Časové rady Ján Pekár Prednáška 6 Odhady parametrov
|
|
- Θάλεια Σαπφειρη Μαυρογένης
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Prednáška 6 Odhady parametrov
2 Predošlá prednáška Výberová PACF Rekurzívne metódy: Durbin-Levinson Reprezentácia inovácií Rekurzívne metódy: Algoritmus inovácií Príklad: Algoritmus inovácií pre predpoveď pomocou MA(1) Lineárna predikcia založená na nekonečnej minulosti 2
3 Dnešná prednáška Odseknutý prediktor Odhad parametrov Estimátor maximálnej vierohodnosti Yuleho Walkerov estimátor Integrované ARMA modely(?) Sezónne ARMA modely(?) 3
4 Opakovanie: Predikčný operátor Pre náhodné premenné Y, Z 1, Z 2,..., Z n, definujeme najlepšiu lineárnu predikciu Y vzhľadom na Z = (Z 1, Z 2,..., Z n ) ako operátor P(. Z) aplikovaný na Y: s kde 4
5 Opakovanie: Jednokroková dopredná lineárna predikcia 5
6 Opakovanie: Reprezentácia inovácií Namiesto najlepšieho lineárneho prediktora môžeme písať Označme = U n. Toto je stále lineárne v X 1, X 2,..., X n. Inovácie sú nekorelované 6
7 Opakovanie: Predikcia h krokov napred pomocou inovácií Reprezentácia inovácií pre jednokrokovú naprednú predikciu je Ako vyzerá reprezentácia inovácií pre Takto: pozor, nepozorované predikcie od n+1 do n+h-1 položíme rovné nule! 7
8 Opakovanie: Lineárna predikcia založená na nekonečnej minulosti ❿ Zatiaľ sme uvažovali lineárne prediktory založené na n pozorovaných hodnotách časového radu Čo sa stane, ak máme prístup ku všetkým predošlým hodnotám X n, X n-1, X n-2,...? 8
9 Opakovanie: Lineárna predikcia založená na nekonečnej minulosti ❿ Označme Z vlastnosti ortogonality optimálneho lineárneho prediktora vyplýva 9
10 Opakovanie: Lineárna predikcia založená na nekonečnej minulosti ❿ Teda, ak {X t } je stacionárny časový rad s nulovou strednou hodnotou, tak Ak {X t } je kauzálny, invertovatelný lineárny proces, tak môžeme napísať 10
11 Opakovanie: Lineárna predikcia založená na nekonečnej minulosti ❿ Teda Invertovateľná (AR( )) reprezentácia dáva predpoveď 11
12 Odseknutý prediktor Pre veľké n odseknutie predpovede založenej na nekonečnej minulosti dáva dobrú aproximáciu: 12
13 Odseknutý prediktor Táto aproximácia je presná pre AR(p), keď, pretože pre. Vo všeobecnosti, toto je dobrá aproximácia v prípade, že konvergujú rýchlo k nule. 13
14 Odseknutý prediktor Táto aproximácia je presná pre AR(p), keď, pretože pre. Vo všeobecnosti, toto je dobrá aproximácia v prípade, že konvergujú rýchlo k nule. 14
15 Príklad: Predpoveď modelu ARMA(p,q) Uvažujme model ARMA(p,q) Predpokladajme, že poznáme X 1, X 2,..., X n, a chceme predpovedať X n+m. Môžme použiť najlepšiu lineárnu predikciu. 15
16 Príklad: Predpoveď modelu ARMA(p,q) Uvažujme model ARMA(p,q) Pre model AR(p), teda q=0, môžeme priamo napísať koeficienty, v opačnom prípade musíme riešiť lineárnu sústavu nxn. Ak n je veľké, odseknutá predpoveď dáva dobrú aproximáciu. Aby sme ju vypočítali, vypočítame a odsekneme. Existuje však metóda vyžadujúca počet operácií 16
17 Rekurzívna odseknutá predpoveď modelu ARMA(p,q) 17
18 Opakovanie: Modelovanie časových radov a predpovedanie Vykreslíme časový rad. Pozreme na trend, sezónne zložky, zlomy, outliery. Transformujeme údaje tak, že reziduá sú stacionárne odstránením trend a sezónne zložky; diferencovaním; nelineárnou transformáciou (logaritmovanie, odmocnina). 18
19 Opakovanie: Modelovanie časových radov a predpovedanie Prispôsobíme model reziduám. Predpovedáme časový rad pomocou predpovede reziduí a inverziou všetkých transformácií 19
20 Opakovanie: Modelovanie časových radov a predpovedanie Stacionárne modely časových radov: ARMA(p,q). p=0: MA(q) q=0: AR(p) Videli sme, že každý kauzálny a invertovatelný lineárny porces má reprezentáciu (z kauzality) reprezentáciu (z invertovatelnosti) 20
21 Modelovanie časových radov a predpovedanie Reálne dáta nemôžu byť presne modelované použitím konečného počtu parametrov Zvolíme p a q tak, aby sme dostali jednoduchý ale vhodný model. 21
22 Modelovanie časových radov a predpovedanie Ako použijeme dáta na určenie p a q? Použijeme výberovú ACF a PACF na predbežný výber rádu modelu. Odhadneme parametre modelu pre každý výber rádu modelu. Porovnáme prediktívnu presnosť /komplexnosť každého z nich (napríklad použitím informačných kritérií) 22
23 Modelovanie časových radov a predpovedanie Poznámka: Potrebujeme vypočítať odhady parametrov pre niekoľko rôznych rádov modelu. Teda, rekurzívne algoritmy na odhady parametrov sú dôležité. Uvidíme, že niektoré z nich sú identické s rekurzívnymi algoritmami na výpočet predpovedí. 23
24 Modelovanie časových radov a predpovedanie Model ACF PACF MA(q) nulová pre h >q exponenciálny pokles AR(p) exponenciálny nulová pre h >p pokles ARMA(p,q) exponenciálny pokles pokles exponenciálny 24
25 Odhad parametrov Chceme odhadnúť parametre modelu ARMA(p,q). Budeme (teraz) predpokladať, že rád modelu (p a q) je známy; dáta majú nulovú strednú hodnotu. 25
26 Odhad parametrov Ak druhý predpoklad nie je splnený, môžeme od dát odrátať výberový priemer, identifikovať pre údaje model ARMA s nulovou strednou hodnotou, a potom použiť ako model pre 26
27 Odhad parametrov: metóda maximálnej vierohodnosti Jeden z prístupov: Predpokladáme, že {X t } je gaussovský proces, teda platí kde W t je i.i.d. z N(0,σ 2 ) 27
28 Odhad parametrov: metóda maximálnej vierohodnosti Zvolíme tak, aby sme maximalizovali vierohodnosť: kde f je združená (gaussovská) hustota pre daný ARMA model. Teda: volíme také parametre, ktoré maximalizujú pravdepodobnosť dát. 28
29 Odhad parametrov: metóda maximálnej vierohodnosti Výhody MLE: efektivita odhady s nízkou varianciou; predpoklad gaussovskosti je často zmysluplný; hoci aj {X t } nie je gaussovský, asymptotické rozdelenie je rovnaké ako v gaussovskom prípade. 29
30 Odhad parametrov: metóda maximálnej vierohodnosti Nevýhody MLE: ťažký optimalizačný problém; potreba voľby vhodného štartovacieho bodu pre iterácie. 30
31 Metóda maximálnej vierohodnosti Predpokladajme, že X 1, X 2,..., X n sú generované procesom ARMA(p,q) s nulovou strednou hodnotou. Vierohodnosť parametrov je definovaná ako hustota Gaussovho modelu s týmito parametrami 31
32 Metóda maximálnej vierohodnosti Tu A označuje determinat matice A a Γ n je variančno-kovariančná matica X. Estimátor maximálnej vierohodnosti pre maximalizuje túto hodnotu. Výraz pre maximálnu vierohodnosť môžeme zjednodušiť, ak si ho vyjadríme pomocou inovácií. 32
33 Metóda maximálnej vierohodnosti Pretože inovácie sú lineárne v predchádzajúcej a aktuálnej hodnote, môžeme písať: kde C je dolná trojuholníková matica s jednotkami na diagonále, pričom pre varianciu oboch strán platí, kde 33
34 Metóda maximálnej vierohodnosti Teda, a takže vierohodnosť môžeme prepísať kde a 34
35 Metóda maximálnej vierohodnosti Logaritmus vierohodnosti je Diferencovaním podľa dostávame, že MLE( ) vyhovuje a minimalizujú 35
36 Metóda maximálnej vierohodnosti Minimalizáciu prevádzame numericky, napríklad Newtonovou Raphsonovou metódou Výpočtové zjednodušenia: Nepodmienené najmenšie štvorce vynechaním Podmienené najmenšie štvorce vynechaním začiatočných členov v S 36
37 Metóda maximálnej vierohodnosti: intervaly spoľahlivosti Pre procesy ARMA(p,q), MLE a estimátory podmienených / nepodmienených najmenších štvorcov vyhovujú kde 37
38 Predbežný odhad parametrov Použitie Yuleho Walkerovej metódy pre AR(p) Durbinov Levinsonov algoritmus s namiesto. Použitie Yuleho Walkerovej metódy pre ARMA(p,q) Algoritmus inovácií pre MA(q) Hannanov Rissanenov algoritmus pre ARMA(p,q) 38
39 Predbežný odhad parametrov Použitie metódy Yule Walker pre AR (p): urobíme regresiu X t na X t-1, X t-2,..., X t-p ; použijeme Durbinov-Levinsonov algoritmus s použitím namiesto. 39
40 Yuleho Walkerov estimátor Pre kauzálny model AR(p) v tvare máme pre čo je vtedy a len vtedy, ak 40
41 Yuleho Walkerov estimátor kde a kde sme použili kauzálnu reprezentáciu 41
42 Predbežný odhad parametrov Použitie Yuleho Walkerovej metódy pre AR(p) Použitie Yuleho Walkerovej metódy pre ARMA(p,q) Metóda momentov (neefektívna) Algoritmus inovácií pre MA(q) Hannanov Rissanenov algoritmus pre ARMA(p,q) 42
43 Yuleho Walkerov estimátor Metóda momentov - zvolíme parametre, pre ktoré sú momenty rovné empirickým momentom. V tomto prípade zvolíme tak, že. Yuleho-Walkerove rovnice pre majú tvar: Toto sú predpovedné rovnice. Môžeme použiť aj Durbinov Levinsonov algoritmus 43
44 Niekoľko faktov o Yuleho Walkerovom estimátore Ak, tak je nonsingulárna. V takomto prípade, definuje kauzálny model 44
45 Niekoľko faktov o Yuleho Walkerovom estimátore Ak {X t } je proces AR(p), tak teda, môžeme použiť výberovú PACF na testovanie rádu AR, rovnako ako môžeme vypočítať približný interval spoľahlivosti pre parametre. 45
46 Yuleho Walkerov estimátor: Interval spoľahlivosti Ak {X t } je proces AR(p), a n je veľké, tak ~ s pravdepodobnosťou blízkou ležia v intervale kde je kvantil N(0,1) 46
47 Yuleho Walkerov estimátor: Interval spoľahlivosti Ak {X t } je proces AR(p), a n je veľké, tak s pravdepodobnosťou blízkou leží elipsoide kde je kvantil rozdelenia χ 2 s p stupňami voľnosti. Aby sme to videli, všimnime si: v Teda, Odtiaľ 47
48 Predbežný odhad parametrov Použitie Yuleho Walkerovej metódy pre AR(p) Použitie Yuleho Walkerovej metódy pre ARMA(p,q) Metóda momentov (neefektívna) Algoritmus inovácií pre MA(q) Hannanov Rissanenov algoritmus pre ARMA(p,q) 48
49 Yuleho Walkerov estimátor pre ARMA(p,q) Je možné definovať analogický estimátor aj pre modely ARMA(p,q) s q>0: kde Vzhľadom na nezávislosť,rovnice sú nelineárne v premenných, takže riešenie nemusí existovať ani byť jediné. Rovnako, asymptotická efektivita tohto estimátora je zlá, má veľmi vysokú varianciu 49
50 Efektivita estimátorov Nech a sú dva estimátory, pričom Asymptotickou efektivitou estimátora vzhľadom na je číslo Ak pre všetky, tak hovoríme, že je efektívnejší estimátor než. 50
51 Efektivita estimátorov Pre procesy AR(p) sú oba estimátory (metóda momentov a maximálnej vierohodnosti) rovnako efektívne Pre procesy MA(q) je estimátor momentov menej efektívny než estimátor inovácií a ten je menej nefektívny, než estimátor maximálnej vierohodnosti 51
52 Yuleho Walkerov estimátor: Príklad AR(1): AR(2): 52
53 Yuleho Walkerov estimátor: Príklad Predpokladajme, že {X t } je proces AR(1) a veľkosť súboru n je veľká. Ak odhadujeme, tak Ak použijeme na AR(1) model vyššieho rádu, napríklad AR(2), tak teda, stratili sme efektivitu. 53
54 Yuleho Walkerov estimátor: Príklad 54
55 Yuleho Walkerov estimátor: Príklad 55
56 Yuleho Walkerov estimátor: Príklad 56
57 Integrované ARMA modely: ARIMA(p,d,q) Definícia. Hovoríme, že časový rad {X t } je proces ARIMA(p,d,q), ak je proces ARMA(p,q). Môžeme operátorovo písať 57
58 Integrované ARMA modely: ARIMA(p,d,q) Pripomeňme si náhodný chod X t nie je stacionárny proces, avšak už je. V tomto prípade ide o biely šum, takže {X t } je proces ARIMA(0,1,0). Rovnako, ak X t obsahuje lineárnu trendovú zložku a stacionárny proces, jeho prvá diferencia je stacionárna. 58
59 Modely ARIMA: príklad Predpokladajme, že {X t } je proces ARIMA(0,1,1): Ak, tak môžeme ukázať a Sú to exponenciálne vážené kĺzavé priemery 59
60 Modely ARIMA: tvorba Vykreslíme časový rad. Pozreme na trend, sezónne zložky, zlomy, outliery. Transformujeme údaje tak, že reziduá sú stacionárne Identifikujeme predbežné hodnoty d, p a q Odhadneme parametre Použijeme diagnostiku na potvrdenie, že reziduá sú bielym šumom. Stanovíme model 60
61 Identifikácia predbežnej hodnoty d: Výberová ACF Trendy sú vyjadrené pomalým poklesom výberovej ACF 61
62 Identifikácia predbežných hodnôt d, p a q Na identifikovanie predbežnej hodnoty d zvyčajne postačí vykreslenie časového radu ak diferencujeme málo rad ostane nestacionárny ak diferencujeme veľa vznikne nová závislosť 62
63 Identifikácia predbežných hodnôt d, p a q Na identifikovanie predbežnej hodnoty p a q použijeme výberovú ACF a PACF radu Model ACF PACF MA(q) nulová pre h >q exponenciálny pokles AR(p) exponenciálny nulová pre h >p pokles ARMA(p,q) exponenciálny pokles pokles exponenciálny 63
64 Diagnostika Ako skontrolujeme kvalitu modelu? rezíduá (inovácie, ) majú byť bielym šumom Uvažujme štandardizované inovácie Tieto sa majú správať ako i.i.d. rad s nulovou strednou hodnotou a jednotkovou varianciou 64
65 Diagnostika Ako skontrolujeme kvalitu modelu? rezíduá (inovácie, ) majú byť bielym šumom, preto Skontrolujeme graf rezíduí Použijeme test bodu otočenia Použijeme test znamienka zmeny Použijeme test rozsahu Q-Q plot, histogram, normalita 65
66 Stanovenie modelu Predstavme si, že sme použili dáta x na odhad parametrov v niekoľkých modeloch. Modely sú vybraté dobre (rezíduá sú bielym šumom). Potrebujeme z nich zvoliť jediný model, ktorý použijeme na predikciu. Ako to urobíme? 66
67 Stanovenie modelu Ak máme prístup k nezávislým dátam y z toho istého procesu, môžeme porovnať vierohodnosť Môžeme získať y vynechaním niektorých dát z dát, pomocou ktorých sme budovali model a rezervovať ich na overenie modelu. Tento proces voláme krížová validácia modelu. 67
68 Stanovenie modelu: AIC Vierohodnosť môžeme aproximovať asymptoticky pomocou opraveného Akaikeho informačného kritéria AIC c : Všimnite si: Viac parametrov vedie k vyššej penalizácii Minimalizovanie kritéria cez všetky hodnoty zodpovedá výberu optimálneho pre každé p, q, a následnému porovnaniu penalizovaných vierohodností 68
69 Čisto sezónne modely ARMA Definícia. Hovoríme, že časový rad {X t } je proces ARIMA(P,Q) s, ak, kde Proces je kauzálny, ak korene ležia mimo jednotkového kruhu. Proces je invertovatelný, ak korene ležia mimo jednotkového kruhu. 69
70 Čisto sezónne modely ARMA: Príklad 70
71 Čisto sezónne modely ARMA: Príklad 71
72 Nabudúce ❿ 72
73 Nabudúce Integrované ARMA modely(?) Sezónne ARMA modely(?) Spektrálna analýza 73
ARMA modely čast 2: moving average modely (MA)
ARMA modely čast 2: moving average modely (MA) Beáta Stehlíková Časové rady, FMFI UK, 2014/2015 ARMA modely časť 2: moving average modely(ma) p.1/24 V. Moving average proces prvého rádu - MA(1) ARMA modely
Διαβάστε περισσότεραARMA modely čast 2: moving average modely (MA)
ARMA modely čast 2: moving average modely (MA) Beáta Stehlíková Časové rady, FMFI UK, 2011/2012 ARMA modely časť 2: moving average modely(ma) p.1/25 V. Moving average proces prvého rádu - MA(1) ARMA modely
Διαβάστε περισσότεραJednotkový koreň (unit root), diferencovanie časového radu, unit root testy
Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2012/2013 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/18
Διαβάστε περισσότεραMatematika prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad
Matematika 3-13. prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad Erika Škrabul áková F BERG, TU Košice 15. 12. 2015 Erika Škrabul áková (TUKE) Taylorov
Διαβάστε περισσότεραMatematika Funkcia viac premenných, Parciálne derivácie
Matematika 2-01 Funkcia viac premenných, Parciálne derivácie Euklidovská metrika na množine R n všetkých usporiadaných n-íc reálnych čísel je reálna funkcia ρ: R n R n R definovaná nasledovne: Ak X = x
Διαβάστε περισσότεραJednotkový koreň (unit root), diferencovanie časového radu, unit root testy
Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2013/2014 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/27
Διαβάστε περισσότεραZáklady matematickej štatistiky
1. Náhodný výber, výberové momenty a odhad parametrov Katedra Matematických metód Fakulta Riadenia a Informatiky Žilinská Univerzita v Žiline 6. mája 2015 1 Náhodný výber 2 Výberové momenty 3 Odhady parametrov
Διαβάστε περισσότεραMetódy vol nej optimalizácie
Metódy vol nej optimalizácie Metódy vol nej optimalizácie p. 1/28 Motivácia k metódam vol nej optimalizácie APLIKÁCIE p. 2/28 II 1. PRÍKLAD: Lineárna regresia - metóda najmenších štvorcov Na základe dostupných
Διαβάστε περισσότεραx x x2 n
Reálne symetrické matice Skalárny súčin v R n. Pripomeniem, že pre vektory u = u, u, u, v = v, v, v R platí. dĺžka vektora u je u = u + u + u,. ak sú oba vektory nenulové a zvierajú neorientovaný uhol
Διαβάστε περισσότεραKomplexné čísla, Diskrétna Fourierova transformácia 1
Komplexné čísla, Diskrétna Fourierova transformácia Komplexné čísla C - množina všetkých komplexných čísel komplexné číslo: z = a + bi, kde a, b R, i - imaginárna jednotka i =, t.j. i =. komplexne združené
Διαβάστε περισσότεραChí kvadrát test dobrej zhody. Metódy riešenia úloh z pravdepodobnosti a štatistiky
Chí kvadrát test dobrej zhody Metódy riešenia úloh z pravdepodobnosti a štatistiky www.iam.fmph.uniba.sk/institute/stehlikova Test dobrej zhody I. Chceme overiť, či naše dáta pochádzajú z konkrétneho pravdep.
Διαβάστε περισσότεραStart. Vstup r. O = 2*π*r S = π*r*r. Vystup O, S. Stop. Start. Vstup P, C V = P*C*1,19. Vystup V. Stop
1) Vytvorte algoritmus (vývojový diagram) na výpočet obvodu kruhu. O=2xπxr ; S=πxrxr Vstup r O = 2*π*r S = π*r*r Vystup O, S 2) Vytvorte algoritmus (vývojový diagram) na výpočet celkovej ceny výrobku s
Διαβάστε περισσότεραCvičenie č. 4,5 Limita funkcie
Cvičenie č. 4,5 Limita funkcie Definícia ity Limita funkcie (vlastná vo vlastnom bode) Nech funkcia f je definovaná na nejakom okolí U( ) bodu. Hovoríme, že funkcia f má v bode itu rovnú A, ak ( ε > )(
Διαβάστε περισσότεραEkvačná a kvantifikačná logika
a kvantifikačná 3. prednáška (6. 10. 004) Prehľad 1 1 (dokončenie) ekvačných tabliel Formula A je ekvačne dokázateľná z množiny axióm T (T i A) práve vtedy, keď existuje uzavreté tablo pre cieľ A ekvačných
Διαβάστε περισσότεραÚvod do lineárnej algebry. Monika Molnárová Prednášky
Úvod do lineárnej algebry Monika Molnárová Prednášky 2006 Prednášky: 3 17 marca 2006 4 24 marca 2006 c RNDr Monika Molnárová, PhD Obsah 2 Sústavy lineárnych rovníc 25 21 Riešenie sústavy lineárnych rovníc
Διαβάστε περισσότεραGoniometrické rovnice a nerovnice. Základné goniometrické rovnice
Goniometrické rovnice a nerovnice Definícia: Rovnice (nerovnice) obsahujúce neznámu x alebo výrazy s neznámou x ako argumenty jednej alebo niekoľkých goniometrických funkcií nazývame goniometrickými rovnicami
Διαβάστε περισσότερα6 Limita funkcie. 6.1 Myšlienka limity, interval bez bodu
6 Limita funkcie 6 Myšlienka ity, interval bez bodu Intuitívna myšlienka ity je prirodzená, ale definovať presne pojem ity je značne obtiažne Nech f je funkcia a nech a je reálne číslo Čo znamená zápis
Διαβάστε περισσότεραM6: Model Hydraulický systém dvoch zásobníkov kvapaliny s interakciou
M6: Model Hydraulický ytém dvoch záobníkov kvapaliny interakciou Úlohy:. Zotavte matematický popi modelu Hydraulický ytém. Vytvorte imulačný model v jazyku: a. Matlab b. imulink 3. Linearizujte nelineárny
Διαβάστε περισσότεραObvod a obsah štvoruholníka
Obvod a štvoruholníka D. Štyri body roviny z ktorých žiadne tri nie sú kolineárne (neležia na jednej priamke) tvoria jeden štvoruholník. Tie body (A, B, C, D) sú vrcholy štvoruholníka. strany štvoruholníka
Διαβάστε περισσότεραPrechod z 2D do 3D. Martin Florek 3. marca 2009
Počítačová grafika 2 Prechod z 2D do 3D Martin Florek florek@sccg.sk FMFI UK 3. marca 2009 Prechod z 2D do 3D Čo to znamená? Ako zobraziť? Súradnicové systémy Čo to znamená? Ako zobraziť? tretia súradnica
Διαβάστε περισσότερα7. FUNKCIE POJEM FUNKCIE
7. FUNKCIE POJEM FUNKCIE Funkcia f reálnej premennej je : - každé zobrazenie f v množine všetkých reálnych čísel; - množina f všetkých usporiadaných dvojíc[,y] R R pre ktorú platí: ku každému R eistuje
Διαβάστε περισσότεραMotivácia Denícia determinantu Výpo et determinantov Determinant sú inu matíc Vyuºitie determinantov. Determinanty. 14. decembra 2010.
14. decembra 2010 Rie²enie sústav Plocha rovnobeºníka Objem rovnobeºnostena Rie²enie sústav Príklad a 11 x 1 + a 12 x 2 = c 1 a 21 x 1 + a 22 x 2 = c 2 Dostaneme: x 1 = c 1a 22 c 2 a 12 a 11 a 22 a 12
Διαβάστε περισσότεραRiešenie sústavy lineárnych rovníc. Priame metódy.
Riešenie sústavy lineárnych rovníc. Priame metódy. Ing. Gabriel Okša, CSc. Matematický ústav Slovenská akadémia vied Bratislava Stavebná fakulta STU G. Okša: Priame metódy 1/16 Obsah 1 Základy 2 Systémy
Διαβάστε περισσότερα1. Limita, spojitost a diferenciálny počet funkcie jednej premennej
. Limita, spojitost a diferenciálny počet funkcie jednej premennej Definícia.: Hromadný bod a R množiny A R: v každom jeho okolí leží aspoň jeden bod z množiny A, ktorý je rôzny od bodu a Zadanie množiny
Διαβάστε περισσότεραNumerické metódy Zbierka úloh
Blanka Baculíková Ivan Daňo Numerické metódy Zbierka úloh Strana 1 z 37 Predhovor 3 1 Nelineárne rovnice 4 2 Sústavy lineárnych rovníc 7 3 Sústavy nelineárnych rovníc 1 4 Interpolačné polynómy 14 5 Aproximácia
Διαβάστε περισσότεραObsah. Motivácia a definícia. Metódy výpočtu. Problémy a kritika. Spätné testovanie. Prípadová štúdia využitie v NBS. pre 1 aktívum pre portfólio
Value at Risk Obsah Motivácia a definícia Metódy výpočtu pre 1 aktívum pre portfólio Problémy a kritika Spätné testovanie Prípadová štúdia využitie v NBS Motivácia Ako kvantifikovať riziko? Nakúpil som
Διαβάστε περισσότεραTomáš Madaras Prvočísla
Prvočísla Tomáš Madaras 2011 Definícia Nech a Z. Čísla 1, 1, a, a sa nazývajú triviálne delitele čísla a. Cele číslo a / {0, 1, 1} sa nazýva prvočíslo, ak má iba triviálne delitele; ak má aj iné delitele,
Διαβάστε περισσότεραModelovanie dynamickej podmienenej korelácie kurzov V4
Modelovanie dynamickej podmienenej korelácie menových kurzov V4 Podnikovohospodárska fakulta so sídlom v Košiciach Ekonomická univerzita v Bratislave Cieľ a motivácia Východiská Cieľ a motivácia Cieľ Kvantifikovať
Διαβάστε περισσότερα3. Striedavé prúdy. Sínusoida
. Striedavé prúdy VZNIK: Striedavý elektrický prúd prechádza obvodom, ktorý je pripojený na zdroj striedavého napätia. Striedavé napätie vyrába synchrónny generátor, kde na koncoch rotorového vinutia sa
Διαβάστε περισσότεραNumerické metódy matematiky I
Prednáška č. 7 Numerické metódy matematiky I Riešenie sústav lineárnych rovníc ( pokračovanie ) Prednáška č. 7 OBSAH 1. Metóda singulárneho rozkladu (SVD) Úvod SVD štvorcovej matice SVD pre menej rovníc
Διαβάστε περισσότεραNumerické metódy, pravdepodobnosť a matematická štatistika
Numerické metódy, pravdepodobnosť a matematická štatistika Ján BUŠA Viktor PIRČ Štefan SCHRÖTTER Strana 1 z 262 Košice 2006 RECENZOVALI: Prof. RNDr. Jozef Doboš, CSc. Doc. RNDr. Vladimír Penjak, CSc. Strana
Διαβάστε περισσότεραNumerické metódy, pravdepodobnosť a matematická štatistika. Ján BUŠA Viktor PIRČ Štefan SCHRÖTTER
Numerické metódy, pravdepodobnosť a matematická štatistika Ján BUŠA Viktor PIRČ Štefan SCHRÖTTER Košice 2006 RECENZOVALI: Prof. RNDr. Jozef Doboš, CSc. Doc. RNDr. Vladimír Penjak, CSc. Prvé vydanie Za
Διαβάστε περισσότεραVLASTNÉ ČÍSLA A JORDANOV KANONICKÝ TVAR. Michal Zajac. 3 T b 1 = T b 2 = = = 2b
VLASTNÉ ČÍSLA A JORDANOV KANONICKÝ TVAR Michal Zajac Vlastné čísla a vlastné vektory Pripomeňme najprv, že lineárny operátor T : L L je vzhl adom na bázu B = {b 1, b 2,, b n } lineárneho priestoru L určený
Διαβάστε περισσότεραHANA LAURINCOVÁ KLASICKÝ VS. NEPARAMETRICKÝ PRÍSTUP Štatistika Poistná matematika
UNIVERZITA KOMENSKÉHO, BRATISLAVA FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY KATEDRA POISTNEJ MATEMATIKY A ŠTATISTIKY PARCIÁLNA A MNOHONÁSOBNÁ KORELÁCIA: KLASICKÝ VS. NEPARAMETRICKÝ PRÍSTUP (Bakalárska práca)
Διαβάστε περισσότερα7 Derivácia funkcie. 7.1 Motivácia k derivácii
Híc, P Pokorný, M: Matematika pre informatikov a prírodné vedy 7 Derivácia funkcie 7 Motivácia k derivácii S využitím derivácií sa stretávame veľmi často v matematike, geometrii, fyzike, či v rôznych technických
Διαβάστε περισσότεραKATEDRA DOPRAVNEJ A MANIPULAČNEJ TECHNIKY Strojnícka fakulta, Žilinská Univerzita
132 1 Absolútna chyba: ) = - skut absolútna ochýlka: ) ' = - spr. relatívna chyba: alebo Chyby (ochýlky): M systematické, M náhoné, M hrubé. Korekcia: k = spr - = - Î' pomerná korekcia: Správna honota:
Διαβάστε περισσότεραNumerické metódy Učebný text pre bakalárske štúdium
Imrich Pokorný Numerické metódy Učebný text pre bakalárske štúdium Strana 1 z 48 1 Nepresnosť numerického riešenia úloh 4 1.1 Zdroje chýb a ich klasifikácia................... 4 1.2 Základné pojmy odhadu
Διαβάστε περισσότεραLineárna algebra I - pole skalárov, lineárny priestor, lineárna závislosť, dimenzia, podpriestor, suma podpriestorov, izomorfizmus
1. prednáška Lineárna algebra I - pole skalárov, lineárny priestor, lineárna závislosť, dimenzia, podpriestor, suma podpriestorov, izomorfizmus Matematickým základom kvantovej mechaniky je teória Hilbertových
Διαβάστε περισσότεραJán Buša Štefan Schrötter
Ján Buša Štefan Schrötter 1 KOMPLEXNÉ ČÍSLA 1 1.1 Pojem komplexného čísla Väčšine z nás je známe, že druhá mocnina ľubovoľného reálneho čísla nemôže byť záporná (ináč povedané: pre každé x R je x 0). Ako
Διαβάστε περισσότεραMatematika 2. časť: Analytická geometria
Matematika 2 časť: Analytická geometria RNDr. Jana Pócsová, PhD. Ústav riadenia a informatizácie výrobných procesov Fakulta BERG Technická univerzita v Košiciach e-mail: jana.pocsova@tuke.sk Súradnicové
Διαβάστε περισσότεραPríklady na precvičovanie Fourierove rady
Príklady na precvičovanie Fourierove rady Ďalším významným typom funkcionálnych radov sú trigonometrické rady, pri ktorých sú jednotlivé členy trigonometrickými funkciami. Konkrétne, jedná sa o rady tvaru
Διαβάστε περισσότεραp(α 1 ) = u 1. p(α n ) = u n. Definícia (modulárna reprezentácia polynómu). Zobrazenie
1. Rychlá Fourierová transformácia Budeme značiť teleso T a ω jeho prvok. Veta 1.1 (o interpolácií). Nech α 0, α 1,..., α n sú po dvoch rôzne prvky telesa T[x]. Potom pre každé u 0, u 1,..., u n T existuje
Διαβάστε περισσότεραFaculty of Mathematics, Physics and Informatics Comenius University Bratislava. NumDif
Numerické riešenie diferenciálnych rovníc Jela Babušíková Faculty of Mathematics, Physics and Informatics Comenius University Bratislava Klasifikácia diferenciálnych rovníc: obyčajné - počiatočná a okrajová
Διαβάστε περισσότεραMIDTERM (A) riešenia a bodovanie
MIDTERM (A) riešenia a bodovanie 1. (7b) Nech vzhl adom na štandardnú karteziánsku sústavu súradníc S 1 := O, e 1, e 2 majú bod P a vektory u, v súradnice P = [0, 1], u = e 1, v = 2 e 2. Aký predpis bude
Διαβάστε περισσότεραAerobTec Altis Micro
AerobTec Altis Micro Záznamový / súťažný výškomer s telemetriou Výrobca: AerobTec, s.r.o. Pionierska 15 831 02 Bratislava www.aerobtec.com info@aerobtec.com Obsah 1.Vlastnosti... 3 2.Úvod... 3 3.Princíp
Διαβάστε περισσότεραVektorový priestor V : Množina prvkov (vektory), na ktorej je definované ich sčítanie a ich
Tuesday 15 th January, 2013, 19:53 Základy tenzorového počtu M.Gintner Vektorový priestor V : Množina prvkov (vektory), na ktorej je definované ich sčítanie a ich násobenie reálnym číslom tak, že platí:
Διαβάστε περισσότεραIntegrovanie racionálnych funkcií
Integrovanie racionálnych funkcií Tomáš Madaras 2009-20 Z teórie funkcií už vieme, že každá racionálna funkcia (t.j. podiel dvoch polynomických funkcií) sa dá zapísať ako súčet polynomickej funkcie a funkcie
Διαβάστε περισσότεραFUNKCIE N REÁLNYCH PREMENNÝCH
FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY UNIVERZITY KOMENSKÉHO V BRATISLAVE FUNKCIE N REÁLNYCH PREMENNÝCH RNDr. Kristína Rostás, PhD. PREDMET: Matematická analýza ) 2010/2011 1. DEFINÍCIA REÁLNEJ FUNKCIE
Διαβάστε περισσότεραCieľom cvičenia je zvládnuť riešenie diferenciálnych rovníc pomocou Laplaceovej transformácie,
Kapitola Riešenie diferenciálnych rovníc pomocou Laplaceovej tranformácie Cieľom cvičenia je zvládnuť riešenie diferenciálnych rovníc pomocou Laplaceovej tranformácie, keď charakteritická rovnica má rôzne
Διαβάστε περισσότεραObyčajné diferenciálne rovnice
(ÚMV/MAN3b/10) RNDr. Ivan Mojsej, PhD ivan.mojsej@upjs.sk 14.3.2013 Úvod patria k najdôležitejším a najviac prepracovaným matematickým disciplínam. Nielen v minulosti, ale aj v súčastnosti predstavujú
Διαβάστε περισσότεραSpojité rozdelenia pravdepodobnosti. Pomôcka k predmetu PaŠ. RNDr. Aleš Kozubík, PhD. 26. marca Domovská stránka. Titulná strana.
Spojité rozdelenia pravdepodobnosti Pomôcka k predmetu PaŠ Strana z 7 RNDr. Aleš Kozubík, PhD. 6. marca 3 Zoznam obrázkov Rovnomerné rozdelenie Ro (a, b). Definícia.........................................
Διαβάστε περισσότερα3. prednáška. Komplexné čísla
3. predáška Komplexé čísla Úvodé pozámky Vieme, že existujú také kvadratické rovice, ktoré emajú riešeie v obore reálych čísel. Študujme kvadratickú rovicu x x + 5 = 0 Použitím štadardej formule pre výpočet
Διαβάστε περισσότεραHľadanie, skúmanie a hodnotenie súvislosti medzi znakmi
Hľadanie, skúmanie a hodnotenie súvislosti medzi znakmi Typy súvislostí javov a vecí: nepodstatné - vonkajšia súvislosť nevyplýva z vnútornej potreby (javy spoločne vznikajú, majú zhodný priebeh, alebo
Διαβάστε περισσότεραPlanárne a rovinné grafy
Planárne a rovinné grafy Definícia Graf G sa nazýva planárny, ak existuje jeho nakreslenie D, v ktorom sa žiadne dve hrany nepretínajú. D sa potom nazýva rovinný graf. Planárne a rovinné grafy Definícia
Διαβάστε περισσότερα,Zohrievanie vody indukčným varičom bez pokrievky,
Farba skupiny: zelená Označenie úlohy:,zohrievanie vody indukčným varičom bez pokrievky, Úloha: Zistiť, ako závisí účinnosť zohrievania vody na indukčnom variči od priemeru použitého hrnca. Hypotéza: Účinnosť
Διαβάστε περισσότεραMotivácia pojmu derivácia
Derivácia funkcie Motivácia pojmu derivácia Zaujíma nás priemerná intenzita zmeny nejakej veličiny (dráhy, rastu populácie, veľkosti elektrického náboja, hmotnosti), vzhľadom na inú veličinu (čas, dĺžka)
Διαβάστε περισσότερα1 Prevod miestneho stredného slnečného času LMT 1 na iný miestny stredný slnečný čas LMT 2
1 Prevod miestneho stredného slnečného času LMT 1 na iný miestny stredný slnečný čas LMT 2 Rozdiel LMT medzi dvoma miestami sa rovná rozdielu ich zemepisných dĺžok. Pre prevod miestnych časov platí, že
Διαβάστε περισσότερα24. Základné spôsoby zobrazovania priestoru do roviny
24. Základné spôsoby zobrazovania priestoru do roviny Voľné rovnobežné premietanie Presné metódy zobrazenia trojrozmerného priestoru do dvojrozmernej roviny skúma samostatná matematická disciplína, ktorá
Διαβάστε περισσότεραPrednáška Fourierove rady. Matematická analýza pre fyzikov IV. Jozef Kise lák
Prednáška 6 6.1. Fourierove rady Základná myšlienka: Nech x Haφ 1,φ 2,...,φ n,... je ortonormálny systém v H, dá sa tento prvok rozvinút do radu x=c 1 φ 1 + c 2 φ 2 +...,c n φ n +...? Ako nájdeme c i,
Διαβάστε περισσότεραMATEMATICKÁ OLYMPIÁDA
S MATEMATICÁ OLYMPIÁDA skmo.sk 2008/2009 58. ročník Matematickej olympiády Riešenia úloh IMO. Nech n je kladné celé číslo a a,..., a k (k 2) sú navzájom rôzne celé čísla z množiny {,..., n} také, že n
Διαβάστε περισσότεραDeliteľnosť a znaky deliteľnosti
Deliteľnosť a znaky deliteľnosti Medzi základné pojmy v aritmetike celých čísel patrí aj pojem deliteľnosť. Najprv si povieme, čo znamená, že celé číslo a delí celé číslo b a ako to zapisujeme. Nech a
Διαβάστε περισσότεραÚvod. Na čo nám je numerická matematika? Poskytuje nástroje na matematické riešenie problémov reálneho sveta (fyzika, biológia, ekonómia,...
Úvod Na čo nám je numerická matematika? Poskytuje nástroje na matematické riešenie problémov reálneho sveta (fyzika, biológia, ekonómia,...) Postup pri riešení problémov: 1. formulácia problému 2. formulácia
Διαβάστε περισσότεραPRIEMER DROTU d = 0,4-6,3 mm
PRUŽINY PRUŽINY SKRUTNÉ PRUŽINY VIAC AKO 200 RUHOV SKRUTNÝCH PRUŽÍN PRIEMER ROTU d = 0,4-6,3 mm èíslo 3.0 22.8.2008 8:28:57 22.8.2008 8:28:58 PRUŽINY SKRUTNÉ PRUŽINY TECHNICKÉ PARAMETRE h d L S Legenda
Διαβάστε περισσότεραObsah. 1.1 Reálne čísla a ich základné vlastnosti... 7 1.1.1 Komplexné čísla... 8
Obsah 1 Číselné obory 7 1.1 Reálne čísla a ich základné vlastnosti............................ 7 1.1.1 Komplexné čísla................................... 8 1.2 Číselné množiny.......................................
Διαβάστε περισσότεραDefinícia parciálna derivácia funkcie podľa premennej x. Definícia parciálna derivácia funkcie podľa premennej y. Ak existuje limita.
Teória prednáška č. 9 Deinícia parciálna deriácia nkcie podľa premennej Nech nkcia Ak eistje limita je deinoaná okolí bod [ ] lim. tak túto limit nazýame parciálno deriácio nkcie podľa premennej bode [
Διαβάστε περισσότεραRiadenie zásobníkov kvapaliny
Kapitola 9 Riadenie zásobníkov kvapaliny Cieľom cvičenia je zvládnuť návrh (syntézu) regulátorov výpočtovými (analytickými) metódami Naslinovou metódou a metódou umiestnenia pólov. Navrhnuté regulátory
Διαβάστε περισσότεραAproximačné algoritmy. (7. októbra 2010) DRAFT
R. Královič Aproximačné algoritmy (7. októbra 2010) ii Obsah 1 Úvod 1 1.1 Algoritmy a zložitosť........................... 1 1.2 Lineárne programovanie......................... 1 1.3 Použité vzťahy..............................
Διαβάστε περισσότεραModerné vzdelávanie pre vedomostnú spoločnosť Projekt je spolufinancovaný zo zdrojov EÚ M A T E M A T I K A
M A T E M A T I K A PRACOVNÝ ZOŠIT II. ROČNÍK Mgr. Agnesa Balážová Obchodná akadémia, Akademika Hronca 8, Rožňava PRACOVNÝ LIST 1 Urč typ kvadratickej rovnice : 1. x 2 3x = 0... 2. 3x 2 = - 2... 3. -4x
Διαβάστε περισσότεραNelineárne optimalizačné modely a metódy
Nelineárne optimalizačné modely a metódy Téma prednášky č. 8 Metódy transformujúce úlohu naviazaný extrém na úlohu na voľný extrém Prof. Ing. Michal Fendek, CSc. Katedra operačného výskumu a ekonometrie
Διαβάστε περισσότεραÚvod 2 Predhovor... 2 Sylaby a literatúra... 2 Označenia... 2
Obsah Úvod Predhovor Sylaby a literatúra Označenia Euklidovské vektorové priestory 3 Skalárny súčin 3 Gram-Schmidtov ortogonalizačný proces 8 Kvadratické formy 6 Definícia a základné vlastnosti 6 Kanonický
Διαβάστε περισσότεραLogaritmus operácie s logaritmami, dekadický a prirodzený logaritmus
KrAv11-T List 1 Logaritmus operácie s logaritmami, dekadický a prirodzený logaritmus RNDr. Jana Krajčiová, PhD. U: Najprv si zopakujme, ako znie definícia logaritmu. Ž: Ja si pamätám, že logaritmus súvisí
Διαβάστε περισσότεραReálna funkcia reálnej premennej
(ÚMV/MAN3a/10) RNDr. Ivan Mojsej, PhD ivan.mojsej@upjs.sk 18.10.2012 Úvod V každodennom živote, hlavne pri skúmaní prírodných javov, procesov sa stretávame so závislosťou veľkosti niektorých veličín od
Διαβάστε περισσότεραmnožiny F G = {t1, t2,, tn} T a pre ľubovoľný valec C so základňou B1, B2,, Bn v bodoch t1, t2,, tn, takou, že pre t G - F je Bt = E, platí PF(C) = PG
STOCHASTICKÝ PROCES Definícia stochastického procesu Definícia 1 Nech (Ω, F, P) je pravdepodobnostný priestor a nech T je podmnožina R. Pre každé t T nech X(t, ω) je náhodná premenná definovaná na pravdepodobnostnom
Διαβάστε περισσότεραMatematika 2. časť: Funkcia viac premenných Letný semester 2013/2014
Matematika 2 časť: Funkcia viac premenných Letný semester 2013/2014 RNDr. Jana Pócsová, PhD. Ústav riadenia a informatizácie výrobných procesov Fakulta BERG Technická univerzita v Košiciach e-mail: jana.pocsova@tuke.sk
Διαβάστε περισσότεραObsah. 1.1 Základné pojmy a vzťahy Základné neurčité integrály Cvičenia Výsledky... 11
Obsah Neurčitý integrál 7. Základné pojmy a vzťahy.................................. 7.. Základné neurčité integrály............................. 9.. Cvičenia..........................................3
Διαβάστε περισσότεραMetoda hlavních komponent a její aplikace
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Mária Dubová Metoda hlavních komponent a její aplikace Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce:
Διαβάστε περισσότεραFunkcie - základné pojmy
Funkcie - základné pojmy DEFINÍCIA FUNKCIE Nech A, B sú dve neprázdne číselné množiny. Ak každému prvku x A je priradený najviac jeden prvok y B, tak hovoríme, že je daná funkcia z množiny A do množiny
Διαβάστε περισσότεραALGEBRA. Číselné množiny a operácie s nimi. Úprava algebrických výrazov
ALGEBRA Číselné množiny a operácie s nimi. Úprava algebrických výrazov Definícia Množinu považujeme za určenú, ak vieme o ľubovoľnom objekte rozhodnúť, či je alebo nie je prvkom množiny. Množinu určujeme
Διαβάστε περισσότεραTeória pravdepodobnosti
2. Podmienená pravdepodobnosť Katedra Matematických metód Fakulta Riadenia a Informatiky Žilinská Univerzita v Žiline 23. februára 2015 1 Pojem podmienenej pravdepodobnosti 2 Nezávislosť náhodných udalostí
Διαβάστε περισσότερα1. písomná práca z matematiky Skupina A
1. písomná práca z matematiky Skupina A 1. Vypočítajte : a) 84º 56 + 32º 38 = b) 140º 53º 24 = c) 55º 12 : 2 = 2. Vypočítajte zvyšné uhly na obrázku : β γ α = 35 12 δ a b 3. Znázornite na číselnej osi
Διαβάστε περισσότεραMetódy numerickej matematiky I
Úvodná prednáška Metódy numerickej matematiky I Prednášky: Doc. Mgr. Jozef Kristek, PhD. F1-207 Úvodná prednáška OBSAH 1. Úvod, sylabus, priebeh, hodnotenie 2. Zdroje a typy chýb 3. Definície chýb 4. Zaokrúhľovanie,
Διαβάστε περισσότεραGramatická indukcia a jej využitie
a jej využitie KAI FMFI UK 29. Marec 2010 a jej využitie Prehľad Teória formálnych jazykov 1 Teória formálnych jazykov 2 3 a jej využitie Na počiatku bolo slovo. A slovo... a jej využitie Definícia (Slovo)
Διαβάστε περισσότεραÚvod do lineárnej algebry
Katedra matematiky Fakulta elektrotechniky a informatiky Technická Univerzita v Košiciach Úvod do lineárnej algebry Monika Molnárová, Helena Myšková 005 RECENZOVALI: RNDr. Štefan Schrötter, CSc. RNDr.
Διαβάστε περισσότεραFakulta matematiky, fyziky a informatiky. Univerzita Komenského. Contents I. Úvod do problematiky numeriky 2
NUMERICKÁ MATEMATIKA ročník Fakulta matematiky, fyziky a informatiky Univerzita Komenského Contents I Úvod do problematiky numeriky II Počítačová realizácia reálnych čísel 3 III Diferenčný počet 5 IV CORDIC
Διαβάστε περισσότεραNUMERICKÁ MATEMATIKA A MATEMATICKÁ ŠTATISTIKA
Moderné vzdelávanie pre vedomostnú spoločnosť Projekt je spolufinancovaný zo zdrojov EÚ NUMERICKÁ MATEMATIKA A MATEMATICKÁ ŠTATISTIKA Stavebná fakulta Doc.Ing. Roman Vodička, PhD. RNDr. PavolPurcz, PhD.
Διαβάστε περισσότεραÚvod. Na čo nám je numerická matematika? Poskytuje nástroje na matematické riešenie problémov reálneho sveta (fyzika, biológia, ekonómia,...
Úvod Na čo nám je numerická matematika? Poskytuje nástroje na matematické riešenie problémov reálneho sveta (fyzika, biológia, ekonómia,...) Postup pri riešení problémov: 1. formulácia problému 2. formulácia
Διαβάστε περισσότεραTechnická univerzita v Košiciach Fakulta elektrotechniky a informatiky MATEMATIKA II. Zbierka riešených a neriešených úloh
Technická univerzita v Košiciach Fakulta elektrotechniky a informatiky MATEMATIKA II Zbierka riešených a neriešených úloh Anna Grinčová Jana Petrillová Košice 06 Technická univerzita v Košiciach Fakulta
Διαβάστε περισσότεραHASLIM112V, HASLIM123V, HASLIM136V HASLIM112Z, HASLIM123Z, HASLIM136Z HASLIM112S, HASLIM123S, HASLIM136S
PROUKTOVÝ LIST HKL SLIM č. sklad. karty / obj. číslo: HSLIM112V, HSLIM123V, HSLIM136V HSLIM112Z, HSLIM123Z, HSLIM136Z HSLIM112S, HSLIM123S, HSLIM136S fakturačný názov výrobku: HKL SLIMv 1,2kW HKL SLIMv
Διαβάστε περισσότεραTechnická univerzita v Košiciach. Zbierka riešených a neriešených úloh. z matematiky. pre uchádzačov o štúdium na TU v Košiciach
Technická univerzita v Košiciach Zbierka riešených a neriešených úloh z matematiky pre uchádzačov o štúdium na TU v Košiciach Martin Bača Ján Buša Andrea Feňovčíková Zuzana Kimáková Denisa Olekšáková Štefan
Διαβάστε περισσότεραNávrh vzduchotesnosti pre detaily napojení
Výpočet lineárneho stratového súčiniteľa tepelného mosta vzťahujúceho sa k vonkajším rozmerom: Ψ e podľa STN EN ISO 10211 Návrh vzduchotesnosti pre detaily napojení Objednávateľ: Ing. Natália Voltmannová
Διαβάστε περισσότεραMichal Forišek: Early beta verzia skrípt z ADŠ
Časová zložitosť Michal Forišek: Early beta verzia skrípt z ADŠ Laický pohľad skutočne môže naznačovať, že efektívne algoritmy vôbec nepotrebujeme. Veď predsa každý rok sa výrobcovia počítačov predbiehajú
Διαβάστε περισσότεραM8 Model "Valcová a kužeľová nádrž v sérií bez interakcie"
M8 Model "Valcová a kužeľová nádrž v sérií bez interakcie" Úlohy: 1. Zostavte matematický popis modelu M8 2. Vytvorte simulačný model v prostredí: a) Simulink zostavte blokovú schému, pomocou rozkladu
Διαβάστε περισσότεραUNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY RIGORÓZNA PRÁCA. Martin Samuelčík
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY RIGORÓZNA PRÁCA Martin Samuelčík BRATISLAVA 2004 UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY
Διαβάστε περισσότεραG. Monoszová, Analytická geometria 2 - Kapitola III
text obsahuje znenia viet, ktoré budeme dokazovat na prednáškach text je doplnený aj o množstvo poznámok, ich ciel om je dopomôct študentom k lepšiemu pochopeniu pojmov aj súvislostí medzi nimi text je
Διαβάστε περισσότεραMatematická analýza pre fyzikov IV.
119 Dodatok - klasické riešenia PDR 8.1. Parciálne diferenciálne rovnice Príklady parciálnych diferenciálnych rovníc: Lalpaceova rovnica u = 0 Helmholtzova rovnica u = λu n Lineárna transportná rovnica
Διαβάστε περισσότεραMetódy vol nej optimalizácie
Metódy vol nej optimalizácie Metódy vol nej optimalizácie p. 1/52 Metódy minimalizácie funkcie jednej premennej Metódy minimalizácie funkcie jednej premennej p. 2/52 Metódy minimalizácie funkcie jednej
Διαβάστε περισσότεραVzorové príklady s riešeniami k lineárnej algebre a geometrie pre aplikovaných informatikov k písomke
Vzorové príklady s riešeniami k lineárnej algebre a geometrie pre aplikovaných informatikov k písomke 23.5.26 Príklad č. Riešte sústavu Bx = r (B r) 2 3 4 2 3 4 6 8 8 2 (B r) = 6 9 2 6 3 9 2 3 4 2 3 2
Διαβάστε περισσότεραAnalýza hlavných komponentov
Analýza hlavných komponentov Motivácia Úloha: Navrhnite scenáre zmien výnosovej krivky pre účely stresového testovania v dlhopisovom portfóliu Problém: Výnosová krivka sa skladá z väčšieho počtu bodov,
Διαβάστε περισσότεραUniverzita Karlova v Praze Matematicko-fyzikální fakulta. Viktor Szabados. jednoduchou regresi. Katedra pravděpodobnosti a matematické statistiky
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Viktor Szabados Některé sekvenční postupy pro jednoduchou regresi Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské
Διαβάστε περισσότεραu R Pasívne prvky R, L, C v obvode striedavého prúdu Činný odpor R Napätie zdroja sa rovná úbytku napätia na činnom odpore.
Pasívne prvky, L, C v obvode stredavého prúdu Čnný odpor u u prebeh prúdu a napäta fázorový dagram prúdu a napäta u u /2 /2 t Napäte zdroja sa rovná úbytku napäta na čnnom odpore. Prúd je vo fáze s napätím.
Διαβάστε περισσότερα