1.1. Koherentne miary ryzyka. Denicja 1.1 Zbiór zmiennych losowych jest sto»kiem M je±li staªe nale» do M oraz je±li L 1, L 2 M to L 1 + L 2 M.
|
|
- Mirosław Morawski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Rozdziaª 1 Miary ryzyka 1.1. Koherentne miary ryzyka Denicja 1.1 Zbiór zmiennych losowych jest sto»kiem M je±li staªe nale» do M oraz je±li L 1, L 2 M to L 1 + L 2 M. Elementy zbioru M b dziemy rozumieli jako stopy strat inwestycji Denicja 1.2 Niech M b dzie sto»kiem. Wówczas funkcje ρ : M R nazywamy koherentn miar ryzyka je±li 1) jest niezmiennicza na translacje, czyli dla dowolnego l R oraz L M 2. jest subaddytywna ρ(l + L) = l + ρ(l) ρ(l 1 + L 2 ) ρ(l 1 ) + ρ(l 2 ) 3. jest dodatnio jednorodna, czyli je±li λ > 0 ρ(λl) = λρ(l) 4. jest monotoniczna, je±li L 1 L 2 prawie wsz dzie to ρ(l 1 ) ρ(l 2 ). ze wzgeldu na zastosowania wprowadzamy dwie mairy ryzyka: Denicja 1.3 Niech X zmienna losowa. Wówczas warto±ci zagro»on (kwantylem) X nazywamy V ar α (X) = inf{x : F X (x) α} gdzie F X oznacza dystrybuant. Warto±c zagro»ona nie jest koherentn miar ryzka w ogólno±ci. Nie speªnia warunku subaddytywno±ci. Z denicja latwo sprawdzi,»e speªnia pozostaªe warunki denicji 1.1. Jesli jednak inwestycje (stopy straty) maj wspólny rozkªad eliptyczny ( w szczególno±ci szczególno±ci normalny) to VaR jest koherentn miar ryzyka, zob. Twierdzenie 2.4.
2 2 Denicja 1.4 Niech X zmienna losowa taka,»e E X <. Wówczas u±rednion warto±ci zagro»on (ang. Expected shortfall) nazywamy gdzie F X oznacza dystrybuant. ES α (X) = 1 1 α 1 α V ar u (X)du. Expected shortfall jest koherentn miar ryzyka. Dowód znajduje si w rozdziale. Poniewa» VaR speªnia warunki 1,3,4 denicji 1.2 zatem miara ES speªnia równie» warunki 1,3,4 denicji 1.2. ES jest jednak miar koherentn w zbiorze wszystkich zmiennych losowych caªkowalnych. Dowód twierdzenia wynika np. z mocnego prawa wielkich liczb dla statystyk pozycyjnych Uogólniona dystrybuanta odwrotna Przypomnienie wiadomo±ci o dot. uogólnionej dystrybuanty odwrotnej. Lemat 1.1 Je±li F = F X jest dystrybuant zmiennej losowej X, to P (F (X) F (x)) = P (X x) = F (x). Dowód. Poniewa» dystrybuanta jest niemaj ca zatem {X x} {F (X) F (x)}. Zauwa»my,»e {F (X) F (x)} = {X x} {F (X) = F (x), X > x}, gdy» Ω = {X x} {X > x}. Wystarczy pokaza teraz,»e P {F (X) = F (x), X > x} = 0. (1.1) Dla ustalonego x niech x 0 = inf{y : F (y) = F (x)}. Z denicji x 0 oraz z prawostronnej ci gªo±ci, F (x 0 ) = F (x). Ponadto niech x 1 = sup{y : F (y) = F (x)}. Je±li F (x 1 ) = F (x), to Je±li F (x 1 ) > F (x), to P (x 0 < X x 1 ) = 0. (1.2) P (x 0 < X < x 1 ) = 0, (1.3) gdy» dla ka»dego b < x 1 P (x 0 < X b) = 0. Z waruków (1.2) oraz (1.3) wynika (1.1).
3 3 Denicja 1.5 Niech F = F X jest dystrybuant zmiennej losowej X. Uogólnion dystrybuant odwrotn nazywamy funkcj Uogólniona dystrybuanta odwrotna gdy» korzystamy ze standartowej denicji Zauwa»my,»e V ar α (X) = F 1 (α). F 1 (y) = inf{x : F X (x) y} F 1 : [0, 1] R {, + } + = inf, = inf R. Lemat 1.2 Niech F = F X jest dystrybuant zmiennej losowej X. 1. F 1 jest niemaj ca i lewostronnie ciagªa. 2. Jesli F jest ci gªa wtedy i tylko wtedy gdy F 1 jest ±ci±le rosn ca na [0, 1]. 3. Je±li F jest ±ci±le rosn ca wtedy i tylko wtedy gdy F 1 jest ci gªa na [0, 1]. Niech < F 1 < +. Wówczas 4. F (x) y wtedy i tylko wtedy gdy F 1 (y) x. 5. F 1 (F (x)) x 6. F (F 1 (y)) y 7. Je±li F jest ±ci±le rosn ca, to F 1 (F (x)) = x 8. Je±li F jest ci gla, tof (F 1 (y)) = y. Zobacz [3].
4 Rozdziaª 2 Wielowymiarowe rozkªady Niech A oznacza macierz. Przez A = A T b dzie rozumieli macierz transponowan. Dziaªania na macierzach w SAS s w Dodatku na ko«cu Wielowymiarowy rozkªad normalny. Denicja 2.1 Wektor X = (X 1, X 2,..., X p ) ma niezdegenorowany rozkªad normaly (gausowski) X N(µ, Σ) je±li EX = µ R p, Σ = E(X µ)(x µ) T dla macierz kowariancji det Σ 0 za± g sto± x R p ( 1 f(x) = Exp 1 ) (2π) p/2 Σ 1/2 2 (x µ)t Σ 1 (x µ). Aby wygenerowa dane z danego rozkaªdu normalnego N(µ, Σ) korzystamy z twierdzenia Fishera. Mianowicie znajdujemy pierwiastek macierzy Σ, ( rozkªad Cholesky) czyli macierz A = Σ tak,»e A A = Σ. Niech Z bedzie wektorem losowym Z = (Z 1, Z 2,..., Z p ), Z i N(0, 1) oraz Z i s niezale»ne dla i = 1,..., p. Zauwa»my,»e Z N(0, I p ), gdzie I p jest macierz jednostkow. Wówczas wektor losowy Y = AZ + µ ma rozkªad gausowski z macierz korelacji Σ, Y N(µ, Σ). Rzeczywi±cie E(Y µ)(y µ) = EAZZ A = AI p A = Σ, EY = µ. Pozostaªe wªasno±ci wektorów gausowskich na wykªadzie Statystyka matematyczna. Przykªad Ustawienie "seed" oznacza,»e liczby pseudolosowe losowe startuj od tego punktu. Ci g liczb -procedura zostaªa stworzona przez Matsumoto and Nishimura (1998). Ci g liczb ma okres Funkcja "normal" generuje liczb, wektor, lub macierz liczb losowych o rozkªadzie N(0, 1) w zale»no±ci jaki obiekt jest argumentem "normal" Nastepujacy program generuje wektor o dªugo±ci 10 liczb losowych
5 5 c = j(10,1,0); b = normal(c); print b; "Repeat function" wygeneruje te same obiekty. Skªadnia REPEAT( matrix, nrow, ncol) proc iml; x={ 1 2, 3 4} ; y=repeat(x,2,3); print y; Generowanie macierzy losowej i tworzenie pliku danych z macierzy proc iml ; n = 10; /*deklarowanie macierzy*/ sigma = { 4 2, 2 3 }; mu = {1, 0}; p = nrow(sigma); m = repeat(t(mu),n) ; g =root(sigma); z =normal(repeat(0,n,p)) ; /*albo mo»na z =normal(j(n,p,0)) ; */ ymatrix = z*g + m ; /* przepisanie danych z macierzy do pliku*/ create newdata from ymatrix; append from ymatrix; close newdata; proc print data = newdata; Rysowanie danych wygenerowanych proc gplot data=newdata; plot col1*col2="star"; run; Lub procedura ods graphics on; proc kde data=newdata; bivar col1 col2 / plots=all; run;
6 Werykacja hipotezy o normalno±ci rozkªadu Testowanie normalno±ci wielowymiarowego rozkªadu normalnego. Program odwo- ªuje si do odlegªo±ci Mahalanobisa. Mianowice Mardia-test jest oparty na gdzie X, Y N(µ, Σ) s niezale»ne oraz β 1,p = E ( (X µ) T Σ 1 (Y µ) ) 3 β 2,p = E ( (X µ) T Σ 1 (X µ) ) 2. Dla wektorów losowych X, Y wielowymiarowego rozkªadu normalnego, jesli X, Y s niezale»ne wówczas β 1,p = 0 za± β 2,p = p(p + 2). Zakªadamy,»e mamy ci g niezale»nych wektorów gausowskich o jednakowym rozkªadzie Y 1, Y 2,..., Y n N(µ, Σ). Mamy nastepuj ce estymatory β 1,p = 1 n 2 n n i=1 j=1 g 3 ij za± gdzie β 2,p = 1 n n i=1 g 2 ii, g ij = (Y i Y ) T S 1 n (Y j Y ). Ponadto S n jest estymatorem Σ najwi kszej wiarogodno±ci (obci»onym), czyli S n = n 1 n S, za± S jest nieobci»onym estymatorem Σ, czyli gdzie S = 1 n 1 n (Y i Y)(Y i Y), i=1 Y = 1 n n Y i. Przykªad Mamy macierz danych (Rao 1948) dotycz cy wagi korków do win. Dla jednego drzewa mamy cztery pomiary wagi korka w zale»nosci od strony ±wiata. Poni»szy program wylicza macierz kowariancji oraz macierz odwrton do kowariancji. i=1
7 7 proc iml ; y ={ , , , , , , , , , , , , , , , , , , , , , , , , , , , } ; n = nrow(y) ; p = ncol(y) ; dfchi = p*(p+1)*(p+2)/6 ; q = i(n) - (1/n)*j(n,n,1); s = (1/(n))*t(y)*q*y ; s_inv = inv(s) ; g_matrix = q*y*s_inv*t(y)*q; beta1hat = ( sum(g_matrix#g_matrix#g_matrix) )/(n*n); beta2hat =trace( g_matrix#g_matrix )/n ; kappa1 = n*beta1hat/6 ; kappa2 = (beta2hat - p*(p+2) ) /sqrt(8*p*(p+2)/n) ; pvalskew = 1 - probchi(kappa1,dfchi) ; pvalkurt = 2*( 1 - probnorm(abs(kappa2)) );
8 8 print s ; print s_inv ; print "TESTS:"; print "Based on skewness:" beta1hat kappa1 pvalskew ; print " Based on kurtosis" beta2hat kappa2 pvalkurt; run; Drugi sposób to odwoªanie si do gotowej procedury data cork; input north east south west; datalines; ; run;
9 9 proc calis data = cork kurtosis; title1 "Output 1.1"; title2 "Computation of Mardia's Kurtosis"; lineqs north = e1, east = e2, south = e3, west = e4; std e1=eps1, e2=eps2, e3=eps3, e4=eps4; run ; Na koniec wprowadzamy jeszcze jedn procedur która umo»liwia obliczenie macierzy kowariancji oraz korelacji proc corr data = cork cov; run; 2.3. Skªadowe gªówne rozkªadów gausowskich Analiza skªadowych gªównych to w zasadzie analiza wektorów wªasnych i warto±ci wªasnych macierzy Σ. Nezwykle przydatna procedura proc princomp data=cork; run; podaje warto±ci wªasne i wektory wªasne w badanym przykªadzie. Jedna skªadowa gªówna wyja±nia prawie caª zmienno± modelu 89%. Skªada si ona z niemal identycznych informacji z ka»dej ze skªadowych wektora obserwacji. Druga skªadowa gªówna (razem z pierwsz ) wyja±nia 96% procent modelu. Wektor wªasny, czyli druga skªadowa gªówna istotnie rozró»nia dane z east i west i z tych danych buduje informacje. St d badany model mo»na sprowadzi do dwóch danych Rozkªady sferyczne i eliptyczne Wektor X = (X 1, X 2,..., X p ) b dzie wektorem losowym. Niech L(X) oznacza rozkªad wektora X. Denicja 2.2 Mówimy,»e X ma rozkªad sferyczny jesli dla ka»dej macierzy ortogonalnej U, czyli takiej,»e UU T = I p zachodzi L(UX) = L(X), czyli równo± zachodzi dla rozkªadów.
10 10 Przykªad wektora o rozkªadzie sferycznym Z N(0, I p ). Rozkªad L(X) oznacza b d¹ dystrybuant wektora X, czyli F X bad¹ miar, czyli transport miary P przez X. Zatem dla dowolego zbioru borelowskiego A B(R p ) ν X (A) = P (X A). Zauwa»my,»e dla dowolej funkcji dodatkniej f : R p R mamy Ef(X) = f(u)ν X (u). R p Równo± rozkªadów jest równowa»na z faktem,»e funkcje charakterystyczne s sobie równe. Funkcj charakterystyczn deniujemy wzorem t R p φ X (t) = Ee t X, t X =< t, X >= p t j X j. Zauwa»my jeszcze jedn prost wªasno± dla zmiennej losowej X i a > 0 Niech a = < a, a >. j=1 φ ax (t) = Ee tax = Ee atx = φ X (at). (2.1) Twierdzenie 2.1 Nast puj ce warunki s równowa»ne 1. Wektor losowy X ma rozkªad sferyczny 2. Istnieje funkcja mierzalna ψ : R R (generator rozkªadu sferycznego) taka,»e 3. Dla ka»dego wektora a R p ψ(t t) = Φ X (t). L(a X) = L( a X 1 ), Dowód. 1 = 2. Niech wektor X ma rozkªad sferyczny. Niech U odwzorowanie ortogonalne. Wówczas z zaªo»enia dla t R p φ X (t) = φ UX (t) = Ee it UX = Ee i(u t) X = φ X (U t). Bior c dowolny obrót U otrzymujemy,»e φ X jest fukcj staª dla wektorów o tej samej dªugo±ci i zale»y jedynie od dªugo±ci wektora t. Zatem mo»emy zdeniowa funkcj ψ ψ(a) = φ X (t), a = t t = t 2. 2 = 3. Niech e 1 = (1, ) bedzie wektorem jednostkowym w R p. Zauwa»my,»e z zaªo»enia dla u R Równie» z zaªo»enia dla t R p φ X1 (u) = Ee iux1 = Ee i(ue1) X = φ X (ue 1 ) = ψ(u 2 ) (2.2) φ t X(u) = Ee iut X = φ X (ut) = ψ(u 2 t t) = ψ(u 2 t 2 )
11 11 Korzystaj c z (2.2) otrzymujemy φ t X(u) = φ X1 (u t ) = φ t X1 (u), co ko«czy dowód implikacji. 2 = 3. Niech U dowolne przeksztaªcenie ortogonalne. Wówczas Z zaªo»enia bior c a = U t otrzymamy φ UX (t) = Ee it UX = Ee i(u t) X. Ee i(u t) X = φ a X(1) = φ a X1 (1) = Ee i U t X 1. Poniewa» U jest ortogonalne,to Ut = t. Zatem Znowu korzysataj c z zaªo»enia co ko«czy dowód twierdzenia. φ UX (t) = Ee i t X 1. φ UX (t) = φ X (t) Lemat 2.2 Niech X, Y niezale»ne wektory losowe. Niech dana jest funkcja mierzalna f : R R R taka,»e zmienna losowa E f(x, Y) <. Wówczas gdzie E[f(X, Y) Y ] = g(y ), g(y) = E[f(X, y). Na S p 1 wprowadzimy miar powierzchniow unormowan ν(s p 1 ) = 1, czyli a dν(a) = 1 a da, S p 1 e it ω p 1 S p 1 e it gdzie ω p 1 jest miar powierzchniow sfery S p 1, czyli ω p 1 = 2 πp/2 Γ(p/2). Zauwa»my,»e dla dowolnego t R p funkcja t a dν(a), S p 1 e it zale»y jedynie od t. Prowadzi to do denicji Ω p ( t 2 ) = S p 1 e it a dν(a). (2.3)
12 12 Funkcja Ω p jest zwi zana z funkcj Bessla. Mianowicie niech k liczba caªkowita. Funkcj Bessla nazywamy funkcj postaci, por. [4] J k (t) = 1 2π 2π 0 e it sin θ e ikθ dθ, t R. Zachodzi lemat, Lemat 3.1 [4] dla dowolnego k 0 J k (t) = (t/2) k 1 e its (1 s 2 ) (2k 1)/2 ds, t R. Γ((2k + 1)/2)Γ(1/2) 1 Powy»sza formuªa pozwala rozpatrywa funkcje Bessla dla k > 1/2. Wówczas dla dowolnego t R p, niech s = t > 0 wówczas (dowód str. 154 [4]) S p 1 e it a dν(a) = ω p 2 ω p e isu (1 u 2 ) (p 3)/2 du = Γ(p/2) (s/2) J Γ(p/2) (p 2)/2(s) = (p 2)/2 ( t /2) J (p 2)/2( t ). (p 2)/2 Twierdzenie 2.3 Nast puj ce warunki s równowa»ne 1. Wektor losowy X ma rozkªad sferyczny 2. L(X) = L(RS), gdzie S jest rozkªadem jednostajnym na sferze S p 1 R p, R jest zmienn losow dodatni. Ponadto R oraz S s niezale»ne. Dowód 2 = 1. Korzystaj c z Lematu 2.2 otrzymamy gdzie korzystamy z (2.3), czyli St d φ RS (t) = Ee irt S = E(E[e irt S R]) = EΩ p (R 2 t 2 ), Ω p (r 2 t 2 ) = Ee irt S. φ RS (t) = EΩ p (R 2 t 2 ) = EΩ p (R 2 t t). Zatem pokazli±my,»e funkcja charakterystyczna zale»y wyª cznie od iloczynu skalarnego t t. Z twierdzenia 2.1 punkt 2 wynika teza twierdzenia. 1 = 2. Konstruujemy wektory losowe R, S niezale»ne i takie,»e L(R) = L( X ), za± S ma rozkªad jednostajny na S p 1 i sprawdzamy rozkªad wektora RS. Denicja 2.3 Wektor losowy X ma rozkªad eliptyczny je±li istnieje macierz A, wektor µ oraz wektor Y o rozkªadzie sferycznym tak,»e L(X) = L(AY + µ).
13 13 Wektor o rozkªadzie normalnym X N(µ, Σ) ma rozkªad eliptyczny. Mianowicie L(X) = L( ΣZ + µ), gdzie Z N(0, I p ). W rodzinie generowanej przez rozkªady eliptyczne miara ryzyka jest subaddytywna. Twierdzenie 2.4 Niech X = (X 1, X 2,..., X p ) ma rozkªad eliptyczny. Rozwa»my sto»ek p M = {L : L = λ 0 + λ j X j, λ j R}. Wówczas dla ka»dego L 1, L 2 M j=1 V ar α (L 1 + L 2 ) V ar α (L 1 ) + V ar α (L 2 ). (2.4) Dowód. Z twierdzenia 2.3 wynika,»e istnieje macierz A, wektor µ oraz wektor Y o rozkªadzie sferycznym tak,»e L(X) = L(AY + µ). Wystarczy teraz udowodni,»e dla dowolnych wektorów t 1, t 2 V ar α (t 1AY + t 2AY) V ar α (t 1AY) + V ar α (t 1AY). Z twierdzenia 2.1 Y ma rozklad sferyczny L(t 1AY + t 2AY) = L((t 1 + t 2 ) AY) = L((A t 1 + A t 2 ) Y) = L( A t 1 + A t 2 Y 1 ) Ponadto dla i = 1, 2 Zatem L(t iay) = L((A t i ) Y) = L( A t i Y 1 ). V ar α (t 1AY + t 2AY) = V ar α ( A t 1 + A t 2 Y 1 ) = A t 1 + A t 2 V ar α (Y 1 ). oraz V ar α (t iay) = V ar α ( A t i Y 1 ) = A t i V ar α (Y 1 ). Wystarczy teraz zauwa»y,»e dla dowolnych A, t 1, t 2 co daje (2.4). A t 1 + A t 2 A t 1 + A t 2
14 Rozdziaª 3 Oczekiwana warto± zagro»ona Twierdzenie van Zwet, Sen. Niech X b dzie zmienn losow tak,»e E X < o dystrybuancie F X, Oczekiwana warto± zagro»ona-expected shortfall na poziomie ufno±ci α [0, 1) deniujemy gdzie q u (F X ) jest kwantylem F X. ES α = 1 1 α 1 α q u (F X )du, Twierdzenie 3.1 Mocne prawo wielkich liczb dla statystyk pozycyjnych Niech X, X 1, X 2,... ci g niezale»nych zmiennych losowych o rozkladzie F X. Wówczas lim n 0 [n(1 α)] 1 [n(1 α)] j=1 L j,n = ES α prawie napewno, gdzie L 1,n L 2,n L n,n oznaczaj statystyki pozycyjne dla L 1, L 2,..., L n oraz [n(1 α)] oznacza najwiesz liczb caªkowit mniejsz od n(1 α). Twierdzenie 3.2 Oczekiwana warto± zagro»ona-expected shortfall na poziomie ufno±ci α (0, 1) jest koherentn miar ryzyka.
15 Rozdziaª 4 Twierdzenie o reprezentacji miar koherentnych Niech X b dzie zbiorem zmiennych losowych mierzalnych i ograniczonych. Niech M zbiór miar sko«czenie addytywnych, nieujemnych, unormowanych na Ω, czyli je±li P M to P (Ω) = 1. Do denicji caªki wzgl. tych miar deniujemy korzystaj c z tw. Hahna-Banacha. [1] Twierdzenie 4.1 Funkcjonaª ρ : X R jest koherentn miar ryzyka wtedy i tylko wtedy gdy istnieje podzbiór Q zbioru M miar sko«czenie addytywnych unormowanych na Ω taki,»e ρ(x) = sup E P X = sup XdP, X X. P Q P Q Ω Przypadek Ω zbior sko«czny n elementowy. Wowczas ka»d inwestycja X (stopa straty z inwestycji) X : Ω R mo»na uto»sami z wektorem t X R n. Zatem mamy wzajemn odpowiednio± zmiennych losowych na Ω oraz wektorów w przestrzeni R n. Dlatego miar probabilistyczn P na Ω mo»emy równie» z wektorem a P = (a 1,..., a n ) z sympleksu n, czyli 0 a i 1, n a i = 1. i=1 Zauwa»my,»e E P X =< l X, a P >. W tym przypadku twierdzenie ma nast puj c posta Twierdzenie 4.2 Niech Ω zbior sko«czny n elementowy. Funkcjonaª ρ : X R jest koherentn miar ryzyka wtedy i tylko wtedy gdy istnieje podzbiór Q zbioru n taki,»e ρ(x) = sup P Q Jaka jest reprezentacja ES α? [1] E P X = sup < l X, a P >, X X. a Q
16 Rozdziaª 5 Alokacja kapitaªu Lemat 5.1 Niech U zbiór otwarty w R p \{0}. Niech dana jest funkcja ró»niczkowalna f : U R dodatnio jednorodna, czyli dla h > 0 oraz t, ht U zachodzi f(ht) = hf(t). Wówczas f(t) =< t, f(t) >. Dany jest wektor stóp strat X = (X 1,..., X d ). Przez X(t) = n t j X j rozumiemy losow warto± inwestycji. Dla ujemej t j rozumiemy jako pozycje krótkie. Niech M taki sto»ek, dla ktorego zbiór inwestycji U R p \ {0} j=1 {X(t) : t U} M. Niech na M zadana bedzie miara ryzyka ρ. Wówczas deniujemy funkcje na zbiorze t U r ρ (t) = ρ(x(t)). Denicja 5.1 Gradientow alokacj kapitaªu dla funkcji ryzyka ρ nazywamy r ρ. Wyznaczy gradientow alokacj kapitaªu dla V ar Twierdzenie 5.2 Niech Wówczas r ρ (t) t j ρ = V ar α = E[X j X(t) = q α (X(t))]. Wniosek 5.3 Przy powy»szych zaªo»eniach V ar α (X(t)) = p j=1 t j r ρ (t) t j = Problem wyznaczy rozkªady warunkowe. p t j E[X j X(t) = q α (X(t))] j=1
17 Rozdziaª 6 Twierdzenie Sklara i kopuªy Denicja funkcji kopuªy. Twierdzenie Skalara. Przykªady kopuª. Kopuªa Gumbela, Claytona, Franka,
18 Rozdziaª 7 Oszacowania dla ryzyka Niech ρ miara ryzyka. Niech X = (X 1,..., X d ) wektor strat. Niech dana jest funkcja mierzalna Ψ : R p R. Podstawowym problemem w mierzeniu ryzyka jest rozwi zanie nastepuj cego problemu. Dla ρ, zadanych rozkªadów brzegowych F i,i = 1,..., p oraz funkcji Ψ znale¹ oszacowania dla inf{ρ(ψ(x)) : X j F j, j = 1,..., p} oraz sup{ρ(ψ(x)) : X j F j, j = 1,..., p}. Najcz ±ciej rozwa»ane funkcje Ψ, t R p dla portfela Ψ(t) = p t j (7.1) J=1 dla reasekuracji "stop loss" na poziomie k Ψ(t) = ( p t j k) + J=1 dla reasekuracji "excess of loss" na poziomach k j Ψ(t) = p (t j k j ) + J=1 Problem dla ρ = V ar α, zadanych rozkªadów brzegowych F i,i = 1,..., p oraz funkcji Ψ postaci (7.1) znale¹ oszacowania dla oraz inf{v ar α ( sup{v ar α ( p X j ) : X j F j, j = 1,..., p} J=1 p X j ) : X j F j, j = 1,..., p}. J=1 Mo»na jeszcze bardziej zaw zi problem do sytuacji gdy rozkª d ªaczny jest modelowany za pomoc rodziny kopuª. Metody Monte Carlo.
19 Rozdziaª 8 Centralne twierdzenie graniczne Denicja 8.1 Zmienna losowa X ma rozkªad stabilny je±li dla ci gu niezale»nych kopii X 1, X 2 zmiennej X i dowolych c 1, c 2 0 istniej b > 0 oraz a R takie,»e F c1x 1+c 2X 2 = F bx+a, czyli L(c 1 X 1 + c 2 X 2 ) = L(bX + a). Rozkªady stabilne s caªkowicie scharakteryzowane przez funkcje charakterystyczne. Rozkªady s scharakteryzowane przez cztery parametry γ, α, c oraz β. Poniewa» gªównym parametrem jest α (0, 2] zatem w skrócie b dziemy je oznacza G α. Wa»nym przykªadem s rozkªady α-stabilne α (0, 2] których funkcja characterystyczna jest dana wzorem φ(t) = e iγt c t α, t R gdzie c > 0 i γ R. Nietrudno pokaza,»e je±li X 1, X 2,... jest ci giem niezale»nych zmiennych losowych o rozkªadzie stabilnym G α, to z denicji istniej dwa ci gi a n i b n > 0 tak,»e zachodzi F ξn (y) = G α (y) gdzie F ξn jest dystrybuant zmiennej losowej Z drugiej strony zachodzi twierdzenie ξ n = S n a n b n, S n = n X j. j=1 Twierdzenie 8.1 Je±li dany jest ci g niezale»nych zmiennych losowych X 1, X 2,... o jednakowym rozkªadzie oraz ci gi a n i b n tak,»e F ξn (y)) G(y), n, do pewnej dystrybuanty G, to wówczas G = G α ma rozkªad stabilny.
20 20 Przykªad Je±li X, X 1, X 2,... s niezale»ne o rozkªadzie Cauchy, to Zatem S n = n j=1 X j otrzymujemy φ Sn/n(t) = φ X (t) = e t. n φ Xj/n(t) = j=1 n e t /n = e t. j=1 W konsekwencji F Sn/n(t) = F X (t). Model Craméra Lundberga. Dany jest ci g {X j } nieujemnych niezale»nych zmiennych losowych o jednakowym rozkªadzie (oznaczaj cy roszczenia). Niech ponadto µ = EX < oraz σ 2 = V arx <. Niech N(t) b dzie procesem Poissona o intensywno±ci λ niezale»nym od {X j }. Proces N(t) modeluje proces ilo±ci roszcze«w czasie [0, t]. Ogólny proces roszcze«modeluje proces S(t) = { N(t) j=1 X j N(t) > 0 0 N(t) = 0 Twierdzenie 8.2 W modelu Cramer-Lundberga N(t) ES(t) = E X j = µλt. j=1 Jesli t to N(t) j=1 X j ES(t) V ars(t) N(0, 1), gdzie zbie»no± jest wg. rozkªadu. Trajektorie procesu Poissona data poisson; t=0; p=0; lambda=5; delta=0.01; output; do i = 1 to 1000; t =t+delta; p = p+ rand('poisson',delta*lambda); x=lambda*t; output; end; run; Symbol value=none interpol=sms line=1 width=2;
21 21 title"trajectory Poisson"; proc gplot data=poisson; plot p*t x*t /overlay ; run; Centralne twierdzenie graniczne w modelu Cramera-Lunberga. Proces Poissona ma intensywno± λ = 10, rozkªady roszcze«maja rozkªad gamma z a = 16. Przeanalizuj wykresy dla maªych n data central; lambda=10; a=16; n=20000; do i = 1 to n; poss=rand('poisson',lambda); s=0; do k=1 to poss; s = Rand('gamma',a)+s; end; z=(s-a*poss)/sqrt(poss*a); output; end; title 'Limit distribution '; proc univariate data=central; var z; histogram / midpoints=-3 to 3 by 0.5 normal vaxis = axis1 name = 'MyHist'; inset n mean(5.3) std='std Dev'(5.3) skewness(5.3) / pos = ne header = 'Summary Statistics'; axis1 label=(a=90 r=0); run;
22 Rozdziaª 9 Obszary przyci gania dla maksimum Niech {X j } ci g niezale»nych zmiennych losowych o jednakowym rozkªadzie F. Niech M 1 = X 1 za± M n = max{x 1, X 2,..., X n }. Zauwa»my,»e Interesuj nas mo»liwe granice P (M n x) = P (X 1,..., X n x) = F n (x). c 1 n (M n d n ) H. (9.1) Analogicznie jak dla CTG wa»n rol pelni rozkªady stabilne tutaj wa»n rol peªni max-stabilne. Denicja 9.1 Niezdegeneroana zmienna losowa ma rozkªad max-stabilny je±li dla niezale»nych kopii X czyli X 1, X 2,... istniej ci gi c n > 0 oraz d n tak,»e L(max{X 1,...X n }) = L(c n X + d n ). Twierdzenie 9.1 Jesli istnieje granica w równaniu (9.1), to H jest Fréchet α > 0 Weibull α > 0 Gumbell Φ α (x) = Ψ α (x) = { 0 dla x 0 exp( x α ) dla x > 0. { exp( x α ) dla x 0 0 dla x > 0. Λ(x) = exp( e x ), x R. W programie SAS 9.3 mamy dost pne wszystkie te rozkªady. Rozkªad Gumbella Λ(x) = exp( e (x µ)/σ ), x R, gdzie µ parametr poªo»enia rozkladu za± σ parametr skali. Rozkªady Fréchet i Weibulla s wzajemnie odpowiadaj ce. Dlatego w SAS 9.3 rozkªad Weibulla { 0 ( dla x θ Φ α (x) = exp ( ) x θ α ) σ dla x > θ.
23 23 Przyklad Niech X j jest ci giem niezale»nych zmiennych losowych o rozkªadzie wykªadniczym z parametrem λ = 1. Sprawdzi,»e data makaron; do j=1 to 40; a=0; do i = 1 to 100; b=rand('exponential'); if b>a then a=b; c=a; P (M n ln n x) Λ(x) = exp( e x ). end; max=c; output; end; run; title 'Limit distribution '; proc univariate data=makaron; var max; histogram / gumbel midpoints=0 to 40 by 1 ; run; Na koniec zobaczmy,»e graniczne rozkªady mo»emy zapisa w postaci { exp(1 (1 + ξx/β) H ξ = 1/ξ ) dla xi 0 exp( e x ) dla ξ = 0, gdzie 1 + ξx < 0. Mo»emy otrzyma rodzin trzy parametrow H ξ,µ,σ = H ξ ((x µ)/σ). Korzystaj c z twierdzenia 9.1 otrzymamy wówczas,»e F nale»y do obszaru przyci - gania F MDA(H ξ,µ,σ ) = MDA(H ξ ).
24 Rozdziaª 10 Uogólniony rozkªad Pareto- analiza rozkªadów ogonów Dla zmiennej losowej X z dystrybuant F wprowadzmy F u (x) = P (X u x X > u) = gdzie x F jest prawym punktem kranscowym F, czyli F (x + u) F (u), 0 x x F u, 1 F (u) Denicja 10.1 Uogólniony rozkªad Pareto jest dany za pomoc dystrybuanty { 1 (1 + ξx/β) 1/ξ dla xi 0 G ξ,β = 1 exp( x/β) dla ξ = 0. β > 0 i x 0 gdy ξ 0 za± dla ξ < 0, 0 x β/ξ. Sprawd¹ wzory w SAS support: Table Distributions and Parameters Twierdzenie 10.1 Pickands-Balkema-de Haan Istnieje mierzalna dodatnia funkcja β taka,»e lim sup F u (x) G ξ,β(u) (x) = 0. u x F 0 x x F u wtedy i tylko wtedy gdy F MDA(H ξ ).
25 Rozdziaª 11 Analiza macierzowa w SASprzypomnienie proc iml ; /*tworzenie macierzy*/ A ={ 2 1, 0 3 } ; /*transponowanie macierzu */ B=t(A); /*dziaªania na macierzach*/ E=B*A; F=E-B+A; /*odwracanie macierzy*/ C=inv(A); /*licza wierszy i kolumn*/ wie = nrow(a); kol= ncol(a); /*wyznacznik i ±lad*/ trace_a = trace(a); det_a = det(a); /* pierwiastek macierzy dodatnio okreslonej*/ D=root(E); /*tworzenie specjalnych macierzy np jedynek*/ J=j(3,3,1); /*tworzenie macierzy jednostkowej */ K=i(3); /*drukowanie macierzy*/ print D; run; Š czenie macierzy. Sprawd¹ nast puj ce operacje A B oraz A//B. proc iml ;
26 26 A ={ 2 1, 0 3 } ; B ={ 5-1, 2-3 } ; C=A B; D=A//B; print C ; print D ; run; Tworzenie pliku SAS z macierzy proc iml; ymatrix = { 2 4 8, 3 9 1, 9 4 8, 1 1 1, 2 7 8}; create newdata from ymatrix; append from ymatrix; close newdata; proc print data = newdata;
27 Literatura [1] Hans Föllmer, Alexander Schied Stochastic Finance An Introduction in Discrete Time Second Revised and Extended Edition Walter de Gruyter Berlin New York [2] Ravindra Khattree, Dayanand N. Naik, Applied Multivariate Statistics with SAS software SAS Institute Inc. and John Wiley & Sons, Second edition [3] A. McNeil, R. Frey, P. Embrechtes Quantitive Risk Management Princeton University Press 2005 [4] E.M. Stein, G. Weiss Fourier analysis on Euclidean spaces Princeton University Press 1971.
1.1. Koherentne miary ryzyka
Rozdziaª 1 Miary ryzyka 1.1. Koherentne miary ryzyka Denicja 1.1 Zbiór zmiennych losowych jest sto»kiem M je±li staªe nale» do M oraz je±li L 1, L 2 M to L 1 + L 2 M oraz je±li λ > 0 i L M to λl M. Elementy
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;
EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia
Bardziej szczegółowoStacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa
Bardziej szczegółowoRozwini cia asymptotyczne dla mocy testów przybli»onych
Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoMacierze. Dziaªania na macierzach. 1. Niech b d dane macierze , D = , C = , B = 4 12 A = , F = , G = , H = E = a) Obliczy A + B, 2A 3B,
Macierze Dziaªania na macierzach Niech b d dane macierze A = E = [ 2 3 0 3 2 3 2 0 [ 0 8, B = 4 2, F = [ 2 3, C = 3 2 2 3 0 0 0 4 0 6 3 0, G =, D = 0 2 0 2 0 3 0 3 0 2 0 0 2 2 0 0 5 0 2,, H = 0 0 4 0 0
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 1 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 1 1 / 28 Kontakt Dr Šukasz
Bardziej szczegółowo4. Punkt wyjścia. Dane ubezpieczeniowe ubezpieczeń samochowych. C. Zadania do wykonania: Korzystając z technologii kopuł i GLM zamodelować
Rozdział 1 Miary ryzyka Konieczność stosowania miar ryzyka wynika z uwarunkowań prawnych. W rozdziale 1 poznamy główne miary ryzyka i ich własności. Dalej materiał możemy podzielić z punktu widzenia zadań.
Bardziej szczegółowoNieklasyczna analiza skªadowych gªównych
* Wydziaª Matematyki i Informatyki UAM Pozna«Referat ten jest przygotowany na podstawie wspólnych wyników uzyskanych z Karolem Der gowskim z Instytutu Zarz dzania Pa«stwowej Wy»szej Szkoªy Zawodowej w
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoZadania. 4 grudnia k=1
Zadania 4 grudnia 205 Zadanie. Poka»,»e dla dowolnych liczb zespolonych z,..., z n istnieje zbiór B {,..., n}, taki,»e n z k π z k. k B Zadanie 2. Jakie warunki musz speªnia ci gi a n i b n, aby istniaªy
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoFunkcje jednej zmiennej. Granica, ci gªo±. (szkic wykªadu)
Funkcje jednej zmiennej Granica, ci gªo± (szkic wykªadu) opracowaªa Gra»yna Ciecierska 1 Granica funkcji Denicja Niech 0 R, r > 0 Otoczeniem punktu 0 o promieniu r nazywamy przedziaª ( 0 r, 0 +r) Otoczeniem
Bardziej szczegółowoSzkice do zajęć z Przedmiotu Wyrównawczego
Szkice do zajęć z Przedmiotu Wyrównawczego Matematyka Finansowa sem. letni 2011/2012 Spis treści Zajęcia 1 3 1.1 Przestrzeń probabilistyczna................................. 3 1.2 Prawdopodobieństwo warunkowe..............................
Bardziej szczegółowo1 Poj cia pomocnicze. Przykªad 1. A A d
Poj cia pomocnicze Otoczeniem punktu x nazywamy dowolny zbiór otwarty zawieraj cy punkt x. Najcz ±ciej rozwa»amy otoczenia kuliste, tj. kule o danym promieniu ε i ±rodku x. S siedztwem punktu x nazywamy
Bardziej szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoPrzeksztaªcenia liniowe
Przeksztaªcenia liniowe Przykªady Pokaza,»e przeksztaªcenie T : R 2 R 2, postaci T (x, y) = (x + y, x 6y) jest przeksztaªceniem liniowym Sprawdzimy najpierw addytywno± przeksztaªcenia T Niech v = (x, y
Bardziej szczegółowoFunkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej
Funkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej Uniwersytet Jagiello«ski 9 maja 2012 Kilka wst pnych sªów: Kowariancja i korelacja Grube
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoIndeksowane rodziny zbiorów
Logika i teoria mnogo±ci, konspekt wykªad 7 Indeksowane rodziny zbiorów Niech X b dzie przestrzeni zbiorem, którego podzbiorami b d wszystkie rozpatrywane zbiory, R rodzin wszystkich podzbiorów X za± T
Bardziej szczegółowoAM II /2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium
AM II.1 2018/2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium Normy w R n, iloczyn skalarny sprawd¹ czy dana funkcja jest norm sprawd¹, czy dany zbiór jest kul w jakiej± normie i oblicz norm wybranego
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoZbiory i odwzorowania
Zbiory i odwzorowania 1 Sposoby okre±lania zbiorów 1) Zbiór wszystkich elementów postaci f(t), gdzie t przebiega zbiór T : {f(t); t T }. 2) Zbiór wszystkich elementów x zbioru X speªniaj cych warunek ϕ(x):
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowoTwierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski
Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej
Bardziej szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
Bardziej szczegółowoModele z czasem dyskretnym
Rozdziaª 1 Modele z czasem dyskretnym 1.1. Wprowadzenie- rynki dyskretne Dynamika aktywu bazowego i warunki pozyskania pieni dza-opis probabilistyczny Niech cena akcji w chwili pocz tkowej wynosi S 0 =
Bardziej szczegółowoProces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką
z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n
Bardziej szczegółowoMacierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja
Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy
Bardziej szczegółowoAsymptotyka warto±ci ekstremalnych i rekordowych
. Asymptotyka warto±ci ekstremalnych i rekordowych Wiesªaw Dziubdziela Instytut Matematyczny Uniwersytetu Jana Kochanowskiego w Kielcach 22 sierpnia 2016 Ukªad prezentacji 1 Teoria warto±ci ekstremalnych.
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoElementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo
Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4
Bardziej szczegółowoNumeryczne zadanie wªasne
Rozdziaª 11 Numeryczne zadanie wªasne W tym rozdziale zajmiemy si symetrycznym zadaniem wªasnym, tzn. zadaniem znajdowania warto±ci i/lub wektorów wªasnych dla macierzy symetrycznej A = A T. W zadaniach
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoRozdziaª 10: Portfel inwestycyjny
Rozdziaª 10: Portfel inwestycyjny MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 10) Portfel inwestycyjny 1 / 31 Wprowadzenie Wkªad Markowitza, laureata nagrody Nobla z ekonomii w 1990 r., do teorii
Bardziej szczegółowoZadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj
Bardziej szczegółowoMacierze i Wyznaczniki
Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja 1. Tablic nast puj cej postaci a 11 a 12... a 1n a 21 a 22... a 2n A =... a m1 a m2... a mn nazywamy macierz o m wierszach i n kolumnach,
Bardziej szczegółowo1 Granice funkcji wielu zmiennych.
AM WNE 008/009. Odpowiedzi do zada«przygotowawczych do czwartego kolokwium. Granice funkcji wielu zmiennych. Zadanie. Zadanie. Pochodne. (a) 0, Granica nie istnieje, (c) Granica nie istnieje, (d) Granica
Bardziej szczegółowoZadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej
Zadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej Denicja 1. Niech X = R n b dzie przestrzeni unormowan oraz d(x, y) = x y.
Bardziej szczegółowoMatematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie
Bardziej szczegółowo1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci
Zebraª do celów edukacyjnych od wykªadowców PK, z ró»nych podr czników Maciej Zakarczemny 1 Przypomnienie wiadomo±ci ze szkoªy ±redniej Rozwi zywanie prostych równa«i nierówno±ci dotycz cych funkcji elementarnych,
Bardziej szczegółowoStatystyka i eksploracja danych
Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Statystyka i eksploracja
Bardziej szczegółowoELEMENTARNA TEORIA LICZB. 1. Podzielno±
ELEMENTARNA TEORIA LICZB IZABELA AGATA MALINOWSKA N = {1, 2,...} 1. Podzielno± Denicja 1.1. Niepusty podzbiór A zbioru liczb naturalnych jest ograniczony, je»eli istnieje taka liczba naturalna n 0,»e m
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) W modelu rezerwy R n = u + n (W 1 + + W n ) wiemy,»e W i s iid o rozkªadzie geometrycznym na 0, 1, 2,...
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowoLegalna ±ci ga z RRI 2015/2016
Legalna ±ci ga z RRI 205/206 Równania ró»niczkowe pierwszego rz du sprowadzalne do równa«o zmiennych rozdzielonych a) Równanie postaci: = f(ax + by + c), Równanie postaci: = f(ax + by + c), () wprowadzamy
Bardziej szczegółowoLiniowe zadania najmniejszych kwadratów
Rozdziaª 9 Liniowe zadania najmniejszych kwadratów Liniowe zadania najmniejszych kwadratów polega na znalezieniu x R n, który minimalizuje Ax b 2 dla danej macierzy A R m,n i wektora b R m. Zauwa»my,»e
Bardziej szczegółowoMatematyka dyskretna dla informatyków
UNIWERSYTET IM. ADAMA MICKIEWICZA W POZNANIU Jerzy Jaworski, Zbigniew Palka, Jerzy Szyma«ski Matematyka dyskretna dla informatyków uzupeænienia Pozna«007 A Notacja asymptotyczna Badaj c du»e obiekty kombinatoryczne
Bardziej szczegółowodet A := a 11, ( 1) 1+j a 1j det A 1j, a 11 a 12 a 21 a 22 Wn. 1 (Wyznacznik macierzy stopnia 2:). = a 11a 22 a 33 +a 12 a 23 a 31 +a 13 a 21 a 32
Wyznacznik Def Wyznacznikiem macierzy kwadratowej nazywamy funkcj, która ka»dej macierzy A = (a ij ) przyporz dkowuje liczb det A zgodnie z nast puj cym schematem indukcyjnym: Dla macierzy A = (a ) stopnia
Bardziej szczegółowoMetody dowodzenia twierdze«
Metody dowodzenia twierdze«1 Metoda indukcji matematycznej Je±li T (n) jest form zdaniow okre±lon w zbiorze liczb naturalnych, to prawdziwe jest zdanie (T (0) n N (T (n) T (n + 1))) n N T (n). 2 W przypadku
Bardziej szczegółowo1 Wykład 3 Generatory liczb losowych o dowolnych rozkładach.
Wykład 3 Generatory liczb losowych o dowolnych rozkładach.. Metoda odwracania Niech X oznacza zmienna losowa o dystrybuancie F. Oznaczmy F (t) = inf (x : t F (x)). Uwaga Zauważmy, że t [0, ] : F ( F (t)
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Analiza matematyczna 2; MatematykaS-I 0 lic 21 maja 2018 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(, y b dzie okre±lona przynajmniej na otoczeniu punktu
Bardziej szczegółowoTablice wzorów z probabilistyki
Akademia Górniczo - Hutnicza im. Stanisªawa Staszica Wydziaª Elektrotechniki, Automatyki, Informatyki i In»ynierii Biomedycznej Kierunek: Automatyka i robotyka Tablice wzorów z probabilistyki Prowadz cy:
Bardziej szczegółowoModele wielorównaniowe. Estymacja parametrów
Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW
Bardziej szczegółowoWykªad 4. Funkcje wielu zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 4. Funkcje wielu zmiennych. Zbiory na pªaszczy¹nie i w przestrzeni.
Bardziej szczegółowoRozkªady i warto± oczekiwana
Rozkªady i warto± oczekiwana Piotr Wilkin Zmienne losowe i rozkªady. Wst p Zmienn losow nazywamy zmienn X przyjmuj c dowolne warto±ci z pewnego zbioru D, która speªnia wªasno± y D P (X = y) = (innymi sªowy
Bardziej szczegółowoAnaliza i aproksymacja nieliniowego modelu elastycznego ograniczaj cego odksztaªcenie
Analiza i aproksymacja nieliniowego modelu elastycznego ograniczaj cego odksztaªcenie Wojciech O»a«ski 9 Kwi 2015 Przykªad ukªadu mechanicznych o ograniczaj cym odksztaªceniu: nierozciagliwa struna σ spreżyna
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoEstymacja parametru gªadko±ci przy u»yciu falek splajnowych
Estymacja parametru gªadko±ci przy u»yciu falek splajnowych Politechnika Gda«ska Wydziaª Fizyki Technicznej i Matematyki Stosowanej Wisªa, 3-7.12.2012 Przestrze«Biesowa Przestrze«Biesowa B s p,q, 1 p,
Bardziej szczegółowoZajęcia rozpoczyna wstęp do Metody Monte Carlo. Wyliczamy całki typu. [0,1] 3 sin(cos(u + v) + e w )dudvdw.
Zajęcia rozpoczyna wstęp do Metody Monte Carlo. Wyliczamy całki typu [0,1] 3 sin(cos(u + v) + e w )dudvdw. 1 Rozdział 1 Modelowanie stóp strat rozkład normalny, porfele optymalne 1.1 Generowanie danych
Bardziej szczegółowoMacierze i Wyznaczniki
dr Krzysztof yjewski Mechatronika; S-I.in». 5 pa¹dziernika 6 Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja. Tablic nast puj cej postaci a a... a n a a... a n A =... a m a m...
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoZdzisªaw Dzedzej, Katedra Analizy Nieliniowej pok. 611 Kontakt:
Zdzisªaw Dzedzej, Katedra Analizy Nieliniowej pok. 611 Kontakt: zdzedzej@mif.pg.gda.pl www.mif.pg.gda.pl/homepages/zdzedzej () 5 pa¹dziernika 2016 1 / 1 Literatura podstawowa R. Rudnicki, Wykªady z analizy
Bardziej szczegółowoCiaªa i wielomiany. 1 Denicja ciaªa. Ciaªa i wielomiany 1
Ciaªa i wielomiany 1 Ciaªa i wielomiany 1 Denicja ciaªa Niech F b dzie zbiorem, i niech + (dodawanie) oraz (mno»enie) b d dziaªaniami na zbiorze F. Denicja. Zbiór F wraz z dziaªaniami + i nazywamy ciaªem,
Bardziej szczegółowoLiniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach
Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach Teoria obowi zuje z wykªadu, dlatego te» zostan tutaj przedstawione tylko podstawowe denicje, twierdzenia i wzory. Denicja 1. Równanie
Bardziej szczegółowoMODELE LINIOWE i MIESZANE
MODELE LINIOWE i MIESZANE WYKŠAD 5 13 kwiecie«2018 1 / 48 Plan wykªadu 1. Metody Monte Carlo we wnioskowaniu statystycznym 2. Pakiet R 2 / 48 Metody Monte Carlo we wnioskowaniu statystycznym 3 / 48 Zaªó»my,»e
Bardziej szczegółowoA = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy.
Logika i teoria mnogo±ci, konspekt wykªad 12 Teoria mocy, cz ± II Def. 12.1 Ka»demu zbiorowi X przyporz dkowujemy oznaczany symbolem X obiekt zwany liczb kardynaln (lub moc zbioru X) w taki sposób,»e ta
Bardziej szczegółowoStrategie zabezpieczaj ce
04062008 Plan prezentacji Model binarny Model Black Scholesa Bismut- Elworthy -Li formuła Model binarny i opcja call Niech cena akcji w chwili pocz tkowej wynosi S 0 = 21 Zaªó»my,»e ceny akcji po trzech
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowoWykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja
Bardziej szczegółowo2. (8 punktów) 3. (8 punktów) 4. (8 punktów) 5. (8 punktów) EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Znajd¹ rozwi zanie poni»szego zagadnienia programowania liniowego: Zmaksymalizowa x 1 2x 2 + x 3 x 5 przy ograniczeniach x 1 3x 2 + x 3 + 2x 5 = 8
Bardziej szczegółowoMateriaªy do Repetytorium z matematyki
Materiaªy do Repetytorium z matematyki 0/0 Dziaªania na liczbach wymiernych i niewymiernych wiczenie Obliczy + 4 + 4 5. ( + ) ( 4 + 4 5). ( : ) ( : 4) 4 5 6. 7. { [ 7 4 ( 0 7) ] ( } : 5) : 0 75 ( 8) (
Bardziej szczegółowoMaªgorzata Murat. Modele matematyczne.
WYKŠAD I Modele matematyczne Maªgorzata Murat Wiadomo±ci organizacyjne LITERATURA Lars Gårding "Spotkanie z matematyk " PWN 1993 http://moodle.cs.pollub.pl/ m.murat@pollub.pl Model matematyczny poj cia
Bardziej szczegółowo1 0 Je»eli wybierzemy baz A = ((1, 1), (2, 1)) to M(f) A A =. 0 2 Daje to znacznie lepszy opis endomorzmu f.
GAL II 2012-2013 A Strojnowski str1 Wykªad 1 Ten semestr rozpoczniemy badaniem endomorzmów sko«czenie wymiarowych przestrzeni liniowych Denicja 11 Niech V b dzie przestrzeni liniow nad ciaªem K 1) Przeksztaªceniem
Bardziej szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoPrzekroje Dedekinda 1
Przekroje Dedekinda 1 O liczbach wymiernych (tj. zbiorze Q) wiemy,»e: 1. zbiór Q jest uporz dkowany relacj mniejszo±ci < ; 2. zbiór liczb wymiernych jest g sty, tzn.: p, q Q : p < q w : p < w < q 3. 2
Bardziej szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane
Bardziej szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowoMierzalne liczby kardynalne
czyli o miarach mierz cych wszystko Instytut Matematyki Uniwersytetu Warszawskiego Grzegorzewice, 26 stycznia 2007 Ogólny problem miary Pytanie Czy na pewnym zbiorze X istnieje σ-addytywna miara probabilistyczna,
Bardziej szczegółowoMetodydowodzenia twierdzeń
1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa III - 1
Zadania z Rachunku Prawdopodobieństwa III - 1 Funkcją tworzącą momenty (transformatą Laplace a) zmiennej losowej X nazywamy funkcję M X (t) := Ee tx, t R. 1. Oblicz funkcję tworzącą momenty zmiennych o
Bardziej szczegółowoMacierz A: macierz problemów liniowych (IIII); Macierz rozszerzona problemów liniowych (IIII): a 11 a 1m b 1 B = a n1 a nm b n
Plan Spis tre±ci 1 Problemy liniowe 1 2 Zadania I 3 3 Formy biliniowe 3 3.1 Odwzorowania wieloliniowe..................... 3 3.2 Formy biliniowe............................ 4 4 Formy kwadratowe 4 1 Problemy
Bardziej szczegółowo2. L(a u) = al( u) dla dowolnych u U i a R. Uwaga 1. Warunki 1., 2. mo»na zast pi jednym warunkiem: L(a u + b v) = al( u) + bl( v)
Przeksztaªcenia liniowe Def 1 Przeksztaªceniem liniowym (homomorzmem liniowym) rzeczywistych przestrzeni liniowych U i V nazywamy dowoln funkcj L : U V speªniaj c warunki: 1 L( u + v) = L( u) + L( v) dla
Bardziej szczegółowoParametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f
Zadanie. W kolejnych latach t =,,,... ubezpieczony charakteryzujący się parametrem ryzyka Λ generuje N t szkód. Dla danego Λ = λ zmienne N, N, N,... są warunkowo niezależne i mają (brzegowe) rozkłady Poissona:
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoJAO - J zyki, Automaty i Obliczenia - Wykªad 1. JAO - J zyki, Automaty i Obliczenia - Wykªad 1
J zyki formalne i operacje na j zykach J zyki formalne s abstrakcyjnie zbiorami sªów nad alfabetem sko«czonym Σ. J zyk formalny L to opis pewnego problemu decyzyjnego: sªowa to kody instancji (wej±cia)
Bardziej szczegółowo5 Przegląd najważniejszych rozkładów
5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,
Bardziej szczegółowoInstytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2
Instytut Matematyczny Uniwersytet Wrocławski Zakres egzaminu magisterskiego Wybrane rozdziały anazlizy i topologii 1 i 2 Pojęcia, fakty: Definicje i pojęcia: metryka, iloczyn skalarny, norma supremum,
Bardziej szczegółowoPRZYPOMNIENIE Ka»d przestrze«wektorow V, o wymiarze dim V = n < nad ciaªem F mo»na jednoznacznie odwzorowa na przestrze«f n n-ek uporz dkowanych:
Plan Spis tre±ci 1 Homomorzm 1 1.1 Macierz homomorzmu....................... 2 1.2 Dziaªania............................... 3 2 Ukªady równa«6 3 Zadania 8 1 Homomorzm PRZYPOMNIENIE Ka»d przestrze«wektorow
Bardziej szczegółowo1 Lista 6 1. LISTA Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci Obliczenia zrobi dla TT -PL97m oraz i = 4%.
1. LISTA 6 1 1 Lista 6 1.1 Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci 3000. Obliczenia zrobi dla TT -PL97m oraz i = 4%. 1.2 Obliczy JSN dla nast puj cej renty dla (30)-latka: je±li»yje
Bardziej szczegółowoUkªady równa«liniowych - rozkªady typu LU i LL'
Rozdziaª 9 Ukªady równa«liniowych - rozkªady typu LU i LL' W tym rozdziale zapoznamy si z metodami sªu» cych do rozwi zywania ukªadów równa«liniowych przy pomocy uzyskiwaniu odpowiednich rozkªadów macierzy
Bardziej szczegółowoNormy wektorów i macierzy
Rozdzia l 3 Normy wektorów i macierzy W tym rozdziale zak ladamy, że K C. 3.1 Ogólna definicja normy Niech ψ : K m,n [0, + ) b edzie przekszta lceniem spe lniaj acym warunki: (i) A K m,n ψ(a) = 0 A = 0,
Bardziej szczegółowo