Dylatacje a miara Gaussa
|
|
- Krystyna Dorota Nowicka
- 6 lat temu
- Przeglądów:
Transkrypt
1 Dylatacje a miara Gaussa Tomasz Tkocz r. Streszczenie Tekst zawiera notatki do referatu z seminarium magisterskiego Rachunek prawdopodobieństwa. Celem jest przedstawienie tematu, którego dotyczy praca magisterska autora [Tko]. Rozważa się dylatacje zbiorów symetryczynych i wypukłych i to jak szybko rośnie ich miara Gaussa. Głównym zadaniem było przeniesienie wyników z pracy [LatOle] na przypadek zespolony.. Ustalmy na samym początku terminologię. Dylatacją o skali t > 0 nazywamy przekształcenie R n x tx R n (jednokładność o środku w 0 i skali t). Weźmy borelowski zbiór R n. Jak zmienia się miara t Lebesgue a jego dylatacji? To bardzo łatwe Rysunek : Dylatacja o skali t t = t n. jak zmienia się miara Gaussa 2 γ n Innymi słowy, co można powiedzieć o funkcji f (t) = γ n (t), t > 0? Hipoteza (Shepp 3, 969). Niech R n będzie wypukły i symetryczny ( = ), zaś P = {x R n x p} niech będzie pasem o szerokości 2p tak dobranej, aby γ n () = γ n (P ). Wtedy (S) f (t) f P (t), dla t, f P (t), dla 0 t. wszystkie niestandardowe oznaczenia użyte w tekscie starano się wyjaśniać w stosownych miejscach w przypisach 2 Chodzi nam o standardową miarę Gaussa, czyli o miarę z gęstością n 2π e x 2 /2. 3 Lawrance (a.k.a. Larry) Shepp amerykański statystyk i probabilista. Doktorat zrobił u Fellera w Princeton. Znany nam (studentom MIM UW, czyli czytelnikom podręcznika Jakubowskiego i Sztencla) z Zadania z : Udowodnić, że jeśli X, Y to niezależne zmienne losowe o tym samym rozkładzie i o średniej zero, to E X + Y E X Y
2 P Rysunek 2: Oszacowanie (S) na rysunku optymalne są pasy 2. Historia tego problemu jest dosyć długa, bo został rozwiązany dopiero w 999 roku, ale po kolei. 969 Shepp, postawienie problemu w nieopublikowanym manuskrypcie 974 Sudakov, Zalgaller, [SudZal], rozwiązanie dla n = 3 i nie tylko dla γ 3, ale dla dowolnej miary log-wklęsłej 99 Szarek, [Sza], postawienie problemu w publikacji i odtąd problem znany jako S-conjecture 993 Kwapień, Sawa, [KwaSaw], rozwiązanie dla zbiorów symetrycznych, ale względem każdej osi 999 Latała, Oleszkiewicz, [LatOle], rozwiązanie problemu 3. Niby sprawa S-conjecture jest tym samym zamknięta, ale można tę listę wydłużyć stawiając nowe pytania. Na przykład, jakie zbiory są optymalne w klasie zbiorów symetrycznych (rezygnujemy z wypukłości)? jakie w klasie zbiorów wypukłych? Można też zrobić wycieczkę w świat zespolony i właśnie tego dotyczyła praca magisterska piszącego te słowa. Hipoteza 2. Niech ν n to standardowa miara Gaussa na C n Niech C n będzie izomorfizm j R2n (tzn. ν n () = γ 2n (j())). wypukły (w zwykłym rzeczywistym sensie, że dla każdego t [0, ] jest 4 t + ( t) ), rotacyjnie symetryczny, tzn. dla każdego λ C o module jest λ =. Niech P = {z C n z p} będzie cylindrem o promieniu p takim, że ν n () = ν n (P ). Wtedy (T) ν n (t) ν n (tp ), dla t, ν n (tp ), dla 0 t. To co udało się zrobić do tej pory, to następujące twierdzenia (patrz [Tko]) Twierdzenie. Istnieje stała c > 0, 64, że nierówności (T) zachodzą dla wszystkich t takich, że ν n (t) c. W szczególności ν n () c = ν n (t) ν n (tp ), 0 t. 4 Posługiwać się będziemy często notacją λ = {λa a } oraz + B = {a + b a, b B} 2
3 Twierdzenie 2. Istnieje stała K, że dla zbiorów, P jak w Hipotezie 2 zachodzi ν n (( + K(t ))) ν n (tp ), t. Uwaga. Udowodniono to twierdzenie ze stałą K = 3. Stała K = rozwiązywała by hipotezę. 4. Przejdziemy teraz do omówienia techniki z pracy [LatOle] pozwalającej uzyskać powyższe rezultaty. Jest to, jak mam nadzieje zobaczymy, ładny kawałek matematyki i można się wiele nauczyć. Skupimy się dla prostoty jednak na przypadku rzeczywistym. Idea jest prosta: sprowadzić problem z R n do R 2, gdzie będzie już można coś policzyć. Fakt (Kwapień, Sawa). Dla każdych zbiorów i P jak w Hipotezie zachodzi (S) wtedy i tylko wtedy, gdy zachodzi dla nich nierówność f () f P (). Dowód. = To jest bardzo łatwe, bo wobec wyboru pasa P jest f () = f P (), więc z nierówności (S) f () f ( + h) f () f P ( + h) f P () f P (). h h = Określamy funkcję h: (0, + ) (0, + ) poprzez warunek f (t) = f P (h(t)). Naszym celem jest wykazać, że dla t jest h(t) t, a dla t h(t) t. Zauważmy, że f (t) = f P (h(t)) jest równoważne równości f t () = f h(t)p (), a ona, zakładamy, że implikuje nierówność na pochodnych f t() f h(t)p (). le f t () = d ds f t (s) = d ds f (ts) = tf (t) i tak samo f h(t)p () = h(t)f P (h(t)). Różniczkując s= s= zaś f t () = f h(t)p () dostajemy, że f (t) = h (t)f P (h(t)) i zbierając to razem do kupki widzimy, że ( ) h(t) th (t) h(t) 0. t Oznacza to, że funkcja h(t) t jest rosnąca, a to kończy dowód. Uwaga 2. Dla ustalonego zbioru policzmy pochodną funkcji f w t = f () = d dt n e x 2 /2 d dx = t= t 2π x=ty dt n t n e t2 y 2 /2 dy t= 2π ( = n nt n t n+ y 2) e t2 y 2 /2 dy = nγ n () y 2 dγ n (y). 2π t= Zatem f () f P () P y 2 dγ n (y) y 2 dγ n (y). Wniosek (Kule są optymalne dla oszacowania z góry). Niech R n będzie wypukły i symetryczny, zaś B = {x R n x R} niech będzie kulą o promieniu R tak dobranym, aby γ n () = γ n (B). Wtedy f (t) f B (t), dla t, f B (t), dla 0 t. 3
4 Dowód. Wobec Uwagi 2 i Faktu wystarczy strawdzić, że drugi moment na jest co najmniej taki jak na B. le ten moment łatwo policzyć całkując przez części y 2 dγ n (y) = R 2t {t y } (y)dtdy = 2tγ n ( { y t})dt n 0 Fubini 0 2tγ n (B { y t}) = y 2 dγ n (y), 0 gdzie skorzystaliśmy z punktowej nierówności γ n ( { y t}) γ n (B { y t}). Jest ona ona jasna dla t tak dużych, że γ n (B { y t}) = 0. Dla t takich, że γ n (B { y t}) > 0 szacujemy tak γ n ( { y t}) = γ n ( \ { y < t}) γ n () γ n ({ y < t}) = γ n (B) γ n ({ y < t}) = γ n (B \ { y < t}) = γ n (B { y t}). B To było zupełnie tehniczne. Przed kolejnym krokiem przyda się pojęcie miary brzegu. Jeśli µ jest miarą borelowską na R n, to określamy µ + µ( ɛ ) µ() () = lim ɛ 0+, ɛ gdzie ɛ = {x R n dist(x, ) ɛ} jest ɛ-otoczką zbioru ( ɛ = + B(0, ɛ)). Fakt 2 (wypukłość). Niech w = sup{r 0 B(0, r) } będzie promieniem zbioru. Wtedy f () wγ + n (). w Rysunek 3: Promień zbioru Dowód. Bez utraty ogólności można zakładać, że 0 < w <, bo jeśli jest zawarty w pewnej n wymiarowej podprzestrzeni, to jest miary 0 i wszystko jasne. W przeciwnym przypadku, zawiera nietrywialną kulę (z wypukłości i symetrii), więc w > 0, zaś gdyby w =, to = R n i też łatwo. Mamy B(0, w), więc z wypukłości, dla x, zachodzi tx + ( t)b(0, w), więc ( ( ) ) x + B 0, t w t, więc przyjmując oznaczenie /t = + h, z dowolności x, mamy + B(0, hw) ( + h). 4
5 Stąd szacujemy tak f () f ( + h) f (h) = lim h 0+ h w lim h 0+ γ n ( + B(0, hw)) γ n () hw γ n (( + h)) γ n () = w lim h 0+ h = wγ + n (). Uwaga 3. Dla pasa P mamy w powyższym fakcie równość f P () = pγ + n (P ). Przypomnijmy, że na mocy Faktu naszym celem jest udowodnić, że f () f P (). Wystarczy zatem udowodnić coś a la izoperymetria wγ + n () pγ + n (P ). Fakt 3 (redukcja wymiaru). Dokonajmy symetryzacji Ehrharda naszego zbioru R n symetryzacja Ehrharda e = {(x, y) R 2 t t(x)}, gdzie t(x) jest zdefiniowane tak, aby miara γ n cięcia x = {y R n (x, y) } była równa jednowymiarowej mierze Gaussa półprostej (, t(x)). Symetryzacja Ehrharda ma następujące własności (i) zachowuje miarę γ n () = γ 2 ( e ) (ii) nie powiększa brzegu, tzn. γ + n () γ + 2 (e ) (iii) zachowuje pasy, tzn. P e też jest pasem o tej samej szerokości co pas P Rysunek 4: Symetryzacja Ehrharda zbioru 5
6 Dowód. (i), (iii) Oczywiste. (ii) Wobec (i) wystarczy udowodnić, że γ n (+B(0, ɛ)) γ 2 ( e +B(0, ɛ)), bo wtedy już będziemy mieć, że γ + n () γ n( + B(0, ɛ)) γ n () ɛ γ 2( e + B(0, ɛ)) γ 2 ( e ) ɛ γ + 2 (e ). Nierówność γ n ( + B(0, ɛ)) γ 2 ( e + B(0, ɛ)) jest z kolei implikowana przez twierdzenie Fubiniego, gdy dla każdego x ( w, w) będzie γ n (( + B(0, ɛ)) x ) γ (( e + B(0, ɛ)) x ). Udowodnimy teraz tę nierówność. Ustalmy t ( e + B(0, ɛ)) x, tzn. (x, t) e + B(0, ɛ), tzn. istnieją x i t, że (x, t ) e i x x 2 + t t 2 ɛ 2. Wobec }{{}}{{} ɛ x ɛ y jest ( + B(0, ɛ)) x x + B(0, ɛ y ), γ n (( + B(0, ɛ)) x ) γ n ( x + B(0, ɛ y )) γ n (H + B(0, ɛ y )), izoperymetria gdzie H to półprzestrzeń tej samej miary γ n co x 5. Używając gaussowskiej dystrybuanty Φ 6 możemy łatwo liczyć miarę półprzestrzeni (jeśli H = (, x) R n, to γ n (H) = Φ(x)) i zapisać, że Zatem Φ γ n (( + B(0, ɛ)) x ) Φ γ n (H + B(0, ɛ y )) = Φ γ n (H) + ɛ y = Φ γ n ( x ) + ɛ y t + ɛ y t. γ n (( + B(0, ɛ)) x ) Φ(t) = γ ((, t)) i biorąc supremum po t ( e ) x mamy to o co chodziło. Zbierając Fakty - 3, wystarczy wykazać, że wγ + 2 (e ) pγ + 2 (P e ). Jesteśmy już w R 2, ale gdzie jest to co tygryski lubią najbardziej, czyli rachunki? Trzeba jeszcze na koniec zauważyć, że zbiór e ma bardzo przyjemną strukturę. Otóż jest to podwykres funkcji [ w, w] x f Φ γ n ( x ) Z naszych założeń o zbiorze wynika, że nie może ona być byle jaka. Fakt 4. Z wypukłości i symetrii zbioru wynika, że funkcja f jest wklęsła i parzysta. Dowód. Parzystość jest jasna, bo z symetrii zbioru mamy, że x = x. Wypukłośc zbioru daje, że dla dowolnych λ [0, ] i x, y λx+( λ)y λ x + ( λ) y, 5 Dla R n i półprzestrzeni H o tej samej mierze γ n co gaussowska nierówność izoperymetryczna głosi, że γ n( + B(0, ɛ)) γ n(h + B(0, ɛ)) 6 Φ(x) = γ ((, x)) = x 2π e s2 /2 ds 6
7 skąd wobec nierówności Ehrharda 7 otrzymujemy wklęsłość funkcji f f (λx + ( λ)y) = Φ γ n ( λx+( λ)y ) Φ γ n (λ x + ( λ) y ) Ehrhard λφ γ n ( x ) + ( λ)φ γ n ( y ) = λf(x) + ( λ)f(y). Dzięki odpowiedniej aproksymacji można nawet zakładać, że f jest gładka i w ±w ucieka do. Mamy więc izoperymetryczny problem w R 2 γ 2 () = γ 2 (P ) = wγ 2 + () pγ+ 2 (P ). Wszystkie wielkości tutaj występujące wyrażają się za pomocą funkcji f (przez jakieś okropne całki), więc reszta to mięcho, czyli rachunki. Patrz [LatOle], [Tko]. Rysunek 5: Problem izoperymetryczny w R 2 dla szczególnego rodzaju zbiorów Literatura [Ehr]. Ehrhard, Symetrisation dans l espace de Gauss, Math. Scand., 53 (983), [KwaSaw] S. Kwapień and J. Sawa, On some conjecture concerning Gaussian measures of dilatations of convex symmetric sets, Studia Math., 05 (993), [LatOle] R. Latała and K. Oleszkiewicz, Gaussian measures of dilatations of convex symmetric sets, The nnals of Probability, 27 (999), [SudZal] V. N. Sudakov and V.. Zalgaller, Some problems on centrally symmetric convex bodies, Problems in global geometry. Zap. Naucn. Sem. Leningrad. Otdel. Mat. Inst. Steklov. (LOMI) 45 (974), (in Russian) [Sza] S. Szarek, Condition numbers of random matrices, J. Complexity 7 (99), 3 49 [Tko] T. Tkocz, Gaussian measures of dilations of convex rotationally symmetric sets in C n, arxiv: v [math.pr] (200) 7 [Ehr], dla zbiorów wypukłych i domkniętych, B R n zachodzi Φ γ n(λ + ( λ)b) λφ γ n() + ( λ)φ γ n(b) 7
Izoperymetria gaussowska
Politechnika Wrocławska 6 lipca 2010 Klasyczny problem izoperymetryczny Spośród wszystkich ograniczonych płaskich figur o zadanym obwodzie znaleźć tę, która ma największe pole. Klasyczny problem izoperymetryczny
Miara Gaussowska jednokładnych obrazów zbiorów wypukłych rotacyjnie niezmiennych w C n
Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki Tomasz Tkocz Nr albumu: 249057 Miara Gaussowska jednokładnych obrazów zbiorów wypukłych rotacyjnie niezmiennych w C n Praca magisterska
Informacja 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
Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014
Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014 Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe
Wykłady... b i a i. i=1. m(d k ) inf
Wykłady... CŁKOWNIE FUNKCJI WIELU ZMIENNYCH Zaczniemy od konstrukcji całki na przedziale domkniętym. Konstrukcja ta jest, w gruncie rzeczy, powtórzeniem definicji całki na odcinku domkniętym w R 1. Przedziałem
7 Twierdzenie Fubiniego
M. Beśka, Wstęp do teorii miary, wykład 7 19 7 Twierdzenie Fubiniego 7.1 Miary produktowe Niech i będą niepustymi zbiorami. Przez oznaczmy produkt kartezjański i tj. zbiór = { (x, y : x y }. Niech E oraz
Programowanie liniowe
Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.
13 Równanie struny drgającej. Równanie przewodnictwa ciepła.
Równanie struny drgającej. Równanie przewodnictwa ciepła 13 1 13 Równanie struny drgającej. Równanie przewodnictwa ciepła. 13.1 Równanie struny drgającej Równanie różniczkowe liniowe drugiego rzędu typu
Rozkład figury symetrycznej na dwie przystające
Rozkład figury symetrycznej na dwie przystające Tomasz Tkocz 10 X 2010 Streszczenie Tekst zawiera notatki do referatu z seminarium monograficznego Wybrane zagadnienia geometrii. Całość jest oparta na artykule
Rozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
2. 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.
Detekcja 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
Zagadnienia 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
Wykład 2 Zmienne losowe i ich rozkłady
Wykład 2 Zmienne losowe i ich rozkłady Magdalena Frąszczak Wrocław, 11.10.2017r Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe Doświadczenie
G. 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
Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS
Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS przykładowe zadania na. kolokwium czerwca 6r. Poniżej podany jest przykładowy zestaw zadań. Podczas kolokwium na ich rozwiązanie przeznaczone będzie ok. 85
Funkcje dwóch zmiennych
Funkcje dwóch zmiennych Andrzej Musielak Str Funkcje dwóch zmiennych Wstęp Funkcja rzeczywista dwóch zmiennych to funkcja, której argumentem jest para liczb rzeczywistych, a wartością liczba rzeczywista.
Zadania 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 ;
Prawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Lista 6. Kamil Matuszewski 13 kwietnia D n =
Lista 6 Kamil Matuszewski 3 kwietnia 6 3 4 5 6 7 8 9 Zadanie Mamy Pokaż, że det(d n ) = n.... D n =.... Dowód. Okej. Dla n =, n = trywialne. Załóżmy, że dla n jest ok, sprawdzę dla n. Aby to zrobić skorzystam
Teoria miary. WPPT/Matematyka, rok II. Wykład 5
Teoria miary WPPT/Matematyka, rok II Wykład 5 Funkcje mierzalne Niech (X, F) będzie przestrzenią mierzalną i niech f : X R. Twierdzenie 1. NWSR 1. {x X : f(x) > a} F dla każdego a R 2. {x X : f(x) a} F
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Weryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład (wstępny). Producent twierdzi, że wadliwość produkcji wynosi 5%. My podejrzewamy, że rzeczywista wadliwość produkcji wynosi 15%. Pobieramy próbę stuelementową
Twierdzenie Stolza i metryki Javier de Lucas. a n = (2n + 1) 1 4 n 5 4
Twierdzenie Stolza i metryki Javier de Lucas Zadanie Zbadać zbieżność ci agu i znaleźć granicȩ: a n 4 + 3 4 + + (2n + ) 4 n 5 4 Rozwi azanie: Żeby obliczyć tak a granicȩ korzystamy z twierdzenia Stolza,
Zmienne losowe i ich rozkłady
Zmienne losowe i ich rozkłady 29 kwietnia 2019 Definicja: Zmienną losową nazywamy mierzalną funkcję X : (Ω, F, P) (R n, B(R n )). Definicja: Niech A będzie zbiorem borelowskim. Rozkładem zmiennej losowej
Zadania 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
2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7
Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4
Wykład 13. Zmienne losowe typu ciągłego
Wykład 13. Zmienne losowe typu ciągłego dr Mariusz Grządziel styczeń 014 Pole trapezu krzywoliniowego Przypomnienie: figurę ograniczoną przez: wykres funkcji y = f(x, gdzie f jest funkcją ciągłą; proste
Wykład 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
Równanie przewodnictwa cieplnego (I)
Wykład 4 Równanie przewodnictwa cieplnego (I) 4.1 Zagadnienie Cauchy ego dla pręta nieograniczonego Rozkład temperatury w jednowymiarowym nieograniczonym pręcie opisuje funkcja u = u(x, t), spełniająca
Ważną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. u = 0, (6.1) jest operatorem Laplace a. (x,y)
Wykład 6 Funkcje harmoniczne Ważną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. e f i n i c j a Funkcję u (x 1, x 2,..., x n ) nazywamy harmoniczną w obszarze R n wtedy i
VII. 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
Wektory i wartości własne
Treść wykładu Podprzestrzenie niezmiennicze... Twierdzenie Cayley Hamiltona Podprzestrzenie niezmiennicze Definicja Niech f : V V będzie przekształceniem liniowym. Podprzestrzeń W V nazywamy niezmienniczą
Zmienne losowe. dr Mariusz Grządziel Wykład 12; 20 maja 2014
Zmienne losowe dr Mariusz Grządziel Wykład 2; 20 maja 204 Definicja. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje
F 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
Statystyka 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
Zasada indukcji matematycznej
Zasada indukcji matematycznej Twierdzenie 1 (Zasada indukcji matematycznej). Niech ϕ(n) będzie formą zdaniową zmiennej n N 0. Załóżmy, że istnieje n 0 N 0 takie, że 1. ϕ(n 0 ) jest zdaniem prawdziwym,.
Definicje i przykłady
Rozdział 1 Definicje i przykłady 1.1 Definicja równania różniczkowego 1.1 DEFINICJA. Równaniem różniczkowym zwyczajnym rzędu n nazywamy równanie F (t, x, ẋ, ẍ,..., x (n) ) = 0. (1.1) W równaniu tym t jest
6. Zmienne losowe typu ciagłego ( ) Pole trapezu krzywoliniowego
6. Zmienne losowe typu ciagłego (2.04.2007) Pole trapezu krzywoliniowego Przypomnienie: figurę ograniczoną przez: wykres funkcji y = f(x), gdzie f jest funkcją ciągłą; proste x = a, x = b, a < b, oś OX
Zbiory wypukłe i stożki
Katedra Matematyki i Ekonomii Matematycznej 28 kwietnia 2016 Hiperpłaszczyzna i półprzestrzeń Definicja Niech a R n, a 0, b R. Zbiór H(a, b) = {x R n : (a x) = b} nazywamy hiperpłaszczyzną, zbiory {x R
n=0 (n + r)a n x n+r 1 (n + r)(n + r 1)a n x n+r 2. Wykorzystując te obliczenia otrzymujemy, że lewa strona równania (1) jest równa
Równanie Bessela Będziemy rozważać następujące równanie Bessela x y xy x ν )y 0 ) gdzie ν 0 jest pewnym parametrem Rozwiązania równania ) nazywamy funkcjami Bessela rzędu ν Sprawdzamy, że x 0 jest regularnym
2 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
METODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
z = x + i y := e i ϕ z. cos ϕ sin ϕ = sin ϕ cos ϕ
Izometrie liniowe Przypomnijmy, że jeśli V jest przestrzenią euklidesową (skończonego wymiaru), to U End V jest izometrią wtedy i tylko wtedy, gdy U U = UU = E, to znaczy, gdy jest odwzorowaniem ortogonalnym.
A 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
Zagadnienia stacjonarne
Zagadnienia stacjonarne Karol Hajduk 19 grudnia 2012 Nierówność wariacyjna (u (t), v u(t)) + a(u, v u) + Ψ(v) Ψ(u) (f, v u), v V. Zagadnienie stacjonarne ma postać (u (t) = 0): a(u, v u) + Ψ(v) Ψ(u) (f,
Matematyka II. Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr letni 2018/2019 wykład 13 (27 maja)
Matematyka II Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr letni 208/209 wykład 3 (27 maja) Całki niewłaściwe przedział nieograniczony Rozpatrujemy funkcje ciągłe określone na zbiorach < a, ),
Zadania z Koncentracji Miary I
Zadania z Koncentracji Miary I Przez λ n oznaczamy n-wymiarową miarę Lebesgue a, a przez σ n unormowaną miarę powierzchniową na S n. Jeśli µ jest miarą na X, d), to określamy dla dowolnego zbioru A miarę
Prawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Zaawansowane metody numeryczne
Wykład 11 Ogólna postać metody iteracyjnej Definicja 11.1. (metoda iteracyjna rozwiązywania układów równań) Metodą iteracyjną rozwiązywania { układów równań liniowych nazywamy ciąg wektorów zdefiniowany
Wykład 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
Zajmijmy się najpierw pierwszym równaniem. Zapiszmy je w postaci trygonometrycznej, podstawiając z = r(cos ϕ + i sin ϕ).
Zad (0p) Zaznacz na płaszczyźnie zespolonej wszystkie z C, które spełniają równanie ( iz 3 z z ) Re [(z + 3) ( z 3) = 0 Szukane z C spełniają: iz 3 = z z Re [(z + 3) ( z 3) = 0 Zajmijmy się najpierw pierwszym
Wykłady 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
O pewnych związkach teorii modeli z teorią reprezentacji
O pewnych związkach teorii modeli z teorią reprezentacji na podstawie referatu Stanisława Kasjana 5 i 12 grudnia 2000 roku 1. Elementy teorii modeli Będziemy rozważać język L składający się z przeliczalnej
Zmienne losowe ciągłe i ich rozkłady
Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu
Wykład 11 i 12. Informatyka Stosowana. 9 stycznia Informatyka Stosowana Wykład 11 i 12 9 stycznia / 39
Wykład 11 i 12 Informatyka Stosowana 9 stycznia 2017 Informatyka Stosowana Wykład 11 i 12 9 stycznia 2017 1 / 39 Twierdzenie Lagrange a Jeżeli funkcja f spełnia warunki: 1 jest ciagła na [a, b] 2 f istnieje
Spacery losowe w R d
Politechnika Wrocławska 6 lipca 2010 Błądzenia po kracie Z d Błądzenie losowe (spacer losowy) to podstawowy przykład łańcucha Markowa, obowiązkowo pojawiający się na jednym z pierwszych wykładów o procesach
1 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
Zmienne losowe. dr Mariusz Grzadziel. rok akademicki 2016/2017 semestr letni. Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu
Zmienne losowe dr Mariusz Grzadziel Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu rok akademicki 2016/2017 semestr letni Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór
Przykładowe zadania z teorii liczb
Przykładowe zadania z teorii liczb I. Podzielność liczb całkowitych. Liczba a = 346 przy dzieleniu przez pewną liczbę dodatnią całkowitą b daje iloraz k = 85 i resztę r. Znaleźć dzielnik b oraz resztę
Wzór Maclaurina. Jeśli we wzorze Taylora przyjmiemy x 0 = 0 oraz h = x, to otrzymujemy tzw. wzór Maclaurina: f (x) = x k + f (n) (θx) x n.
Wzór Maclaurina Jeśli we wzorze Taylora przyjmiemy x 0 = 0 oraz h = x, to otrzymujemy tzw. wzór Maclaurina: f (x) = n 1 k=0 f (k) (0) k! x k + f (n) (θx) x n. n! Wzór Maclaurina Przykład. Niech f (x) =
Wykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Całki powierzchniowe w R n
Całki powierzchniowe w R n Na początek małe uzupełnienie z algebry liniowej. Niech R n k oznacza przestrzeń liniową macierzy o n wierszach i k kolumnach. Dla dowolnej macierzy A R n k, gdzie k n, połóżmy
Dystrybucje. 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...................................
Matematyka dyskretna. Andrzej Łachwa, UJ, /15
Matematyka dyskretna Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl 7/15 Rachunek różnicowy Dobrym narzędziem do obliczania skończonych sum jest rachunek różnicowy. W rachunku tym odpowiednikiem operatora
Obliczanie długości łuku krzywych. Autorzy: Witold Majdak
Obliczanie długości łuku krzywych Autorzy: Witold Majdak 7 Obliczanie długości łuku krzywych Autor: Witold Majdak DEFINICJA Definicja : Długość łuku krzywej zadanej parametrycznie Rozważmy krzywą Γ zadaną
Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.
Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. A Teoria Definicja A.1. Niech (Ω, F, P) będzie przestrzenią probabilistyczną. Zmienną losową określoną na przestrzeni Ω nazywamy dowolną
Logarytmy. Funkcje logarytmiczna i wykładnicza. Równania i nierówności wykładnicze i logarytmiczne.
Logarytmy. Funkcje logarytmiczna i wykładnicza. Równania i nierówności wykładnicze i logarytmiczne. Definicja. Niech a i b będą dodatnimi liczbami rzeczywistymi i niech a. Logarytmem liczby b przy podstawie
Prawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Pochodne wyższych rzędów definicja i przykłady
Pochodne wyższych rzędów definicja i przykłady Pochodne wyższych rzędów Drugą pochodną funkcji nazywamy pochodną pochodnej tej funkcji. Trzecia pochodna jest pochodną drugiej pochodnej; itd. Ogólnie, -ta
Wyprowadzenie prawa Gaussa z prawa Coulomba
Wyprowadzenie prawa Gaussa z prawa Coulomba Natężenie pola elektrycznego ładunku punktowego q, umieszczonego w początku układu współrzędnych (czyli prawo Coulomba): E = Otoczmy ten ładunek dowolną powierzchnią
Drugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A
Drugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A Zad. 1. Korzystając z podanych poniżej mini-tablic, oblicz pierwszy, drugi i trzeci kwartyl rozkładu N(10, 2 ). Rozwiązanie. Najpierw ogólny komentarz
Ćwiczenia z metodyki nauczania rachunku prawdopodobieństwa
Ćwiczenia z metodyki nauczania rachunku prawdopodobieństwa 25 marca 209 Zadanie. W urnie jest b kul białych i c kul czarnych. Losujemy n kul bez zwracania. Jakie jest prawdopodobieństwo, że pierwsza kula
Wykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Tablice trwania życia
ROZDZIAŁ 3 Tablice trwania życia 1 Przyszły czas życia Osobę, która ukończyła x lat życia, będziemy nazywać x-latkiem i oznaczać symbolem x Jej przyszły czas życia, tzn od chwili x do chwili śmierci, będziemy
Funkcje trygonometryczne w trójkącie prostokątnym
Funkcje trygonometryczne w trójkącie prostokątnym Oznaczenia boków i kątów trójkąta prostokątnego użyte w definicjach Sinus Sinusem kąta ostrego w trójkącie prostokątnym nazywamy stosunek przyprostokątnej
1 Pochodne wyższych rzędów
Pochodne wyższych rzędów Pochodną rzędu drugiego lub drugą pochodną funkcji y = f(x) nazywamy pochodną pierwszej pochodnej tej funkcji. Analogicznie definiujemy pochodne wyższych rzędów, jako pochodne
Pochodna funkcji odwrotnej
Pochodna funkcji odwrotnej Niech będzie dana w przedziale funkcja różniczkowalna i różnowartościowa. Wiadomo, że istnieje wówczas funkcja odwrotna (którą oznaczymy tu : ), ciągła w przedziale (lub zależnie
VIII. Zastosowanie rachunku różniczkowego do badania funkcji. 1. Twierdzenia o wartości średniej. Monotoniczność funkcji.
VIII. Zastosowanie rachunku różniczkowego do badania funkcji. 1. Twierdzenia o wartości średniej. Monotoniczność funkcji. Twierdzenie 1.1. (Rolle a) Jeżeli funkcja f jest ciągła w przedziale domkniętym
PEWNE 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
Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3
Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3 Przygotowując wykład korzystam głównie z książki Jakubowski, Sztencel Wstęp do teorii prawdopodobieństwa. Zmienna losowa i jej
Lista zagadnień omawianych na wykładzie w dn r. :
Lista zagadnień omawianych na wykładzie w dn. 29.0.208r. : Granica funkcji Definicja sąsiedztwa punktu. Sąsiedztwo 0 R o promieniu r > 0: S 0, r = 0 r, 0 + r\{ 0 } 2. Sąsiedztwo lewostronne 0 R o promieniu
2. Definicja pochodnej w R n
2. Definicja pochodnej w R n Niech będzie dana funkcja f : U R określona na zbiorze otwartym U R n. Pochodną kierunkową w punkcie a U w kierunku wektora u R n nazywamy granicę u f(a) = lim t 0 f(a + tu)
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Funkcje dwóch zmiennych, pochodne cząstkowe
Wykłady z matematyki inżynierskiej Funkcje dwóch zmiennych, pochodne cząstkowe JJ, IMiF UTP 17 f (x, y) DEFINICJA. Funkcja dwóch zmiennych określona w zbiorze D R 2, to przyporządkowanie każdemu punktowi
Techniki Optymalizacji: Optymalizacja wypukła
Techniki Optymalizacji: Optymalizacja wypukła Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: piątek 15:10-16:40
21 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
Kryptografia - zastosowanie krzywych eliptycznych
Kryptografia - zastosowanie krzywych eliptycznych 24 marca 2011 Niech F będzie ciałem doskonałym (tzn. każde rozszerzenie algebraiczne ciała F jest rozdzielcze lub równoważnie, monomorfizm Frobeniusa jest
Zadania 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,
VI. Równania różniczkowe liniowe wyższych rzędów
VI. 1. Równanie różniczkowe liniowe n-tego rzędu o zmiennych współczynnikach Niech podobnie jak w poprzednim paragrafie K = C lub K = R. Podobnie jak w dziedzinie rzeczywistej wprowadzamy pochodne wyższych
28 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
Prawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
1 Nierówność Minkowskiego i Hoeldera
1 Nierówność Minkowskiego i Hoeldera Na państwa użytek załączam precyzyjne sformułowania i dowody nierówności Hoeldera i Minkowskiego: Twierdzenie 1.1 Nierówność Hoeldera). Niech p, q będą takimi liczbami
Rodzinę 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
komputery? Andrzej Skowron, Hung Son Nguyen Instytut Matematyki, Wydział MIM, UW
Czego moga się nauczyć komputery? Andrzej Skowron, Hung Son Nguyen son@mimuw.edu.pl; skowron@mimuw.edu.pl Instytut Matematyki, Wydział MIM, UW colt.tex Czego mogą się nauczyć komputery? Andrzej Skowron,
Z Wikipedii, wolnej encyklopedii.
Rozkład normalny Rozkład normalny jest niezwykle ważnym rozkładem prawdopodobieństwa w wielu dziedzinach. Nazywa się go także rozkładem Gaussa, w szczególności w fizyce i inżynierii. W zasadzie jest to
Zadania z analizy matematycznej - sem. I Pochodne funkcji, przebieg zmienności funkcji
Zadania z analizy matematycznej - sem. I Pochodne funkcji przebieg zmienności funkcji Definicja 1. Niech f : (a b) R gdzie a < b oraz 0 (a b). Dla dowolnego (a b) wyrażenie f() f( 0 ) = f( 0 + ) f( 0 )
Analiza funkcjonalna 1.
Analiza funkcjonalna 1. Wioletta Karpińska Semestr letni 2015/2016 0 Bibliografia [1] Banaszczyk W., Analiza matematyczna 3. Wykłady. (http://math.uni.lodz.pl/ wbanasz/am3/) [2] Birkholc A., Analiza matematyczna.