Verjetnost 2 Peto poglavje
|
|
- Ανδρομέδη Δημητρίου
- 6 χρόνια πριν
- Προβολές:
Transcript
1 e z e z November 2011
2 Vsebina e z
3 Šibka in krepka markovska e z Naj bo X = {X (t) t [0, )} družina slučajnih spremenljivk z zalogo vrednosti v neki množici stanj S, t.j. slučajni proces z. Pravimo, da ima proces X (šibko) markovsko, če za vsa stanja j, i 1,..., i n 1 S in poljubno zaporedje časov t 1 < t 2 < < t n velja P(X (t n ) = j X (t 1 ) = i 1,..., X (t n 1 ) = i n 1 ) = P(X (t n ) = j X (t n 1 ) = i n 1 ). Za proces X pa rečemo, da ima krepko markovsko, če za poljuben čas ustavljanja T ter poljubna dogodka A in B, kjer je A odvisen le od {X (t) t > T }, B pa le od {X (t) t T }, velja P(A X (T ) = i, B) = P(A X (T ) = i) za vse i S. Tu smo pojem čas ustavljanja vpeljali po analogiji z diskretnim, kar pomeni naslednje.
4 Šibka in krepka markovska e z Naj bo X = {X (t) t [0, )} družina slučajnih spremenljivk z zalogo vrednosti v neki množici stanj S, t.j. slučajni proces z. Pravimo, da ima proces X (šibko) markovsko, če za vsa stanja j, i 1,..., i n 1 S in poljubno zaporedje časov t 1 < t 2 < < t n velja P(X (t n ) = j X (t 1 ) = i 1,..., X (t n 1 ) = i n 1 ) = P(X (t n ) = j X (t n 1 ) = i n 1 ). Za proces X pa rečemo, da ima krepko markovsko, če za poljuben čas ustavljanja T ter poljubna dogodka A in B, kjer je A odvisen le od {X (t) t > T }, B pa le od {X (t) t T }, velja P(A X (T ) = i, B) = P(A X (T ) = i) za vse i S. Tu smo pojem čas ustavljanja vpeljali po analogiji z diskretnim, kar pomeni naslednje.
5 Šibka in krepka markovska nadaljevanje e z Slučajno spremenljivko T (z vrednostmi v nenegativnih realnih številih) poimenujemo čas ustavljanja (glede na dani proces {X (t) t [0, )}), če velja, da je pri poljubnem t 0 dogodek {T t} odvisen le od slučajnih spremenljivk {X (s); s t}. Navedimo dva izreka. Izrek Če ima proces krepko markovsko, potem ima tudi šibko markovsko.
6 Šibka in krepka markovska nadaljevanje e z Slučajno spremenljivko T (z vrednostmi v nenegativnih realnih številih) poimenujemo čas ustavljanja (glede na dani proces {X (t) t [0, )}), če velja, da je pri poljubnem t 0 dogodek {T t} odvisen le od slučajnih spremenljivk {X (s); s t}. Navedimo dva izreka. Izrek Če ima proces krepko markovsko, potem ima tudi šibko markovsko. Izrek Rojstni proces ima krepko markovsko.
7 Šibka in krepka markovska nadaljevanje e z Slučajno spremenljivko T (z vrednostmi v nenegativnih realnih številih) poimenujemo čas ustavljanja (glede na dani proces {X (t) t [0, )}), če velja, da je pri poljubnem t 0 dogodek {T t} odvisen le od slučajnih spremenljivk {X (s); s t}. Navedimo dva izreka. Izrek Če ima proces krepko markovsko, potem ima tudi šibko markovsko. Izrek Rojstni proces ima krepko markovsko. Toda vrnimo se k splošnejšim markovskim am (v zveznem času). Tako pravimo slučajnemu procesu s števno množico stanj S, ki zadošča (šibki) markovski i.
8 Šibka in krepka markovska nadaljevanje e z Slučajno spremenljivko T (z vrednostmi v nenegativnih realnih številih) poimenujemo čas ustavljanja (glede na dani proces {X (t) t [0, )}), če velja, da je pri poljubnem t 0 dogodek {T t} odvisen le od slučajnih spremenljivk {X (s); s t}. Navedimo dva izreka. Izrek Če ima proces krepko markovsko, potem ima tudi šibko markovsko. Izrek Rojstni proces ima krepko markovsko. Toda vrnimo se k splošnejšim markovskim am (v zveznem času). Tako pravimo slučajnemu procesu s števno množico stanj S, ki zadošča (šibki) markovski i.
9 Prehodne verjetnosti e z Za markovsko o vpeljemo pojem prehodne verjetnosti P(X (t) = j X (s) = i) (1) za 0 s t. Za markovsko o pravimo, da je homogena, če so verjetnosti, opredeljene z (1), vselej odvisne le od razlike med obema časovnima točkama, torej od t s. V nadaljevanju se bomo omejili le na markovske e s to jo. Prehodno verjetnost (1) označimo v tem primeru s p ij (t s). Izrek (Enačbe Chapman-Kolmogorov) Prehodne verjetnosti (homogene) markovske e zadoščajo sistemu enačb p ij (s + t) = k S p ik (s)p kj (t).
10 Prehodne verjetnosti e z Za markovsko o vpeljemo pojem prehodne verjetnosti P(X (t) = j X (s) = i) (1) za 0 s t. Za markovsko o pravimo, da je homogena, če so verjetnosti, opredeljene z (1), vselej odvisne le od razlike med obema časovnima točkama, torej od t s. V nadaljevanju se bomo omejili le na markovske e s to jo. Prehodno verjetnost (1) označimo v tem primeru s p ij (t s). Izrek (Enačbe Chapman-Kolmogorov) Prehodne verjetnosti (homogene) markovske e zadoščajo sistemu enačb p ij (s + t) = k S p ik (s)p kj (t).
11 Polgrupna e z Prehodne verjetnosti zapišemo v prehodno matriko velikosti S S : P(t) = {p ij (t)} i,j S za t [0, ). Te matrike imajo naslednje i: 1 (pozitivnost) p ij (t) 0, 2 (normiranost) j S p ij(t) = 1, 3 P(0) = I, 4 (polgrupna ) P(s + t) = P(s)P(t).
12 Polgrupna e z Prehodne verjetnosti zapišemo v prehodno matriko velikosti S S : P(t) = {p ij (t)} i,j S za t [0, ). Te matrike imajo naslednje i: 1 (pozitivnost) p ij (t) 0, 2 (normiranost) j S p ij(t) = 1, 3 P(0) = I, 4 (polgrupna ) P(s + t) = P(s)P(t). Prvo in drugo skupaj poimenujemo stohastičnost matrike. Četrta je matrično zapisan sistem enačb Chapman-Kolmogorov. V tem zapisu jo poimenujemo polgrupna. Zaradi vseh teh i pravimo družini stohastična polgrupa matrik. {P(t) t [0, )}
13 Polgrupna e z Prehodne verjetnosti zapišemo v prehodno matriko velikosti S S : P(t) = {p ij (t)} i,j S za t [0, ). Te matrike imajo naslednje i: 1 (pozitivnost) p ij (t) 0, 2 (normiranost) j S p ij(t) = 1, 3 P(0) = I, 4 (polgrupna ) P(s + t) = P(s)P(t). Prvo in drugo skupaj poimenujemo stohastičnost matrike. Četrta je matrično zapisan sistem enačb Chapman-Kolmogorov. V tem zapisu jo poimenujemo polgrupna. Zaradi vseh teh i pravimo družini stohastična polgrupa matrik. {P(t) t [0, )}
14 Generator 1 e z Za polgrupo {P(t) t [0, )} pravimo, da je standardna, če velja P(t) I, ko gre t 0. Najprej povejmo, da je polgrupa standardna natanko tedaj, kadar so funkcije p ij (t) zvezne funkcije v t za vse i, j S. V nadaljevanju se bomo omejili na markovske e s standardno stohastično polgrupo matrik. Take imajo vrsto i, ki jih bomo navedli, a jih ne bomo preverjali. Vprašajmo se, kaj se lahko zgodi na kratkem intervalu (t, t + h) pod pogojem, da velja X (t) = i. 1 Veriga lahko ostane v istem stanju z verjetnostjo p ii (h) + o(h). 2 Veriga se lahko premakne v stanje j i z verjetnostjo p ij (h) + o(h). Dokazati se namreč da, da je verjetnost dveh ali več prehodov na intervalu (t, t + h) enaka o(h). Za majhne h velja še:
15 Generator 1 e z Za polgrupo {P(t) t [0, )} pravimo, da je standardna, če velja P(t) I, ko gre t 0. Najprej povejmo, da je polgrupa standardna natanko tedaj, kadar so funkcije p ij (t) zvezne funkcije v t za vse i, j S. V nadaljevanju se bomo omejili na markovske e s standardno stohastično polgrupo matrik. Take imajo vrsto i, ki jih bomo navedli, a jih ne bomo preverjali. Vprašajmo se, kaj se lahko zgodi na kratkem intervalu (t, t + h) pod pogojem, da velja X (t) = i. 1 Veriga lahko ostane v istem stanju z verjetnostjo p ii (h) + o(h). 2 Veriga se lahko premakne v stanje j i z verjetnostjo p ij (h) + o(h). Dokazati se namreč da, da je verjetnost dveh ali več prehodov na intervalu (t, t + h) enaka o(h). Za majhne h velja še:
16 Generator 2 e z 3 Obstaja taka konstanta g ii, da velja p ii (h) = 1 + g ii h + o(h). 4 Za vsak j i obstaja taka konstanta g ij, da velja p ij (h) = g ij h + o(h). Števila g ij postavimo v matriko velikosti S S, ki jo označimo z G in poimenujemo {P(t) t [0, )}. Tretjo in četrto zgornjo lahko zapišemo v matrični obliki P(h) I G = lim. h 0 h Matrika G je torej desni odvod v točki h = 0. Po definiciji so vsi izvendiagonalni elementi ja nenegativni in vsi diagonalni elementi nepozitivni.
17 Generator 2 e z 3 Obstaja taka konstanta g ii, da velja p ii (h) = 1 + g ii h + o(h). 4 Za vsak j i obstaja taka konstanta g ij, da velja p ij (h) = g ij h + o(h). Števila g ij postavimo v matriko velikosti S S, ki jo označimo z G in poimenujemo {P(t) t [0, )}. Tretjo in četrto zgornjo lahko zapišemo v matrični obliki P(h) I G = lim. h 0 h Matrika G je torej desni odvod v točki h = 0. Po definiciji so vsi izvendiagonalni elementi ja nenegativni in vsi diagonalni elementi nepozitivni.
18 Zgledi polgrup in njihovih jev e z Ker so prehodne matrike stohastične, imajo v času konstantne vsote vrstic, zato ima, ki je njihov odvod, pogosto ničelne vsote vrstic: 5 j S g ij = 0 za vse i S. V posebnem to načeloma velja, kadar je prehodna matrika končna ali končno-diagonalna. Prvi zgled. Generator rojstnega procesa ima na prvi naddiagonali intenzivnosti rojstev in na diagonali iste intenzivnosti z negativnim predznakom. Drugi zgled. Generator rojstno-smrtnega procesa ima na prvi naddiagonali intenzivnosti rojstev, na prvi poddiagonali intenzivnosti smrti in na diagonali vsote obeh intenzivnosti z negativnim predznakom.
19 Zgledi polgrup in njihovih jev e z Ker so prehodne matrike stohastične, imajo v času konstantne vsote vrstic, zato ima, ki je njihov odvod, pogosto ničelne vsote vrstic: 5 j S g ij = 0 za vse i S. V posebnem to načeloma velja, kadar je prehodna matrika končna ali končno-diagonalna. Prvi zgled. Generator rojstnega procesa ima na prvi naddiagonali intenzivnosti rojstev in na diagonali iste intenzivnosti z negativnim predznakom. Drugi zgled. Generator rojstno-smrtnega procesa ima na prvi naddiagonali intenzivnosti rojstev, na prvi poddiagonali intenzivnosti smrti in na diagonali vsote obeh intenzivnosti z negativnim predznakom.
20 1 e z Izpeljimo sistem diferencialnih enačb za splošne markovske e. V naslednjem računu upoštevajmo Chapman-Kolmogorov: p ij (t + h) p ij (t) = k S p ik (t)p kj (h) k S p ik (t)δ kj = k S p ik (t)(p kj (h) δ kj ). Delimo s h in pošljemo h navzdol proti 0, da dobimo (za desne odvode) p ij(t) = k S p ik (t)g kj. Isti račun ponovimo v matrični obliki P(t + h) P(t) P(t)P(h) P(t) = h h V limiti dobimo P (t) = P(t)G. = P(t) P(h) I h.
21 1 e z Izpeljimo sistem diferencialnih enačb za splošne markovske e. V naslednjem računu upoštevajmo Chapman-Kolmogorov: p ij (t + h) p ij (t) = k S p ik (t)p kj (h) k S p ik (t)δ kj = k S p ik (t)(p kj (h) δ kj ). Delimo s h in pošljemo h navzdol proti 0, da dobimo (za desne odvode) p ij(t) = k S p ik (t)g kj. Isti račun ponovimo v matrični obliki P(t + h) P(t) P(t)P(h) P(t) = h h V limiti dobimo P (t) = P(t)G. = P(t) P(h) I h.
22 2 e z Tako smo dobili naprejšnji sistem diferencialnih enačb p ij(t) = k S p ik (t)g kj oziroma P (t) = P(t)G. V izpeljavi drugega sistema zamenjamo vlogi t in h, ko uporabimo polgrupno. Tokrat naredimo le matrični račun: P(t + h) P(t) h = P(h)P(t) P(t) h = P(h) I h P(t).
23 2 e z Tako smo dobili naprejšnji sistem diferencialnih enačb p ij(t) = k S p ik (t)g kj oziroma P (t) = P(t)G. V izpeljavi drugega sistema zamenjamo vlogi t in h, ko uporabimo polgrupno. Tokrat naredimo le matrični račun: P(t + h) P(t) h = P(h)P(t) P(t) h = P(h) I h P(t). V limiti dobimo P (t) = GP(t). Nazajšnji sistem diferencialnih enačb je torej p ij(t) = k S g ik p kj (t) oziroma P (t) = GP(t).
24 2 e z Tako smo dobili naprejšnji sistem diferencialnih enačb p ij(t) = k S p ik (t)g kj oziroma P (t) = P(t)G. V izpeljavi drugega sistema zamenjamo vlogi t in h, ko uporabimo polgrupno. Tokrat naredimo le matrični račun: P(t + h) P(t) h = P(h)P(t) P(t) h = P(h) I h P(t). V limiti dobimo P (t) = GP(t). Nazajšnji sistem diferencialnih enačb je torej p ij(t) = k S g ik p kj (t) oziroma P (t) = GP(t).
25 Rešitve diferencialnih enačb e z rešujemo skupaj z začetnim pogojem P(0) = I. Podobne nastopajo v mnogih aplikacijah v naravoslovju, tehniki in ekonomiji. Največ aplikacij je v t.i. teoriji sistemov. Rešitve se dajo pogosto zapisati v obliki P(t) = e tg = exp(tg). Tu definiramo matrično eksponentno funkcijo s pomočjo vrste exp(tg) = n=0 kjer pa nastopi vprašanje konvergence. t n n! G n,
26 Rešitve diferencialnih enačb e z rešujemo skupaj z začetnim pogojem P(0) = I. Podobne nastopajo v mnogih aplikacijah v naravoslovju, tehniki in ekonomiji. Največ aplikacij je v t.i. teoriji sistemov. Rešitve se dajo pogosto zapisati v obliki P(t) = e tg = exp(tg). Tu definiramo matrično eksponentno funkcijo s pomočjo vrste exp(tg) = n=0 t n n! G n, kjer pa nastopi vprašanje konvergence. Drugo tehnično vprašanje je, pod kakšnimi pogoji smemo vrsto členoma odvajati. Če je to možno, potem je jasno, da zgornja matrična funkcija reši tako naprejšnji kot nazajšnji sistem, izpolnjuje pa tudi začetni pogoj.
27 Rešitve diferencialnih enačb e z rešujemo skupaj z začetnim pogojem P(0) = I. Podobne nastopajo v mnogih aplikacijah v naravoslovju, tehniki in ekonomiji. Največ aplikacij je v t.i. teoriji sistemov. Rešitve se dajo pogosto zapisati v obliki P(t) = e tg = exp(tg). Tu definiramo matrično eksponentno funkcijo s pomočjo vrste exp(tg) = n=0 t n n! G n, kjer pa nastopi vprašanje konvergence. Drugo tehnično vprašanje je, pod kakšnimi pogoji smemo vrsto členoma odvajati. Če je to možno, potem je jasno, da zgornja matrična funkcija reši tako naprejšnji kot nazajšnji sistem, izpolnjuje pa tudi začetni pogoj.
28 Čas zadrževanja e z Izberimo neko stanje i in čas t ter privzemimo pogoj X (t) = i. Vpeljimo čas zadrževanja (pred naslednjim prehodom), ki je soroden medprihodnemu času: Tedaj velja T = inf{s 0; X (t + s) i}. 6 T je porazdeljen eksponentno s parametrom g ii. To preprosto sledi iz dejstva, da ima T nepomnjenja: P(T > r + s T > r) = P(T > r + s X (t + r) = i) = P(T > s) pri poljubnih pozitivnih r in s. Parameter dobimo z odvajanjem repne verjetnosti. Velja tudi naslednje.
29 Čas zadrževanja e z Izberimo neko stanje i in čas t ter privzemimo pogoj X (t) = i. Vpeljimo čas zadrževanja (pred naslednjim prehodom), ki je soroden medprihodnemu času: Tedaj velja T = inf{s 0; X (t + s) i}. 6 T je porazdeljen eksponentno s parametrom g ii. To preprosto sledi iz dejstva, da ima T nepomnjenja: P(T > r + s T > r) = P(T > r + s X (t + r) = i) = P(T > s) pri poljubnih pozitivnih r in s. Parameter dobimo z odvajanjem repne verjetnosti. Velja tudi naslednje. 7 V trenutku, ko a zapusti stanje i, je verjetnost, da bo prešla v stanje j i, enaka g ij g ii.
30 Čas zadrževanja e z Izberimo neko stanje i in čas t ter privzemimo pogoj X (t) = i. Vpeljimo čas zadrževanja (pred naslednjim prehodom), ki je soroden medprihodnemu času: Tedaj velja T = inf{s 0; X (t + s) i}. 6 T je porazdeljen eksponentno s parametrom g ii. To preprosto sledi iz dejstva, da ima T nepomnjenja: P(T > r + s T > r) = P(T > r + s X (t + r) = i) = P(T > s) pri poljubnih pozitivnih r in s. Parameter dobimo z odvajanjem repne verjetnosti. Velja tudi naslednje. 7 V trenutku, ko a zapusti stanje i, je verjetnost, da bo prešla v stanje j i, enaka g ij g ii.
31 Lévyjeva dihotomija e z Klasifikacija stanj je pri ah z presenetljivo bolj enostavna kot v primeru diskretnega časa. Najprej se izkaže, da velja. (Lévyjeva dihotomija) Za poljubni stanji i in j velja bodisi p ij (t) = 0 za vse t > 0 bodisi p ij (t) > 0 za vse t > 0. V primeru i = j velja le druga od obeh možnosti. Dokaz druge od obeh trditev je lažji. Ker je a standardna, konvergira p ii (t) s t 0 proti 1. Zato obstaja tak h > 0, da je p ii (t) > 0 za vse t [0, h]. Izberimo zdaj t > 0 poljuben in dovolj velik n, da je hn > t. Po enačbi Chapman-Kolmogorov je tedaj ( ( t )) n p ii (t) p ii > 0. n
32 Lévyjeva dihotomija e z Klasifikacija stanj je pri ah z presenetljivo bolj enostavna kot v primeru diskretnega časa. Najprej se izkaže, da velja. (Lévyjeva dihotomija) Za poljubni stanji i in j velja bodisi p ij (t) = 0 za vse t > 0 bodisi p ij (t) > 0 za vse t > 0. V primeru i = j velja le druga od obeh možnosti. Dokaz druge od obeh trditev je lažji. Ker je a standardna, konvergira p ii (t) s t 0 proti 1. Zato obstaja tak h > 0, da je p ii (t) > 0 za vse t [0, h]. Izberimo zdaj t > 0 poljuben in dovolj velik n, da je hn > t. Po enačbi Chapman-Kolmogorov je tedaj ( ( t )) n p ii (t) p ii > 0. n Za primer i j s podobnim trikom dokažemo obstoj takega h > 0, da je p ij (t) > 0 za vse t > h in p ij (t) = 0 za vse t h. Bistveno težje je dokazati, da je bodisi h = 0 bodisi h =.
33 Lévyjeva dihotomija e z Klasifikacija stanj je pri ah z presenetljivo bolj enostavna kot v primeru diskretnega časa. Najprej se izkaže, da velja. (Lévyjeva dihotomija) Za poljubni stanji i in j velja bodisi p ij (t) = 0 za vse t > 0 bodisi p ij (t) > 0 za vse t > 0. V primeru i = j velja le druga od obeh možnosti. Dokaz druge od obeh trditev je lažji. Ker je a standardna, konvergira p ii (t) s t 0 proti 1. Zato obstaja tak h > 0, da je p ii (t) > 0 za vse t [0, h]. Izberimo zdaj t > 0 poljuben in dovolj velik n, da je hn > t. Po enačbi Chapman-Kolmogorov je tedaj ( ( t )) n p ii (t) p ii > 0. n Za primer i j s podobnim trikom dokažemo obstoj takega h > 0, da je p ij (t) > 0 za vse t > h in p ij (t) = 0 za vse t h. Bistveno težje je dokazati, da je bodisi h = 0 bodisi h =.
34 e z Lévyjeva dihotomija nam med drugim pove, da e z ne poznajo cikličnega obnašanja. Naj bo π neka verjetnostna po stanjih e, to pomeni, da je π = {π i i S} z jo π i 0 za i S in i π i = 1. Na π gledamo kot na neko vrstico, s katero lahko potem množimo prehodno matriko z leve. Izrek ( ) Za verjetnostno π po stanjih sta ekvivalentni naslednji trditvi. 1 π je levi lastni vektor pri lastni vrednosti 1 prehodne matrike P(t) ta vse t 0, torej je πp(t) = π. 2 π je levi lastni vektor pri lastni vrednosti 0 ja G, torej je πg = 0.
35 e z Lévyjeva dihotomija nam med drugim pove, da e z ne poznajo cikličnega obnašanja. Naj bo π neka verjetnostna po stanjih e, to pomeni, da je π = {π i i S} z jo π i 0 za i S in i π i = 1. Na π gledamo kot na neko vrstico, s katero lahko potem množimo prehodno matriko z leve. Izrek ( ) Za verjetnostno π po stanjih sta ekvivalentni naslednji trditvi. 1 π je levi lastni vektor pri lastni vrednosti 1 prehodne matrike P(t) ta vse t 0, torej je πp(t) = π. 2 π je levi lastni vektor pri lastni vrednosti 0 ja G, torej je πg = 0.
36 nadaljevanje e z Prva od teh i nam pove, da v primeru, ko je a porazdeljena s π v časovni točki t = 0, ima to od tega trenutka dalje za vselej, torej za vse t > 0. Druga pa je primernejša za računanje stacionarne porazdelitve, saj je potrebno izračunati lastni vektor samo za eno matriko, t.j. G. Porazdelitev π, ki zadošča eni (in zato obema) izmed trditev tega izreka, se namreč imenuje stacionarna. Dokaz iz prve v drugo točko gre po definiciji, saj je πg = lim h 0 [ 1 (πp(h) π) h ] = 0.
37 nadaljevanje e z Prva od teh i nam pove, da v primeru, ko je a porazdeljena s π v časovni točki t = 0, ima to od tega trenutka dalje za vselej, torej za vse t > 0. Druga pa je primernejša za računanje stacionarne porazdelitve, saj je potrebno izračunati lastni vektor samo za eno matriko, t.j. G. Porazdelitev π, ki zadošča eni (in zato obema) izmed trditev tega izreka, se namreč imenuje stacionarna. Dokaz iz prve v drugo točko gre po definiciji, saj je πg = lim h 0 [ 1 (πp(h) π) h ] = 0. Idejo dokaza v obratno smer navedimo samo za primer, ko se da polgrupa zapisati z matrično eksponetno funkcijo. V tem primeru je t k πp(t) = k! πg k = π. k=0
38 nadaljevanje e z Prva od teh i nam pove, da v primeru, ko je a porazdeljena s π v časovni točki t = 0, ima to od tega trenutka dalje za vselej, torej za vse t > 0. Druga pa je primernejša za računanje stacionarne porazdelitve, saj je potrebno izračunati lastni vektor samo za eno matriko, t.j. G. Porazdelitev π, ki zadošča eni (in zato obema) izmed trditev tega izreka, se namreč imenuje stacionarna. Dokaz iz prve v drugo točko gre po definiciji, saj je πg = lim h 0 [ 1 (πp(h) π) h ] = 0. Idejo dokaza v obratno smer navedimo samo za primer, ko se da polgrupa zapisati z matrično eksponetno funkcijo. V tem primeru je t k πp(t) = k! πg k = π. k=0
39 Nerazcepne e e z Za o pravimo, da je nerazcepna, če za poljubni stanji i j S obstaja tak čas t > 0, da je p ij (t) > 0. Po Lévyjevi dihotomiji potem velja p ij (t) > 0 za vse t > 0. Markovski i z priredimo markovsko o z diskretnim, katere prehodne verjetnosti so enake g ij za j i. Pravimo ji prvotni i vpeta markovska a. a je nerazcepna natanko tedaj, kadar je nerazcepna njej vpeta markovska a z diskretnim. g ii
40 Nerazcepne e e z Za o pravimo, da je nerazcepna, če za poljubni stanji i j S obstaja tak čas t > 0, da je p ij (t) > 0. Po Lévyjevi dihotomiji potem velja p ij (t) > 0 za vse t > 0. Markovski i z priredimo markovsko o z diskretnim, katere prehodne verjetnosti so enake g ij za j i. Pravimo ji prvotni i vpeta markovska a. a je nerazcepna natanko tedaj, kadar je nerazcepna njej vpeta markovska a z diskretnim. Obnašanje markovske e z torej popišemo z dvema podatkoma. Prvi podatek so časi zadrževanja v vsakem od stanj, drugi podatek pa so skoki med stanji, ki jih popiše vpeta a. Dosegljivost nekega stanja iz nekega drugega stanja v zveznem času mora biti torej ekvivalentna z dosegljivostjo med njima v diskretnem času. g ii
41 Nerazcepne e e z Za o pravimo, da je nerazcepna, če za poljubni stanji i j S obstaja tak čas t > 0, da je p ij (t) > 0. Po Lévyjevi dihotomiji potem velja p ij (t) > 0 za vse t > 0. Markovski i z priredimo markovsko o z diskretnim, katere prehodne verjetnosti so enake g ij za j i. Pravimo ji prvotni i vpeta markovska a. a je nerazcepna natanko tedaj, kadar je nerazcepna njej vpeta markovska a z diskretnim. Obnašanje markovske e z torej popišemo z dvema podatkoma. Prvi podatek so časi zadrževanja v vsakem od stanj, drugi podatek pa so skoki med stanji, ki jih popiše vpeta a. Dosegljivost nekega stanja iz nekega drugega stanja v zveznem času mora biti torej ekvivalentna z dosegljivostjo med njima v diskretnem času. g ii
42 Ergodijski izrek e z Izrek (Ergodijski izrek) Naj bo X nerazcepna markovska a s standardno stohastično polgrupo prehodnih matrik P(t). Tedaj veljata naslednji trditvi. 1 Če obstaja stacionarna π, potem je ta enolična in velja p ij (t) π j, ko gre t, za vse i, j S, neodvisno od i. 2 Če ne obstaja stacionarna, potem velja p ij (t) 0, ko gre t, za vse i, j S, neodvisno od i. Tokrat uporabimo (na primer) metodo okostja. Tako pravimo markovski i z diskretnim Y, ki jo priredimo markovski i z X pri nekem h > 0 tako, da za njeno prehodno matriko enega koraka vzamemo Q = P(h). Po enačbah Chapman-Kolmogorov je tedaj Q n = P(nh).
43 Ergodijski izrek e z Izrek (Ergodijski izrek) Naj bo X nerazcepna markovska a s standardno stohastično polgrupo prehodnih matrik P(t). Tedaj veljata naslednji trditvi. 1 Če obstaja stacionarna π, potem je ta enolična in velja p ij (t) π j, ko gre t, za vse i, j S, neodvisno od i. 2 Če ne obstaja stacionarna, potem velja p ij (t) 0, ko gre t, za vse i, j S, neodvisno od i. Tokrat uporabimo (na primer) metodo okostja. Tako pravimo markovski i z diskretnim Y, ki jo priredimo markovski i z X pri nekem h > 0 tako, da za njeno prehodno matriko enega koraka vzamemo Q = P(h). Po enačbah Chapman-Kolmogorov je tedaj Q n = P(nh).
44 Ergodijski izrek nadaljevanje e z Na okostju uporabimo limitni izrek za nerazcepne aciklične e v diskretnem času in ugotovimo, da iskana limita (pozitivna ali ničelna) obstaja na podzaporedjih t n = nh; označimo jo s π h. Pri dveh različnih racionalnih h 1 in h 2 imata pripadajoči podzaporedji neskončno mnogo skupnih točk in zato isto limito π h 1 = π h 2. Uporabimo še zveznost P(t). Zgled. a je rojstno-smrtni proces natanko tedaj, kadar je njej vpeta a slučajni sprehod (z eno odbijajočo steno). Naj bodo intenzivnosti rojstev enake λ n, intenzivnosti smrti pa µ n. Čas zadrževanja v stanju n je porazdeljen eksponentno s parametrom λ n + µ n, verjetnost rojstva (ob preskoku) je verjetnost smrti pa p n = λ n λ n + µ n, µ n
45 Ergodijski izrek nadaljevanje e z Na okostju uporabimo limitni izrek za nerazcepne aciklične e v diskretnem času in ugotovimo, da iskana limita (pozitivna ali ničelna) obstaja na podzaporedjih t n = nh; označimo jo s π h. Pri dveh različnih racionalnih h 1 in h 2 imata pripadajoči podzaporedji neskončno mnogo skupnih točk in zato isto limito π h 1 = π h 2. Uporabimo še zveznost P(t). Zgled. a je rojstno-smrtni proces natanko tedaj, kadar je njej vpeta a slučajni sprehod (z eno odbijajočo steno). Naj bodo intenzivnosti rojstev enake λ n, intenzivnosti smrti pa µ n. Čas zadrževanja v stanju n je porazdeljen eksponentno s parametrom λ n + µ n, verjetnost rojstva (ob preskoku) je verjetnost smrti pa p n = λ n λ n + µ n, µ n
46 Osnovne sestavine e z Imejmo markovsko o z diskretnim Y s števno množico stanj S, z začetno porazdelitvijo π 0 in prehodno matriko Q, ki ima, da so vsi njeni diagonalni elementi enaki 0, torej je q ii = 0 za vse i S. (Spomnimo se, da je imela vpeta markovska a te i.) Nadalje imejmo zaporedje n.e.p. slučajnih spremenljivk {E n } n=0, ki so neodvisne tudi od e Y in so vse porazdeljene eksponentno s parametrom 1. Imejmo še števno množico strogo pozitivnih intenzivnosti zadrževanja {λ i } i S.
47 Osnovne sestavine e z Imejmo markovsko o z diskretnim Y s števno množico stanj S, z začetno porazdelitvijo π 0 in prehodno matriko Q, ki ima, da so vsi njeni diagonalni elementi enaki 0, torej je q ii = 0 za vse i S. (Spomnimo se, da je imela vpeta markovska a te i.) Nadalje imejmo zaporedje n.e.p. slučajnih spremenljivk {E n } n=0, ki so neodvisne tudi od e Y in so vse porazdeljene eksponentno s parametrom 1. Imejmo še števno množico strogo pozitivnih intenzivnosti zadrževanja {λ i } i S. Tvorili bomo rekurzivno zaporedje slučajnih časov T 0 = 0 in T n+1 = T n + E n λ Yn. To pomeni, da je čas zadrževanja, prirejen n-tem koraku diskretne e, porazdeljen eksponentno s parametrom λ Yn. Slučajna spremenljivka T n pa potem pomeni vsoto prvih n izmed teh časov.
48 Osnovne sestavine e z Imejmo markovsko o z diskretnim Y s števno množico stanj S, z začetno porazdelitvijo π 0 in prehodno matriko Q, ki ima, da so vsi njeni diagonalni elementi enaki 0, torej je q ii = 0 za vse i S. (Spomnimo se, da je imela vpeta markovska a te i.) Nadalje imejmo zaporedje n.e.p. slučajnih spremenljivk {E n } n=0, ki so neodvisne tudi od e Y in so vse porazdeljene eksponentno s parametrom 1. Imejmo še števno množico strogo pozitivnih intenzivnosti zadrževanja {λ i } i S. Tvorili bomo rekurzivno zaporedje slučajnih časov T 0 = 0 in T n+1 = T n + E n λ Yn. To pomeni, da je čas zadrževanja, prirejen n-tem koraku diskretne e, porazdeljen eksponentno s parametrom λ Yn. Slučajna spremenljivka T n pa potem pomeni vsoto prvih n izmed teh časov.
49 Osnovne i e z Slučajni proces z tvorimo zdaj po predpisu X (t) = Y n za T n t < T n+1. Poglejmo si nekaj i tako dobljenega slučajnega procesa. Najprej ugotovimo sledeče. 1 Časi zadrževanja zveznega procesa v posameznih korakih {T m T m 1 } m N so porazdeljeni eksponentno s parametrom λ Ym 1 in pogojno neodvisni pri pogoju {Y n } n. 2 Proces ima markovsko.
50 Osnovne i e z Slučajni proces z tvorimo zdaj po predpisu X (t) = Y n za T n t < T n+1. Poglejmo si nekaj i tako dobljenega slučajnega procesa. Najprej ugotovimo sledeče. 1 Časi zadrževanja zveznega procesa v posameznih korakih {T m T m 1 } m N so porazdeljeni eksponentno s parametrom λ Ym 1 in pogojno neodvisni pri pogoju {Y n } n. 2 Proces ima markovsko. sledi po kratkem računu, ki pokaže P(Y n+1 = j, T n+1 T n > u Y 0 = i 0,..., Y n = i n, T 0,..., T n ) = P(Y n+1 = j, T n+1 T n > u Y n = i n ).
51 Osnovne i e z Slučajni proces z tvorimo zdaj po predpisu X (t) = Y n za T n t < T n+1. Poglejmo si nekaj i tako dobljenega slučajnega procesa. Najprej ugotovimo sledeče. 1 Časi zadrževanja zveznega procesa v posameznih korakih {T m T m 1 } m N so porazdeljeni eksponentno s parametrom λ Ym 1 in pogojno neodvisni pri pogoju {Y n } n. 2 Proces ima markovsko. sledi po kratkem računu, ki pokaže P(Y n+1 = j, T n+1 T n > u Y 0 = i 0,..., Y n = i n, T 0,..., T n ) = P(Y n+1 = j, T n+1 T n > u Y n = i n ).
52 Dva zgleda e z Prvi zgled. Najprej rojstno smrtni proces še po obratni varianti. Vlogo vpete markovske e igra slučajni sprehod na množici stanj S = N {0} ter prehodnimi verjetnostmi q n,n+1 = p n, q n,n 1 = 1 p n pri n 1 ter q 01 = 1 (t.j. sprehod z eno odbijajočo steno). Intenzivnosti zadrževanja označimo z {α n } n S. Od tod dobimo intenzivnosti rojstev λ n = p n α n in intenzivnosti smrti µ n = (1 p n )α n za n 1 in µ 0 = 0. Drugi zgled. V naslednji i z naj bodo časi zadrževanja vsi enaki λ. Tedaj so T n časi Poissonovega toka s parametrom λ. Označimo ta proces z N(t). Tedaj je X (t) = Y N(t). Tu lahko eksplicitno izračunamo polgrupo matrik:
53 Dva zgleda e z Prvi zgled. Najprej rojstno smrtni proces še po obratni varianti. Vlogo vpete markovske e igra slučajni sprehod na množici stanj S = N {0} ter prehodnimi verjetnostmi q n,n+1 = p n, q n,n 1 = 1 p n pri n 1 ter q 01 = 1 (t.j. sprehod z eno odbijajočo steno). Intenzivnosti zadrževanja označimo z {α n } n S. Od tod dobimo intenzivnosti rojstev λ n = p n α n in intenzivnosti smrti µ n = (1 p n )α n za n 1 in µ 0 = 0. Drugi zgled. V naslednji i z naj bodo časi zadrževanja vsi enaki λ. Tedaj so T n časi Poissonovega toka s parametrom λ. Označimo ta proces z N(t). Tedaj je X (t) = Y N(t). Tu lahko eksplicitno izračunamo polgrupo matrik: P ij (t) = P(X (t) = j X (0) = i) = P(Y n = j Y 0 = i)p(n(t) = n) = n=0 (λt) n e λt n! q (n) ij.
54 Dva zgleda e z Prvi zgled. Najprej rojstno smrtni proces še po obratni varianti. Vlogo vpete markovske e igra slučajni sprehod na množici stanj S = N {0} ter prehodnimi verjetnostmi q n,n+1 = p n, q n,n 1 = 1 p n pri n 1 ter q 01 = 1 (t.j. sprehod z eno odbijajočo steno). Intenzivnosti zadrževanja označimo z {α n } n S. Od tod dobimo intenzivnosti rojstev λ n = p n α n in intenzivnosti smrti µ n = (1 p n )α n za n 1 in µ 0 = 0. Drugi zgled. V naslednji i z naj bodo časi zadrževanja vsi enaki λ. Tedaj so T n časi Poissonovega toka s parametrom λ. Označimo ta proces z N(t). Tedaj je X (t) = Y N(t). Tu lahko eksplicitno izračunamo polgrupo matrik: P ij (t) = P(X (t) = j X (0) = i) = P(Y n = j Y 0 = i)p(n(t) = n) = n=0 (λt) n e λt n! q (n) ij.
55 Stabilnost e z Za intenzivnosti zadrževanja {λ i } i S smo privzeli, da vse ležijo na intervalu (0, + ). Poglejmo, kaj bi bil naravni pomen obeh robnih vrednosti. Ker pomeni λ 1 i povprečni čas zadrževanja, lahko robna vrednost λ i = 0 naravno modelira absorbirajoče stanje i S. Opazimo, da zaradi privzetka, da so diagonalni elementi prehodne matrike Q vsi enaki 0, torej je q ii = 0 za vse i S, absorbirajočega stanja ne moremo modelirati z diskretnim delom e. Primer λ i = + pa modelira stanje i S, ki ga a obišče in v istem trenutku zapusti. Tako stanje imenujemo trenutno stanje. Kadar pa za intenzivnost zadrževanja velja osnovni privzetek 0 < λ i < +, potem pravimo, da je stanje i S stabilno.
56 Stabilnost e z Za intenzivnosti zadrževanja {λ i } i S smo privzeli, da vse ležijo na intervalu (0, + ). Poglejmo, kaj bi bil naravni pomen obeh robnih vrednosti. Ker pomeni λ 1 i povprečni čas zadrževanja, lahko robna vrednost λ i = 0 naravno modelira absorbirajoče stanje i S. Opazimo, da zaradi privzetka, da so diagonalni elementi prehodne matrike Q vsi enaki 0, torej je q ii = 0 za vse i S, absorbirajočega stanja ne moremo modelirati z diskretnim delom e. Primer λ i = + pa modelira stanje i S, ki ga a obišče in v istem trenutku zapusti. Tako stanje imenujemo trenutno stanje. Kadar pa za intenzivnost zadrževanja velja osnovni privzetek 0 < λ i < +, potem pravimo, da je stanje i S stabilno. Oglejmo si še, kaj se zgodi s procesom v času T = lim n T n. Če je T =, nam za to ni treba skrbeti. Prehodi so se lepo razvrstili skozi čas. Prejšnja definicija opredeli samo te primere.
57 Stabilnost e z Za intenzivnosti zadrževanja {λ i } i S smo privzeli, da vse ležijo na intervalu (0, + ). Poglejmo, kaj bi bil naravni pomen obeh robnih vrednosti. Ker pomeni λ 1 i povprečni čas zadrževanja, lahko robna vrednost λ i = 0 naravno modelira absorbirajoče stanje i S. Opazimo, da zaradi privzetka, da so diagonalni elementi prehodne matrike Q vsi enaki 0, torej je q ii = 0 za vse i S, absorbirajočega stanja ne moremo modelirati z diskretnim delom e. Primer λ i = + pa modelira stanje i S, ki ga a obišče in v istem trenutku zapusti. Tako stanje imenujemo trenutno stanje. Kadar pa za intenzivnost zadrževanja velja osnovni privzetek 0 < λ i < +, potem pravimo, da je stanje i S stabilno. Oglejmo si še, kaj se zgodi s procesom v času T = lim n T n. Če je T =, nam za to ni treba skrbeti. Prehodi so se lepo razvrstili skozi čas. Prejšnja definicija opredeli samo te primere.
58 Eksplozija e z Kadar pa je T <, se je v končnem času zgodilo neskončno prehodov. V tem primeru pravimo, da ima a eksplozijo. Točneje, pravimo, da je proces regularen, če velja P(T = X (0) = i) = 1 za vse i S. Izrek (Regularnost) Za poljubno stanje i S velja, da je ( P(T < X (0) = i) = P n 1 λ Yn ) < X (0) = i. a je zato regularna natanko tedaj, ko je ( ) 1 P = X (0) = i = 1 za vse i S. n λ Yn
59 Eksplozija e z Kadar pa je T <, se je v končnem času zgodilo neskončno prehodov. V tem primeru pravimo, da ima a eksplozijo. Točneje, pravimo, da je proces regularen, če velja P(T = X (0) = i) = 1 za vse i S. Izrek (Regularnost) Za poljubno stanje i S velja, da je ( P(T < X (0) = i) = P n 1 λ Yn ) < X (0) = i. a je zato regularna natanko tedaj, ko je ( ) 1 P = X (0) = i = 1 za vse i S. n λ Yn
60 Eksplozija nadaljevanje e z Pojem smo srečali že pri rojstnih procesih. Tam smo tudi dokaj natančno preverili ekvivalentnost s sorodnim pogojem, kot je pogoj iz tega izreka. Dokaz zato tokrat opustimo. Raje si poglejmo nekaj preprostih posledic. 1 Če so intenzivnosti zadrževanja omejene z neko konstanto, potem je a regularna. 2 Če so intenzivnosti zadrževanja linearne, t.j. λ i = λi, potem je a regularna. 3 Če je množica stanj končna, potem je a regularna.
61 Eksplozija nadaljevanje e z Pojem smo srečali že pri rojstnih procesih. Tam smo tudi dokaj natančno preverili ekvivalentnost s sorodnim pogojem, kot je pogoj iz tega izreka. Dokaz zato tokrat opustimo. Raje si poglejmo nekaj preprostih posledic. 1 Če so intenzivnosti zadrževanja omejene z neko konstanto, potem je a regularna. 2 Če so intenzivnosti zadrževanja linearne, t.j. λ i = λi, potem je a regularna. 3 Če je množica stanj končna, potem je a regularna. 4 Označimo s T S množico minljivih stanj e Y. Če a X nima trenutnih stanj (kar smo že privzeli) in če je P (Y n T, n X (0) = i) = 0 za vse i S, potem je a regularna. Odslej privzemimo, da je a regularna in so vsa stanja stabilna.
62 Eksplozija nadaljevanje e z Pojem smo srečali že pri rojstnih procesih. Tam smo tudi dokaj natančno preverili ekvivalentnost s sorodnim pogojem, kot je pogoj iz tega izreka. Dokaz zato tokrat opustimo. Raje si poglejmo nekaj preprostih posledic. 1 Če so intenzivnosti zadrževanja omejene z neko konstanto, potem je a regularna. 2 Če so intenzivnosti zadrževanja linearne, t.j. λ i = λi, potem je a regularna. 3 Če je množica stanj končna, potem je a regularna. 4 Označimo s T S množico minljivih stanj e Y. Če a X nima trenutnih stanj (kar smo že privzeli) in če je P (Y n T, n X (0) = i) = 0 za vse i S, potem je a regularna. Odslej privzemimo, da je a regularna in so vsa stanja stabilna.
63 Prehodne verjetnosti e z Najprej bi radi tudi v obratnem pristopu prišli do prehodnih verjetnosti P ij (t) = P(X (t) = j X (0) = i). Izrek Za poljubni stanji i, j S ter poljuben čas t > 0 velja, da je t P ij (t) = δ ij e λ i t + λ i e λ i s q ik P kj (t s) ds. (2) 0 k i
64 Prehodne verjetnosti e z Najprej bi radi tudi v obratnem pristopu prišli do prehodnih verjetnosti P ij (t) = P(X (t) = j X (0) = i). Izrek Za poljubni stanji i, j S ter poljuben čas t > 0 velja, da je t P ij (t) = δ ij e λ i t + λ i e λ i s q ik P kj (t s) ds. (2) 0 k i Verjetnost P ij (t) razcepimo glede na vrednost prvega skoka T 1 ; dobimo P ij (t) = P(X (t) = j, T 1 > t X (0) = i)+p(x (t) = j, T 1 t X (0) = i). (3)
65 Prehodne verjetnosti e z Najprej bi radi tudi v obratnem pristopu prišli do prehodnih verjetnosti P ij (t) = P(X (t) = j X (0) = i). Izrek Za poljubni stanji i, j S ter poljuben čas t > 0 velja, da je t P ij (t) = δ ij e λ i t + λ i e λ i s q ik P kj (t s) ds. (2) 0 k i Verjetnost P ij (t) razcepimo glede na vrednost prvega skoka T 1 ; dobimo P ij (t) = P(X (t) = j, T 1 > t X (0) = i)+p(x (t) = j, T 1 t X (0) = i). (3)
66 Prehodne verjetnosti nadaljevanje e z Prva od obeh verjetnosti nas pripelje do prvega sumanda v (2). Za drugo potrebujemo podrobnejšo analizo, katere osnovne ideje predstavimo tu. Proces zapišimo formalno v obliki X (t) = Y n χ [Tn,Tn+1 )(t), kjer za n 1 : T n = n=0 n 1 j=0 E j λ Yj. Če se je prvi skok zgodil v intervalu (s, s + ds), se je zgodil z verjetnostjo λ i e λ i s ds. V trenutku skoka si je a izbrala stanje, v katerega bo preskočila, denimo k i z verjetnostjo q ik. Po tistem nam markovska dovoli, da pozabimo na zgodovino in preidemo z verjetnostjo P kj (t s) v stanje j. Dobljene verjetnosti moramo sešteti po vseh možnih k in vseh s. Po tej poti pridemo iz drugega izraza v (3) do drugega izraza v (2). Ta preprosti premislek lahko preverimo z enostavnim, a mukotrpnim računom.
67 Prehodne verjetnosti nadaljevanje e z Prva od obeh verjetnosti nas pripelje do prvega sumanda v (2). Za drugo potrebujemo podrobnejšo analizo, katere osnovne ideje predstavimo tu. Proces zapišimo formalno v obliki X (t) = Y n χ [Tn,Tn+1 )(t), kjer za n 1 : T n = n=0 n 1 j=0 E j λ Yj. Če se je prvi skok zgodil v intervalu (s, s + ds), se je zgodil z verjetnostjo λ i e λ i s ds. V trenutku skoka si je a izbrala stanje, v katerega bo preskočila, denimo k i z verjetnostjo q ik. Po tistem nam markovska dovoli, da pozabimo na zgodovino in preidemo z verjetnostjo P kj (t s) v stanje j. Dobljene verjetnosti moramo sešteti po vseh možnih k in vseh s. Po tej poti pridemo iz drugega izraza v (3) do drugega izraza v (2). Ta preprosti premislek lahko preverimo z enostavnim, a mukotrpnim računom.
68 Standardnost e z Kot preprosto posledico tega izreka dokažemo, da je polgrupa, dobljena po obratni poti, standardna. Obstaja torej njena desna limita v točki t = 0 in je enaka identični matriki. Izrek Prehodna matrika P(t) s koeficienti P ij (t) je standardna. Poučen je alternativni dokaz tega dejstva. Denimo, da je v trenutku t = 0 a v stanju i. Potem je v času 0 t < T 1 še zmerom v tem stanju. Ker je T 1 E 0 /λ i, je lim X (t) = i t 0
69 Standardnost e z Kot preprosto posledico tega izreka dokažemo, da je polgrupa, dobljena po obratni poti, standardna. Obstaja torej njena desna limita v točki t = 0 in je enaka identični matriki. Izrek Prehodna matrika P(t) s koeficienti P ij (t) je standardna. Poučen je alternativni dokaz tega dejstva. Denimo, da je v trenutku t = 0 a v stanju i. Potem je v času 0 t < T 1 še zmerom v tem stanju. Ker je T 1 E 0 /λ i, je lim X (t) = i t 0 skoraj gotovo pri pogoju {X (0) = i}. Skoraj gotova konvergenca pa ima za posledico konvergenco v porazdelitvi (po zakonu, šibko konvergenco), zato velja lim P(X (t) = j X (0) = i) = δ ij. t 0
70 Standardnost e z Kot preprosto posledico tega izreka dokažemo, da je polgrupa, dobljena po obratni poti, standardna. Obstaja torej njena desna limita v točki t = 0 in je enaka identični matriki. Izrek Prehodna matrika P(t) s koeficienti P ij (t) je standardna. Poučen je alternativni dokaz tega dejstva. Denimo, da je v trenutku t = 0 a v stanju i. Potem je v času 0 t < T 1 še zmerom v tem stanju. Ker je T 1 E 0 /λ i, je lim X (t) = i t 0 skoraj gotovo pri pogoju {X (0) = i}. Skoraj gotova konvergenca pa ima za posledico konvergenco v porazdelitvi (po zakonu, šibko konvergenco), zato velja lim P(X (t) = j X (0) = i) = δ ij. t 0
71 Odvedljivost 1 e z Druga posledica prejšnjega izreka pa je dejstvo, da je prehodna matrika tudi z desne odvedljiva v točki t = 0 (po komponentah). Dobljena matrika je seveda nam že dobro znani. Izrek (Oblika ja) Obstaja desni odvod matrične funkcije P(t) po komponentah v vseh časovnih točkah t. V točki t = 0 je ta odvod enak { d dt P λi, če i = j; ij(t) = a ij = λ i q ij, če i j. V matričnem zapisu dobi enačba iz tega izreka obliko P (0) = A. Tu označuje matrika A s komponentami a ij.
72 Odvedljivost 1 e z Druga posledica prejšnjega izreka pa je dejstvo, da je prehodna matrika tudi z desne odvedljiva v točki t = 0 (po komponentah). Dobljena matrika je seveda nam že dobro znani. Izrek (Oblika ja) Obstaja desni odvod matrične funkcije P(t) po komponentah v vseh časovnih točkah t. V točki t = 0 je ta odvod enak { d dt P λi, če i = j; ij(t) = a ij = λ i q ij, če i j. V matričnem zapisu dobi enačba iz tega izreka obliko P (0) = A. Tu označuje matrika A s komponentami a ij.
73 Odvedljivost 2 e z Slednja enačba ima na diagonali naslednji pomen: 1 P ii (t) = λ i t + o(t). To se pravi, da je λ i t približno enaka verjetnosti, da bo a zapustila stanje i pred t, oziroma je λ i pretok verjetnosti, da bo a zapustila stanje i pred t. Oglejmo si še pomen iste izven diagonale: P ij (t) = λ i q ij t + o(t). To se pravi, da je λ i q ij t približno enaka verjetnosti, da bo a zapustila stanje i in prešla v stanje j. Torej je λ i q ij pretok verjetnosti, da bo a prešla iz stanja i v stanje j pred t.
74 Odvedljivost 2 e z Slednja enačba ima na diagonali naslednji pomen: 1 P ii (t) = λ i t + o(t). To se pravi, da je λ i t približno enaka verjetnosti, da bo a zapustila stanje i pred t, oziroma je λ i pretok verjetnosti, da bo a zapustila stanje i pred t. Oglejmo si še pomen iste izven diagonale: P ij (t) = λ i q ij t + o(t). To se pravi, da je λ i q ij t približno enaka verjetnosti, da bo a zapustila stanje i in prešla v stanje j. Torej je λ i q ij pretok verjetnosti, da bo a prešla iz stanja i v stanje j pred t. Da bi dokazali izrek, vstavimo v rekurzivno integralsko enačbo za P ij (t) substitucijo u = t s:
75 Odvedljivost 2 e z Slednja enačba ima na diagonali naslednji pomen: 1 P ii (t) = λ i t + o(t). To se pravi, da je λ i t približno enaka verjetnosti, da bo a zapustila stanje i pred t, oziroma je λ i pretok verjetnosti, da bo a zapustila stanje i pred t. Oglejmo si še pomen iste izven diagonale: P ij (t) = λ i q ij t + o(t). To se pravi, da je λ i q ij t približno enaka verjetnosti, da bo a zapustila stanje i in prešla v stanje j. Torej je λ i q ij pretok verjetnosti, da bo a prešla iz stanja i v stanje j pred t. Da bi dokazali izrek, vstavimo v rekurzivno integralsko enačbo za P ij (t) substitucijo u = t s:
76 Odvedljivost 3 e z P ij (t) = e λ i t δ ij + t 0 λ i e λ i u k i q ik P kj (u) du. (4) Funkcija pod integralskim znakom na desni strani (4) je očitno omejena. Ker je integral omejene funkcije kot funkcija zgornje meje zvezna, je na levi strani te zvezna funkcija. To pa velja za vse pare indeksov i in j. S tem dejstvom v roki se ponovno ozrimo na enačbo (4). Tokrat opazimo, da je na desni strani integral zvezne funkcije. Ta pa je vselej odvedljiva funkcija in njen odvod je enak integrandu v točki zgornje meje. Tako dobimo
77 Odvedljivost 3 e z P ij (t) = e λ i t δ ij + t 0 λ i e λ i u k i q ik P kj (u) du. (4) Funkcija pod integralskim znakom na desni strani (4) je očitno omejena. Ker je integral omejene funkcije kot funkcija zgornje meje zvezna, je na levi strani te zvezna funkcija. To pa velja za vse pare indeksov i in j. S tem dejstvom v roki se ponovno ozrimo na enačbo (4). Tokrat opazimo, da je na desni strani integral zvezne funkcije. Ta pa je vselej odvedljiva funkcija in njen odvod je enak integrandu v točki zgornje meje. Tako dobimo P ij(t) = λ i P ij (t) + λ i q ik P kj (t). (5) k i
78 Odvedljivost 3 e z P ij (t) = e λ i t δ ij + t 0 λ i e λ i u k i q ik P kj (u) du. (4) Funkcija pod integralskim znakom na desni strani (4) je očitno omejena. Ker je integral omejene funkcije kot funkcija zgornje meje zvezna, je na levi strani te zvezna funkcija. To pa velja za vse pare indeksov i in j. S tem dejstvom v roki se ponovno ozrimo na enačbo (4). Tokrat opazimo, da je na desni strani integral zvezne funkcije. Ta pa je vselej odvedljiva funkcija in njen odvod je enak integrandu v točki zgornje meje. Tako dobimo P ij(t) = λ i P ij (t) + λ i q ik P kj (t). (5) k i
79 Nazajšnje e z Z enačbo (5) smo končali dokaz zadnjega izreka. Upoštevamo še definicijo ja, da dobimo P ij(t) = k S [ λ i δ ik (t) + λ i q ik ] P kj (t) = k S a ik P kj (t). (6) To pa je ravno nazajšnji sistem enačb. Tako smo dokazali naslednji izrek. Izrek (Nazajšnje ) Za matrično polgrupo, prirejeno markovski i z po obratni poti, velja, da je zvezna in zvezno odvedljiva. Zanjo in njen, podan z izrekom Oblika ja, veljajo (6).
80 Nazajšnje e z Z enačbo (5) smo končali dokaz zadnjega izreka. Upoštevamo še definicijo ja, da dobimo P ij(t) = k S [ λ i δ ik (t) + λ i q ik ] P kj (t) = k S a ik P kj (t). (6) To pa je ravno nazajšnji sistem enačb. Tako smo dokazali naslednji izrek. Izrek (Nazajšnje ) Za matrično polgrupo, prirejeno markovski i z po obratni poti, velja, da je zvezna in zvezno odvedljiva. Zanjo in njen, podan z izrekom Oblika ja, veljajo (6). Do naprejšnjih enačb moramo prehoditi spet celo pot preko ustrezne rekurzivne integralske, ki jo dobimo s pogojevanjem na koncu intervala...
81 Nazajšnje e z Z enačbo (5) smo končali dokaz zadnjega izreka. Upoštevamo še definicijo ja, da dobimo P ij(t) = k S [ λ i δ ik (t) + λ i q ik ] P kj (t) = k S a ik P kj (t). (6) To pa je ravno nazajšnji sistem enačb. Tako smo dokazali naslednji izrek. Izrek (Nazajšnje ) Za matrično polgrupo, prirejeno markovski i z po obratni poti, velja, da je zvezna in zvezno odvedljiva. Zanjo in njen, podan z izrekom Oblika ja, veljajo (6). Do naprejšnjih enačb moramo prehoditi spet celo pot preko ustrezne rekurzivne integralske, ki jo dobimo s pogojevanjem na koncu intervala...
Verjetnost 2. Oktober Verjetnost 2 Šesto poglavje. Obratna pot do markovskih verig. Od diskretnega časa proti zveznemu. Stabilnost in eksplozije
Oktober 2010 Vsebina 1 2 3 Osnovne sestavine obratne poti Imejmo markovsko o z diskretnim časom Y s števno množico stanj S, z začetno porazdelitvijo π 0 in prehodno matriko Q, ki ima lastnost, da so vsi
Διαβάστε περισσότεραFunkcijske vrste. Matematika 2. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 2. april Gregor Dolinar Matematika 2
Matematika 2 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 2. april 2014 Funkcijske vrste Spomnimo se, kaj je to številska vrsta. Dano imamo neko zaporedje realnih števil a 1, a 2, a
Διαβάστε περισσότεραOdvod. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 5. december Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 5. december 2013 Primer Odvajajmo funkcijo f(x) = x x. Diferencial funkcije Spomnimo se, da je funkcija f odvedljiva v točki
Διαβάστε περισσότεραDiferencialna enačba, v kateri nastopata neznana funkcija in njen odvod v prvi potenci
Linearna diferencialna enačba reda Diferencialna enačba v kateri nastopata neznana funkcija in njen odvod v prvi potenci d f + p= se imenuje linearna diferencialna enačba V primeru ko je f 0 se zgornja
Διαβάστε περισσότεραZaporedja. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 22. oktober Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 22. oktober 2013 Kdaj je zaporedje {a n } konvergentno, smo definirali s pomočjo limite zaporedja. Večkrat pa je dobro vedeti,
Διαβάστε περισσότεραOdvod. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 10. december Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 10. december 2013 Izrek (Rolleov izrek) Naj bo f : [a,b] R odvedljiva funkcija in naj bo f(a) = f(b). Potem obstaja vsaj ena
Διαβάστε περισσότεραTretja vaja iz matematike 1
Tretja vaja iz matematike Andrej Perne Ljubljana, 00/07 kompleksna števila Polarni zapis kompleksnega števila z = x + iy): z = rcos ϕ + i sin ϕ) = re iϕ Opomba: Velja Eulerjeva formula: e iϕ = cos ϕ +
Διαβάστε περισσότεραDefinicija. definiramo skalarni produkt. x i y i. in razdaljo. d(x, y) = x y = < x y, x y > = n (x i y i ) 2. i=1. i=1
Funkcije več realnih spremenljivk Osnovne definicije Limita in zveznost funkcije več spremenljivk Parcialni odvodi funkcije več spremenljivk Gradient in odvod funkcije več spremenljivk v dani smeri Parcialni
Διαβάστε περισσότεραFunkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 21. november Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 21. november 2013 Hiperbolične funkcije Hiperbolični sinus sinhx = ex e x 2 20 10 3 2 1 1 2 3 10 20 hiperbolični kosinus coshx
Διαβάστε περισσότεραReševanje sistema linearnih
Poglavje III Reševanje sistema linearnih enačb V tem kratkem poglavju bomo obravnavali zelo uporabno in zato pomembno temo linearne algebre eševanje sistemov linearnih enačb. Spoznali bomo Gaussovo (natančneje
Διαβάστε περισσότεραmatrike A = [a ij ] m,n αa 11 αa 12 αa 1n αa 21 αa 22 αa 2n αa m1 αa m2 αa mn se števanje po komponentah (matriki morata biti enakih dimenzij):
4 vaja iz Matematike 2 (VSŠ) avtorica: Melita Hajdinjak datum: Ljubljana, 2009 matrike Matrika dimenzije m n je pravokotna tabela m n števil, ki ima m vrstic in n stolpcev: a 11 a 12 a 1n a 21 a 22 a 2n
Διαβάστε περισσότεραFunkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 14. november Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 14. november 2013 Kvadratni koren polinoma Funkcijo oblike f(x) = p(x), kjer je p polinom, imenujemo kvadratni koren polinoma
Διαβάστε περισσότεραIzpeljava Jensenove in Hölderjeve neenakosti ter neenakosti Minkowskega
Izeljava Jensenove in Hölderjeve neenakosti ter neenakosti Minkowskega 1. Najosnovnejše o konveksnih funkcijah Definicija. Naj bo X vektorski rostor in D X konveksna množica. Funkcija ϕ: D R je konveksna,
Διαβάστε περισσότεραIZPIT IZ ANALIZE II Maribor,
Maribor, 05. 02. 200. (a) Naj bo f : [0, 2] R odvedljiva funkcija z lastnostjo f() = f(2). Dokaži, da obstaja tak c (0, ), da je f (c) = 2f (2c). (b) Naj bo f(x) = 3x 3 4x 2 + 2x +. Poišči tak c (0, ),
Διαβάστε περισσότεραZaporedja. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 15. oktober Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 15. oktober 2013 Oglejmo si, kako množimo dve kompleksni števili, dani v polarni obliki. Naj bo z 1 = r 1 (cosϕ 1 +isinϕ 1 )
Διαβάστε περισσότεραPodobnost matrik. Matematika II (FKKT Kemijsko inženirstvo) Diagonalizacija matrik
Podobnost matrik Matematika II (FKKT Kemijsko inženirstvo) Matjaž Željko FKKT Kemijsko inženirstvo 14 teden (Zadnja sprememba: 23 maj 213) Matrika A R n n je podobna matriki B R n n, če obstaja obrnljiva
Διαβάστε περισσότεραFunkcije. Matematika 1. Gregor Dolinar. Fakulteta za elektrotehniko Univerza v Ljubljani. 12. november Gregor Dolinar Matematika 1
Matematika 1 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 12. november 2013 Graf funkcije f : D R, D R, je množica Γ(f) = {(x,f(x)) : x D} R R, torej podmnožica ravnine R 2. Grafi funkcij,
Διαβάστε περισσότερα13. Jacobijeva metoda za računanje singularnega razcepa
13. Jacobijeva metoda za računanje singularnega razcepa Bor Plestenjak NLA 25. maj 2010 Bor Plestenjak (NLA) 13. Jacobijeva metoda za računanje singularnega razcepa 25. maj 2010 1 / 12 Enostranska Jacobijeva
Διαβάστε περισσότεραKODE ZA ODKRIVANJE IN ODPRAVLJANJE NAPAK
1 / 24 KODE ZA ODKRIVANJE IN ODPRAVLJANJE NAPAK Štefko Miklavič Univerza na Primorskem MARS, Avgust 2008 Phoenix 2 / 24 Phoenix 3 / 24 Phoenix 4 / 24 Črtna koda 5 / 24 Črtna koda - kontrolni bit 6 / 24
Διαβάστε περισσότεραV tem poglavju bomo vpeljali pojem determinante matrike, spoznali bomo njene lastnosti in nekaj metod za računanje determinant.
Poglavje IV Determinanta matrike V tem poglavju bomo vpeljali pojem determinante matrike, spoznali bomo njene lastnosti in nekaj metod za računanje determinant 1 Definicija Preden definiramo determinanto,
Διαβάστε περισσότεραSKUPNE PORAZDELITVE VEČ SLUČAJNIH SPREMENLJIVK
SKUPNE PORAZDELITVE SKUPNE PORAZDELITVE VEČ SLUČAJNIH SPREMENLJIVK Kovaec vržemo trikrat. Z ozačimo število grbov ri rvem metu ( ali ), z Y a skuo število grbov (,, ali 3). Kako sta sremelivki i Y odvisi
Διαβάστε περισσότεραEnačba, v kateri poleg neznane funkcije neodvisnih spremenljivk ter konstant nastopajo tudi njeni odvodi, se imenuje diferencialna enačba.
1. Osnovni pojmi Enačba, v kateri poleg neznane funkcije neodvisnih spremenljivk ter konstant nastopajo tudi njeni odvodi, se imenuje diferencialna enačba. Primer 1.1: Diferencialne enačbe so izrazi: y
Διαβάστε περισσότεραIterativno reševanje sistemov linearnih enačb. Numerične metode, sistemi linearnih enačb. Numerične metode FE, 2. december 2013
Numerične metode, sistemi linearnih enačb B. Jurčič Zlobec Numerične metode FE, 2. december 2013 1 Vsebina 1 z n neznankami. a i1 x 1 + a i2 x 2 + + a in = b i i = 1,..., n V matrični obliki zapišemo:
Διαβάστε περισσότεραFunkcije več spremenljivk
DODATEK C Funkcije več spremenljivk C.1. Osnovni pojmi Funkcija n spremenljivk je predpis: f : D f R, (x 1, x 2,..., x n ) u = f (x 1, x 2,..., x n ) kjer D f R n imenujemo definicijsko območje funkcije
Διαβάστε περισσότεραAnaliza 2 Rešitve 14. sklopa nalog
Analiza Rešitve 1 sklopa nalog Navadne diferencialne enačbe višjih redov in sistemi diferencialnih enačb (1) Reši homogene diferencialne enačbe drugega reda s konstantnimi koeficienti: (a) 6 + 8 0, (b)
Διαβάστε περισσότεραOsnove matematične analize 2016/17
Osnove matematične analize 216/17 Neža Mramor Kosta Fakulteta za računalništvo in informatiko Univerza v Ljubljani Kaj je funkcija? Funkcija je predpis, ki vsakemu elementu x iz definicijskega območja
Διαβάστε περισσότεραvezani ekstremi funkcij
11. vaja iz Matematike 2 (UNI) avtorica: Melita Hajdinjak datum: Ljubljana, 2009 ekstremi funkcij več spremenljivk nadaljevanje vezani ekstremi funkcij Dana je funkcija f(x, y). Zanimajo nas ekstremi nad
Διαβάστε περισσότεραREˇSITVE. Naloga a. b. c. d Skupaj. FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost 2. kolokvij 23.
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost. kolokvij 3. januar 08 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja. Nalog je 6,
Διαβάστε περισσότεραKotne in krožne funkcije
Kotne in krožne funkcije Kotne funkcije v pravokotnem trikotniku Avtor: Rok Kralj, 4.a Gimnazija Vič, 009/10 β a c γ b α sin = a c cos= b c tan = a b cot = b a Sinus kota je razmerje kotu nasprotne katete
Διαβάστε περισσότεραMatrike. Poglavje II. Matrika je pravokotna tabela realnih števil. Na primer: , , , 0 1
Poglavje II Matrike Matrika je pravokotna tabela realnih števil Na primer: [ ] 1 1 1, 2 3 1 1 0 1 3 2 1, 0 1 4 [ ] 2 7, Matrika je sestavljena iz vrstic in stolpcev Vrstici matrike [ ] 1 1 1 2 3 1 [ ]
Διαβάστε περισσότεραSpoznajmo sedaj definicijo in nekaj osnovnih primerov zaporedij števil.
Zaporedja števil V matematiki in fiziki pogosto operiramo s približnimi vrednostmi neke količine. Pri numeričnemu računanju lahko npr. število π aproksimiramo s števili, ki imajo samo končno mnogo neničelnih
Διαβάστε περισσότεραMatematika 1. Gabrijel Tomšič Bojan Orel Neža Mramor Kosta
Matematika Gabrijel Tomšič Bojan Orel Neža Mramor Kosta 6. november 200 Poglavje 2 Zaporedja in številske vrste 2. Zaporedja 2.. Uvod Definicija 2... Zaporedje (a n ) = a, a 2,..., a n,... je predpis,
Διαβάστε περισσότεραKvadratne forme. Poglavje XI. 1 Definicija in osnovne lastnosti
Poglavje XI Kvadratne forme V zadnjem poglavju si bomo ogledali še eno vrsto preslikav, ki jih tudi lahko podamo z matrikami. To so tako imenovane kvadratne forme, ki niso več linearne preslikave. Kvadratne
Διαβάστε περισσότεραSplošno o interpolaciji
Splošno o interpolaciji J.Kozak Numerične metode II (FM) 2011-2012 1 / 18 O funkciji f poznamo ali hočemo uporabiti le posamezne podatke, na primer vrednosti r i = f (x i ) v danih točkah x i Izberemo
Διαβάστε περισσότεραLinearne preslikave. Poglavje VII. 1 Definicija linearne preslikave in osnovne lastnosti
Poglavje VII Linearne preslikave V tem poglavju bomo vektorske prostore označevali z U,V,W,... Vsi vektorski prostori bodo končnorazsežni. Zaradi enostavnosti bomo privzeli, da je pripadajoči obseg realnih
Διαβάστε περισσότερα8. Posplošeni problem lastnih vrednosti
8. Posplošeni problem lastnih vrednosti Bor Plestenjak NLA 13. april 2010 Bor Plestenjak (NLA) 8. Posplošeni problem lastnih vrednosti 13. april 2010 1 / 15 Matrični šop Dani sta kvadratni n n matriki
Διαβάστε περισσότεραLastne vrednosti in lastni vektorji
Poglavje VIII Lastne vrednosti in lastni vektorji V tem poglavju bomo privzeli, da so skalarji v vektorskih prostorih, koeficienti v matrikah itd., kompleksna števila. Algebraične operacije seštevanja,
Διαβάστε περισσότεραNumerično reševanje. diferencialnih enačb II
Numerčno reševanje dferencaln enačb I Dferencalne enačbe al ssteme dferencaln enačb rešujemo numerčno z več razlogov:. Ne znamo j rešt analtčno.. Posamezn del dferencalne enačbe podan tabelarčno. 3. Podatke
Διαβάστε περισσότεραUporabna matematika za naravoslovce
Uporabna matematika za naravoslovce Zapiski predavanj Študijski programi: Aplikativna kineziologija, Biodiverziteta Študijsko leto 203/4 doc.dr. Barbara Boldin Fakulteta za matematiko, naravoslovje in
Διαβάστε περισσότεραOsnove linearne algebre
Osnove linearne algebre Matrike Matrika razsežnosti n m je A = a 1 1 a 1 2 a 1 m a 2 1 a 2 2 a 2 m a n 1 a n 2 a n m Če je n = m, tedaj matriko imenujemo kvadratna matrika Elementi matrike so lahko realna
Διαβάστε περισσότεραFAKULTETA ZA STROJNIŠTVO Matematika 4 Pisni izpit 22. junij Navodila
FAKULTETA ZA STROJNIŠTVO Matematika 4 Pisni izpit 22 junij 212 Ime in priimek: Vpisna št: Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Veljale bodo samo rešitve na papirju, kjer
Διαβάστε περισσότεραII. LIMITA IN ZVEZNOST FUNKCIJ
II. LIMITA IN ZVEZNOST FUNKCIJ. Preslikave med množicami Funkcija ali preslikava med dvema množicama A in B je predpis f, ki vsakemu elementu x množice A priredi natanko določen element y množice B. Važno
Διαβάστε περισσότεραAlgebraične strukture
Poglavje V Algebraične strukture V tem poglavju bomo spoznali osnovne algebraične strukture na dani množici. Te so podane z eno ali dvema binarnima operacijama. Binarna operacija paru elementov iz množice
Διαβάστε περισσότερα1 Fibonaccijeva stevila
1 Fibonaccijeva stevila Fibonaccijevo število F n, kjer je n N, lahko definiramo kot število načinov zapisa števila n kot vsoto sumandov, enakih 1 ali Na primer, število 4 lahko zapišemo v obliki naslednjih
Διαβάστε περισσότεραMatematika 2. Diferencialne enačbe drugega reda
Matematika 2 Diferencialne enačbe drugega reda (1) Reši homogene diferencialne enačbe drugega reda s konstantnimi koeficienti: (a) y 6y + 8y = 0, (b) y 2y + y = 0, (c) y + y = 0, (d) y + 2y + 2y = 0. Rešitev:
Διαβάστε περισσότεραVaje iz MATEMATIKE 8. Odvod funkcije., pravimo, da je funkcija f odvedljiva v točki x 0 z odvodom. f (x f(x 0 + h) f(x 0 ) 0 ) := lim
Študij AHITEKTURE IN URBANIZMA, šol l 06/7 Vaje iz MATEMATIKE 8 Odvod funkcije f( Definicija: Naj bo f definirana na neki okolici točke 0 Če obstaja lim 0 +h f( 0 h 0 h, pravimo, da je funkcija f odvedljiva
Διαβάστε περισσότεραPoliedri Ines Pogačar 27. oktober 2009
Poliedri Ines Pogačar 27. oktober 2009 Pri linearnem programiranju imamo opravka s končnim sistemom neenakosti in končno spremenljivkami, torej je množica dopustnih rešitev presek končno mnogo polprostorov.
Διαβάστε περισσότερα*M * Osnovna in višja raven MATEMATIKA NAVODILA ZA OCENJEVANJE. Sobota, 4. junij 2011 SPOMLADANSKI IZPITNI ROK. Državni izpitni center
Državni izpitni center *M40* Osnovna in višja raven MATEMATIKA SPOMLADANSKI IZPITNI ROK NAVODILA ZA OCENJEVANJE Sobota, 4. junij 0 SPLOŠNA MATURA RIC 0 M-40-- IZPITNA POLA OSNOVNA IN VIŠJA RAVEN 0. Skupaj:
Διαβάστε περισσότεραTema 1 Osnove navadnih diferencialnih enačb (NDE)
Matematične metode v fiziki II 2013/14 Tema 1 Osnove navadnih diferencialnih enačb (NDE Diferencialne enačbe v fiziki Večina osnovnih enačb v fiziki je zapisana v obliki diferencialne enačbe. Za primer
Διαβάστε περισσότεραOdvode odvisnih spremenljivk po neodvisni spremenljivki bomo označevali s piko: Sistem navadnih diferencialnih enačb prvega reda ima obliko:
4 Sisemi diferencialnih enačb V prakičnih primerih večkra naleimo na več diferencialnih enačb, ki opisujejo določen pojav in so medsebojno povezane edaj govorimo o sisemih diferencialnih enačb V eh enačbah
Διαβάστε περισσότεραdiferencialne enačbe - nadaljevanje
12. vaja iz Matematike 2 (VSŠ) avtorica: Melita Hajdinjak datum: Ljubljana, 2009 diferencialne enačbe - nadaljevanje Ortogonalne trajektorije Dana je 1-parametrična družina krivulj F(x, y, C) = 0. Ortogonalne
Διαβάστε περισσότεραMatematika 1. Gabrijel Tomšič Bojan Orel Neža Mramor Kosta
Matematika 1 Gabrijel Tomšič Bojan Orel Neža Mramor Kosta 21. april 2008 102 Poglavje 4 Odvod 4.1 Definicija odvoda Naj bo funkcija f definirana na intervalu (a, b) in x 0 točka s tega intervala. Vzemimo
Διαβάστε περισσότεραDISKRETNA FOURIERJEVA TRANSFORMACIJA
29.03.2004 Definicija DFT Outline DFT je linearna transformacija nekega vektorskega prostora dimenzije n nad obsegom K, ki ga označujemo z V K, pri čemer ima slednji lastnost, da vsebuje nek poseben element,
Διαβάστε περισσότερα1.3 Vsota diskretnih slučajnih spremenljivk
.3 Vsota diskretnih slučajnih spremenljivk Naj bosta X in Y neodvisni Bernoullijevo porazdeljeni spremenljivki, B(p). Kako je porazdeljena njuna vsota? Označimo Z = X + Y. Verjetnost, da je P (Z = z) za
Διαβάστε περισσότεραBernoullijevo zaporedje neodvisnih poskusov
A. Jurišić in V. Batagelj: Verjetnostni račun in statistika 45 Bernoullijevo zaporedje neodvisnih poskusov O zaporedju neodvisnih poskusov X 1, X 2,, X n, govorimo tedaj, ko so verjetnosti izidov v enem
Διαβάστε περισσότερα3.1 Reševanje nelinearnih sistemov
3.1 Reševanje nelinearnih sistemov Rešujemo sistem nelinearnih enačb f 1 (x 1, x 2,..., x n ) = 0 f 2 (x 1, x 2,..., x n ) = 0. f n (x 1, x 2,..., x n ) = 0. Pišemo F (x) = 0, kjer je x R n in F : R n
Διαβάστε περισσότεραBooleova algebra. Izjave in Booleove spremenljivke
Izjave in Booleove spremenljivke vsako izjavo obravnavamo kot spremenljivko če je izjava resnična (pravilna), ima ta spremenljivka vrednost 1, če je neresnična (nepravilna), pa vrednost 0 pravimo, da gre
Διαβάστε περισσότεραInverzni problem lastnih vrednosti evklidsko razdaljnih matrik
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Fakulteta za matematiko in fiziko Peter Škvorc Inverzni problem lastnih vrednosti evklidsko razdaljnih matrik DIPLOMSKO DELO UNIVERZITETNI
Διαβάστε περισσότεραDodatna poglavja iz linearne algebre za 1. letnik finančne matematike na FMF. Primož Moravec
Dodatna poglavja iz linearne algebre za 1 letnik finančne matematike na FMF Primož Moravec 13 september 2017 1 CIP - Kataložni zapis o publikaciji Narodna in univerzitetna knjižnica, Ljubljana 51264(0758)
Διαβάστε περισσότεραNavadne diferencialne enačbe
Navadne diferencialne enačbe Navadne diferencialne enačbe prvega reda V celotnem poglavju bo y = dy dx. Diferencialne enačbe z ločljivima spremeljivkama Diferencialna enačba z ločljivima spremeljivkama
Διαβάστε περισσότεραNavadne diferencialne enačbe
Navadne diferencialne enačbe (študijsko gradivo) Matija Cencelj 1. maja 2003 2 Kazalo 1 Uvod 5 1.1 Preprosti primeri......................... 8 2 Diferencialne enačbe prvega reda 11 2.1 Ločljivi spremenljivki.......................
Διαβάστε περισσότεραINŽENIRSKA MATEMATIKA I
INŽENIRSKA MATEMATIKA I REŠENE NALOGE za izredne študente VSŠ Tehnično upravljanje nepremičnin Marjeta Škapin Rugelj Fakulteta za gradbeništvo in geodezijo Kazalo Števila in preslikave 5 Vektorji 6 Analitična
Διαβάστε περισσότεραMatematika. Funkcije in enačbe
Matematika Funkcije in enačbe (1) Nariši grafe naslednjih funkcij: (a) f() = 1, (b) f() = 3, (c) f() = 3. Rešitev: (a) Linearna funkcija f() = 1 ima začetno vrednost f(0) = 1 in ničlo = 1/. Definirana
Διαβάστε περισσότεραUniverza v Ljubljani Fakulteta za računalništvo in informatiko MATEMATIKA. Polona Oblak
Univerza v Ljubljani Fakulteta za računalništvo in informatiko MATEMATIKA Polona Oblak Ljubljana, 04 CIP - Kataložni zapis o publikaciji Narodna in univerzitetna knjižnica, Ljubljana 5(075.8)(0.034.) OBLAK,
Διαβάστε περισσότερα1 Seštevanje vektorjev in množenje s skalarjem
Poglavje I Vektorji Seštevanje vektorjev in množenje s skalarjem Za lažjo geometrično predstavo si najprej oglejmo, kaj so vektorji v ravnini. Vektor je usmerjena daljica, ki je natanko določena s svojo
Διαβάστε περισσότεραMatematika 1. Gregor Dolinar. 2. januar Fakulteta za elektrotehniko Univerza v Ljubljani. Gregor Dolinar Matematika 1
Mtemtik 1 Gregor Dolinr Fkultet z elektrotehniko Univerz v Ljubljni 2. jnur 2014 Gregor Dolinr Mtemtik 1 Izrek (Izrek o povprečni vrednosti) Nj bo m ntnčn spodnj mej in M ntnčn zgornj mej integrbilne funkcije
Διαβάστε περισσότεραNEPARAMETRIČNI TESTI. pregledovanje tabel hi-kvadrat test. as. dr. Nino RODE
NEPARAMETRIČNI TESTI pregledovanje tabel hi-kvadrat test as. dr. Nino RODE Parametrični in neparametrični testi S pomočjo z-testa in t-testa preizkušamo domneve o parametrih na vzorcih izračunamo statistike,
Διαβάστε περισσότεραRealne funkcije. Elementarne funkcije. Polinomi in racionalne funkcije. Eksponentna funkcija a x : R R + FKKT Matematika 1
Realne funkcije Funkcija f denirana simetri nem intervalu D = ( a, a) ali D = [ a, a] (i) je soda, e velja f(x) = f( x), x D; (ii) je liha, e velja f(x) = f( x), x D. Naj bo f denirana D f in x 1, x 2
Διαβάστε περισσότεραUNIVERZA V MARIBORU FAKULTETA ZA KEMIJO IN KEMIJSKO TEHNOLOGIJO MATEMATIKA III
UNIVERZA V MARIBORU FAKULTETA ZA KEMIJO IN KEMIJSKO TEHNOLOGIJO Petra Žigert Pleteršek MATEMATIKA III Maribor, september 215 ii Kazalo Diferencialni račun vektorskih funkcij 1 1.1 Skalarne funkcije...........................
Διαβάστε περισσότεραDragi polinom, kje so tvoje ničle?
1 Dragi polinom, kje so tvoje ničle? Vito Vitrih FAMNIT - Izlet v matematično vesolje 17. december 2010 Polinomi: 2 Polinom stopnje n je funkcija p(x) = a n x n + a n 1 x n 1 +... + a 1 x + a 0, a i R.
Διαβάστε περισσότεραMatematika vaja. Matematika FE, Ljubljana, Slovenija Fakulteta za Elektrotehniko 1000 Ljubljana, Tržaška 25, Slovenija
Matematika 1 3. vaja B. Jurčič Zlobec 1 1 Univerza v Ljubljani, Fakulteta za Elektrotehniko 1000 Ljubljana, Tržaška 25, Slovenija Matematika FE, Ljubljana, Slovenija 2011 Določi stekališča zaporedja a
Διαβάστε περισσότερα1. Definicijsko območje, zaloga vrednosti. 2. Naraščanje in padanje, ekstremi. 3. Ukrivljenost. 4. Trend na robu definicijskega območja
ZNAČILNOSTI FUNKCIJ ZNAČILNOSTI FUNKCIJE, KI SO RAZVIDNE IZ GRAFA. Deinicijsko območje, zaloga vrednosti. Naraščanje in padanje, ekstremi 3. Ukrivljenost 4. Trend na robu deinicijskega območja 5. Periodičnost
Διαβάστε περισσότεραFunkcije dveh in več spremenljivk
Poglavje 3 Funkcije dveh in več spremenljivk 3.1 Osnovni pojmi Definicija 3.1.1. Funkcija dveh spremenljivk je preslikava, ki vsaki točki (x, y) ravninske množice D priredi realno število z = f(x, y),
Διαβάστε περισσότεραVektorski prostori s skalarnim produktom
Poglavje IX Vektorski prostori s skalarnim produktom Skalarni produkt dveh vektorjev v R n smo spoznali v prvem poglavju. Sedaj bomo pojem skalarnega produkta razširili na poljuben vektorski prostor V
Διαβάστε περισσότεραKotni funkciji sinus in kosinus
Kotni funkciji sinus in kosinus Oznake: sinus kota x označujemo z oznako sin x, kosinus kota x označujemo z oznako cos x, DEFINICIJA V PRAVOKOTNEM TRIKOTNIKU: Kotna funkcija sinus je definirana kot razmerje
Διαβάστε περισσότεραNa pregledni skici napišite/označite ustrezne točke in paraboli. A) 12 B) 8 C) 4 D) 4 E) 8 F) 12
Predizpit, Proseminar A, 15.10.2015 1. Točki A(1, 2) in B(2, b) ležita na paraboli y = ax 2. Točka H leži na y osi in BH je pravokotna na y os. Točka C H leži na nosilki BH tako, da je HB = BC. Parabola
Διαβάστε περισσότεραProblem lastnih vrednosti
Problem lastnih vrednosti Naj bo A R n n. Iščemo lastni par, da zanj velja Ax = λx, kjer je x C n, x 0 (desni) lastni vektor, λ C pa lastna vrednost. Vektor y 0, pri katerem je y H A = λy H, je levi lastni
Διαβάστε περισσότεραDomače naloge za 2. kolokvij iz ANALIZE 2b VEKTORSKA ANALIZA
Domače naloge za 2. kolokvij iz ANALIZE 2b VEKTORSKA ANALIZA. Naj bo vektorsko polje R : R 3 R 3 dano s predpisom R(x, y, z) = (2x 2 + z 2, xy + 2yz, z). Izračunaj pretok polja R skozi površino torusa
Διαβάστε περισσότεραMatematika 1. Jaka Cimprič
Matematika 1 Jaka Cimprič Predgovor Pričujoči učbenik je namenjen študentom tistih univerzitetnih programov, ki vključujejo samo eno leto matematike. Nastala je na podlagi izkušenj, ki jih imam s poučevanjem
Διαβάστε περισσότεραPONOVITEV SNOVI ZA 4. TEST
PONOVITEV SNOVI ZA 4. TEST 1. * 2. *Galvanski člen z napetostjo 1,5 V požene naboj 40 As. Koliko električnega dela opravi? 3. ** Na uporniku je padec napetosti 25 V. Upornik prejme 750 J dela v 5 minutah.
Διαβάστε περισσότεραFrekvenčna analiza neperiodičnih signalov. Analiza signalov prof. France Mihelič
Frekvenčna analiza neperiodičnih signalov Analiza signalov prof. France Mihelič Vpliv postopka daljšanja periode na spekter periodičnega signala Opazujmo družino sodih periodičnih pravokotnih impulzov
Διαβάστε περισσότεραVEKTORJI. Operacije z vektorji
VEKTORJI Vektorji so matematični objekti, s katerimi opisujemo določene fizikalne količine. V tisku jih označujemo s krepko natisnjenimi črkami (npr. a), pri pisanju pa s puščico ( a). Fizikalne količine,
Διαβάστε περισσότερα22. Kdaj sta dva vektorja vzporedna? FGG geodezija UNI Matematika I, 2005/ Kdaj so vektorji a 1, a 2,..., a n linearno neodvisni?
FGG geodezija UNI Matematika I, 2005/06 1. Definicija enakosti množic (funkcij, kompleksnih števil, urejenih n teric)? 2. Definicija kartezičnega produkta množic A in B. Definicija množice R n. 3. Popolna
Διαβάστε περισσότεραKontrolne karte uporabljamo za sprotno spremljanje kakovosti izdelka, ki ga izdelujemo v proizvodnem procesu.
Kontrolne karte KONTROLNE KARTE Kontrolne karte uporablamo za sprotno spremlane kakovosti izdelka, ki ga izdeluemo v proizvodnem procesu. Izvaamo stalno vzorčene izdelkov, npr. vsako uro, vsake 4 ure.
Διαβάστε περισσότερα8. Diskretni LTI sistemi
8. Diskreti LI sistemi. Naloga Določite odziv diskretega LI sistema s podaim odzivom a eoti impulz, a podai vhodi sigal. h[] x[] - - 5 6 7 - - 5 6 7 LI sistem se a vsak eoti impulz δ[] a vhodu odzove z
Διαβάστε περισσότεραUNIVERZA V MARIBORU FAKULTETA ZA KEMIJO IN KEMIJSKO TEHNOLOGIJO MATEMATIKA II
UNIVERZA V MARIBORU FAKULTETA ZA KEMIJO IN KEMIJSKO TEHNOLOGIJO Petra Žigert Pleteršek MATEMATIKA II Maribor, 2016 Kazalo Uvod v linearno algebro 1 1.1 Matrike................................ 1 1.2 Računanje
Διαβάστε περισσότερα11.5 Metoda karakteristik za hiperbolične PDE
11.5 Metoda karakteristik za hiperbolične PDE Hiperbolična kvazi linearna PDE ima obliko au xx + bu xy + cu yy = f, (1) kjer so a, b, c, f funkcije x, y, u, u x in u y, ter velja b 2 4ac > 0. Če predpostavimo,
Διαβάστε περισσότεραZBIRKA REŠENIH NALOG IZ MATEMATIKE I
Univerza v Ljubljani Fakulteta za elektrotehniko Andrej Perne ZBIRKA REŠENIH NALOG IZ MATEMATIKE I Skripta za vaje iz Matematike I (UNI + VSP) Ljubljana, množice Osnovne definicije: Množica A je podmnožica
Διαβάστε περισσότεραMatematika. BF Lesarstvo. Zapiski ob predavanjih v šolskem letu 2010/2011
Matematika BF Lesarstvo Matjaž Željko Zapiski ob predavanjih v šolskem letu 00/0 Izpis: 9 avgust 0 Kazalo Števila 5 Naravna števila 5 Cela števila 6 3 Racionalna števila 6 4 Realna števila 7 5 Urejenost
Διαβάστε περισσότεραMatematično modeliranje 3. poglavje Dinamično modeliranje: diferencialne enačbe, sistemi diferencialnih enačb
Matematično modeliranje 3. poglavje Dinamično modeliranje: diferencialne enačbe, sistemi diferencialnih enačb Fakulteta za računalništvo in informatiko Univerza v Ljubljani 2017/2018 Za kaj rabimo diferencialne
Διαβάστε περισσότεραKvantni delec na potencialnem skoku
Kvantni delec na potencialnem skoku Delec, ki se giblje premo enakomerno, pride na mejo, kjer potencial naraste s potenciala 0 na potencial. Takšno potencialno funkcijo zapišemo kot 0, 0 0,0. Slika 1:
Διαβάστε περισσότεραProblem lastnih vrednosti 1 / 20
Problem lastnih vrednosti 1 / 20 2 / 20 1 Uvod 2 Potenčna metoda 3 Inverzna iteracija 4 QR iteracija 5 Metode za simetrične matrike Sturmovo zaporedje Jacobijeva iteracija 3 / 20 Uvod Naj bo A R n n. Paru
Διαβάστε περισσότεραAfina in projektivna geometrija
fina in projektivna geometrija tožnice () kiciraj stožnico v evklidski ravnini R, ki je določena z enačbo 6 3 8 + 6 =. Rešitev: tožnica v evklidski ravnini je krivulja, ki jo določa enačba a + b + c +
Διαβάστε περισσότεραPoglavje 2. Sistemi linearnih enačb
Poglavje 2 Sistemi linearnih enačb Najpogostejši problem, na katerega naletimo pri numeričnem računanju, je reševanje sistema linearnih enačb Tak sistem lahko dobimo direktno iz matematične formulacije
Διαβάστε περισσότερα11. Posplošeni problemi lastnih vrednosti
11. Posplošeni problemi lastnih vrednosti Dani sta kvadratni n n matriki A in B. Množico vseh matrik oblike A λb, kjer je λ C, imenujemo matrični šop in označimo z (A, B) ali A λb. Karakteristični polinom
Διαβάστε περισσότεραReševanje sistemov linearnih enačb
1 / 37 Reševanje sistemov linearnih enačb Meteorologija z geofiziko, I. stopnja http://ucilnica.fmf.uni-lj.si/ 2 / 37 Matrični zapis sistema linearnih enačb Sistem m linearnih enačb z n neznankami a 11
Διαβάστε περισσότεραKombinatorika. rekurzivnih enačb in rodovne funkcije. FMF Matematika Finančna matematika. Vladimir Batagelj. Ljubljana, april
FMF Matematika Finančna matematika Kombinatorika Reševanje rekurzivnih enačb in rodovne funkcije Vladimir Batagelj Math fun: Pascal triangle Ljubljana, april 2008 4. Dec 2012 različica: December 4, 2012
Διαβάστε περισσότεραZBIRKA REŠENIH NALOG IZ MATEMATIKE II
Univerza v Ljubljani Fakulteta za elektrotehniko Andrej Perne ZBIRKA REŠENIH NALOG IZ MATEMATIKE II Skripta za vaje iz Matematike II (UNI + VSP) Ljubljana, determinante Determinanta det A je število, prirejeno
Διαβάστε περισσότεραUNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA SANDRA BOLTA LASTNE VREDNOSTI GRAFA DIPLOMSKO DELO
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA SANDRA BOLTA LASTNE VREDNOSTI GRAFA DIPLOMSKO DELO LJUBLJANA, 2014 2 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA Študijska smer: Fizika in matematika SANDRA BOLTA
Διαβάστε περισσότεραMatematika. BF Lesarstvo. Zapiski ob predavanjih v šolskem letu 2009/2010
Matematika BF Lesarstvo Matjaž Željko Zapiski ob predavanjih v šolskem letu 009/00 Izpis: 9 januar 00 KAZALO Kazalo Števila 5 Naravna števila 5 Cela števila 6 3 Racionalna števila 6 4 Realna števila 7
Διαβάστε περισσότερα