UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY
|
|
- Ἁλκυόνη Καραβίας
- 5 χρόνια πριν
- Προβολές:
Transcript
1 UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY MINIMAXNÉ OPTIMÁLNE NÁVRHY REGRESNÝCH EXPERIMENTOV DIPLOMOVÁ PRÁCA 2014 Bc. Gabriel GROMAN
2 UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY MINIMAXNÉ OPTIMÁLNE NÁVRHY REGRESNÝCH EXPERIMENTOV DIPLOMOVÁ PRÁCA Študijný program: Študijný odbor: Školiace pracovisko: Vedúci práce: Ekonomická a finančná matematika 1114 Aplikovaná matematika Katedra aplikovanej matematiky a štatistiky prof. RNDr. Andrej Pázman, DrSc. Bratislava 2014 Bc. Gabriel GROMAN
3 Univerzita Komenského v Bratislave Fakulta matematiky, fyziky a informatiky ZADANIE ZÁVEREČNEJ PRÁCE Meno a priezvisko študenta: Študijný program: Študijný odbor: Typ záverečnej práce: Jazyk záverečnej práce: Bc. Gabriel Groman ekonomická a finančná matematika (Jednoodborové štúdium, magisterský II. st., denná forma) aplikovaná matematika diplomová slovenský Názov: Cieľ: Minimaxné optimálne návrhy regresných experimentov Minimaxné navrhovanie optimálnych experimentov je aktuálna štatistická problematika. Cieľom práce je, v nadväznosti na existujúce prednášky, oboznámiť sa v literatúre s niektorými existujúcimi prístupmi a preveriť na počítači efektívnosť nedávno publikovanej metódy Nyquista na niektorých konkrétnych ulohách. Vedúci: Katedra: Vedúci katedry: Dátum zadania: prof. RNDr. Andrej Pázman, DrSc. FMFI.KAMŠ - Katedra aplikovanej matematiky a štatistiky prof. RNDr. Daniel Ševčovič, CSc. Dátum schválenia: prof. RNDr. Daniel Ševčovič, CSc. garant študijného programu študent vedúci práce
4 Poďakovanie Úprimne ďakujem predovšetkým vedúcemu diplomovej práce prof. RNDr. Andrejovi Pázmanovi, DrSc. za odborné vedenie, cenné rady, trpezlivosť a čas, ktoré mi pri písaní tejto práce poskytol. Ďakujem aj Mgr. Lenke Filovej, PhD.. Veľká vďaka patrí mojim rodičom a priateľke za podporu počas celého môjho štúdia.
5 Abstrakt GROMAN, Gabriel: Minimaxné optimálne návrhy regresných experimentov. [Diplomová práca] - Univerzita Komenského v Bratislave. Fakulta matematiky, fyziky a informatiky; Katedra aplikovanej matematiky a štatistiky. - Vedúci diplomovej práce: prof. RNDr. Andrej Pázman, DrSc. - Bratislava: FMFI UK, 2014, 79 s. Diplomová práca sa zaoberá minimaxnými optimálnymi návrhmi regresných experimentov. Cieľom práce je, v nadväznosti na existujúce prednášky, oboznámiť sa v literatúre s niektorými existujúcimi prístupmi a preveriť nedávno publikovanú metódu Nyquista na konkrétnych úlohách. Teoretická časť práce sa venuje samotnej teórii navrhovania experimentov, lokálnym kritériám optimality, kritériám optimality v nelineárnom modeli a nutným a postačujúcim podmienkam optimality. Ďalej je podrobne rozpracovaná teória numerických metód hľadania optimálnych návrhov pre AVE kritérium, minimaxné kritérium a entropijnú regularizáciu minimaxného kritéria. Praktická časť práce obsahuje riešenie konkrétnych príkladov pomocou dvoch rôznych prístupov a analýzu výsledkov. Kľúčové slová: minimaxné optimálne návrhy, AVE algoritmus, H-algoritmus, entropijná regularizácia
6 Abstract GROMAN, Gabriel: Minimax optimal designs of regression experiments. [Master Thesis] - Comenius University in Bratislava. Faculty of Mathematics, Physics and Informatics; Department of Applied Mathematics and Statistics. - Supervisor: prof. RNDr. Andrej Pázman, DrSc. - Bratislava: FMFI UK, 2014, 79 p. Master thesis deals with the minimax optimal designs of regression experiments. The aim of the thesis is to become familiar by following the existing lectures with the existing approaches in literature and verify the recently published method by Nyquist in the specific cases. Theoretical part is dedicated to the theory how to design experiments, describes local optimality criteria, optimality criteria in nonlinear model and necessary and sufficient optimality conditions. Further on the theory of numeric methods to search optimal designs for AVE criteria, minimax criteria and entropy regularization of minimax criteria is elaborated in details. Practical part contains solutions for the specific cases based on two diverse approaches used together with the results analysis. Keywords: minimax optimal designs, AVE algorithm, H-algorithm, entropy regularization
7 OBSAH OBSAH Obsah Zoznam obrázkov 9 Zoznam tabuliek 10 Zoznam použitých symbolov 12 Úvod 13 1 Optimálne navrhovanie experimentov v nelineárnych modeloch Základy nelineárneho modelu, lokálne kritérium optimality Nutné a postačujúce podmienky lokálnej optimality Klasické lokálne kriteriálne funkcie a ich vlastnosti Kritéria optimality v nelineárnom modeli AVE (priemerovacie) kritérium optimality Minimaxné kritérium optimality Numerické metódy hľadania AVE optimálneho návrhu 21 3 Opis numerických metód hľadania minimaxného optimálneho návrhu H-algoritmus Podrobnejšie výsledky, keď množiny X a Θ sú konečné Entropijná regularizácia minimaxného kritéria Riešenie príkladov Príklad Riešenie pomocou H-algoritmu [6] Riešenie pomocou entropijnej regularizácie Príklad Riešenie pomocou H-algoritmu [6] Riešenie pomocou entropijnej regularizácie Diskusia k riešeným príkladom 58 Záver 62 7
8 OBSAH OBSAH Zoznam použitej literatúry 63 Príloha A 64 8
9 ZOZNAM OBRÁZKOV ZOZNAM OBRÁZKOV Zoznam obrázkov 1 Pr. 1, entropijná regularizácia. Graf závislosti bodu návrhu od parametra λ 41 2 Pr. 1, entropijná regularizácia. Graf hodnôt kritérií v závislosti od parametra λ Pr. 2, H-algoritmus. Body pridávané do návrhu ξ π(1) Pr. 2, H-algoritmus. Body pridávané do návrhu ξ π(2) Pr. 2, H-algoritmus. Body pridávané do návrhu ξ π(3) Pr. 2, entropijná regularizácia. Graf hodnôt kritérií v závislosti od parametra λ Pr. 2, entropijná regularizácia. Body pridávané do návrhu pre jednotlivé hodnoty parametra λ
10 ZOZNAM TABULIEK ZOZNAM TABULIEK Zoznam tabuliek 1 Pr. 1, H-algoritmus. Výsledky druhej iterácie Pr. 1, H-algoritmus. Výsledky druhej iterácie podľa H. Nyquista Pr. 1, H-algoritmus. Porovnanie našich a Nyquistových výsledkov druhej iterácie Pr. 1, entropijná regularizácia. Výsledky pre hodnotu parametra λ = Pr. 1, entropijná regularizácia. Výsledky pre hodnotu parametra λ = 0.1, Pr. 1, entropijná regularizácia. Výsledky pre hodnotu parametra λ = 5, Pr. 1, entropijná regularizácia. Záverečné porovnanie optimálnych návrhov pre rôzne hodnoty parametra λ Pr. 2, H-algoritmus. Porovnanie výsledkov pre rozdelenie π (1) Pr. 2, H-algoritmus. Porovnanie výsledkov pre rozdelenie π (2) Pr. 2, H-algoritmus. Porovnanie výsledkov pre rozdelenie π (3) Pr. 2, entropijná regularizácia. Porovnanie výsledkov pre hodnotu parametra λ = 0.1, Pr. 2, entropijná regularizácia. Porovnanie výsledkov pre hodnotu parametra λ = 10,
11 Zoznam použitých symbolov Zoznam použitých symbolov Zoznam použitých symbolov OLS ordinary least squares (metóda najmenších štvorcov) X množina možných bodov merania v experimente E[.] stredná hodnota V ar[.] variancia 0 = (0 1,..., 0 m ) vektor núl θ = (θ 1,..., θ m ) vektor neznámych parametrov Θ množina všetkých neznámych parametrov ˆθ = (ˆθ 1,..., ˆθ m ) vektor odhadov neznámych parametrov Π množina všetkých pravdepodobnostných rozdelení na množine Θ N (µ, Σ) normálne rozdelenie s kovariančnou maticou Σ a strednou hodnotou µ M(ξ, θ) informačná matica návrhu ξ závislá od skutočnej hodnoty θ parametra θ R m m Φ[M] Φ[M] { Φ[M]} ij m m rozmerný priestor matíc nad R kriteriálna funkcia gradient funkcie Φ v bode M ij -ty prvok gradientu funkcie Φ v bode M Φ[ M, M] derivácia funkcie Φ v bode M a v smere M Ξ množina všetkých návrhov experimentu M množina všetkých informačných matíc v experimente tr(m) stopa matice M M (M) stĺpcový priestor matice M (ξ, π ) sedlový bod typu minmax B(ξ, π) AVE kritérium optimality π apriórne rozdelenie π 0 najnepriaznivejšie rozdelenie ξ π 0 AVE optimálny návrh vzhľadom k π 0 B(π) B(ξ π, π) 11
12 Zoznam použitých symbolov Zoznam použitých symbolov Φ m (ξ) ξ m Φ e (ξ) ξ e α n min ω min ɛ stop ɛ π (resp. ɛ n ) θ (l) (resp. θ e ) δ (l) minimaxné kritérium optimality minimaxný optimálny návrh entropijné kritérium optimality entropijný optimálny návrh krok v algoritme minimálna vzájomná vzdialenosť 2 bodov minimálna váha bodu v návrhu maximálna vzdialenosť návrhu od optimálneho návrhu vzdialenosť návrhu ξ π (resp. ξ n ) od optimálneho návrhu bod, v ktorom sa nadobúda max Φ[M(ξπ(l), θ)] (resp. Φ m (ξ e )) θ Θ Diracova miera v bode θ (l) pi π(l) (resp. pi e ) počet iterácii pri konštrukcii návrhu ξ π(l) (resp. ξ e ) τ π(l) (resp. τ e ) čas výpočtu pri konštrukcii návrhu ξ π(l) (resp. ξ e ) w(x, θ) e η(x,θ) (1+e η(x,θ) ) 2 12
13 ÚVOD ÚVOD Úvod Jedna z najdôležitejších častí výskumu je fáza návrhu. Na to, aby sme mohli dôjsť k spoľahlivým záverom z fyzikálnych, biomedicínskych, farmaceutických a iných výskumov, musí návrh spĺňat určité požiadavky. Tieto požiadavky a samotná teória týchto oblastí je rozpracovaná v rôznych učebniciach a prácach. Jedna z málo docenených požiadaviek je dôležitosť dobre naplánovaného návrhu. Starostlivo naplánované návrhy môžu poskytnúť presné štatistické závery s minimálnymi nákladmi. Oblasť optimálnych návrhov experimentov spadá pod štatistiku. Poskytuje teóriu potrebnú na konštrukciu optimálnych, resp. približne optimálnych návrhov. Ako je uvedené v [11], existuje niekoľko monografií o tejto oblasti štatistiky, ktoré sa zaoberajú matematickým spracovaním problematiky. Niektoré príklady sú [2], [10] alebo [7]. V monografii [1] je mnoho príkladov z navrhovania experimentov v oblasti inžinierstva a farmácie. Táto diplomová práca sa zaoberá minimaxnými optimálnymi návrhmi regresných experimentov. Cieľom práce je, v nadväznosti na existujúce prednášky [8], oboznámiť sa v literatúre s niektorými existujúcimi prístupmi a preveriť na počítači efektívnosť nedávno publikovanej metódy Nyquista na niektorých konkrétnych úlohách. Diplomová práca je rozdelená do piatich kapitol. V prvej kapitole čitateľovi priblížime samotnú teóriu navrhovania optimálnych experimentov v nelineárnych modeloch. Kapitola 2 opisuje numerické metódy hľadania AVE optimálneho návrhu. V tretej kapitole opisujeme numerické metódy hľadania minimaxného optimálneho návrhu pomocou H-algoritmu a entropijnej regularizácie. V tejto časti taktiež podrobnejšie rozoberáme prípad, keď množiny X a Θ sú konečné. Nakoniec riešime konkrétne príklady oboma spomenutými prístupmi a v poslednej kapitole s názvom Diskusia k riešeným príkladom analyzujeme dosiahnuté výsledky. 13
14 1 OPTIMÁLNE NAVRHOVANIE EXPERIMENTOV V NELINEÁRNYCH MODELOCH 1 Optimálne navrhovanie experimentov v nelineárnych modeloch 1.1 Základy nelineárneho modelu, lokálne kritérium optimality Nelineárna regresia vychádza z modelu y x = η(x, θ) + ε x, kde E[ε x ] = 0 a V ar[ε x ] = σ 2. Narozdiel od lineárneho modelu, presnosť odhadu ˆθ OLS (ďalej len ˆθ) závisí od skutočnej hodnoty θ parametra θ a preto je pri navrhovaní experimentov v nelineárnom modeli potrebná apriórna vedomosť o skutočnej hodnote θ. V optimálnom navrhovaní experimentov je cieľom nájsť taký návrh, ktorý bude k optimálnemu návrhu čo najbližsie, ktorý bude skoro optimálny [8]. Definícia 1.1. Návrh je ľubovoľná diskrétna pravdepodobnostná miera ξ na X, ktorej nosič {x X : ξ(x) > 0} je konečný. (Pozri [8]) Štatisticky by sme mohli návrh ξ(x) intepretovať ako relatívny počet meraní v bode x. Pri formulovaní kritérií optimality sa vychádza z asymptotickej normality OLS, kde pre dostatočne veľké N platí ˆθ N ( θ, σ 2 1 ) N M 1 (ξ, θ). Z asymptotickej normality je zrejmé, že informácie o presnosti odhadov nesie informačná matica, ktorú si zadefinujeme v nasledujúcej definícii. Definícia 1.2. Informačná matica M(ξ, θ) má tvar M(ξ, θ) = kde x X f(x, θ)f (x, θ)ξ(x), f(x, θ) = η(x,θ) θ. Informačnú maticu M(ξ, θ) niekedy píšeme skrátene M. (Pozri [8]) Informačná matica M(ξ, θ) je závislá od skutočnej hodnoty θ parametra θ. Označme množinu všetkých návrhov experimentu Ξ a množinu všetkých informačných matíc M Ξ {ξ : ξ je návrh na X }, M {M(ξ, θ) : ξ Ξ}. 14
15 1 OPTIMÁLNE NAVRHOVANIE EXPERIMENTOV V NELINEÁRNYCH 1.2 Nutné a postačujúce podmienky lokálnej optimality MODELOCH Ξ aj M sú konvexné. Pri hľadaní optimálneho návrhu chceme, aby bol náš návrh čo najpresnejší. To znamená, že hľadáme návrh s čo najmenšou varianciou funkcie parametra, teda návrh s čo najväčšou informačnou maticou. Tu sa nám vynára otázka, čo znamená veľká informačná matica. Odpoveď na túto otázku nám dáva lokálne kritérium optimality. Za tým účelom treba zvoliť nejaký bod θ Θ o ktorom aprióri predpokladáme, že je blízko skutočnej hodnoty θ. Definícia 1.3. Lokálne kritérium optimality je funkcia Φ : M(ξ, θ ) M Φ[M(ξ, θ )] R taká, že ak M(ξ, θ ) M(η, θ ) (teda u R m potom Φ[M(ξ, θ )] Φ[M(η, θ )]. [8] : u M(ξ, θ )u u M(η, θ )u), Návrh ξ je lokálne Φ-optimálny (v lokalite bodu θ ) práve vtedy, keď (Pozri [8]) Φ[M(ξ, θ )] = min ξ Ξ Φ[M(ξ, θ )]. 1.2 Nutné a postačujúce podmienky lokálnej optimality V tejto podkapitole sa oboznámime s nutnými a postačujúcimi podmienkami lokálnej optimality, no ešte predtým čitateľovi objasníme pojmy gradient a smerová derivácia. Nech Φ[M] je diferencovateľná reálna funkcia na otvorenej podmnožine R m m. Gradient funkcie Φ je matica Φ typu m m v tvare [8] { Φ[M]} ij = Φ[M] M ij, i, j = 1,..., m. Smerová derivácia funckie Φ[M] v bode M a v smere M je definovaná [8] Φ[M Φ[(1 β)m + βm] Φ[M ], M] = lim. β 0 + β Platia nasledujúce vety. (Podrobnosti pozri [8]) Veta 1.4. Ak Φ je konvexná na M, tak smerová derivácia existuje (konečná alebo nekonečná) v každom bode M a v každom smere M. Súvis medzi gradientom a smerovou deriváciou poskytuje Veta
16 1 OPTIMÁLNE NAVRHOVANIE EXPERIMENTOV V NELINEÁRNYCH 1.3 Klasické lokálne kriteriálne funkcie a ich vlastnosti MODELOCH Veta 1.5. Nech existuje Φ[M] v bode M. Potom Φ[M, M] = tr[ Φ[M ](M M )]. Veta 1.6. Nech Φ je konvexné lokálne kritérium optimality. Potom návrh ξ je lokálne Φ-optimálny (t.j. Φ[M(ξ, θ )] = min ξ Ξ Φ[M(ξ, θ )]) práve vtedy, keď ξ Φ[M(ξ, θ ), M(ξ, θ )] 0. V praxi sa táto veta ťažko využíva, oveľa jednoduhšie sa pracuje s nasledujúcou vetou, ktorej predpokladom je existencia gradientu. Veta 1.7. Nech Φ je konvexné lokálne kritérium optimality a nech existuje gradient Φ[M] v bode M = M(ξ, θ ) (ďalej len Φ[M(ξ, θ )]) pre všetky θ. Potom návrh ξ je lokálne Φ-optimálny (t.j. Φ[M(ξ, θ )] = min ξ Ξ Φ[M(ξ, θ )]) práve vtedy, keď min f (x, θ ) Φ[M(ξ, θ )]f(x, θ ) = c(ξ, θ ) tr{m(ξ, θ ) Φ[M(ξ, θ )]}. x X Pomocou nasledujúcej vety vieme určiť, ako ďaleko je návrh µ od optimálneho návrhu. Veta 1.8. Nech Φ je konvexné lokálne kritérium optimality a nech existuje gradient Φ[M(µ, θ )] pre všetky θ. Potom pre ľubovoľný návrh µ platí Φ[M(µ, θ )] min ξ Ξ Φ[M(ξ, θ )] c(µ, θ ) min x X f (x, θ ) Φ[M(µ, θ )]f(x, θ ). 1.3 Klasické lokálne kriteriálne funkcie a ich vlastnosti V tejto časti uvedieme najčastejšie používané lokálne kriteriálne funkcie spolu s ich vlastnosťami. (Podrobne rozpracované v [8]) ln[det(m)], D-optimalita Φ[M] = +, ak M je regulárna, inak. konvexná funkcia, dokonca rýdzo konvexná na množine kladne definitných matíc, D-optimálna informačná matica je jediná, funkcia D-optimality je spojitá, pre regulárnu maticu M má gradient tvar: Φ[M] = M 1, 16
17 1 OPTIMÁLNE NAVRHOVANIE EXPERIMENTOV V NELINEÁRNYCH 1.4 Kritéria optimality v nelineárnom modeli MODELOCH návrh ξ je D-optimálny max f (x, θ )M 1 (ξ, θ )f(x, θ ) = m. x X m V ar ξ [ˆθ i ] = tr{m 1 }, ak M je regulárna, A-optimalita Φ[M] = i=1 +, inak. konvexná funkcia, funkcia A-optimality je spojitá, pre regulárnu maticu M má gradient tvar: Φ[M] = M 2. h M h, ak h M (M), C-optimalita (pre pevné h) Φ[M] = +, inak. konvexná funkcia, funkcia C-optimality je polospojitá zdola na M, pre regulárnu maticu M má gradient tvar: Φ[M] = M 1 hh M 1. max h: h =1 V ar ξ [h ˆθ] = 1 E-optimalita Φ[M] =, λ min ak M je regulárna, [M] +, inak. konvexná funkcia, funkcia E-optimality je spojitá. 1.4 Kritéria optimality v nelineárnom modeli Ako sme spomenuli na začiatku tejto kapitoly, informačná matica v nelineárnom modeli závisí od skutočnej hodnoty θ parametra θ. Preto pri hľadaní optimálneho návrhu nemôžeme použiť len lokálne kritéria optimality, ale musíme túto závislosť nejako ošetriť, zohľadniť. V nasledujúcich podkapitolách ukážeme možné prístupy, ako sa s týtmo faktom možno vysporiadať AVE (priemerovacie) kritérium optimality AVE (z anglického average (priemer)) kritérium optimality vychádza z klasických lokálnych kritérií optimality a definujeme ho nasledovne. 17
18 1 OPTIMÁLNE NAVRHOVANIE EXPERIMENTOV V NELINEÁRNYCH 1.4 Kritéria optimality v nelineárnom modeli MODELOCH Definícia 1.9. B(ξ, π) = Θ Φ[M(ξ, θ)]dπ(θ) = E π {Φ[M(ξ, θ)]}, kde Φ je klasická kriteriálna funkcia optimality a π(.) predstavuje apriórnu pravdepodobnostnú mieru na množine Θ, ktorá vyjadruje apriórne očakávanie o skutočnej hodnote θ parametra θ.[8] Veta Ak Φ[M(ξ, θ)] je konvexná funkcia v ξ pre každé θ, potom B(ξ, π) je konvexná funkcia v ξ a lineárna v π(.).[8] B(ξ, π) nie je funkciou jedinej informačnej matici a preto si smerovú deriváciu definujeme v nasledujúcej definícii. Definícia Smerová derivácia funkcie B v bode µ a v smere ξ je B[(1 β)µ + βξ, π] B(µ, π) B(µ, ξ; π) = lim. β 0 + β Veta Ak existuje gradient Φ[M(µ, θ)] pre všetky θ Θ a ak možno zameniť poradie stredovania E π [.]a derivovania podľa β, potom derivácia funkcie B v bode µ a v smere ξ je B(µ, ξ; π) = x X ξ(x)e π {f (x, θ) Φ[M(µ, θ)]f(x, θ)} E π {c(µ, θ)}, kde c(µ, θ) tr{m(µ, θ) Φ[M(µ, θ)]} = x X Nutné a postačujúce podmienky optimality µ(x)f (x, θ) Φ[M(µ, θ)]f(x, θ).[8] Návrh ξ π je B-optimálny (nazývame tiež AVE optimálny návrh) pri danej apriórnej pravdepodobnostnej miere π(.) práve vtedy, keď Veta Návrh ξ π je B-optimálny práve vtedy, keď B(ξ π, π) = min B(ξ, π). (1) ξ Ξ ξ Ξ B(ξ π, ξ; π) 0. Veta Nech existuje gradient Φ[M(ξ π, θ)] pre všetky θ Θ. Potom návrh ξ π je B-optimálny práve vtedy, keď min E π{f (x, θ) Φ[M(ξ π, θ)]f(x, θ)} = E π {c(ξ π, θ)} x X x X ξ π (x)e π {f (x, θ) Φ[M(ξ π, θ)]f(x, θ)}. 18
19 1 OPTIMÁLNE NAVRHOVANIE EXPERIMENTOV V NELINEÁRNYCH 1.4 Kritéria optimality v nelineárnom modeli MODELOCH Nasledujúcou vetou vieme oceniť, ako ďaleko je návrh µ od AVE optimálneho návrhu. Veta Nech Φ je konvexné lokálne kritérium optimality a nech existuje gradient Φ[M(µ, θ)] pre všetky θ Θ. Potom pre ľubovoľný návrh µ platí B(µ, π) min ξ Ξ B(ξ, π) E π{c(µ, θ)} min x X E π{f (x, θ) Φ[M(µ, θ)]f(x, θ)}, kde E π {c(µ, θ)} = x X µ(x)e π {f (x, θ) Φ[M(µ, θ)]f(x, θ)}. (Pre bližšie nahliadnutie k predchádzajúcim definíciám a vetám pozri [8]) Minimaxné kritérium optimality Minimaxné kritérium takisto vychádza z klasických lokálnych kritérií optimality. Týmto kritériom hľadáme optimálny návrh ξ m pri najhoršej možnej hodnote θ parametra θ. Definícia [8] Majme klasické lokálne kritérium optimality Φ. Minimaxné kritérium optimality je definované vzťahom Φ m (ξ) = max Φ[M(ξ, θ)]. θ Θ Veta Ak Φ[M(ξ, θ)] je konvexná funkcia v ξ pre každé θ Θ, potom Φ m (ξ) je konvexná funkcia. (Pozri [8]) Nutné a postačujúce podmienky optimality Návrh ξ m je Φ m -optimálny (nazývame tiež minimaxný optimálny návrh) práve vtedy, keď Φ m (ξ m ) = min ξ Ξ Φm (ξ). Veta Nech ξ γ je taký návrh, že podmnožina množiny Θ definovaná vzťahom je konečná. M = arg max θ Θ Φ[M(ξγ, θ)] 1. Ak je návrh ξ γ AVE optimálny pre apriórnu pravdepodobnosť γ takú, že γ(θ) = 1, θ M potom návrh ξ γ je Φ m -optimálny na Θ. 19
20 1 OPTIMÁLNE NAVRHOVANIE EXPERIMENTOV V NELINEÁRNYCH 1.4 Kritéria optimality v nelineárnom modeli MODELOCH 2. Navyše, ak je množina Θ kompaktná, tak platí aj obrátená implikácia. Poznamenávame, že naše tvrdenie 1 Vety 1.18 je totožné s tvrdením (i) Vety 2.1 v článku [4]. V spomínanom článku je toto tvrdenie formulované takto (i) Ak existuje γ : M [0, 1] s podmienkou ξ Ξ θ M γ(θ) = 1 a γ(θ) Φ[M(ξ γ, θ), M(ξ, θ)] 0, θ M potom návrh ξ γ je Φ m -optimálny. (Pre bližšie informácie a podrobný dôkaz pozri [4]) 20
21 2 NUMERICKÉ METÓDY HĽADANIA AVE OPTIMÁLNEHO NÁVRHU 2 Numerické metódy hľadania AVE optimálneho návrhu Táto kapitola sa venuje algoritmu na hľadanie AVE optimálneho návrhu, teda návrhu s kritériom definovaným nasledovne B(ξ, π) = Θ Φ[M(ξ, θ)]dπ(θ) = E π {Φ[M(ξ, θ)]}, kde π(θ) je dané a hľadáme ξ π = arg min B(ξ, π). ξ Ξ Samotný algoritmus pozostáva z 5 nasledujúcich krokov. Máme dané X, Θ, π(θ): Krok 1 V prvom kroku vytvoríme diskrétny počiatočný návrh ξ 0 taký, ktorého informačná matica bude regulárna (t.j. det [M(ξ 0, θ)] 0, θ supp π(θ) ) x 1 x 2... x q q ξ 0 = ω 1 ω 2... ω, kde ω i = 1. q i=1 Určíme ɛ stop, teda najväčšiu možnú vzdialenosť nášho návrhu od optimálneho návrhu, ktorú akceptujeme. Ako pravidlo zastavenia použijeme podmienku približnej optimality podľa Vety 1.15 E π {c(ξ n, θ)} min x X E π{f (x, θ) Φ[M(ξ n, θ)]f(x, θ)} ɛ stop, (2) kde E π {c(ξ n, θ)} = x X ξ n (x)e π {f (x, θ) Φ[M(ξ n, θ)]f(x, θ)}. Pre D-optimalitu platí E π {c(ξ n, θ)} = m, teda výraz E π {c(ξ n, θ)} má hodnotu rovnú počtu parametrov. Overíme, či náš počiatočný návrh spĺňa pravidlo zastavenia, ak áno, tak počiatočný návrh je približne AVE optimálny, ak nie, pokračujeme Krokom 2. Krok 2 Nájdeme bod x min = arg min E π{f (x, θ) Φ[M(ξ n, θ)]f(x, θ)} a zvolíme x X vhodnú dĺžku kroku α n. Nájdený bod x min pridáme do nášho návrhu, čím vytvoríme nový návrh ξ n+1 = (1 α n )ξ n + α n δ xmin (x), 1, ak x = x min, kde δ xmin (.) je diskrétny jednobodový návrh, t.j. δ xmin (x) = 0, ak x x min. 21
22 2 NUMERICKÉ METÓDY HĽADANIA AVE OPTIMÁLNEHO NÁVRHU Krok 3 Zvolíme min - minimálnu vzájomnú vzdialenosť 2 bodov x i a x j. Ak je vzájomná vzdialenosť bodov x i a x j menšia ako zvolené min, tak tieto body zlúčime do jedného bodu x k, ktorého váha ω k = ω i + ω j. Tento postup opakujeme až dovtedy, dokým vzájomná vzdialenosť každých dvoch bodov nie je väčšia ako min. Po tomto kroku pokračujeme Krokom 4. Krok 4 Zvolíme číslo ω min > 0 a body, ktorých váha je menšia ako zvolená ω min z návrhu vyhodíme a váhy ostatných bodov prepočítame tak, aby v súčte dávali 1, čím vytvoríme redukovaný návrh ξ r n+1. Krok 5 Overíme podmienku približnej optimality (2) definovanú v Kroku 1, ak je splnená, návrh je približne AVE optimálny. Ak návrh nespĺňa pravidlo zastavenia, tak sa s týmto návrhom vrátime do Kroku číslo 2. Tento postup opakujeme, až kým nenájdeme približne AVE optimálny návrh, teda návrh, ktorý spĺňa pravidlo zastavenia (2). Chceme podotknúť, že spájanie a vymazávanie bodov, teda Krok 3 a 4, sa zväčša realizuje až po k-tej iterácii, kde sa číslo k určuje aposteriórne, teda zo skúseností. Takisto chceme dodať, že krok α n sa zväčša volí 1 q+1, kde q je počet bodov v návrhu ξ n. V tejto kapitole sme popísali všeobecný algoritmus na skonštruovanie približne AVE optimálneho návrhu. Každý príklad je však špecifický a preto je niekedy pri konštruovaní (približne) AVE optimálneho návrhu potrebné dodať ešte nejaké reštrikcie, ktoré zabezpečia konštrukciu lepšieho návrhu. Preto nie je možné popísať všeobecný algoritmus, ktorý je vhodný pre každý príklad. V našom algoritme sa stretneme s rátaním inverzie informačnej matice (gradient D- optimality) a tak uvedieme užitočný trik, pomocou ktorého si výpočet zjednodušíme (pre jednoduchosť použijeme informačnú maticu v tvare M(ξ n )). (Pozri [8]) M(ξ n+1 ) = (1 α n )M(ξ n ) + α n f(x min )f (x min ) M 1 (ξ n+1 ) = [(1 α n )M(ξ n ) + α n f(x min )f (x min )] 1 = = 1 (1 α n ) M 1 α n (ξ n )[I + (1 α n ) f(x min)f (x min )M 1 (ξ n )] 1 1 (1 α n ) M 1 α n (ξ n )[I (1 α n ) f(x min) α n [1 + (1 α n ) f (x min )M 1 (ξ n )f(x min )] 1 f (x min )M 1 (ξ n )] 22
23 3 OPIS NUMERICKÝCH METÓD HĽADANIA MINIMAXNÉHO OPTIMÁLNEHO NÁVRHU 3 Opis numerických metód hľadania minimaxného optimálneho návrhu 3.1 H-algoritmus V tejto časti predstavíme a popíšeme H-algoritmus, ktorý vymyslel H. Nyquist a publikoval v práci [5]. Je to algoritmus na skonštruovanie minimaxného optimálneho návrhu, ktorý využíva vzťah medzi minimaxným optimálnym návrhom a AVE optimálnym návrhom pre najnepriaznivejšie rozdelenie. Pred popisom samotného algoritmu predostrieme čitateľovi krátky úvod [6]. Budeme pracovať za nasledujúcich predpokladov. A 1 : x je q-rozmerný vektor, X je kompaktná podmnožina R q, x X R q. A 2 : Φ[M(ξ, θ)] je spojitá, rýdzokonvexná a diferencovateľná reálna funkcia pre všetky θ na množine m m symetrických matíc a je zdola ohraničená. A 3 : M(ξ, θ) je spojitá funkcia premennej θ. A 4 : Θ je kompaktná množina. AVE optimálny návrh ξ π s ohľadom na apriórnu pravdepodobnostnú mieru π je definovaný v (1), teda platí B(ξ π, π) = min B(ξ, π). (3) ξ Ξ Pre zjednodušenie budeme používať označenie B(ξ π, π) = B(π). Predpoklady A 1 a A 2 zabezpečujú existenciu lokálnych a AVE optimálnych návrhov. Minimaxný optimálny návrh ξ m je návrh, ktorý spĺňa nasledovné Φ m (ξ m ) = min max ξ Ξ θ Θ Φ[M(ξ, θ)]. (4) Definujeme Π ako množinu všetkých pravdepodobnostných rozdelení na množine Θ. Je možné ukázať, že max θ Θ a preto výraz (4) možno prepísať takto Φ[M(ξ, θ)] = max B(ξ, π) (5) π Π Φ m (ξ m ) = min max ξ Ξ π Π 23 B(ξ, π).
24 3 OPIS NUMERICKÝCH METÓD HĽADANIA MINIMAXNÉHO 3.1 H-algoritmus OPTIMÁLNEHO NÁVRHU Apriórne rozdelenie π 0 s vlastnosťou B(ξ π 0, π 0 ) = max π Π B(ξπ, π) sa nazýva najnepriaznivejšie rozdelenie vzhľadom k Π. Zo vzťahu (3) vyplýva Z [6] je prebratá nasledujúca veta. Veta 3.1. Predpokladajme, že ξ π 0 má vlastnosť Potom 1. min max ξ Ξ π Π B(ξ π 0, π 0 ) = max min π Π ξ Ξ B(ξ, π). AVE optimálny návrh vzhľadom k nejakému π 0 Π Φ[M(ξ π 0, θ)] B(π 0 ) pre všetky θ Θ. (6) B(ξ, π) = max π Π min ξ Ξ B(ξ, π) = B(π 0), 2. π 0 je najnepriaznivejšie rozdelenie vzhľadom k Π, 3. ξ π 0 je minimaxný optimálny návrh, teda ξ π 0 = ξ m. Poznamenávame, že nerovnosť (6) je vlastne pravidlo zastavenia pre ďalej uvedený algoritmus. Body 1,2 a 3 veľmi súvisia s jedným z hlavných výsledkov teórie hier, ktorý hovorí, že keby množiny X a Θ boli konečné, tak potom množiny Ξ a Π sú kompaktné a z toho, že B(ξ, π) je konvexné v ξ a konkávne v π by vyplývali body 1,2 a 3. Prípadu konečnosti množín X a Θ sa bližšie venujeme v Podkapitole Dôkaz (podrobnejšie ako v [6]): B(ξ, π) min ξ Ξ B(ξ, π), ξ Ξ, π Π, (7) keďže nerovnosť platí pre π Π, tak platí aj pre maximum max B(ξ, π) max min B(ξ, π), ξ Ξ. (8) π Π π Π ξ Ξ Predchádzajúci výraz platí pre ξ Ξ, tak platí aj pre minimum min max ξ Ξ π Π B(ξ, π) max 24 min π Π ξ Ξ B(ξ, π). (9)
25 3 OPIS NUMERICKÝCH METÓD HĽADANIA MINIMAXNÉHO 3.1 H-algoritmus OPTIMÁLNEHO NÁVRHU Na druhej strane máme min max ξ Ξ π Π B(ξ, π) max π Π B(ξ, π), ξ Ξ. (10) Nerovnosť platí pre ξ Ξ, teda aj pre AVE optimálny návrh ξ π 0 min max ξ Ξ π Π Z rovnosti (5) a vlastnosti (6) dostávame B(ξ, π) max π Π B(ξπ 0, π) = max θ Θ Φ[M(ξπ 0, θ)]. (11) min max ξ Ξ π Π B(ξ, π) max π Π B(ξπ 0, π) = (12) = max θ Θ Φ[M(ξπ 0, θ)] B(π 0 ) = min ξ Ξ B(ξ, π 0) max a preto v (9) a (13) musí byť rovnosť. min π Π ξ Ξ B(ξ, π), (13) Pri samotnom skonštruovaní algoritmu začneme tak, že vygenerujeme počiatočné apriórne rozdelenie a nájdeme k tomu prislúchajúci (približne) AVE optimálny návrh. V každej nasledujúcej iterácii pozmeníme apriórne rozdelenie a opäť nájdeme (približne) AVE optimálny návrh. Takto pokračujeme, až kým nenájdeme najnepriaznivejšie rozdelenie a k tomu prislúchajúci (približne) AVE optimálny návrh, ktorý je zároveň (približne) minimaxným optimálnym návrhom. H-algoritmus krok po kroku opíšeme nasledovne, tak ako v [6]. Máme dané X, Θ: Krok 0 Nastavíme hodnotu l = 1 a formálne definujeme B(π (0) ) =. Definujeme pomocnú sieť bodov na intervale 0, 1 : H = {h 0,..., h T }, kde 0 = h 0 < h 1 <... < h T 1. Zvolíme nejaké počiatočné apriórne rozdelenie π (1), skonštruujeme (približne) AVE optimálny návrh ξ π(1) a vyčíslime B(π (1) ). Krok 1 Overíme, či Φ[M(ξ π(l), θ)] B(π (l) ) pre všetky θ Θ. Ak je podmienka splnená, algoritmus zastavíme, π (l) je najnepriaznivejšie rozdelenie a ξ π(l) je (približne) minimaxný optimálny návrh. Ak podmienka splnená nie je, tak pokračujeme Krokom 2. 25
26 3 OPIS NUMERICKÝCH METÓD HĽADANIA MINIMAXNÉHO 3.1 H-algoritmus OPTIMÁLNEHO NÁVRHU Krok 2 Nájdeme bod θ (l) = arg max Φ[M(ξπ(l), θ)] a označíme δ (l) Diracovu mieru θ Θ v bode θ (l). Krok 3 Generujeme T nových apriórnych rozdelení: π (l+1) t = (1 h t )π (l) + h t δ (l). Pre každé nové apriórne rozdelenie nájdeme prislúchajúci (približne) AVE optimálny návrh ξ π(l+1) t a vyčíslime B(π (l+1) t ), t=1,...,t. Označme t 0 = arg max t {1,...,T } B(π(l+1) t ). Ďalej označíme π (l+1) = π (l+1) t 0. Návrh ξ π(l+1) definujeme ako ξ π(l+1) = ξ π(l+1) t 0 (je to (približne) AVE optimálny návrh pre π (l+1) ). Krok 4 Overíme nasledujúce B(π (l+1) ) B(π (l) ). Ak podmienka nie je splnená, tak definujeme hustejšiu sieť H a zopakujeme Krok číslo 3, ináč nastavíme l = l + 1 a vrátime sa do Kroku 1. Tento algoritmus budeme preverovať na príkladoch. Napriek Theorem 2 z [6] vetu o konvergencii algoritmu nepokladáme za preukázanú Podrobnejšie výsledky, keď množiny X a Θ sú konečné V tejto podkapitole ukážeme, ako za predpokladu konečnosti množín X a Θ možno dôjsť k bodom 1,2 a 3 Vety 3.1 bez využitia predpokladu (6), respektíve, že Veta 3.1 je v tomto prípade nutnou i postačujúcou podmienkou optimality. Tvrdenie 3.2. Množiny X a Θ sú konečné množiny Ξ a Π sú kompaktné a konvexné. Tvrdenie 3.3. B(ξ, π) je spojitá funkcia premennej ξ a π, podľa ξ je konvexná a podľa π lineárna. Veta 3.4. (Sion, 1905, [3]) Nech Ξ a Π sú konvexné a kompaktné množiny. Nech B(ξ, π) je podľa ξ zdola-polospojitá a kvázikonvexná a podľa π zhora-polospojitá a kvázikonkávna. Potom B(ξ, π) má vzhľadom na množinu Ξ Π sedlový bod typu minmax. Táto veta hovorí o existencii sedlového bodu typu minmax. Nasledúca veta hovorí o vzťahu medzi sedlovým bodom minmax a kombinovanými extrémami. 26
27 3 OPIS NUMERICKÝCH METÓD HĽADANIA MINIMAXNÉHO 3.2 Entropijná regularizácia minimaxného kritéria OPTIMÁLNEHO NÁVRHU Veta 3.5. (Veta o minmaxe, [3]) Funkcia B(ξ, π) definovaná na Ξ Π má sedlový bod (ξ, π ) typu minmax vzhľadom na Ξ Π práve vtedy, ak existujú výrazy min max ξ Ξ π Π max min π Π ξ Ξ B(ξ, π), B(ξ, π), a ich hodnoty sú rovnaké. Potom tiež platí B(ξ, π ) = min max ξ Ξ π Π B(ξ, π) = max min π Π ξ Ξ B(ξ, π). Vetou 3.4 sme ukázali, že funkcia B(ξ, π) má sedlový bod typu minmax. Veta o minmaxe v našom prípade jasne hovorí o existencii a rovnosti výrazov min max min π Π ξ Ξ max ξ Ξ π Π B(ξ, π) a B(ξ, π). Ukázali sme, že táto rovnosť, čiže bod 1 Vety 3.1 v tomto prípade platí aj bez predpokladu (6). Body 2 a 3 Vety 3.1 vyplývajú z nasledujúcej vety. Veta 3.6. Nech ξ m je minimaxný návrh, potom na množine M, ktorá je podľa Vety 1.18 definovaná M = arg max θ Θ Φ[M(ξm, θ)] existuje π 0 také, že ξ m je AVE optimálny návrh vzhľadom na π 0 a platí pravidlo zastavenia (6). 3.2 Entropijná regularizácia minimaxného kritéria Pomocou entropie možno aproximovať minimaxné kritérium na špeciálny druh AVE kritéria (pozri [9] kap ). Z prvej kapitoly vieme, že minimaxné kritérium je definované nasledovne Φ m (ξ) = max Φ[M(ξ, θ)]. θ Θ Je možné ukázať, že ak Θ je interval, tak minimaxné kritérium sa dá prepísať takto Φ m (ξ) = sup Φ[M(ξ, θ)]g(θ)dθ, g na Θ Θ kde suprémum je cez všetky hustoty g(.) na Θ. Suprémum sa nedosahuje pre žiadnu hustotu g(.) (teoreticky by mala zodpovedať tzv. Diracovej hustote). Vhodnou aproximáciou môžeme dosiahnuť, že suprémum sa zmení na maximum. Jednou z možností, ako vhodne zvoliť hustotu g(θ), je entropijná regularizácia. 27
28 3 OPIS NUMERICKÝCH METÓD HĽADANIA MINIMAXNÉHO 3.2 Entropijná regularizácia minimaxného kritéria OPTIMÁLNEHO NÁVRHU Entropia má tvar g(θ)ln[g(θ)]dθ. Θ Pomocou entropie môžeme minimaxné kritérium aproximovať nasledovne Φ m (ξ) =. { max Φ[M(ξ, θ)]g(θ)dθ 1 } g(θ)ln[g(θ)]dθ, g na Θ Θ λ Θ kde λ > 0 je dané a g(θ)dθ = 1. Vidíme, že sme minimaxné kritérium previedli na Θ úlohu s viazaným extrémom, ktorú vyriešime Lagrangeovou metódou. Lagrangeova funkcia má tvar { max g na Θ Θ Φ[M(ξ, θ)]g(θ)dθ 1 λ Θ [ ]} g(θ)ln[g(θ)]dθ + µ g(θ)dθ 1, Θ kde µ je Lagrangeov multiplikátor, ktorý stanovíme dodatočne z podmienky. Hustotu g(θ) nahradíme výrazom g(θ) + αδ(θ), kde δ(.) je ľubovoľná hustota, α R. Výraz zderivujeme podľa α v bode α = 0. Pre δ(.) { d Φ[M(ξ, θ)][g(θ) + αδ(θ)]dθ 1 [g(θ) + αδ(θ)]ln[g(θ) + αδ(θ)]dθ+ dα Θ λ Θ [ ]} +µ [g(θ) + αδ(θ)]dθ 1 = 0. Θ Pre δ(.) dostávame Θ Φ[M(ξ, θ)]δ(θ)dθ 1 λ Definujeme H(θ), Θ δ(θ)ln[g(θ)]dθ 1 λ Θ α=0 g(θ) δ(θ) g(θ) dθ + µ δ(θ)dθ = 0. Θ H(θ) = Φ[M(ξ, θ)] 1 λ ln[g(θ)] 1 λ + µ, predošlú rovnosť môžeme písať v tvare H(θ)δ(θ)dθ = 0. Θ Keďže výraz platí pre δ(.), tak z toho vyplýva, že H(θ) = 0, čo vedie k nasledujúcim rovnostiam H(θ) = Φ[M(ξ, θ)] 1 λ ln[g (θ)] 1 λ + µ = 0, ln[g (θ)] = λφ[m(ξ, θ)] λ λ + λµ, g (θ) = e λµ 1 e λφ[m(ξ,θ)]. 28
29 3 OPIS NUMERICKÝCH METÓD HĽADANIA MINIMAXNÉHO 3.2 Entropijná regularizácia minimaxného kritéria OPTIMÁLNEHO NÁVRHU Konštantu e λµ 1 vyrátame z podmienky Θ g (θ)dθ = 1 g (θ)dθ = 1, Θ e λµ 1 e λφ[m(ξ,θ)] dθ = 1, Θ e λµ 1 e λφ[m(ξ,θ)] dθ = 1, Θ e λµ 1 = 1 Θ eλφ[m(ξ,θ)] dθ. Po týchto úpravách sme našli hustotu g (θ), ktorá maximalizuje náš výraz a jej tvar je nasledovný g (θ) = e λφ[m(ξ,θ)] Θ eλφ[m(ξ,θ)] dθ. Po nájdení hustoty, ktorá nám maximalizuje naše modifikované minimaxné kritérium ho nasledujúcimi úpravami upravíme do finálnej podoby a teda vytvoríme nové kritérium, ktoré budeme označovať Φ e (ξ). Φ m (ξ) =. Φ[M(ξ, θ)]g (θ)dθ 1 Θ λ Θ g (θ)ln[g (θ)]dθ, kde g už nie je nejaká hustota, ale je to nami vyrátaná hustota g (θ) = Φ m (ξ) =. Φ[M(ξ, Θ θ)]eλφ[m(ξ,θ)] 1 dθ λ Θ eλφ[m(ξ,θ)] [λφ[m(ξ, θ)] ln[ Θ eλφ[m(ξ,θ)] dθ]]dθ Φ m (ξ). = Θ eλφ[m(ξ,θ)] dθ Φ[M(ξ, Θ θ)]eλφ[m(ξ,θ)] dθ Θ eλφ[m(ξ,θ)] dθ + 1 λ λ λ Θ ln[ Θ eλφ[m(ξ,θ)] dθ]e λφ[m(ξ,θ)] dθ Θ eλφ[m(ξ,θ)] dθ Θ eλφ[m(ξ,θ)] dθ Φ[M(ξ, Θ θ)]eλφ[m(ξ,θ)] dθ + Θ eλφ[m(ξ,θ)] dθ Na záver teda predostrieme finálnu aproximáciu minimaxného kritéria Φ (ξ) =. Φ e (ξ) = 1 [ ] λ ln e λφ[m(ξ,θ)] dθ. Minimaxný optimálny návrh ξ m = arg min ξ Ξ Φm (ξ) teda aproximujeme výrazom teda ξ m ξ e = arg min ξ Ξ Θ. = ξ e = arg min ξ Ξ Φe (ξ), [ ] 1 λ ln e λφ[m(ξ,θ)] dθ, Θ čo môžeme označiť ako entropijný optimálny návrh.. Θ eλφ[m(ξ,θ)]. eλφ[m(ξ,θ)] dθ Smerovú deriváciu funkcie Φ e, za predpokladu existencie gradientu, uvádzame v nasledujúcej vete, ku ktorej prikladáme aj dôkaz. 29,
30 3 OPIS NUMERICKÝCH METÓD HĽADANIA MINIMAXNÉHO 3.2 Entropijná regularizácia minimaxného kritéria OPTIMÁLNEHO NÁVRHU Veta 3.7. Ak existuje gradient Φ[M(µ, θ)] pre všetky θ Θ, tak potom smerová derivácia funkcie Φ e v bode µ a v smere ξ je Φ e Θ (µ, ξ) = eλφ[m(µ,θ)] {tr{ Φ[M(µ, θ)]m(ξ, θ)} c(µ, θ)}dθ, Θ eλφ[m(µ,θ)] dθ kde tr{ Φ[M(µ, θ)]m(ξ, θ)} = ξ(x)f (x, θ) Φ[M(µ, θ)]f(x, θ), x X c(µ, θ) tr{ Φ[M(µ, θ)]m(µ, θ)} = µ(x)f (x, θ) Φ[M(µ, θ)]f(x, θ). Dôkaz: x X Φ e (µ, ξ) = dφe [(1 β)µ + βξ] dβ β=0 = d 1 ln [ λ Θ eλφ[m[(1 β)µ+βξ,θ]] dθ ] dβ = = = = čo je ekvivalentné s tvrdením vety. β=0 d Θ eλφ[m[(1 β)µ+βξ,θ]] dθ dβ 1 λ Θ eλφ[m[(1 β)µ+βξ,θ]] dθ Θ eλφ[m(µ,θ)] Φ[M(µ, θ), M(ξ, θ)]dθ Θ eλφ[m(µ,θ)] dθ β=0 Θ eλφ[m(µ,θ)] tr{ Φ[M(µ, θ)][m(ξ, θ) M(µ, θ)]}dθ Θ eλφ[m(µ,θ)] dθ Θ eλφ[m(µ,θ)] {tr{ Φ[M(µ, θ)]m(ξ, θ)} c(µ, θ)}dθ, Θ eλφ[m(µ,θ)] dθ Nutné a postačujúce podmienky optimality Návrh ξ e je Φ e -optimálny (entropijný optimálny návrh) práve vtedy, keď Φ e (ξ e ) = min ξ Ξ Φe (ξ). Veta 3.8. Návrh ξ e je Φ e -optimálny práve vtedy, keď ξ Φ e (ξ e, ξ) 0. 30
31 3 OPIS NUMERICKÝCH METÓD HĽADANIA MINIMAXNÉHO 3.2 Entropijná regularizácia minimaxného kritéria OPTIMÁLNEHO NÁVRHU Skúsme si Vetu 3.8 podrobne rozpísať a odvodiť konkrétnejšie pravidlo optimality.,θ)] ξ Φ e (ξ e Θ, ξ) 0 eλφ[m(ξe {tr{ Φ[M(ξ e, θ)]m(ξ, θ)} c(ξ e, θ)}dθ ξ 0 Θ eλφ[m(ξe,θ)] dθ,θ)] Θ eλφ[m(ξe tr{ Φ[M(ξ e, θ)]m(ξ, θ)}dθ ξ Θ eλφ[m(ξe,θ)] dθ,θ)] Θ eλφ[m(ξe {c(ξ e, θ)}dθ ξ Θ eλφ[m(ξe,θ)] dθ,θ)] Θ eλφ[m(ξe x X Θ eλφ[m(ξe,θ)] ξ(x)f (x, θ) Φ[M(ξ e, θ)]f(x, θ)dθ Θ eλφ[m(ξe,θ)] dθ ξ e (x)f (x, θ) Φ[M(ξ e, θ)]f(x, θ)dθ x X Θ eλφ[m(ξe,θ)] dθ,θ)] Θ eλφ[m(ξe {f (x, θ) Φ[M(ξ e, θ)]f(x, θ)}dθ x X = = Θ eλφ[m(ξe,θ)] dθ,θ)] Θ eλφ[m(ξe x X ξ e (x)f (x, θ) Φ[M(ξ e, θ)]f(x, θ)dθ Θ eλφ[m(ξe,θ)] dθ min,θ)] x X Θ eλφ[m(ξe {f (x, θ) Φ[M(ξ e, θ)]f(x, θ)}dθ Θ eλφ[m(ξe,θ)] Θ eλφ[m(ξe,θ)] dθ ξ e (x)f (x, θ) Φ[M(ξ e, θ)]f(x, θ)dθ x X Θ eλφ[m(ξe,θ)] dθ min e λφ[m(ξe,θ)] {f (x, θ) Φ[M(ξ e, θ)]f(x, θ)}dθ = x X Θ e λφ[m(ξe,θ)] {c(ξ e, θ)}dθ, Θ = a teda platí Veta 3.9. Nech existuje gradient Φ[M(ξ e, θ)] pre všetky θ Θ. Potom návrh ξ e je Φ e -optimálny práve vtedy, keď min e λφ[m(ξe,θ)] {f (x, θ) Φ[M(ξ e, θ)]f(x, θ)}dθ = e λφ[m(ξe,θ)] {c(ξ e, θ)}dθ, x X Θ Θ kde c(ξ e, θ) = ξ e (x)f (x, θ) Φ[M(ξ e, θ)]f(x, θ). x X Pri samotnom konštruovaní (približne) entropijného optimálneho návrhu budeme postupovať podobne ako pri hľadaní (približne) AVE optimálneho návrhu v Kapitole 2. 31
32 3 OPIS NUMERICKÝCH METÓD HĽADANIA MINIMAXNÉHO 3.2 Entropijná regularizácia minimaxného kritéria OPTIMÁLNEHO NÁVRHU Narozdiel od algoritmu uvedeného v Kapitole 2 ako zastavovacie pravidlo budeme používať nasledujúci výraz Θ eλφ[m(ξn,θ)] {c(ξ n, θ)}dθ Θ eλφ[m(ξn,θ)] dθ min x X Θ eλφ[m(ξn,θ)] {f (x, θ) Φ[M(ξ n, θ)]f(x, θ)}dθ Θ eλφ[m(ξn,θ)] dθ ɛ stop, (14) kde {c(ξ n, θ)} = x X ξ n (x)f (x, θ) Φ[M(ξ n, θ)]f(x, θ). Keď náš návrh nespĺňa pravidlo zastavenia, potrebujeme do návrhu pridať bod x min, ktorý je definovaný nasledovne x min = arg min e λφ[m(ξn,θ)] {f (x, θ) Φ[M(ξ n, θ)]f(x, θ)}dθ. x X Θ 32
33 4 RIEŠENIE PRÍKLADOV 4 Riešenie príkladov 4.1 Príklad 1 Michaelis-Mentenov model rýchlosti enzymatickej reakcie Uvažujme jednoparametrický Michaelis-Mentenov model, ktorý opisuje rýchlosť enzymatickej reakcie [6]. Model má tvar Teda Informačná matica má tvar f(x, θ) = y x = η(x, θ) = x θ + x + ε x. η(x, θ) θ x θ + x, = x (θ + x) 2. M(ξ, θ) = x X x 2 ξ(x) (θ + x). 4 Keďže je tento príklad jednoparametický, tak informačná matica je iba skalár. V tomto príklade budeme ako lokálnu kritériálnu funkciu používať asymptotickú varianciu, teda Φ[M(ξ, θ)] = M 1 (ξ, θ). Máme dané Θ = {θ; 1 θ 2}, X = {x; 1 x 2}. Kritéria, ktoré používame B(ξ, π) = E π {Φ[M(ξ, θ)]}, Φ m (ξ) = max Φ[M(ξ, θ)], θ Θ Φ e (ξ) = 1 [ ] λ ln e λφ[m(ξ,θ)] dθ. Θ 33
34 4.1 Príklad 1 4 RIEŠENIE PRÍKLADOV Riešenie pomocou H-algoritmu [6] Pre skonštruovanie (približne) minimaxného optimálneho návrhu potrebujeme zadefinovať pomocnú sieť bodov h 1 = 0.25, h 2 = 0.5, h 3 = 0.75 a h 4 = 1. Takisto zvolíme počiatočné apriórne rozdelenie π (1) = 1 pre θ = 1. Pre jednoduchosť budeme písať π (1) (θ): π (1) (1) = 1. Je potrebné zvoliť aj ɛ stop, teda maximálnu vzdialenosť od AVE optimálneho návrhu, ktorú pri hľadaní približne AVE optimálneho návrhu akceptujeme. Pokúsili sme sa hľadať AVE optimálne návrhy, teda ɛ stop sme zvolili rovné nule. AVE optimálny návrh prislúchajúci apriórnemu rozdeleniu π (1) je jednobodový návrh ξ π(1) (1) = 1, resp. 1 ξ π(1) = 1. Overíme pravidlo zastavenia (6), teda vyčíslime B(π (1) ) = 16 a nájdeme max Φ[M(ξπ(1), θ)] = max (θ + θ Θ θ Θ 1)4. Predchádzajúci výraz nadobúda maximum v bode θ. = 2 a tým maximom je hodnota Vidíme, že max Φ[M(ξπ(1), θ)] = B(π (1) ) = 16, θ Θ a teda pravidlo zastavenia (6) nie je splnené pre všetky θ Θ (našli sme jedno také) a preto pokračujeme v algoritme ďalej. Pomocou vyššie definovanej pomocnej siete vygenerujeme 4 nové apriórne rozdelenia, ktoré môžeme vidieť v Tabuľke 1. AVE optimálne návrhy prislúchajúce každému rozdeleniu sú jednobodové a spolu s vyčíslenými hodnotami B(π (2) t ) taktiež uvedené v Tabuľke 1. Keďže všetky návrhy sú jednobodové, tak v tabuľke uvádzame len body x, kde bod x π(l) t že pri riešení príkladov niekedy uvádzame aj hodnotu ɛ π(l) t (resp. ɛ π(l) ). Táto hodnota reprezentuje vzdialenosť konkrétneho návrhu ξ π(l) t je bod v návrhu ξ π(l) t. Chceme podotknúť, (resp. ξ π(l) ) od optimálneho návrhu. Ako môžeme vidieť, výraz B(π (2) t ) je najväčší pre t=4 a tak označíme π (2) 4 =π (2). Návrh ξ π(2) definujeme ako ξ π(2) =ξ π(2) 4, teda AVE optimálny návrh pre apriórne rozdelenie π (2) 34
35 4.1 Príklad 1 4 RIEŠENIE PRÍKLADOV t π (2) t (1) π (2) t (2) x π(2) t B(π (2) t ) ɛ π(2) t Tabuľka 1: Pr. 1, H-algoritmus. Výsledky druhej iterácie je jednobodový návrh ξ π(2) (1.9999) = 1, resp ξ π(2) = 1. Hodnota AVE kritéria tohto návrhu je B(π (2) ) = Krok 4, teda B(π (2) ) = B(π (1) ) = 16 je splnený a tak máme kandidáta na minimaxný optimálny návrh. Preveríme, či tento kandidát spĺňa pravidlo zastavenia (6). Nájdeme max Φ[M(ξπ(2), θ)] = max θ Θ θ Θ Týmto maximom je hodnota (θ + 2) 4. 4 max Φ[M(ξπ(2), θ)] = B(π (2) ) = θ Θ Vidíme, že nerovnosť platí pre maximum, tak je jasné, že táto nerovnosť platí pre všetky θ Θ a preto pravidlo zastavenia (6), ktoré má tvar Φ[M(ξ π(l), θ)] B(π (l) ) pre všetky θ Θ, je pre návrh ξ π(2) splnené. Môžeme konštatovať, že rozdelenie π (2) je najnepriaznivejšie rozdelenie a návrh ξ π(2) je minimaxný optimálny návrh, teda ξ m = ξ π(2). Hodnota minimaxného kritéria návrhu ξ m je Φ m (ξ m ) = a čas skonštruovania je sekúnd. 1 Matlab používa numerické metódy pri výpočte maxima. Tieto hodnoty ponechávame v takomto tvare (nezaokrúhlime ich), pretože ich chceme porovnať s hodnotami získanými entropijnou regularizáciou. 35
36 4.1 Príklad 1 4 RIEŠENIE PRÍKLADOV Tento príklad prezentuje sám autor H-algoritmu H. Nyquist v článku [6]. Výsledky prvej iterácie sa zhodujú s našimi výsledkami. Výsledky druhej iterácie, ktoré autor prezentuje, sa však s našimi už nezhodujú. Po dôkladnom preskúmaní sme dospeli k záveru, že autor Nyquist pri konštruovaní minimaxného optimálneho návrhu niekde pochybil a medzivýsledky druhej iterácie prezentované v článku [6] sú nesprávne (pre t=1, 2, 3), no aj napriek chybným medzivýsledkom autor dospel k rovnakému záveru ako my, teda minimaxný optimálny návrh sa zhoduje s naším minimaxným optimálnym návrhom. V Tabuľke 2 uvádzame Nyquistove výsledky druhej iterácie z článku [6] spolu so správnymi hodnotami AVE kritéria návrhov, ktoré autor Nyquist označil ako AVE optimálne. Nyquistove výsledky správne výsledky t π (2) t (1) π (2) t (2) x π(2) t B(π (2) t ) B(π (2) t ) ɛ π(2) t Tabuľka 2: Pr. 1, H-algoritmus. Výsledky druhej iterácie podľa H. Nyquista Z Tabuľky 2 môžeme vidieť, že najväčšia hodnota AVE kritéria patrí návrhu, ktorý autor Nyquist skonštruoval pre apriórne rozdelenie π (2) 4 a tak π (2) = π (2) 4 a ξ π(2) = ξ π(2) 4. AVE optimálny návrh ξ π(2) má tvar ξ π(2) (2) = 1, resp. 2 ξ π(2) = 1. Hodnota AVE kritéria návrhu ξ π(2) je B(π (2) ) = 64. Krok 4 je splnený, pretože platí B(π (2) ) = 64 B(π (1) ) = 16. Overíme pravidlo zastavenia (6) max Φ[M(ξπ(2), θ)] = 64 B(π (2) ) = 64. θ Θ 36
37 4.1 Príklad 1 4 RIEŠENIE PRÍKLADOV Keďže nerovnosť platí pre maximum, platí pre všetky θ Θ a tak pravidlo zastavenia (6) je splnené. Rozdelenie π (2) je najnepriaznivejšie rozdelenie, návrh ξ π(2) je minimaxný optimálny návrh, teda ξ m = ξ π(2) a hodnota minimaxného kritéria tohto návrhu je Φ m (ξ m ) = 64. opravené Nyquistove výsledky naše výsledky t π (2) t (1) π (2) t (2) x π(2) t B(π (2) t ) x π(2) t B(π (2) t ) Tabuľka 3: Pr. 1, H-algoritmus. Porovnanie našich a Nyquistových výsledkov druhej iterácie V Tabuľke 3 porovnávame výsledky, ku ktorým sme sa dopracovali my spolu s opravenými Nyquistovými výsledkami. Z tejto tabuľky je jasné, že pri jednotlivých apriórnych rozdeleniach pre t=1, 2, 3 sme my našli návrhy, ktorých hodnota kritéria je menšia ako hodnota kritéria návrhov, ktoré uvádza autor. Z týchto tabuliek je teda jasné, že návrhy prezentované v článku [6] pre t=1, 2, 3 nie sú AVE optimálne. Tento postreh je zreteľný už v Tabuľkách 1 a 2, kde môžeme vidieť, že vzdialenosti nami skonštruovaných návrhov od optimálnych sú nulové, zatiaľčo v autorovom prípade nulové nie sú. Pre t=1, 2, 3 autor Nyquist skonštruoval len približne AVE optimálne návrhy a nie AVE optimálne návrhy tak, ako sme to spravili my. Najdôležitejší je však AVE optimálny návrh pre rozdelenie, ktoré sme nazvali najnepriaznivejšie rozdelenie. Naše výsledky (po zaokrúhlení) sa pre toto rozdelenie s výsledkami autora zhodujú, a tak môžeme konštatovať, že minimaxný optimálny návrh, ktorý sme skonštruovali, je totožný s minimaxným optimálnym návrhom, ktorý skonštruoval autor článku Nyquist Riešenie pomocou entropijnej regularizácie Pri skonštruovaní (približne) minimaxného optimálneho návrhu pomocou entropijnej regularizácie ((približne) entropijný optimálny návrh) je takisto potrebné zvoliť ɛ stop -maximálnu vzdialenosť nášho návrhu od optimálneho, ktorú akceptujeme. Aj pri tomto algoritme sme sa pokúsili nájsť nie približne optimálny návrh, ale optimálny 37
38 4.1 Príklad 1 4 RIEŠENIE PRÍKLADOV návrh, takže opäť sme zvolili ɛ stop rovné nule. Ako môžeme vidieť v Podkapitole 3.2, ktorá sa celá venuje odvodeniu vzorca, ktorým aproximujeme minimaxné kritérium, je pri výpočtoch potrebné zvoliť parameter λ. V tejto časti sa pokúsime nájsť entropijný optimálny návrh a analyzovať citlivosť algoritmu na parameter λ. Tento model je jednoparametrický a preto sme sa pri konštrukcii optimálneho návrhu pokúsili body do návrhu nie pridávať, ale priamo ich zamieňať tak, ako to je popísané v nasledujúcom texte. Ako pravdilo zastavenia používame pravidlo (14), ktorého podrobné odvodenie uvádzame v Podkapitole 3.2. Podrobná analýza algoritmu pri konštrukcii entropijného optimálneho návrhu pre parameter λ = 1 Začneme jednobodovým návrhom ξ 0 (1) = 1, resp. 1 ξ 0 = 1. Overíme pravidlo zastavenia (14), teda vyčíslime vzdialenosť návrhu ξ 0 od optimálneho (značíme ɛ 0 ). Hodnota vzdialenosti je ɛ 0 = ɛ stop = 0 a vidíme, že tento návrh nie je optimálny a preto bod 1 v našom návrhu zameníme bodom x min = arg min e λφ[m(ξ0,θ)] {f (x, θ) Φ[M(ξ 0, θ)]f(x, θ)}dθ = , x X teda dostávame Θ ξ 1 = 1. Vyčíslime vzdialenosť tohto návrhu, teda ɛ 1 = Opäť vidíme, že ɛ 1 nie je rovné nule a tak pokračujeme v algoritme ďalej. Do návrhu pridáme bod x min = arg min e λφ[m(ξ1,θ)] {f (x, θ) Φ[M(ξ 1, θ)]f(x, θ)}dθ = , x X Θ ξ 2 = 1. Vzdialenosť návrhu ξ 2 od optimálneho je ɛ 2 = , teda znova nájdeme bod x min a pridáme ho do návrhu ξ 3 = 1. 38
39 4.1 Príklad 1 4 RIEŠENIE PRÍKLADOV ɛ 3 = a x min = ξ 4 = 1. Opäť overíme pravidlo zastavenia (14) pre návrh ξ 4, čiže vyčíslime ɛ 4 = 0 ɛ stop = 0. Môžeme vidieť, že tento návrh spĺňa pravidlo zastavenia a preto návrh ξ 4 je entropijný optimálny návrh, teda ξ e = ξ 4. Hodnota entropijného kritéria optimálneho návrhu je Φ e (ξ e ) = Hodnota minimaxného kritéria entropijného optimálneho návrhu je Φ m (ξ e ) = Všetky tieto výpočty môžeme vidieť v Tabuľke 4, kde prvý stĺpec t predstavuje číslo iterácie. Keďže všetky návrhy sú jednobodové, podobne ako v predchádzajúcich tabuľkách, uvádzame len body x, kde bod x t je bod návrhu ξ t. V tabuľke je uvedená aj vzdialenosť návrhu ξ t od optimálneho, teda ɛ t. hodnota parametra λ = 1 t x t ɛ t Tabuľka 4: Pr. 1, entropijná regularizácia. Výsledky pre hodnotu parametra λ = 1 V nasledujúcich tabuľkách uvedieme výpočty pre rôzne hodnoty parametra λ. Musíme podotknúť, že pre hodnotu λ > 8 sa pri výpočte integrálu vyskytuje číslo väčšie ako realmax = Číslo realmax je v programe Matlab maximálne reálne číslo, teda ak sa vyskytne číslo väčšie ako realmax, program Matlab vníma toto číslo ako nekonečno a preto budeme analyzovať výpočty, kde je parameter λ z intervalu (0, 8. V tabuľkách uvádzame číslo iterácie t, bod v návrhu ξ t, ktorý značíme x t a ako poslednú hodnotu uvádzame vzdialenosť návrhu ξ t od optimálneho, teda ɛ t. V Tabuľke 7 môžeme vidieť záverečné porovnanie entropijných optimálnych návrhov pre rôzne hodnoty parametra λ, kde navyše uvádzame hodnoty entropijného a minimaxného kritéria. 39
40 4.1 Príklad 1 4 RIEŠENIE PRÍKLADOV Z nasledujúcich tabuliek nie je možné určiť, či nám náš algoritmus so zvyšujúcou sa hodnotou parametra λ skonverguje rýchlejšie. Je však zrejmé, že čím je hodnota parametra λ vyššia, tým je entropijný optimálny návrh bližšie k minimaxnému optimálnemu návrhu, ktorý sme skonštruovali pomocou H-algoritmu, teda k návrhu ξ m (2) = 1. Tieto postrehy môžeme vidieť v grafickej podobe na Obrázku 1. hodnota parametra λ = 0.1 hodnota parametra λ = 2 t x t ɛ t x t ɛ t Tabuľka 5: Pr. 1, entropijná regularizácia. Výsledky pre hodnotu parametra λ = 0.1, 2 hodnota parametra λ = 5 hodnota parametra λ = 8 t x t ɛ t x t ɛ t Tabuľka 6: Pr. 1, entropijná regularizácia. Výsledky pre hodnotu parametra λ = 5, 8 40
Matematika 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 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 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 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 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 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 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 περισσότεραARMA 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 περισσότερα4. Výrokové funkcie (formy), ich definičný obor a obor pravdivosti
4. Výrokové funkcie (formy), ich definičný obor a obor pravdivosti Výroková funkcia (forma) ϕ ( x) je formálny výraz (formula), ktorý obsahuje znak x, pričom x berieme z nejakej množiny M. Ak za x zvolíme
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 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 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 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 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 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 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 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 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 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 περισσότεραGoniometrické substitúcie
Goniometrické substitúcie Marta Kossaczká S goniometrickými funkciami ste sa už určite stretli, pravdepodobne predovšetkým v geometrii. Ich použitie tam ale zďaleka nekončí. Nazačiatoksizhrňme,čoonichvieme.Funkciesínusakosínussadajúdefinovať
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 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 περισσότεραNUMERICKÁ MATEMATIKA. Moderné vzdelávanie pre vedomostnú spoločnosť/ Projekt je spolufinancovaný zo zdrojov EÚ. Fakulta elektrotechniky a informatiky
Moderné vzdelávanie pre vedomostnú spoločnosť/ Projekt je spolufinancovaný zo zdrojov EÚ NUMERICKÁ MATEMATIKA Fakulta elektrotechniky a informatiky Štefan Berežný Táto publikácia vznikla za finančnej podpory
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 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 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 περισσότεραMATEMATICKÁ ANALÝZA 1
UNIVERZITA PAVLA JOZEFA ŠAFÁRIKA V KOŠICIACH Prírodovedecká fakulta Ústav matematických vied Božena Mihalíková, Ján Ohriska MATEMATICKÁ ANALÝZA Vysokoškolský učebný text Košice, 202 202 doc. RNDr. Božena
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 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 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 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 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 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 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 περισσότεραTECHNICKÁ UNIVERZITA V KOŠICIACH STROJNÍCKA FAKULTA MATEMATIKA 1. Funkcia jednej premennej a jej diferenciálny počet
TECHNICKÁ UNIVERZITA V KOŠICIACH STROJNÍCKA FAKULTA MATEMATIKA časťa Funkcia jednej premennej a jej diferenciáln počet Dušan Knežo, Miriam Andrejiová, Zuzana Kimáková 200 RECENZOVALI: prof. RNDr. Jozef
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 περισσότεραPREHĽAD ZÁKLADNÝCH VZORCOV A VZŤAHOV ZO STREDOŠKOLSKEJ MATEMATIKY. Pomôcka pre prípravný kurz
KATEDRA APLIKOVANEJ MATEMATIKY A INFORMATIKY STROJNÍCKA FAKULTA TU KOŠICE PREHĽAD ZÁKLADNÝCH VZORCOV A VZŤAHOV ZO STREDOŠKOLSKEJ MATEMATIKY Pomôcka pre prípravný kurz 8 ZÁKLADNÉ ALGEBRAICKÉ VZORCE ) (a±b)
Διαβάστε περισσότεραMini minimaliz acia an BUˇ Koˇ sice 2011
Mini minimalizácia Ján BUŠA Košice 2011 RECENZOVALI: Prof. RNDr. Noname, CSc. Doc. RNDr. Emanname, PhD. Prvé vydanie Za odbornú stránku učebného textu zodpovedá autor. Rukopis neprešiel redakčnou ani jazykovou
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 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 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 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 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 περισσότερα1-MAT-220 Algebra februára 2012
1-MAT-220 Algebra 1 12. februára 2012 Obsah 1 Grupy 3 1.1 Binárne operácie.................................. 3 1.2 Cayleyho veta.................................... 3 2 Faktorizácia 5 2.1 Relácie ekvivalencie
Διαβάστε περισσότερα2. prednáška. Teória množín I. množina operácie nad množinami množinová algebra mohutnosť a enumerácia karteziánsky súčin
2. prednáška Teória množín I množina operácie nad množinami množinová algebra mohutnosť a enumerácia karteziánsky súčin Verzia: 27. 9. 2009 Priesvtika: 1 Definícia množiny Koncepcia množiny patrí medzi
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 περισσότερα4 Reálna funkcia reálnej premennej a jej vlastnosti
Reálna unkcia reálnej premennej a jej vlastnosti Táto kapitola je venovaná štúdiu reálnej unkcie jednej reálnej premennej. Pojem unkcie patrí medzi základné pojmy v matematike. Je to vlastne matematický
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 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 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 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 περισσότεραDerivácia funkcie. Pravidlá derivovania výrazov obsahujúcich operácie. Derivácie elementárnych funkcií
Derivácia funkcie Derivácia funkcie je jeden z najužitočnejších nástrojov, ktoré používame v matematike a jej aplikáciách v ďalších odboroch. Stručne zhrnieme základné informácie o deriváciách. Podrobnejšie
Διαβάστε περισσότεραBANACHOVE A HILBERTOVE PRIESTORY
BANACHOVE A HILBERTOVE PRIESTORY 1. ZÁKLADNÉ POJMY Normovaným lineárnym priestorom (NLP) nazývame lineárny (= vektorový) priestor X nad telesom IK, na ktorom je daná nezáporná reálna funkcia : X IR + (norma)
Διαβάστε περισσότεραPevné ložiská. Voľné ložiská
SUPPORTS D EXTREMITES DE PRECISION - SUPPORT UNIT FOR BALLSCREWS LOŽISKA PRE GULIČKOVÉ SKRUTKY A TRAPÉZOVÉ SKRUTKY Výber správnej podpory konca uličkovej skrutky či trapézovej skrutky je dôležité pre správnu
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 περισσότεραMetodicko pedagogické centrum. Národný projekt VZDELÁVANÍM PEDAGOGICKÝCH ZAMESTNANCOV K INKLÚZII MARGINALIZOVANÝCH RÓMSKYCH KOMUNÍT
Moderné vzdelávanie pre vedomostnú spoločnosť / Projekt je spolufinancovaný zo zdrojov EÚ Kód ITMS: 26130130051 číslo zmluvy: OPV/24/2011 Metodicko pedagogické centrum Národný projekt VZDELÁVANÍM PEDAGOGICKÝCH
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 περισσότεραAutomaty a formálne jazyky
Automaty a formálne jazyky Podľa prednášok prof. RNDr. Viliama Gefferta, DrSc., PrírF UPJŠ Dňa 8. februára 2005 zostavil Róbert Novotný, r.novotny@szm.sk. Typeset by LATEX. Illustrations by jpicedit. Úvodné
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 περισσότεραMOSTÍKOVÁ METÓDA 1.ÚLOHA: 2.OPIS MERANÉHO PREDMETU: 3.TEORETICKÝ ROZBOR: 4.SCHÉMA ZAPOJENIA:
1.ÚLOHA: MOSTÍKOVÁ METÓDA a, Odmerajte odpory predložených rezistorou pomocou Wheastonovho mostíka. b, Odmerajte odpory predložených rezistorou pomocou Mostíka ICOMET. c, Odmerajte odpory predložených
Διαβάστε περισσότεραSpojitosť a limity trochu inak
Spojitosť a limity trochu inak Štefan Tkačik Abstrakt Spojitosť funkcie alebo oblastí je základným stavebným kameňom matematickej analýzy. Pochopenie jej podstaty uľahčí chápanie diferenciálneho a integrálneho
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 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 περισσότεραUNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY VLASTNOSTI HODNOTOVEJ FUNKCIE ÚLOHY PARAMETRICKÉHO KVADRATICKÉHO PROGRAMOVANIA A ICH VYUŽITIE V OPTIMALIZÁCII PORTFÓLIA DIPLOMOVÁ
Διαβάστε περισσότεραDIFERENCÁLNE ROVNICE Matematická analýza (MAN 2c)
Prírodovedecká fakulta Univerzity P. J. Šafárika v Košiciach Božena Mihalíková, Ivan Mojsej Strana 1 z 43 DIFERENCÁLNE ROVNICE Matematická analýza (MAN 2c) 1 Obyčajné diferenciálne rovnice 3 1.1 Úlohy
Διαβάστε περισσότεραXVIII. ročník BRKOS 2011/2012. Pomocný text. Kde by bola matematika bez čísel? Čísla predstavujú jednu z prvých abstrakcií, ktorú
Pomocný text Číselné obory Číselné obory Kde by bola matematika bez čísel? Čísla predstavujú jednu z prvých abstrakcií, ktorú ľudia začali vnímať. Abstrakcia spočívala v tom, že množstvo, ktoré sa snažili
Διαβάστε περισσότεραMATEMATIKA I ZBIERKA ÚLOH
TECHNICKÁ UNIVERZITA V KOŠICIACH STAVEBNÁ FAKULTA ÚSTAV TECHNOLÓGIÍ, EKONOMIKY A MANAŽMENTU V STAVEBNÍCTVE KATEDRA APLIKOVANEJ MATEMATIKY RNDr. Pavol PURCZ, PhD. Mgr. Adriana ŠUGÁROVÁ MATEMATIKA I ZBIERKA
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 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 περισσότεραPageRank algoritmus. Univerzita Komenského v Bratislave Fakulta Matematiky, Fyziky a Informatiky
Univerzita Komenského v Bratislave Fakulta Matematiky, Fyziky a Informatiky PageRank algoritmus Bakalárska práca Študijný program: Informatika Študijný odbor: 9.2.1 Informatika Školiace pracovisko: Katedra
Διαβάστε περισσότεραMetódy vol nej optimalizácie
Metódy vol nej optimalizácie Metódy vol nej optimalizácie p. 1/34 Motivácia k metódam vol nej optimalizácie p. 2/34 Metódy na riešenie úloh typu min f 0 (x) x K R n (MP) kde K = {x R n f i (x) 0,i I, h
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 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 περισσότεραSymbolická logika. Stanislav Krajči. Prírodovedecká fakulta
Symbolická logika Stanislav Krajči Prírodovedecká fakulta UPJŠ Košice 2008 Názov diela: Symbolická logika Autor: Doc. RNDr. Stanislav Krajči, PhD. Vydala: c UPJŠ Košice, 2008 Recenzovali: Doc. RNDr. Miroslav
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 περισσότερα1 Úvod Predhovor Sylaby a literatúra Základné označenia... 3
Obsah 1 Úvod 3 1.1 Predhovor...................................... 3 1.2 Sylaby a literatúra................................. 3 1.3 Základné označenia................................. 3 2 Množiny a zobrazenia
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 περισσότεραKompilátory. Cvičenie 6: LLVM. Peter Kostolányi. 21. novembra 2017
Kompilátory Cvičenie 6: LLVM Peter Kostolányi 21. novembra 2017 LLVM V podstate sada nástrojov pre tvorbu kompilátorov LLVM V podstate sada nástrojov pre tvorbu kompilátorov Pôvodne Low Level Virtual Machine
Διαβάστε περισσότεραPrirodzené čísla. Kardinálne čísla
Prirodzené čísla Doteraz sme sa vždy uspokojili s tým, že sme pod množinou prirodzených čísel rozumeli množinu N = { 1, 2,3, 4,5, 6, 7,8,9,10,11,12, } Túto množinu sme chápali intuitívne a presne sme ju
Διαβάστε περισσότερα