6 Wzór Ito i jego zastosowania
|
|
- Dagmara Duda
- 4 lat temu
- Przeglądów:
Transkrypt
1 M. Beśka, Całka Stochatyczna, wykład Wzór Ito i jego zatoowania 6.1 Wzór Ito Zaczniemy od przedtawienia wzoru Ito. Twierdzenie 6.1 Niech X będzie proceem potaci X = M +, gdzie M M c loc oraz c loc. Rozważmy funkcję rzeczywitą zmiennej rzeczywitej F C (IR). Dla t takich, że, t zachodzi wzór (6.1) F (X t ) = F (X ) + F (X u ) dm u + F (X u ) d u + 1 Dowód. Zauważmy, że wytarczy założyć, że itnieje tała K > taka, że (6.) M t + V t () + M, M t K, t. Rezczywiście, dla każdego n 1 określmy T n = inf{t > : M t + V t () + M, M t > n} F (X u ) d M, M u. Wtedy {T n } n 1 jet ciągiem lokalizacyjnym. Jeśli przez {R n } n 1, {S n } n 1, {V n } n 1, {U n } n 1 oznaczymy ciągi lokalizacyjne dla M,, V (), M, M odpowiednio. Wtedy dla czaów zatrzymania Z n = T n R n S n V n U n, n 1 procey M Zn, Zn, M, M Zn, X Zn ą ograniczone przez n i wzór Ito przyjmie potać F (Xt Zn ) = F (X Zn )+ le F (Xu Zn ) dmu Zn + F (Xt Zn ) = F (X t ) Zn n ( F (Xu Zn ) dmu Zn = F (Xu Zn ) d Zn u = F (X Zn u ) d M Zn, M Zn u = ( ( F (Xu Zn ) d Zn u + 1 F (X t); F (X u ) dm u ) Zn n F (X u ) d u ) Zn n F (X u ) d M, M u ) Zn n F (X Zn u ) d M Zn, M Zn u. F (X u ) dm u ; F (X u ) d u ; F (X u ) d M, M u
2 M. Beśka, Całka Stochatyczna, wykład co daje wzór (6.1). Tak, więc wytarczy wykazać wzór Ito przy założeniu (6.). Niech δ t będzie podziałem przedziału [, t tj. δ t = {t,... t n }, gdzie = t < t 1 <... t n = t. Stoując wzór Taylora otrzymujemy F (X t ) F (X ) = [ F (Xti ) F (X ti 1 ) = F (X ti 1 )(X ti X ti 1 )+ 1 F (X ti 1 )(X ti X ti 1 ) + r(x ti X ti 1 )(X ti X ti 1 ), gdzie rezta r(x ti X ti 1 ), gdy X ti X ti 1. Ponieważ X = M +, więc powyżzy wzór przyjmie potać (6.3) F (X t ) F (X ) = 1 F (X ti 1 )(M ti M ti 1 ) + F (X ti 1 )(M ti M ti 1 ) + 1 F (X ti 1 )( ti ti 1 )+ F (X ti 1 )(M ti M ti 1 )( ti ti 1 )+ F (X ti 1 )( ti ti 1 ) + r(x ti X ti 1 )(X ti X ti 1 ). Będziemy teraz zacować ześć kładników prawej trony wzoru (6.3). Ponieważ więc r(x ti X ti 1 ) = O( δ t ) jednotajnie po i, (6.4) r(x ti X ti 1 )(X ti X ti 1 ) O( δ t ) [ (M ti M ti 1 ) + (M ti M ti 1 )( ti ti 1 ) + ( ti ti 1 ). le z twierdzenia 5.18 Ponadto (M ti M ti 1 ) δ t M, M t według prawdopodobieńtwa. (M ti M ti 1 )( ti ti 1 ) up M ti M ti 1 1 i n ti ti 1
3 M. Beśka, Całka Stochatyczna, wykład oraz z ciągłości trajektorji M mamy up M ti M ti 1 i ti ti 1 V t () := V t () V (). 1 i n δ t δ t I otatni kładnik w (6.4) bo ( ti ti 1 ) up ti ti 1 1 i n ti ti 1 δ t, up ti ti 1 i ti ti 1 V t () := V t () V (). 1 i n δ t δ t Otatecznie więc r(x ti X ti 1 )(X ti X ti 1 ) δ t Otatni kładnik w (6.3) mamy więc ozacowany. Dalej 1 według prawdopodobieńtwa. F (X ti 1 )( ti ti 1 ) 1 up F (x) up ti ti 1 x [ K,K 1 i n co zmierza do zera, gdy δ t. Ponadto F (X ti 1 )(M ti M ti 1 )( ti ti 1 ) up F (x) up M ti M ti 1 x [ K,K 1 i n ti ti 1 ti ti 1 δ t. Mamy więc wykazaną zbieżność zótego, piątego i czwartego kładnika (6.3). Rozważmy teraz trzeci kładnik w (6.3). Mamy F (X ti 1 )(M ti M ti 1 ) F (X u ) d M, M u F (X ti 1 ) [ (M ti M ti 1 ) M, M t i t i 1 + F (X ti 1 ) M, M t i t i 1 F (X u ) d M, M u
4 M. Beśka, Całka Stochatyczna, wykład Zbieżność (wg p-twa) pierwzego kładnia wynika z analogicznego rozumowania jak w dowodzie twierdzenia 5.18(i). Moment drugiego rzędu tego wyrażenia możemy ozacować przez F (x) up x [ K,K E [ (M ti M ti 1 ) M, M t i t i 1 δ t. Drugi kładnik zmierza do zera z ciągłości F. Zatem wykazaliśmy, że 1 F (X ti 1 )(M ti M ti 1 ) δ t 1 F (X u ) d M, M u według prawdopodobieńtwa. Z ciągłości F dotajemy zbieżność drugiego kładnika (6.3), mianowicie F (X ti 1 )( ti ti 1 ) F (X u ) d u δ t Zotał nam już do ozacowania tylko pierwzy kładnik w (6.3). Zauważmy, że F (X ti 1 )(M ti M ti 1 ) = Φ n (u) dm u, gdzie Φ n (u) = F (X ti 1 ) I [ti 1, t i )(u). Pokażemy, że Zauważmy natępującą zbieżność [ [ E Φn (u) F (X u ) d M, M u δ t. [ Φn (u) F (X u ) d M, M u δ t, bo F jet jednotajnie ciągła na [ K, K. Ponieważ powyżzy ciąg jet ograniczony, więc z twierdzenia Lebegue a o zbieżności majoryzowanej dotajemy żądaną zbieżność. Dowód twierdzenia zotał zakończony. Można również podać werję wzoru Ito dla funkcji wielu zmiennych Twierdzenie 6. Niech X t = (Xt 1,..., Xt d ), t będzie proceem wielowymiarowym takim, że dla każdego k = 1,,..., d proce X k jet potaci X k = M k + k,
5 M. Beśka, Całka Stochatyczna, wykład gdzie M k M c loc oraz k c loc. Rozważmy funkcję rzeczywitą F : IRd IR taką, że F C (IR d ). Dla t takich, że, t zachodzi wzór F (X t ) = F (X ) d k,l=1 d k=1 F (X u ) x k dm k u + F (X u ) x k x l d M k, M l u. d k=1 F (X u ) x k d k u 6. Zatoowania wzoru Ito Zaczniemy od elementernego lematu Lemat 6.3 Niech M, N M c loc oraz niech c loc to zachodzą trzy równości (i) M t = M + (ii) M t N t = M N + (iii) M t t = M + M u dm u + M, M t, N u dm u + u dm u + M u dn u + M, N t, M u d u. Dowód. by udowodnić (i) wytarczy zatoować wzór Ito dla funkcji F (x) = x, a dla dowodu (ii) oraz (iii) wytarczy przyjąć F (x 1, x ) = x 1 x i zatoować wielowymiarowy wzór Ito. Lemat 6.4 Niech X M c loc (z definicji X = ) takim, że X, X t = t, t oraz niech T będzie kończonym czaem zatrzymania. Wtedy proce Y = {Y t } t określony na (Ω, {G t }, F, P ), gdzie G t = F T +t, t wzorem Y t = X T +t X T, t jet lokalnym martyngałem tzn. Y M c loc i Y, Y t = t, t. Dowód. Niech {T n } będzie ciągiem lokalizacyjnym dla X. Zauważmy, że X Tn, X Tn t = X, X Tn t = T n t. Określmy: {, T n T, S n = T n (T n T ) = T n T, T n > T.
6 M. Beśka, Całka Stochatyczna, wykład Z definicji S n wynika, że S n dla n 1. Ciąg {S n } n 1 jet ciągiem lokalizacyjnym względem filtracji G = {G t } t. Rzczywiście, S n dla n 1 ą czaemi zatrzymania względem G, bo dla t mamy {S n t} = ({S n t} {T n T }) ({S n t} {T n > T }) = ({ t} {T n T }) ({T n T t} {T n > T }) = {T n T } ({T }{{} n T + t} {T }{{} n > T }) F }{{} Tn (T +t) F T +t = G t. F Tn T F Tn (T +t) F Tn T Monotoniczność {S n } n 1 wynika z: gdy T n T, to S n = S n+1, gdy T n > T, to T n+1 > T oraz S n = T n T T n+1 T = S n+1. Ponadto jet oczywite, że S n, gdy n. Dla proceu Y zatrzymanego w czaie S n zachodzi wzór (6.5) Y Sn t := Y Sn t := X T +(Sn t) X T = X Tn T +t XTn T. Dowodu wymaga tylko otatnia równość. Gdy T n T, to X T +(Sn t) X T = X T X T = oraz X Tn T +t XTn T = X T n X Tn =. Gdy T T + t < T n, to S n = T n T > t, zatem X T +(Sn t) X T = X T +t X T oraz X Tn T +t XTn T = X T +t X T Gdy T < T n T + t, to S n = T n T t, zatem X T +(Sn t) X T = X Tn X T oraz X Tn T +t XTn T = X T n X T, co kończy dowód rozważanej równości. Ponieważ X Tn M,c, więc Zatem EX T n < i EX T n T < oraz X Tn T +t = E(X T n F T +t ). Y Sn t = X Tn T +t XTn T = E(X T n F T +t ) X Tn T = E(X T n X Tn T F T +t ). Stąd Y Sn M,c. Określmy n t = t S n = T n (T + t) T n T, t. Otatnią równość dowodzi ię podobnie jak (6.5) rozpatrując te ame trzy przypadki. Zauważmy, że dla każdego t zmienna loowa n t jet mierzalna względem G t, bo dla u mamy { n t u} = ({S n u} {S n t}) ({t u} {S n > t}) =
7 M. Beśka, Całka Stochatyczna, wykład 6 1 {S n u t} ({t u} {S n > t}) G t. Ponadto proce n = { n t } t ma ciągłe trajektorie, więc jet prognozowalny. Zauważmy, że E( n ) = E(S n ) E(T n ) = E X, X Tn <, czyli n +. Dla dowodu wytarczy wykazać, że { ( ) Yt Sn n t } t M. Korzytając z wnioku 4.1 wytarczy wykazać, że dla dowolnego czau zatrzymania Z mamy E (Y Sn Z ) n Z < oraz E((Y Sn Z ) n Z) =. Pierwzy warunek prawdzamy natychmiat E (Y Sn Z ) n Z = E (X Tn T +Z XTn T ) (T n (T + Z) T n T ) E(X Tn T +Z ) E [ X Tn T E(XTn T +Z G ) + E(X Tn T ) + E (T n (T + Z) T n T ) E(X Tn T +Z ) + E(X Tn T ) + E[T n (T + Z) + E(T n T ) = E X, X Tn T +Z + E X, X Tn T 4E X, X T n <. Drugi warunek dotajemy korzytając z założenia i toując ogólne twierdzenie o topowaniu E[(Y Sn Z ) n Z = E[(X Tn T +Z XTn T ) (T n (T + Z) T n T ) = E[(X Tn T +Z ) E[X Tn T XTn T +Z + E(XTn T ) E(T n (T + Z)) + E(T n T ) = E X, X Tn T +Z E[ X Tn T Zatem Przechodząc z n mamy dla każdego t. E(XTn T +Z G ) + E X, X Tn T E(X Tn T ) + E X, X Tn T =. Y, Y Sn t := Y Sn, Y Sn t = n t = t S n. Y, Y t = t E X, X Tn T +Z + E X, X Tn T = Lemat 6.5 Niech µ będzie regularną werją rozkładu zmiennej loowej X względem σ - algebry B F oraz niech Y będzie zmienną loową B - mierzalną. Załóżmy ponadto, że dana jet funkcja borelowka ϕ taka, że E ϕ(x, Y ) <. Wtedy E [ ϕ(x, Y ) B ( ) = ϕ(x, Y ( )) dµ(x, ), P p.w. W zczególności dla funkcji borelowkiej ψ takiej, że E ψ(x) < mamy E [ ψ(x) B ( ) = ψ(x) dµ(x, ), P p.w. R R
8 M. Beśka, Całka Stochatyczna, wykład 6 11 Z lematu 6.5 dotajemy Lemat 6.6 Zmienna loowa X jet niezależna od σ - algebry B F wtedy i tylko wtedy, gdy E [ exp(itx) B = E exp(itx) = exp(itx) µ X (x), P p.w. t R Dowód. Konieczność jet oczywita. Dotateczność. Z lematu 6.5 mamy exp(itx) µ(x, ) = exp(itx) µ X (x), P p.w. t R R Ponieważ funkcja charakterytyczna wyznacza jednoznacznie rozkład, więc Niech F B i B(IR). Wtedy P ( {X } F ) = I (X) dp = co daje żądaną niezależność. F R R µ = µ X, P p.w. F µ(, ) dp = F µ X () dp = P {X }P (F ) Możemy teraz przytąpić do dowodu twierdzenia Lévy ego charakteryzującego w terminach martyngałów ruch Browna Twierdzenie 6.7 (Lévy) Niech X M c loc (X = ) będzie taki, że X, X t = t dla t. Wtedy X jet tandardowym ruchem Browna. Dowód. Na mocy lematu 6.6 wytarczy wykazać E [ exp(iu(x t X )) F = exp [ u (t ), dla < t oraz u IR. Zatoujemy teraz wzór Ito do funkcji F (y) = exp(iuy) z podtawieniem y := Y Tn, gdzie Y v = X +v X dla v [, t, {T n } n 1 ciąg lokalizacyjny dla Y (z lematu 6.4 wynika Y M c loc względem filtracji G v = F +v ) Tn iuyv e Tn iuy = e + iu v Tn iuyz e dyz Tn u v Tn iuyz e dz. Pierwza całka jet martyngałem całkowalnym z kwadratem Stąd po działaniu warunkową wartością oczekiwaną względem G otrzymujemy E [ Tn iuyv e u G = 1 v E [ Tn iuyz e G dz.
9 M. Beśka, Całka Stochatyczna, wykład 6 1 Przechodząc z n dotajemy (6.6) E [ e iuyv u G = 1 v Jeśli oznaczymy E [ e iuyv G = g(v) to równanie (6.6) może być zapiane w potaci E [ e iuyz G dz. Po rozwiązaniu którego otrzymujemy Podtawiając v := t mamy a tąd g(v) = 1 u v g(z) dz. ( g(v) = exp u ) v, ( g(t ) = exp u ) (t ), E [ e iu(xt X) F = E [ e iuy t G = g(t ) = exp ( u (t )). Wnioek 6.8 Niech X M c loc (X = ) oraz niech X, X t = t, t. Załóżmy, że T jet kończonym czaem zatrzymania. Wtedy proce Y t = X T +t X T, t na (Ω, {G t } t, F, P ), gdzie G t = F T +t, t jet tandardowym ruchem Browna. Twierdzenie 6.9 Niech X (X = ) będzie martyngałem o ciągłych trajektoriach i o tacjonarnych i niezależnych przyrotach. Wtedy X jet ruchem Browna. Dowód. Rozważmy funkcję g(t) = E [ e iuxt, gdzie u IR jet utalone. Mamy równość g(t) = g() E [ e iu(xt X) = g() E [ e iux t t.j. g(t) = g()g(t ) dla, t IR +, t.
10 M. Beśka, Całka Stochatyczna, wykład 6 13 Stąd mamy natępującą właność: g(nt) = ( g(t) ) n, n 1, czyli g(rt) = ( g(t) ) r dla r Q Stąd g(r) = (g(1)) r, r Q i g() = 1. Ponieważ g jet ciągła, więc g(t) = e h(u)t, t. Udowodniliśmy wczaśniej (patrz przykłady martyngałów), że Z t (u) = eiuxt g(t) jet martyngałem. Zatoujmy teraz wzór Ito do funkcji gdzie x = X t i y = t. Otrzymujemy e iuxt 1 = iu eh(u)t F (x, y) = e iux h(u)y, e iux e h(u) dx h(u) e iux e h(u) d 1 e iux u e h(u) d X, X. Lewa trona powyżzego równania jet równa Z t (u) 1 M c loc. Również e iux iu e h(u) dx M c loc. Proce e iux h(u) e h(u) d + 1 e iux u e h(u) d X, X jet ciągły o kończonym wahaniu, więc (np. z wnioku 4.34, czy rozkładu Dooba-Meyera) mamy e iux h(u) e h(u) d 1 e iux u e h(u) d X, X =. Co możemy zapiać w potaci Z (u) d ( h(u) ) ( ) u = Z (u) d X, X dla każdego t. Stąd całkując Z (u) względem powyżzych miar mamy Z (u)z (u) d ( h(u) ) ( ) u = Z (u)z (u) d X, X to jet 1 g() d( h(u) ) ( ) 1 u = g() d X, X.
11 M. Beśka, Całka Stochatyczna, wykład 6 14 Ponieważ g() > dla każdego, tąd obie miary w powyżzej równości muzą być równe, więc h(u)t = u X, X t. tąd podtawiajac t = 1 otrzymujemy h(u) = σ u, gdzie σ = X, X 1. Zatem X, X t = σ t, t 1. Twierdzenie 6.1 Niech M M,c loc (M = ). Określmy dla λ IR proce ξ λ (M) t = exp (λm t 1 ) λ M, M t. (i) Dla każdego λ IR proce ξ λ (M) jet dodatnim lokalnym martyngałem i dodatnim upermartyngałem. (ii) Proce ξ λ (M) jet jedynym rozwiązaniem równania Z t = 1 + λ Dowód. Zatoujemy wzór Ito do funkcji Z dm. F (x) = e x z proceem X = λm λ M, M ξ λ (M) t = = 1 + λ + λ ξ λ (M) d(λm ) ξ λ (M) d λm, λm ξ λ (M) dm λ ξ λ (M) d M, M = 1 + λ ( ) λ ξ λ (M) d M, M ξ λ (M) d M, M ξ λ (M) dm. Wykazaliśmy, że ξ λ (M) jet lokalnym martyngałem i rozwiązaniem podanego powyżej równania. Pokażemy teraz, że jet to jedyne równanie. Załóżmy, że itnieje inne rozwiązanie Z ( Z Z ) t = λ ( Z Z ) dm
12 M. Beśka, Całka Stochatyczna, wykład 6 15 Oznaczmy Y = Z Z. mamy Y =. Zatoujemy wzór Ito do Mamy dla t > F (x) = e x y i proceów X = λm + λ M, M, i Y. λ λmt+ e M,M t Y t = λ λm+ e M,M dy λ λm+ e M,M Y d λ λm+ e M,M d λm, Y Ponieważ Y t = λ Y dm, więc z lematu 5.6 mamy Mamy, zatem (twierdznie 5.4) λ λm+ e M,M dy = λ λ λmt+ e M,M t Y t = λ (Y ( ) λm + λ M, M λ λm+ e M,M Y d λm, λm λ λm+ e M,M λ λm+ e M,M Y dm. d M, M λ λ ) Y d M, M + Y d M, M = Stąd Y t =. Dla zakończenia dowodu korzytamy z lematu. Lemat 6.11 Każdy dodatni lokalny martyngał X jet dodatnim upermartyngałem. Dowód. Niech {T n } będzie ciągiem lokalizacyjnym dla X tzn. X Tn M dla n 1, Niech t, wtedy E [ Xt Tn F = X T n W zczególności E [ Xt Tn Fatou dla t > mamy F = X T n = X oraz E(X Tn t) = E(X ) <. Stąd i z lematu E(X t ) lim inf n E(X T n t) = E(X ) <, bo X Tn t X t gdy n, więc X jet kończenie całkowalny oraz adaptowany. Ponadto z lematu Fatou dla warunkowych wartoci oczekiwanych dotajemy X = lim inf n XTn = lim inf E[ [ X Tn t F E lim inf X [ T n n n t F = E Xt F.
13 M. Beśka, Całka Stochatyczna, wykład 6 16 Lemat 6.1 Niech X = {X t } t będzie dodatnim upermartyngałem. Wtedy X jet jednotajnie całkowalnym martyngałem wtedy i tylko wtedy, gdy E[X = E[X, Dowód. Konieczność jet oczywita. Dotateczność. Wytarczy wykazać, że X t = E(X F t ), t. Z twierdzenia 4.13 wynika, że X jet zbieżny P - p.w. do kończenie całkowalnej zmiennej loowej X oraz X t E(X F t ), t. Stąd E(X ) E(X t ) E(X ), t, więc z założenia mamy E(X t ) = E(X ), t. Utalmy t > i oznaczmy F = {E(X F t ) < X t }. Jet oczywite, że F F t, więc F F t. Załóżmy, że P (F ) >. Wtedy X dp = E(X F t ) dp < X t dp oraz z drugiej trony F F X dp = F E(X F t ) dp F X t dp. F Te dwie powyżze nierówności (po dodaniu tronami) dają E(X ) = E[E(X F t ) < E(X t ) F co daje przeczność. Z twierdzenia 6.1 i lematu 6.1 dotajemy Wnioek 6.13 Proce ξ λ (M) M wtedy i tylko wtedy, gdy E [ ξ λ (M) = 1. Proce ξ(m) := ξ 1 (M) z twierdzenia 6.1 wykorzytamy w twierdzeniu. Twierdzenie 6.14 (Giranov) Niech X, M M c loc (z definicji X = M = ), E [ ξ(m) = 1. Jeśli Q jet miarą probabilityczną na przetrzeni (Ω, F) określoną przez pochodną Radona- Nikodyma dq dp = ξ(m)
14 M. Beśka, Całka Stochatyczna, wykład 6 17 to proce Y określony wzorem jet Q-lokalnym martyngałem i Y t = X t X, M t Y, Y Q t = X, X P t, gdzie X, X P jet wariacją kwadratową towarzyzoną z lokalnym P -martyngałem X, a Y, Y Q z lokalnym Q-martyngałem Y. Dowód. Dowód twierdzenia zaczniemy od lematu Lemat 6.15 Niech P i Q będą probabilitycznymi miarami na (Ω, F) i Q P. Niech Z = dq dp będzie pochodną Radona-Nikodyma. Określmy Z t = E(Z F t ), t. Niech N = {N t } t (N = ) będzie cadlag proceem. Wtedy N M loc (Q) ZN M loc (P ). Dowód. Zanim przejdziemy do dowodu powyżzego lematu zauważmy, że dla t mamy Q{Z t = } = (również P {Z t = } =, bo P Q), co wynika z tego, że Z t jet werją gętości Q względem P jeśli oba prawdopodobieńtwa zawęzimy do σ - algebry F t. Przejdziemy teraz do dowodu lematu. Niech więc N M loc (Q) i niech {T n } będzie ciągiem lokalizacyjnym dla N. Mamy dla każdego t > i F t Stąd Z t N Tn t Z t N Tn t dp = N Tn t dq = E(Z F t )N Tn t dp = N Tn dq = Z N Tn dp. Z N Tn t dp = = E(Z N Tn F t ), t. Zatem ZN Tn M(P ), a tąd otrzymujemy również (ZN) Tn = (ZN Tn ) Tn M(P ) z ogólnego twierdzenia o topowaniu. W drugą tronę, niech ZN M loc (P ) i niech {T n } będzie ciągiem lokalizacyjnym czaów zatrzymania dla ZN. Z założenia (ZN) Tn M(P ) dla n 1. Stąd ZN jet adaptowany. Pokażemy, że N jet adaptowany. Dla t mamy N t I {Zt } = Z tn t Z t I {Zt } jet F t mierzalny, bo Z tn t Z t {Zt } jet (F t) {Zt } mierzalny. Zatem N t = N t I {Zt } + N t I {Zt=} jet F t mierzalny,
15 M. Beśka, Całka Stochatyczna, wykład 6 18 bo otatni kładnik jet równy zero, P - p.w. Wykażemy teraz, że ZN Tn M(P ) dla n 1. W tym celu na mocy wnioku 4.1 (ZN Tn jet cadlag i adaptowany) wytarczy wykazać, że dla dowolnego czau zatrzymania S mamy d. 1) 1) E(Z S N Tn S ) <, ) E(Z S N Tn S) = E(Z S N Tn S ) = E [ E(Z S N Tn S F Tn S) = E [ N Tn S E(Z S F Tn S) = E [ N Tn S Z Tn S = E [ ZS N S Tn <, bo (ZN) Tn M(P ). d. ) Rozumując analogicznie jak w ad. 1) otrzymujemy E(Z S N Tn S) = E [ (Z S N S ) Tn =, bo E [ (Z S N S ) Tn = E(Z N ) =. Zatem ZN Tn M(P ) dla n 1. Wykażemy teraz, że N Tn M(Q) dla n 1. Dla t i dla F t mamy N Tn t dq = Z N Tn t dp = E(Z F t )N Tn t dp = Z t Nt Tn dp = Stąd N Tn t Z N Tn dp = = E Q (N Tn F t ), t tzn. N Tn M(Q). N Tn dq. by wykazać, że Y M loc (Q) na mocy lematu 6.15 wytarczy wykazać ξ(m)y M loc (P ). W tym celu zatoujemy wzór Ito do Mamy F (x, y) = xy, z podtawieniem x := ξ(m) 1, y := Y. (ξ(m) t 1)Y t = = + i ponieważ (ξ(m) 1) dy + ξ(m) dx Y d(ξ(m) 1) + ξ(m) 1, X t ξ(m) d X, M Y t Y dξ(m) + ξ(m) 1, X t ξ(m) 1, X t = ξ(m) d M, X
16 M. Beśka, Całka Stochatyczna, wykład 6 19 więc ξ(m) t Y t = ξ(m) dx + Y dξ(m) oraz ξ(m)y M c loc (P ). Zakończymy dowód z pomocą natępującego lematu Lemat 6.16 Niech N M c loc oraz c loc to kwadratowa wariacja proceu N jet równa kwadratowej wariacji N +. Dowód. Wytarczy wykazać (toując technikę lokalizacyjną) po wyżzą włanośc dla N i V () ograniczonych. Niech [, t będzie przedziałem i δ t podziałem tego przedziału tj. δ t = { = t, t 1,..., t n, t n+1 = t}, t i < t i+1. Oznaczmy przez L = N +. Mamy S () δ (L) = ( ) Lti+1 L ti = i= + ( ) ( ) Nti+1 N ti + ti+1 ti i= i= ( )( ) ti+1 ti Nti+1 N ti, ale kiedy δ to n ( ) i= Nti+1 N ti zmierza do kwadratowej wariacji N (wg p-twa); n ( ) i= ti+1 ti zmierza do zera bo jet ciągłe i ma kończone wahanie; i= n ( )( ) i= ti+1 ti Nti+1 N ti zmierza do zera bo ( )( ) ( ) ti+1 ti Nti+1 N ti up N ti+1 N ti i i= oraz up i N ti+1 N ti, bo N jet jednotajnie ciągły. Wracamy do dowodu twierdzenia. Oznaczmy dla t nalogicznie i= ti+1 ti S () P (X) t := lim δ S() δ t (X), według prawdopodobieńtwa P. t S () Q (Y ) t := lim δ t S() δ t (Y ), według prawdopodobieńtwa Q. Korzytając z twierdzenia 5.18, z równoważnoci miar P i Q, lematu 6.16 i jezcze raz z twierdzenia 5.18 dotajemy Y, Y Q t = S () Q (Y ) t = S () P (Y ) t = S () P (X) t = X, X P t, t, co kończy dowód twierdzenia Giranova.
17 M. Beśka, Całka Stochatyczna, wykład 6 13 Wnioek 6.17 Niech B = {B t } t będzie ruchem Browna oraz niech M t = H db, t, gdzie H Λ (B) oraz H d <, P - p.w. Jeśli [ ( E exp H db 1 H d) = 1, to proce Y t = B t H d, t jet ruchem Browna na (Ω, F, F, Q), gdzie dq dp = exp ( H db 1 H d ). Dowód. Zatoujemy twierdzenie Giranova do danego ruchu Browna B i do P -lokalnego martyngału Mamy B, M t = i z twierdzenia Giranova proce M t = H db, t. H d B, B = Y t = B t jet Q-lokalnym martyngałem. Ponadto H d, t H d, t Y, Y Q t = B, B P t = t, t. Ponieważ Y jet ciągłym lokalnym Q - martyngałem, więc z twierdzenia Levy ego dotajemy, że jet ruchem Browna względem miary Q.
8 Całka stochastyczna względem semimartyngałów
M. Beśka, Całka Stochastyczna, wykład 8 148 8 Całka stochastyczna względem semimartyngałów 8.1 Całka stochastyczna w M 2 Oznaczmy przez Ξ zbiór procesów postaci X t (ω) = ξ (ω)i {} (t) + n ξ i (ω)i (ti,
Bardziej szczegółowo4 Kilka klas procesów
Marek Beśka, Całka Stochastyczna, wykład 4 48 4 Kilka klas procesów 4.1 Procesy rosnące i przestrzenie V,, loc Jak poprzednio niech (Ω, F, F, P ) będzie zupełną bazą stochastyczną. Definicja 4.1 Proces
Bardziej szczegółowoF t+ := s>t. F s = F t.
M. Beśka, Całka Stochastyczna, wykład 1 1 1 Wiadomości wstępne 1.1 Przestrzeń probabilistyczna z filtracją Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną i niech F = {F t } t 0 będzie rodziną
Bardziej szczegółowoTeoria ze Wstępu do analizy stochastycznej
eoria ze Wstępu do analizy stochastycznej Marcin Szumski 22 czerwca 21 1 Definicje 1. proces stochastyczny - rodzina zmiennych losowych X = (X t ) t 2. trajektoria - funkcja (losowa) t X t (ω) f : E 3.
Bardziej szczegółowo1 Przekształcenie Laplace a
Przekztałcenie Laplace a. Definicja i podtawowe właności przekztałcenia Laplace a Definicja Niech dana będzie funkcja f określona na przedziale [,. Przekztałcenie (tranformatę Laplace a funkcji f definiujemy
Bardziej szczegółowo7 Twierdzenie Fubiniego
M. Beśka, Wstęp do teorii miary, wykład 7 19 7 Twierdzenie Fubiniego 7.1 Miary produktowe Niech i będą niepustymi zbiorami. Przez oznaczmy produkt kartezjański i tj. zbiór = { (x, y : x y }. Niech E oraz
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 szczegółowoWykład 11: Martyngały: definicja, twierdzenia o zbieżności
RAP 412 14.01.2009 Wykład 11: Martyngały: definicja, twierdzenia o zbieżności Wykładowca: Andrzej Ruciński Pisarz:Mirosława Jańczak 1 Wstęp Do tej pory zajmowaliśmy się ciągami zmiennych losowych (X n
Bardziej szczegółowoPrognozowalne kryterium całkowalności według A. N. Shiryaeva i A. S. Cherny ego Joanna Karłowska-Pik. Historia
1 Prognozowalne kryterium całkowalności według A. N. Shiryaeva i A. S. Cherny ego Joanna Karłowska-Pik Całka stochastyczna ( t ) H s dx s = H X. t Historia K. Itô (1944) konstrukcja całki stochastycznej
Bardziej szczegółowoLVI Olimpiada Matematyczna
LVI Olimpiada Matematyczna Rozwiązania zadań konkurowych zawodów topnia trzeciego 13 kwietnia 2005 r (pierwzy dzień zawodów) Zadanie 1 Wyznaczyć wzytkie trójki (x, y, n) liczb całkowitych dodatnich pełniające
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 szczegółowoInformacja o przestrzeniach Sobolewa
Wykład 11 Informacja o przestrzeniach Sobolewa 11.1 Definicja przestrzeni Sobolewa Niech R n będzie zbiorem mierzalnym. Rozważmy przestrzeń Hilberta X = L 2 () z iloczynem skalarnym zdefiniowanym równością
Bardziej szczegółowoZadania ze Wstępu do Analizy Stochastycznej 1. = 0 p.n.
Zadania ze Wstępu do Analizy Stochastycznej 1 1. Znajdź rozkład zmiennej 5W 1 W 3 + W 7. 2. Dla jakich parametrów a i b, zmienne aw 1 W 2 oraz W 3 + bw 5 są niezależne? 3. Znajdź rozkład wektora losowego
Bardziej szczegółowo}, gdzie a = t (n) )(f(t(n) k. ) f(t(n) k 1 ) 1+δ = 0,
Zadania z Procesów Stochastycznych II - 1 1. Niech π n = {t (n), t(n) 1,..., t(n) k n }, gdzie a = t (n) < t (n) 1
Bardziej szczegółowoWykład 11: Martyngały: Twierdzenie o zbieżności i Hoeffdinga
RAP 412 21.01.2009 Wykład 11: Martyngały: Twierdzenie o zbieżności i Hoeffdinga Wykładowca: Andrzej Ruciński Pisarz: Łukasz Waszak 1 Wstęp Na ostatnim wykładzie przedstawiliśmy twierdzenie o zbieżności
Bardziej szczegółowoWykłady... b i a i. i=1. m(d k ) inf
Wykłady... CŁKOWNIE FUNKCJI WIELU ZMIENNYCH Zaczniemy od konstrukcji całki na przedziale domkniętym. Konstrukcja ta jest, w gruncie rzeczy, powtórzeniem definicji całki na odcinku domkniętym w R 1. Przedziałem
Bardziej szczegółowoA i. i=1. i=1. i=1. i=1. W dalszej części skryptu będziemy mieli najczęściej do czynienia z miarami określonymi na rodzinach, które są σ - algebrami.
M. Beśka, Wstęp do teorii miary, rozdz. 3 25 3 Miara 3.1 Definicja miary i jej podstawowe własności Niech X będzie niepustym zbiorem, a A 2 X niepustą rodziną podzbiorów. Wtedy dowolne odwzorowanie : A
Bardziej szczegółowoDystrybucje, wiadomości wstępne (I)
Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowo28 maja, Problem Dirichleta, proces Wienera. Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126
Problem Dirichleta, proces Wienera Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 28 maja, 2012 Funkcje harmoniczne Niech będzie operatorem Laplace a w
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 szczegółowoOgólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008
Przemysław Klusik Instytut Matematyczny, Uniwersytet Wrocławski Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008 (UWr) Zagadnienia Aktuarialne -
Bardziej szczegółowoCałka podwójna po prostokącie
Całka podwójna po prostokącie Rozważmy prostokąt = {(x, y) R : a x b, c y d}, gdzie a, b, c, d R, oraz funkcję dwóch zmiennych f : R ograniczoną w tym prostokącie. rostokąt dzielimy na n prostokątów i
Bardziej szczegółowo1. Funkcje zespolone zmiennej rzeczywistej. 2. Funkcje zespolone zmiennej zespolonej
. Funkcje zepolone zmiennej rzeczywitej Jeżeli każdej liczbie rzeczywitej t, t α, β] przyporządkujemy liczbę zepoloną z = z(t) = x(t) + iy(t) to otrzymujemy funkcję zepoloną zmiennej rzeczywitej. Ciągłość
Bardziej szczegółowoZadania z Procesów Stochastycznych 1
Zadania z Procesów Stochastycznych 1 Definicja Procesem Poissona z parametrem (intensywnością) λ > 0 nazywamy proces stochastyczny N = (N t ) t 0 taki, że N 0 = 0; (P0) N ma przyrosty niezależne; (P1)
Bardziej szczegółowo1. Struktury zbiorów 2. Miara 3. Miara zewnętrzna 4. Miara Lebesgue a 5. Funkcje mierzalne 6. Całka Lebesgue a. Analiza Rzeczywista.
Literatura P. Billingsley, Miara i prawdopodobieństwo, PWN, Warszawa 1997, P. R. Halmos, Measure theory, Springer-Verlag, 1994, W, Kołodziej, naliza matematyczna, PWN, Warszawa 1978, S. Łojasiewicz, Wstęp
Bardziej szczegółowo21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126
Mocna własność Markowa procesu Wienera Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 21 maja, 2012 Mocna własność Markowa W = (W 1,..., W d ) oznaczać
Bardziej szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAT1332 Wydział Matematyki, Matematyka Stosowana Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Warunkowa
Bardziej szczegółowoWykłady ostatnie. Rodzinę P podzbiorów przestrzeni X nazywamy σ - algebrą, jeżeli dla A, B P (2) A B P, (3) A \ B P,
Wykłady ostatnie CAŁKA LBSGU A Zasadnicza różnica koncepcyjna między całką Riemanna i całką Lebesgue a polega na zamianie ról przestrzeni wartości i przestrzeni argumentów przy konstrukcji sum górnych
Bardziej szczegółowoPrawa wielkich liczb, centralne twierdzenia graniczne
, centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
Bardziej szczegółowoRównanie przewodnictwa cieplnego (I)
Wykład 4 Równanie przewodnictwa cieplnego (I) 4.1 Zagadnienie Cauchy ego dla pręta nieograniczonego Rozkład temperatury w jednowymiarowym nieograniczonym pręcie opisuje funkcja u = u(x, t), spełniająca
Bardziej szczegółowoJak rzucać losowe spojrzenia na ruch Browna by w nim wszystko dojrzeć
Jak rzucać losowe spojrzenia na ruch Browna by w nim wszystko dojrzeć Jan Ob lój Uniwersytet Warszawski Université Paris 6 Konwersatorium IMPAN, Listopad 2004 p.1/22 Plan referatu 1. Wstępne definicje
Bardziej szczegółowo2 Rodziny zbiorów. 2.1 Algebry i σ - algebry zbiorów. M. Beśka, Wstęp do teorii miary, rozdz. 2 11
M. Beśka, Wstęp do teorii miary, rozdz. 2 11 2 Rodziny zbiorów 2.1 Algebry i σ - algebry zbiorów Niech X będzie niepustym zbiorem. Rodzinę indeksowaną zbiorów {A i } i I 2 X nazywamy rozbiciem zbioru X
Bardziej szczegółowoRachunek różniczkowy i całkowy w przestrzeniach R n
Rachunek różniczkowy i całkowy w przestrzeniach R n Na dzisiejszym wykładzie rozważać będziemy funkcje f : R m R n Każda taka funkcję f można przedstawić jako wektor funkcji (f 1, f 2,, f n ), gdzie każda
Bardziej szczegółowoKorzystając z własności metryki łatwo wykazać, że dla dowolnych x, y, z X zachodzi
M. Beśka, Wstęp do teorii miary, Dodatek 158 10 Dodatek 10.1 Przestrzenie metryczne Niech X będzie niepustym zbiorem. Funkcję d : X X [0, ) spełniającą dla x, y, z X warunki (i) d(x, y) = 0 x = y, (ii)
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy
Bardziej szczegółowoOśrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski,
Procesy Stochastyczne, wykład, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 27 luty, 2012 Ośrodkowość procesów Dalej zakładamy, że (Ω, Σ, P) jest zupełną przestrzenią miarową. Definicja.
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład V: Zmienne losowe i ich wartości oczekiwane 25 października 2017 Definicja zmiennej losowej Definicja Zmienne losowa to charakterystyka liczbowa wyniku eksperymentu losowego. Zmienne losowa na przestrzeni
Bardziej szczegółowoStatystyczna analiza danych
Statytyka. v.0.9 egz mgr inf nietacj Statytyczna analiza danych Statytyka opiowa Szereg zczegółowy proty monotoniczny ciąg danych i ) n uzykanych np. w trakcie pomiaru lub za pomocą ankiety. Przykłady
Bardziej szczegółowoZagadnienia stacjonarne
Zagadnienia stacjonarne Karol Hajduk 19 grudnia 2012 Nierówność wariacyjna (u (t), v u(t)) + a(u, v u) + Ψ(v) Ψ(u) (f, v u), v V. Zagadnienie stacjonarne ma postać (u (t) = 0): a(u, v u) + Ψ(v) Ψ(u) (f,
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowo4 Równania różniczkowe w postaci Leibniza, równania różniczkowe zupełne
Równania w postaci Leibniza 4 1 4 Równania różniczkowe w postaci Leibniza, równania różniczkowe zupełne 4.1 Równania różniczkowe w postaci Leibniza Załóżmy, że P : D R i Q: D R są funkcjami ciągłymi określonymi
Bardziej szczegółowo1 Relacje i odwzorowania
Relacje i odwzorowania Relacje Jacek Kłopotowski Zadania z analizy matematycznej I Wykazać, że jeśli relacja ρ X X jest przeciwzwrotna i przechodnia, to jest przeciwsymetryczna Zbadać czy relacja ρ X X
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 szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoAnaliza matematyczna dla informatyków 3 Zajęcia 14
Analiza matematyczna dla informatyków 3 Zajęcia 14 Metoda rozwiązywania (Jednorodne równanie różniczkowe liniowe rzędu n o stałych współczynnikach). gdzie a 0,..., a n 1 C. Wielomian charakterystyczny:
Bardziej szczegółowoWokół nierówności Dooba
Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki Tomasz Tkocz Nr albumu: 24957 Wokół nierówności Dooba Praca licencjacka na kierunku MATEMATYKA w ramach Międzywydziałowych Indywidualnych
Bardziej szczegółowoNieregularne ścieżki - między determinizmem a losowością
Nieregularne ścieżki - między determinizmem a losowością Rafał Łochowski SGH 6. Forum Matematyków Rafał Łochowski (SGH) Nieregularne ścieżki 6. Forum Matematyków 1 / 21 Problem z nieskończonym wahaniem
Bardziej szczegółowoZadania z Analizy Funkcjonalnej I Które z poniższych przestrzeni metrycznych są przestrzeniami unormowanymi?
Zadania z Analizy Funkcjonalnej I - 1 1. Które z poniższych przestrzeni metrycznych są przestrzeniami unormowanymi? a) X = R, d(x, y) = arctg x y ; b) X = R n, d(x, y) = x 1 y 1 + x 2 y 2 + max i 3 x i
Bardziej szczegółowoUkład uśrednionych równań przetwornicy
Układ uśrednionych równań przetwornicy L C = d t v g t T d t v t T d v t T i g t T = d t i t T = d t i t T v t T R Układ jet nieliniowy, gdyż zawiera iloczyny wielkości zmiennych w czaie d i t T mnożenie
Bardziej szczegółowo5. Równania różniczkowe zwyczajne pierwszego rzędu
5. Równania różniczkowe zwyczajne pierwszego rzędu 5.1. Wstęp. Definicja 5.1. Niech V R 3 będzie obszarem oraz F : V R. Równaniem różniczkowym zwyczajnym rzędu pierwszego nazywamy równanie postaci Równanie
Bardziej szczegółowoO procesie Wienera. O procesie Wienera. Procesy stochastyczne Wykład XV, 15 czerwca 2015 r. Proces Wienera. Ruch Browna. Ułamkowe ruchy Browna
Procesy stochastyczne Wykład XV, 15 czerwca 2015 r. Ruch 1 {X t } jest martyngałem dokładnie wtedy, gdy E(X t F s ) = X s, s, t T, s t. Jeżeli EX 2 (t) < +, to E(X t F s ) jest rzutem ortogonalnym zmiennej
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoRozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład
Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem
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 szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoTeoria optymalnego stopowania
Dodatek F Teoria optymalnego stopowania F.1. Rozkład Dooba nadmartyngałów W tym paragrafie będziemy rozpatrywać nadmartyngały, podmartyngały i procesy prognozowalne względem ustalonej filtracji (F n )
Bardziej szczegółowoWykład 21 Funkcje mierzalne. Kostrukcja i własności całki wzglȩdem miary przeliczalnie addytywnej
Wykład 2 Funkcje mierzalne. Kostrukcja i własności całki wzglȩdem miary przeliczalnie addytywnej czȩść II (opracował: Piotr Nayar) Definicja 2.. Niech (E, E) bȩdzie przestrzenia mierzalna i niech λ : E
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoDefinicja punktu wewnętrznego zbioru Punkt p jest punktem wewnętrznym zbioru, gdy należy do niego wraz z pewnym swoim otoczeniem
Definicja kuli w R n ulą o promieniu r>0 r R i o środku w punkcie p R n nazywamy zbiór {x R n : ρ(xp)
Bardziej szczegółowoO pewnych klasach funkcji prawie okresowych (niekoniecznie ograniczonych)
(niekoniecznie ograniczonych) Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza, Poznań Będlewo, 25-30 maja 2015 Funkcje prawie okresowe w sensie Bohra Definicja Zbiór E R nazywamy względnie
Bardziej szczegółowoWykład 3 Równania rózniczkowe cd
7 grudnia 2010 Definicja Równanie różniczkowe dy dx + p (x) y = q (x) (1) nazywamy równaniem różniczkowym liniowym pierwszego rzędu. Jeśli q (x) 0, to równanie (1) czyli równanie dy dx + p (x) y = 0 nazywamy
Bardziej szczegółowoZadania z Analizy Funkcjonalnej I Które z poniższych przestrzeni metrycznych są przestrzeniami unormowanymi?
Zadania z Analizy Funkcjonalnej I - 1 1. Które z poniższych przestrzeni metrycznych są przestrzeniami unormowanymi?. a) X = R, x = arctg x ; b) X = R n, d(x, y) = x 1 y 1 + x 2 y 2 + max i 3 x i y i ;
Bardziej szczegółowoZadania do Rozdziału X
Zadania do Rozdziału X 1. 2. Znajdź wszystkie σ-ciała podzbiorów X, gdy X = (i) {1, 2}, (ii){1, 2, 3}. (b) Znajdź wszystkie elementy σ-ciała generowanego przez {{1, 2}, {2, 3}} dla X = {1, 2, 3, 4}. Wykaż,
Bardziej szczegółowoTesty statystyczne teoria
Tety tatytyczne teoria przygotowanie: dr A Goroncy, dr J Karłowka-Pik Niech X,, X n będzie próbą loową protą z rozkładu P θ, θ Θ oraz niech α (0, ) będzie poziomem itotności (najczęściej 0,, 0,05, czy
Bardziej szczegółowoVI. Równania różniczkowe liniowe wyższych rzędów
VI. 1. Równanie różniczkowe liniowe n-tego rzędu o zmiennych współczynnikach Niech podobnie jak w poprzednim paragrafie K = C lub K = R. Podobnie jak w dziedzinie rzeczywistej wprowadzamy pochodne wyższych
Bardziej szczegółowoWażne rodziny nad- i podmartyngałów dla symetrycznego błądzenia losowego
Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki Joanna Dys Nr albumu: 233996 Ważne rodziny nad- i podmartyngałów dla symetrycznego błądzenia losowego Praca licencjacka na kierunku MATEMATYKA
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody ytemowe i decyzyjne w informatyce Ćwiczenia lita zadań nr 1 Prote zatoowania równań różniczkowych Zad. 1 Liczba potencjalnych użytkowników portalu połecznościowego wynoi 4 miliony oób. Tempo, w
Bardziej szczegółowoRównania różniczkowe. Notatki z wykładu.
Równania różniczkowe Notatki z wykładu http://robert.brainusers.net 17.06.2009 Notatki własne z wykładu. Są niekompletne, bez bibliografii oraz mogą zawierać błędy i usterki. Z tego powodu niniejszy dokument
Bardziej szczegółowoOptymalne stałe w nierówności typu LlogL dla ciągłych martyngałów
Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki Piotr Dworczak Nr albumu: 91564 Optymalne stałe w nierówności typu LlogL dla ciągłych martyngałów Praca licencjacka na kierunku MATEMATYA
Bardziej szczegółowoG. Plebanek, MIARA I CAŁKA Zadania do rozdziału 1 28
G. Plebanek, MIARA I CAŁKA Zadania do rozdziału 1 28 1.9 Zadania 1.9.1 Niech R będzie pierścieniem zbiorów. Zauważyć, że jeśli A, B R to A B R i A B R. Sprawdzić, że (R,, ) jest także pierścieniem w sensie
Bardziej szczegółowoTeoria miary i całki
Teoria miary i całki Spis treści 1 Wstęp 3 2 lgebra zbiorów 5 3 Pierścienie, ciała, σ ciała zbiorów. 7 3.1 Definicja pierścienia ciała i σ ciała............... 7 3.2 Pierścień, ciało i σ ciało generowane
Bardziej szczegółowoFunkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju
Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.4. Momenty zmiennych losowych Katarzyna Rybarczyk-Krzywdzińska Wprowadzenie Przykład 1 Rzucamy raz kostką Ile wynosi średnia liczba oczek, jaka
Bardziej szczegółowoRodzinę spełniającą trzeci warunek tylko dla sumy skończonej nazywamy ciałem (algebrą) w zbiorze X.
1 σ-ciała Definicja 1.1 (σ - ciało) σ - ciałem (σ - algebrą) w danym zbiorze X (zwanym przestrzenią) nazywamy rodzinę M pewnych podzbiorów zbioru X, spełniającą trzy warunki: 1 o M; 2 o jeśli A M, to X
Bardziej szczegółowoInformacja o przestrzeniach Hilberta
Temat 10 Informacja o przestrzeniach Hilberta 10.1 Przestrzenie unitarne, iloczyn skalarny Niech dana będzie przestrzeń liniowa X. Załóżmy, że każdej parze elementów x, y X została przyporządkowana liczba
Bardziej szczegółowoDystrybucje. Marcin Orchel. 1 Wstęp Dystrybucje Pochodna dystrybucyjna Przestrzenie... 5
Dystrybucje Marcin Orchel Spis treści 1 Wstęp 1 1.1 Dystrybucje................................... 1 1.2 Pochodna dystrybucyjna............................ 3 1.3 Przestrzenie...................................
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoWażną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. u = 0, (6.1) jest operatorem Laplace a. (x,y)
Wykład 6 Funkcje harmoniczne Ważną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. e f i n i c j a Funkcję u (x 1, x 2,..., x n ) nazywamy harmoniczną w obszarze R n wtedy i
Bardziej szczegółowoWykład 7: Szeregi liczbowe i potęgowe. S 1 = a 1 S 2 = a 1 + a 2 S 3 = a 1 + a 2 + a 3. a k
Wykład 7: Szeregi liczbowe i potęgowe. Definicja 1. Niech (a n ) - ustalony ciąg liczbowy. Określamy nowy ciąg: S 1 = a 1 S 2 = a 1 + a 2 S 3 = a 1 + a 2 + a 3. S n =. Ciąg sum częściowych (S n ) nazywamy
Bardziej szczegółowoSeria 1. Zbieżność rozkładów
Seria Zbieżność rozkładów We wszystkich poniższych zadaniach (E, ρ) jest przestrzenią metryczną Wykazać, że dla dowolnych x, x n, δ xn δ x wtedy i tylko wtedy, gdy x n x Sprawdzić, że n nk= δ k n λ, gdzie
Bardziej szczegółowoModelowanie ryzyka kredytowego Zadania 1.
1 Ex-dividend prices Modelowanie ryzyka kredytowego Zadania 1. Mariusz Niewęgłowski 19 października 2014 Definicja 1. Dla każdego t [0, T ] cena ex-dividend wypłaty (X, A, X, Z, τ) ( ) S t := B t E Q Bu
Bardziej szczegółowoStabilność liniowych układów dyskretnych
Akademia Morka w Gdyni atedra Automatyki Okrętowej Teoria terowania Miroław Tomera. WPROWADZENIE Definicja tabilności BIBO (Boundary Input Boundary Output) i tabilność zerowo-wejściowa może zotać łatwo
Bardziej szczegółowoPROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)
PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej
Bardziej szczegółowon=0 (n + r)a n x n+r 1 (n + r)(n + r 1)a n x n+r 2. Wykorzystując te obliczenia otrzymujemy, że lewa strona równania (1) jest równa
Równanie Bessela Będziemy rozważać następujące równanie Bessela x y xy x ν )y 0 ) gdzie ν 0 jest pewnym parametrem Rozwiązania równania ) nazywamy funkcjami Bessela rzędu ν Sprawdzamy, że x 0 jest regularnym
Bardziej szczegółowoCałki powierzchniowe w R n
Całki powierzchniowe w R n Na początek małe uzupełnienie z algebry liniowej. Niech R n k oznacza przestrzeń liniową macierzy o n wierszach i k kolumnach. Dla dowolnej macierzy A R n k, gdzie k n, połóżmy
Bardziej szczegółowoMODELE MATEMATYCZNE W UBEZPIECZENIACH
MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 3: WYZNACZANIE ROZKŁADU CZASU PRZYSZŁEGO ŻYCIA 1 Hipoteza jednorodnej populacji Rozważmy pewną populację osób w różnym wieku i załóżmy, że każda z tych osób
Bardziej szczegółowoUkłady równań i równania wyższych rzędów
Rozdział Układy równań i równania wyższych rzędów Układy równań różniczkowych zwyczajnych Wprowadzenie W poprzednich paragrafach zajmowaliśmy się równaniami różniczkowymi y = f(x, y), których rozwiązaniem
Bardziej szczegółowoFunkcje analityczne. Wykład 12
Funkcje analityczne. Wykład 2 Szeregi Laurenta. Osobliwości funkcji zespolonych. Twierdzenie o residuach Paweł Mleczko Funkcje analityczne (rok akademicki 206/207) Plan wykładu W czasie wykładu omawiać
Bardziej szczegółowoWstęp do równań różniczkowych, studia I stopnia. 1. Znaleźć (i narysować przykładowe) rozwiązania ogólne równania y = 2x.
Wstęp do równań różniczkowych, studia I stopnia 1. Znaleźć (i narysować przykładowe) rozwiązania ogólne równania y = 2x. 2. Znaleźć wszystkie (i narysować przykładowe) rozwiązania równania y + 3 3 y 2
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoIX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. - funkcja dwóch zmiennych,
IX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. Definicja 1.1. Niech D będzie podzbiorem przestrzeni R n, n 2. Odwzorowanie f : D R nazywamy
Bardziej szczegółowoWariacje na temat Twierdzenia Banacha o Indykatrysie i ich zastosowanie
Wariacje na temat Twierdzenia Banacha o Indykatrysie i ich zastosowanie Rafał M. Łochowski Wrocław 2015 Rafał M. Łochowski Twierdzenie o indykatrysie Wrocław 2015 1 / 42 Plan odczytu 1 Twierdzenie Banacha
Bardziej szczegółowoBiotechnologia, Chemia, Chemia Budowlana - Wydział Chemiczny - 1
Biotechnologia, Chemia, Chemia Budowlana - Wydział Chemiczny - 1 Równania różniczkowe pierwszego rzędu Równaniem różniczkowym zwyczajnym pierwszego rzędu nazywamy równanie postaci (R) y = f(x, y). Najogólniejszą
Bardziej szczegółowoO pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego
O pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego Jan Ligęza Instytut Matematyki Wisła Letnia Szkoła Instytutu Matematyki wrzesień 2010 r. [1] S. Łojasiewicz, J. Wloka, Z. Zieleżny; Über eine
Bardziej szczegółowo1 Pochodne wyższych rzędów
1 Pochodne wyższych rzędów Definicja 1.1 (Pochodne cząstkowe drugiego rzędu) Niech f będzie odwzorowaniem o wartościach w R m, określonym na zbiorze G R k. Załóżmy, że zbiór tych x G, dla których istnieje
Bardziej szczegółowoP(U 1 > max{u 2,..., U 1000 } U 1 = s)dp U1 (s).
Kolokwium poszło gorzej, niż miałem nadzieję, a lepiej, niż się obawiałem. Maksymalny wynik to 74 punkty na 20), średnia to 55,6, zaś mediana to 50. Grupy były dość równe w jednej średnia to 54,5, w drugiej
Bardziej szczegółowo