou nezávislé. Dále ( a R + ) ( a > 0) : kde g(z) je hustota G(z) := P [ e 2 1 < z]. inf {g(z)} > L > 0, {z (a,a+ a)}
29 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V8 (Moment): Existuje q > 1 tak, že E[ e 1 2q ] <.
30 Whitův pro heteroskedasticitě pro heteroskedasticitě Tvrzení Věta (Víšek, 2008): ( LWS odhadu) Necht jsou [ splněny předpoklady ] (V1) - (V8) a necht Q = E w(f β (0)( e 1 ))x 1 x 1. Potom Poznámka: Označme T ( β(lws) T β (0)) = = Q 1 1 T w(f T β (0)( e t ))x t e t + o p (1). W 0 := diag t=1 { ( ) ( )} w F β (0)( e 1 ),...,w F β (0)( e T ).
31 Whitův pro heteroskedasticitě pro heteroskedasticitě při V maticové podobě lze předchozí přepsat do tvaru Platí, že T ( β(lws) T β (0)) = Q 1 X W 0 e T + o p (1). β (LWS) T β (0) P Q 1 X W 0 e. T Z předpokladů (V1)(a) - nezávislost v čase a (V7) - nezávislost chyb a procesu vysvětlujících proměnných, plyne, že E [ X W 0 e ] = 0. Dále ze SZVČ plyne β (LWS) T 1 T X W 0 e P 0, nebot matice W 0 má díky (V3) omezené prvky. Protože Q je P regulární, platí β (0).
32 Whitův pro heteroskedasticitě pro heteroskedasticitě heteroskedasticitě
33 Whitův pro heteroskedasticitě pro heteroskedasticitě Uvažujme lineární regresní model y = Xβ (0) + e, kde platí e t inid, Ee t = 0, vare t = σt 2 (0,K), K <, t. Označme Σ = diag{σ1 2,...,σ2 T } a nalezneme skeletní rozklad matice Σ, tj. matici P takovou, že Pak model PP = Σ 1, resp. PΣP = I T T Py = PXβ (0) + Pe, tj. y = X β (0) + e, je model s homoskedasticitou, nebot vare = E [ Pee P ] = I.
34 Whitův pro heteroskedasticitě pro heteroskedasticitě Odhad LWS je tvaru β (LWS) T = argmin β R p+1 { T t=1 ( w F (T) β Odhad LWS ) } ( r t(β) ) rt 2 (β). V maticové podobě má teoretický odhad LWS tvar kde β (LWS) = = ( X WX ) 1 X Wy = ( 1 X P WPX) X P WPy, { ( W = diag w t=1,...,t F (T) β )} ( r t(β) ).
35 Whitův pro heteroskedasticitě pro heteroskedasticitě Odhad LWS je tvaru β (LWS) T = argmin β R p+1 { T t=1 ( w F (T) β Odhad LWS ) } ( r t(β) ) rt 2 (β). V maticové podobě má teoretický odhad LWS tvar kde β (LWS) = = ( X WX ) 1 X Wy = ( 1 X P WPX) X P WPy, { ( W = diag w t=1,...,t Problém: Zbývá vhodně odhadnout P a W. F (T) β )} ( r t(β) ).
36 Whitův pro heteroskedasticitě pro heteroskedasticitě β (LWS) T = = Ŵ T = diag t=1,...,t Finální odhad LWS ( X ) 1 Ŵ T X X Ŵ T ŷ = ( X P T ŴT P ) 1 T X X P T ŴT P T y, kde X = P T X, ŷ = P T y, dále { ( w F (T) a kde P T je odhad P. β (LWS) T Předpokládejme, (viz později...), že )} ( r t ( β (LWS) T ) ) P T P P a Ŵ T P W,
37 Whitův pro heteroskedasticitě pro heteroskedasticitě Problém: Rezidua nejsou stejně rozdělená, pro další účely zavedeme následující značení: kde F β,t (u) := 1 T T F β,t (u) t=1 ] F β,t (u) = P [ y t x t β < u.
38 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V1 (distribuce): (a) Posloupnost { (vt, e t ) } je posloupnost nezávislých t=1 p-dimenzionálních náhodných veličin rozdělených podle distribuční funkce F V,e (v,r), která je absolutně spojitá, její hustota f V,e (v,r) je omezená. (b) Pro marginální hustotu f V (v) platí M := sup{ v : f V (v) > 0} <.
39 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V2 (momenty): (a) t platí: E[e t ] = 0, E[v t ] = 0. (b) t existují druhé momenty náhodných veličin v t a e t.
40 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V3 (váhová funkce): Váhová funkce w : [0,1] [0,1] je absolutně spojitá, nerostoucí, w(0) = 1, α [0,1] existuje derivace w (α) a w (α) L <, [ E w ( F β (0),t ( e t ) ) ] x t x t je pozitivně definitní pro všechna t a dále existují konstanty 0 < δ <,0 < M < takové, že pro každé t, j, k platí [ w ( E F β,t ( e t ) ) ] x tj x tk 1+δ < M, další předpoklad typu E dále. [ w ( F β,t ( e t ) ) et 2 1+δ] < viz
41 Whitův pro heteroskedasticitě pro heteroskedasticitě Dále platí M T = 1 T T t=1 [ E w ( F β,t ( e t ) ) ] x t x t je regulární pro dostatečně velká T a detm T > δ > 0.
42 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V4 (jednoznačnost řešení): Pro každé t existuje právě jedno řešení β (0) vektorové rovnice β E [w ( F β,t ( r t (β) ) ) ] x t (e t x t β) = 0 v neznámé β.
43 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V5 (Vlastnosti hustoty reziduí): Dále f e(r) existuje a je omezená konstantou U e.
44 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V6 (Lipschitz. derivace váhové funkce): Derivace w (α) váhové funkce w je Lipschitzovská 1. řádu s konstantou J w, tj. α, α [0,1] : w (α) w ( α) J w α α.
45 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V7 (Nezávislost): Posloupnosti {v t } t=1 a {e t} t=1 jsou nezávislé. Dále platí ( a R + ) ( a > 0) : ( t) : kde g t (z) je hustota G t (z) := P [ e 2 t < z]. inf {g t(z)} > L > 0, {z (a,a+ a)}
46 Whitův pro heteroskedasticitě pro heteroskedasticitě Předpoklad V8 (Moment): Existuje q > 1 tak, že pro všechna t je E[ e t 2q ] <. Z toho vyplývá, že pro všechna t platí [ w ( E F β,t ( e t ) ) et 2 1+δ] E[ e t 2q ] <, nebot funkce w je omezená.
47 Whitův pro heteroskedasticitě pro heteroskedasticitě Tvrzení Věta: ( LWS odhadu) Necht jsou splněny předpoklady (V1) - (V8) a necht Q = T 1 ] T t=1 [w(f E β (0),t ( e t ))x t x t. Potom Důkaz: Platí T ( β(lws) T β (0)) = = Q 1 1 T w(f T β (0),t ( e t ))x t e t + o p (1). 1 T T t=1 t=1 ( ( w F (T) β (LWS) T ) ) ( r t ( β (LWS) T ) ) x t x t P Q.
48 Reference Chung K. L. (2001): A Course in Probability Theory. Academic Press (3ed), New York. Hyashi F. (2000): Econometrics. Princeton University Press, Princeton. Víšek J. Á. (2008): Asymptotic Representation of Least Weighted Squares. Preprint. Víšek J. Á. (2008): Empirical Distribution Function Under Heteroskedasticity. Statistics (submitted).
49 Reference White H. (1980): A Heteroskedasticity-consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity. Econometrica, Vol. 48, No. 4, pp
50 KONEC. (připomínky, otázky...?)
Komplexní 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoObsah. Limita posloupnosti a funkce. Petr Hasil. Limita posloupnosti. Pro a R definujeme: Je-li a < 0, pak a =, a ( ) =. vlastní body.
Obsah a funkce Petr Hasil Přednáška z Matematické analýzy I Úvod 2 c Petr Hasil (MUNI) a funkce Matematická analýza / 90 c Petr Hasil (MUNI) a funkce Matematická analýza 2 / 90 Úvod Úvod Pro a R definujeme:
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 szczegółowoFunkce 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 szczegółowoGEM a soustavy lineárních rovnic, část 2
GEM a soustavy lineárních rovnic, část Odpřednesenou látku naleznete v kapitole 6 skript Abstraktní a konkrétní lineární algebra. Jiří Velebil: B6B0LAG 8.3.09: GEM a soustavy, část / Minulá přednáška Gaussova
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 szczegółowoPetr Hasil. c Petr Hasil (MUNI) Nekonečné řady MA III (M3100) 1 / 187
Nekonečné řady Petr Hasil Přednáška z Matematické analýzy III c Petr Hasil (MUNI) Nekonečné řady MA III (M3100) 1 / 187 Obsah 1 Nekonečné číselné řady Základní pojmy Řady s nezápornými členy Řady s libovolnými
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 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 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 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 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 szczegółowoMatematika pro ekonomiku
Statistika, regresní analýza, náhodné procesy 7.10.2011 1 I. STATISTIKA Úlohy statistiky 2 1 Sestavit model 2 Odhadnout parametr(y) 1 Bodově 2 Intervalově 3 Testovat hypotézy Častá rozdělení ve statistice:
Bardziej szczegółowoKomplexní analýza. Martin Bohata. Katedra matematiky FEL ČVUT v Praze Martin Bohata Komplexní analýza Úvod 1 / 32
Komplexní analýza Úvod Martin Bohata Katedra matematiky FEL ČVUT v Praze bohata@math.feld.cvut.cz Martin Bohata Komplexní analýza Úvod 1 / 32 Základní informace Stránky předmětu: http://math.feld.cvut.cz/bohata/kan.html
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 szczegółowoMatematická analýza 2. Kubr Milan
Matematická analýza. Kubr Milan. února 008 Obsah Vektorové funkce jedné reálné proměnné. 3. Základní pojmy...................................... 3. Křivky v R n........................................
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 szczegółowoKapitola 2. Nelineární rovnice
Kapitola. Nelineární rovnice Formulace: Je dána funkce f : R! R definovaná na intervalu ha; bi. Hledáme x ha; bi tak, aby f(x) = 0. (x... kořen rovnice) Poznámka: Najít přesné řešení analyticky je možné
Bardziej szczegółowoPROGRAMECH JOSEF TVRDÍK ČÍSLO OBLASTI PODPORY: STUDIJNÍCH PROGRAMECH OSTRAVSKÉ UNIVERZITY REGISTRAČNÍ ČÍSLO PROJEKTU: CZ.1.07/2.2.00/28.
ANALÝZA VÍCEROZMĚRNÝCH DAT URČENO PRO VZDĚLÁVÁNÍ V AKREDITOVANÝCH STUDIJNÍCH PROGRAMECH JOSEF TVRDÍK ČÍSLO OPERAČNÍHO PROGRAMU: CZ.1.07 NÁZEV OPERAČNÍHO PROGRAMU: VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST OPATŘENÍ:
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 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 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 szczegółowoFunkce více proměnných: limita, spojitost, parciální a směrové derivace, diferenciál
Matematika III 2. přednáška Funkce více proměnných: limita, spojitost, parciální a směrové derivace, diferenciál Michal Bulant Masarykova univerzita Fakulta informatiky 29. 9. 2010 Obsah přednášky 1 Literatura
Bardziej szczegółowopodle přednášky doc. Eduarda Fuchse 16. prosince 2010
Jak souvisí plochá dráha a konečná geometrie? L ubomíra Balková podle přednášky doc. Eduarda Fuchse Trendy současné matematiky 16. prosince 2010 (FJFI ČVUT v Praze) Konečná geometrie 16. prosince 2010
Bardziej szczegółowoKarel Vostruha. evolučních rovnic hyperbolického typu
Univerzita Karlova v Praze Matematicko-fyzikální fakulta Diplomová práce Karel Vostruha Asymptotické chování nelineárních evolučních rovnic hyperbolického typu Katedra matematické analýzy Vedoucí diplomové
Bardziej szczegółowoFunkce více proměnných: limita, spojitost, derivace
Matematika III 2. přednáška Funkce více proměnných: limita, spojitost, derivace Michal Bulant Masarykova univerzita Fakulta informatiky 22. 9. 2014 Obsah přednášky 1 Literatura 2 Zobrazení a funkce více
Bardziej szczegółowoMATEMATIKA 1 ALEŠ NEKVINDA. + + pokud x < 0; x. Supremum a infimum množiny.
MATEMATIKA ALEŠ NEKVINDA DIFERENCIÁLNÍ POČET Přednáška Označíme jako na střední škole N, Z, Q, R a C postupně množinu přirozených, celých, racionálních, reálných a komplexních čísel R = R { } { } Platí:
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 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 szczegółowoDiferenciální rovnice základní pojmy. Rovnice se
Diferenciální rovnice základní pojmy. Rovnice se separovanými proměnnými. Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské
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 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 szczegółowoLogika V. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı BI-MLO, ZS 2011/12
Logika V. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı České vysoké učení technické v Praze c Kateřina Trlifajová, 2010 BI-MLO, ZS 2011/12 Evropský sociální
Bardziej szczegółowoLucie Mazurová. AS a
Dynamické modelování úmrtnosti Lucie Mazurová AS 13.10. a 27.10.2017 Riziko úmrtnosti a) volatilita - odchylky od očekáváných hodnot způsobené náhodným charakterem délky života b) katastrofické riziko
Bardziej szczegółowoLucie Mazurová AS
Dynamické modelování úmrtnosti Lucie Mazurová AS 18.3.2016 Riziko úmrtnosti a) volatilita - odchylky od očekáváných hodnot způsobené náhodným charakterem délky života, b) katastrofické riziko - krátkodobé
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 szczegółowoPojem množiny nedefinujeme, pouze připomínáme, že množina je. Nejprve shrneme pojmy a fakta, které znáte ze střední školy.
1 Kapitola 1 Množiny 1.1 Základní množinové pojmy Pojem množiny nedefinujeme, pouze připomínáme, že množina je souhrn, nebo soubor navzájem rozlišitelných objektů, kterým říkáme prvky. Pro známé množiny
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 szczegółowoObsah. 1.2 Integrály typu ( ) R x, s αx+β
Sbírka úloh z matematické analýzy. Čížek Jiří Kubr Milan. prosince 006 Obsah Neurčitý integrál.. Základní integrály...................................... Integrály typu ) R, s α+β γ+δ d...........................
Bardziej szczegółowo1 Definice. A B A B vlastní podmnožina. 4. Relace R mezi množinami A a B libovolná R A B. Je-li A = B relace na A
1 Definice 1. Množiny: podmnožina: A B x(x A x B) průnik: A B = {x A x B} sjednocení: A B = {x x A x B} rozdíl: A B = {x A x B} A B A B vlastní podmnožina 2. uspořádaná dvojice: (x, y) = {{x}, {x, y}}
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 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 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 szczegółowoNekomutativní Gröbnerovy báze
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Bc. Zuzana Požárková Nekomutativní Gröbnerovy báze Katedra algebry Vedoucí diplomové práce: RNDr. Jan Št ovíček, Ph.D. Studijní
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 szczegółowo(A B) ij = k. (A) ik (B) jk.
Příklady z lineární algebry Michael Krbek 1 Opakování 1.1 Matice, determinanty 1. Je dána matice 1 2 0 M = 3 0 1. 1 0 1 Určete M 2, MM T, M T M a vyjádřete M jako součet symetrické a antisymetrické matice!
Bardziej szczegółowoLineární algebra II, přednáška Mgr. Milana Hladíka, Ph.D.
Lineární algebra II, přednáška Mgr. Milana Hladíka, Ph.D. Poznámky sepsal Robert Husák Letní semestr 29/21 Obsah 1 Permutace 1 2 Determinant 3 3 Polynomy 7 4 Vlastní čísla 9 5 Positivně definitní matice
Bardziej szczegółowoMetody, s nimiž se seznámíme v této kapitole, lze použít pro libovolnou
2. Řešení nelineárních rovnic Průvodce studiem Budeme se zabývat výpočtem reálných kořenů nelineární rovnice f(x) =0, (2.0.1) kde f je v jistém smyslu rozumná reálná funkce. Pro některé funkce (kvadratické,
Bardziej szczegółowoVybrané partie z kvantitativního řízení rizik - kreditní riziko
Vybrané partie z kvantitativního řízení rizik - kreditní riziko 1 Úvod Kreditní riziko je riziko vyplývající z neschopnosti nebo neochoty protistrany splatit své závazky. Basilejský rámec pro kapitálovou
Bardziej szczegółowoÚstav teorie informace a automatizace RESEARCH REPORT. Pavel Boček, Karel Vrbenský: Implementace algoritmu MIDIA v prostředí Google Spreadsheets
Akademie věd České republiky Ústav teorie informace a automatizace Academy of Sciences of the Czech Republic Institute of Information Theory and Automation RESEARCH REPORT Pavel Boček, Karel Vrbenský:
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 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 szczegółowoZápadočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky bakalářská práce vícebodové okrajové úlohy Plzeň, 18 Hana Levá Prohlášení Prohlašuji, že jsem tuto bakalářskou práci vypracovala
Bardziej szczegółowoDefinice Řekneme, že PDA M = (Q,Σ,Γ,δ,q 0,Z 0,F) je. 1. pro všechna q Q a Z Γ platí: kdykoliv δ(q,ε,z), pak δ(q,a,z) = pro všechna a Σ;
Deterministické zásobníkové automaty Definice 3.72. Řekneme, že PDA M = (Q,Σ,Γ,δ,q 0,Z 0,F) je deterministický (DPDA), jestliže jsou splněny tyto podmínky: 1. pro všechna q Q a Z Γ platí: kdykoliv δ(q,ε,z),
Bardziej szczegółowoOkrajový problém podmínky nejsou zadány v jednom bodu nejčastěji jsou podmínky zadány ve 2 bodech na okrajích, ale mohou být
Obyčejné diferenciální rovnice 1 Úvod Obyčejnou diferenciální rovnici N-tého řádu f ( x,y,y,y,...,y (N)) = g(x) převádíme na soustavu N diferenciálních rovnic 1. řádu. Provedeme substituce y z 1 y z 2...
Bardziej szczegółowoMatematika III Stechiometrie stručný
Matematika III Stechiometrie stručný matematický úvod Miroslava Dubcová, Drahoslava Janovská, Daniel Turzík Ústav matematiky Přednášky LS 2015-2016 Obsah 1 Zápis chemické reakce 2 umožňuje jednotný přístup
Bardziej szczegółowoMatematické modelování elmg. polí 2. kap.: Magnetostatika
Matematické modelování elmg. polí 2. kap.: Magnetostatika Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/ Text byl
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 szczegółowoPetr Beremlijski, Marie Sadowská
Počítačová cvičení Petr Beremlijski, Marie Sadowská Katedra aplikované matematiky Fakulta elektrotechniky a informatiky VŠB - Technická univerzita Ostrava Cvičení : Matlab nástroj pro matematické modelování
Bardziej szczegółowoCauchyova úloha pro obyčejnou diferenciální rovnici
Řešení ODR v MATLABu Přednáška 3 15. října 2018 Cauchyova úloha pro obyčejnou diferenciální rovnici y = f (x, y), y(x 0 ) = y 0 Víme, že v intervalu a, b existuje jediné řešení. (f (x, y) a f y jsou spojité
Bardziej szczegółowoMatematika prˇedna sˇka Lenka Prˇibylova 7. u nora 2007 c Lenka Prˇibylova, 200 7
Matematika přednáška Lenka Přibylová 7. února 2007 Obsah Základy matematické logiky 9 Základní množinové pojmy 13 Množina reálných čísel a její podmnožiny 16 Funkce 18 Složená funkce 20 Vlastnosti funkcí
Bardziej szczegółowoŠkola matematického modelování 2017
Počítačová cvičení Škola matematického modelování 2017 Petr Beremlijski, Rajko Ćosić, Marie Sadowská Počítačová cvičení Škola matematického modelování Petr Beremlijski, Rajko Ćosić, Marie Sadowská Katedra
Bardziej szczegółowoUniverzita Karlova v Praze Matematicko-fyzikální fakulta
Univerzita arlova v Praze Matematicko-fyzikální fakulta BAALÁŘSÁ PRÁCE Matěj Novotný Operátory skládání na prostorech funkcí atedra matematické analýzy Vedoucí bakalářské práce: doc. RNDr. Jiří Spurný
Bardziej szczegółowoAlgebra I Cvičení. Podstatná část příkladů je převzata od kolegů, jmenovitě Prof. Kučery, Doc. Poláka a Doc. Kunce, se
Algebra I Cvičení Podstatná část příkladů je převzata od kolegů, jmenovitě Prof. Kučery, Doc. Poláka a Doc. Kunce, se kterými jsem při přípravě cvičení spolupracoval. Sbírka vznikla modifikací některých
Bardziej szczegółowoOdpřednesenou látku naleznete v kapitolách skript Abstraktní a konkrétní lineární algebra.
Lineární prostor Lineární kombinace Lineární prostory nad R Odpřednesenou látku naleznete v kapitolách 1.1 1.4 skript Abstraktní a konkrétní lineární algebra. Jiří Velebil: Lineární algebra 01A-2018: Lineární
Bardziej szczegółowoalgebrou úzce souvisí V druhém tematickém celku se předpokládá základní znalosti z matematické analýzy
1 Úvodem Prezentace předmětu VMP je vytvořena pro nový předmět, který si klade za cíl seznámit studenty se základy lineární algebry a se základy numerické matematiky. Zejména v prvním tématu budeme pracovat
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 szczegółowoKvalitativní analýza nelineárních rovnic typu reakce-difuze
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky Diplomová práce Kvalitativní analýza nelineárních rovnic typu reakce-difuze Plzeň, 2018 Bc. Martin Kaisler cistylist listzadani1
Bardziej szczegółowoUniverzita Karlova v Praze Matematicko-fyzikální fakulta
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Lukáš Perůtka Hledání optimálních strategií číselného síta Katedra algebry Vedoucí diplomové práce: Prof. RNDr. Aleš Drápal, CSc.,
Bardziej szczegółowoTGH01 - Algoritmizace
TGH01 - Algoritmizace Jan Březina Technical University of Liberec 31. března 2015 Metainformace materiály: jan.brezina.matfyz.cz/vyuka/tgh (./materialy/crls8.pdf - Introduction to algorithms) SPOX: tgh.spox.spoj.pl
Bardziej szczegółowo02GR - Odmaturuj z Grup a Reprezentací
02GR - Odmaturuj z Grup a Reprezentací podle přednášky doc. Ing. Goce Chadzitaskose, CSc 27. června 2019 Obsah 1 Grupy 4 1.1 Algebraický koncept................................ 4 1.2 Vlastnosti grup...................................
Bardziej szczegółowoTeorie. kuncova/ Definice 1. Necht f je reálná funkce a a R. Jestliže existuje.
8. cvičení http://www.karlin.mff.cuni.cz/ kuncova/ kytaristka@gmail.com Teorie Definice. Necht f je reálná funkce a a R. Jestliže eistuje h 0 fa + h) fa), h pak tuto itu nazýváme derivací funkce f v bodě
Bardziej szczegółowoTGH01 - Algoritmizace
TGH01 - Algoritmizace Jan Březina Technical University of Liberec 28. února 2017 Co je to algoritmus? Porovnávání algoritmů Porovnávání algoritmů Co je to algoritmus? Který algoritmus je lepší? Záleží
Bardziej szczegółowoMatematicko-fyzikální fakulta Univerzity Karlovy v Praze
Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Stručné poznámky z MA4 LS 2011/2012 Proseminář z matematické analýzy Zapisovatelé: Zúčastnění posluchači Přednášející: Mgr. Robert Šámal, Ph.D.
Bardziej szczegółowoÚVOD DO ARITMETIKY Michal Botur
ÚVOD DO ARITMETIKY Michal Botur 2011 2 Obsah 1 Algebraické základy 3 1.1 Binární relace.................................. 3 1.2 Zobrazení a operace............................... 7 1.3 Algebry s jednou
Bardziej szczegółowo7. Aplikace derivace
7. Aplikace derivace 7A. Taylorův polynom 7. Aplikace derivace Verze 20. července 207 Derivace funkce se využívá při řešení úloh technické prae i teorie. Uvedeme několik z nich: vyčíslení hodnot funkce,
Bardziej szczegółowoSlabá formulace rovnic proudění tekutin
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁC Mark Dostalík Slabá formulace rovnic proudění tekutin Matematický ústav UK Vedoucí bakalářské práce: Studijní program: Studijní
Bardziej szczegółowoTeorie plasticity. Varianty teorie plasticity. Pružnoplastická matice tuhosti materiálu
Teorie plasticity Varianty teorie plasticity Teorie plastického tečení Přehled základních vztahů Pružnoplastická matice tuhosti materiálu 1 Pružnoplastické chování materiálu (1) Pracovní diagram pro případ
Bardziej szczegółowoBiosignál I. Lékařská fakulta Masarykovy univerzity Brno
Biofyzikální ústav Lékařská fakulta Masarykovy univerzity Brno 2010 Biosignál O co jde? Signál signál je fyzikální děj nesoucí informaci o systému užitečnou informaci Biosignál signál nese informaci o
Bardziej szczegółowoNumerické metody KI/NME. Doc. RNDr. Jiří Felcman, CSc. RNDr. Petr Kubera, Ph.D.
Numerické metody KI/NME Doc. RNDr. Jiří Felcman, CSc. RNDr. Petr Kubera, Ph.D. RNDr. Jiří Škvor, Ph.D. Ústí nad Labem 2016 Kurz: Obor: Klíčová slova: Anotace: Numerické metody Informační systémy, Informatika
Bardziej szczegółowoKatedra fyziky. Dvourozměrné sigma modely. Two-Dimensional Sigma Models
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta jaderná a fyzikálně inženýrská Katedra fyziky Obor: Matematické inženýrství Zaměření: Matematická fyzika Dvourozměrné sigma modely Two-Dimensional Sigma Models
Bardziej szczegółowofakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu (reg. č. CZ.1.07/2.2.00/28.
Extrémy Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného
Bardziej szczegółowoKomplexní analýza. Příklad Body. Nepište obyčejnou tužkou ani červeně, jinak písemka nebude přijata. Soupis vybraných vzorců. 4a.
Komplexí aalýa Písemá část koušky (XX.XX.XXXX) Jméo a příjmeí:... Podpis:... Příklad.. 3.. 5. Body Před ahájeím práce Vyplňte čitelě rubriku Jméo a příjmeí a podepište se. Během písemé koušky smíte mít
Bardziej szczegółowoStatistika (KMI/PSTAT)
Cvičení sedmé (a asi i osmé a doufám, že ne deváté) aneb Náhodná veličina, rozdělení pravděpodobnosti náhodné veličiny Náhodná veličina Náhodná veličina Studenti skládají písemku sestávající ze tří úloh.
Bardziej szczegółowoHOMOGENIZACE ÚLOH NEURČITOSTMI V KOEFICIENTECH
Vysoké učení technické v Brně Fakulta strojního inženýrství Ústav matematiky Ing. Luděk Nechvátal S HOMOGENIZACE ÚLOH NEURČITOSTMI V KOEFICIENTECH Homogenization of Problems with Uncertainties in Coefficients
Bardziej szczegółowo