2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
|
|
- Witold Bednarczyk
- 4 lat temu
- Przeglądów:
Transkrypt
1 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. 2. Wykaż, że moment pierwszego skoku w procesie Poissona S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ. 3. Niech S k := inf{t : N t = k} będzie momentem k-tego skoku w procesie Poissona. Wykaż, że odstępy między skokami T 1 = S 1, T 2 = S 2 S 1, T 3 = S 3 S 2,... są zmiennymi niezależnymi o jednakowym rozkładzie wykładniczym. 4. Udowodnij, że lim t N t t = λ p.n. 5. Niech N (1) t i N (2) t będą niezależnymi procesami Poissona. Wykaż, że N (1) jest procesem Poissona N (2) t 6. Udowodnij, że lim t W t t = 0 p.n. 7. Udowodnij, że następujące procesy też są procesami Wienera a) X t = W t (odbicie) b) Y t = c 1/2 W ct, c > 0 (przeskalowanie czasu) c) Z t = tw 1/t dla t > 0 oraz Z 0 = 0 (inwersja czasu) d) U t = W T +t W T, T 0 e) V t = W t dla t T, V t = 2W T W t dla t > T, gdzie T 0. t + 8. Niech π n = {t (n) 0, t(n) 1,..., t(n) k n }, gdzie a = t (n) 0 < t (n) 1 <... < t (n) k n = b będzie ciągiem podziałów odcinka [a, b] oraz π n = max k t (n) k t (n) k 1 oznacza średnicę π n. Udowodnij, że S n = k n k=1 W t (n) k W (n) t 2 b a, n w L 2 (Ω, F, P ), k 1 jeśli π n 0 oraz S n b a p.n., jeśli n π n <. 9. Udowodnij, że prawie wszystkie trajektorie procesu Wienera mają nieskończone wahanie na każdym przedziale. 10. Znajdź rozkład wektora losowego (W t1, W t2,..., W tn ) dla 0 < t 1 < t 2 <... < t n. 1
2 Zadania z Procesów Stochastycznych 2 1. Udowodnij, że jeśli zbiór A B(R T ) to istnieje zbiór przeliczalny T 0 T taki, że jeśli x, y R T oraz x(t) = y(t) dla t T 0 to x A y A. 2. Niech T = [a, b] a < t 0 < b, wykaż, że następujące zbiory nie należą do B(R T ). A 1 = {x R T : sup t [a,b] x t 1}; A 2 = {x R T : t x t ciągłe na [a,b] }; A 3 = {x R T : lim t t0 x t = 0}: A 4 = {x R T : t x t ciągłe w t 0 }. Wykaż mierzalność tych zbiorów przy założeniu ciągłości (prawostronnej ciągłości) trajektorii tzn. wykaż, że wszystkie te zbiory po przecięciu z C(T ) (RC(T ) odp.) należą do B(R T ) C(T ) (B(R T ) RC(T ) odp.). 3. Wykaż, że jeśli µ i ν są miarami probabilistycznymi odpowiednio na R n i R n+1 takimi, że µ(a 1 A 2... A n ) = ν(a 1 A 2... A n R) dla dowolnych zbiorów A i B(R), i = 1, 2,..., n, to µ(a) = ν(a R) dla dowolnego A B(R n ). 4. Wykaż, że istnieje proces spełniający warunki (W0)-(W2) definicji procesu Wienera. 5. Wykaż, że istnieje proces (X t ) t 0 o przyrostach niezależnych, startujący z 0 taki, że X t X s ma rozkład Cauchy ego z parametrem t s (proces taki nazywamy procesem Cauchy ego, bądź procesem 1-stabilnym). 6. Niech f = n i=1 a ii [ti 1,t i), gdzie 0 t 0 < t 1 <... < t n będzie funkcją kawałkami stałą. Przyporządkujmy takiej funkcji zmienną I(f) = n i=1 a i(w ti W ti 1). Udowodnij, że a) I(f) jest zmienną losową o rozkładzie normalnym N (0, σ f 2), gdzie σ2 f = f 2 (x)dx 0 b) zmienne I(f 1 ), I(f 2 ) dla f 1, f 2 postaci jak wyżej mają łączny rozkład gaussowski oraz Cov(I(f 1 ), I(f 2 )) = 0 f(x)g(x)dx c) Przekształcenie I rozszerza się do izometrii z L 2 ([0, )) w L 2 (Ω) i własności a) b) zachodzą dla f, f 1, f 2 L 2 ([0, )) d) Przekształcenie I z punktu c) po przeskalowaniu przez odpowiednią stałą jest izometrycznym włożeniem L 2 ([0, )) w L p (Ω) dla dowolnego 1 p <. Tak zdefiniowane I(f) nazywa się całką Wienera-Paleya i się często oznacza I(f) = 0 f(s)dw s. 2
3 Zadania z Procesów Stochastycznych 3 1. Proces X jest modyfikacją procesu Wienera. Które z następujących własności są spełnione dla procesu X: a) niezależność przyrostów, b) stacjonarność przyrostów, c) ciągłość trajektorii, d) lim t X t t e) lim t X t t = 0 p.n. = 0 według prawdopodobieństwa. 2. Rozpatrzmy następujące 3 własności procesów a) ciągłość trajektorii b) stochastyczną ciągłość (tzn. X t P Xs gdy t s) c) ciągłość wg p-tego momentu (tzn. E X t X s p 0 gdy t s). Jakie implikacje zachodzą między powyższymi własnościami? 3. Wykaż, że prawie wszystkie trajektorie procesu Wienera są lokalnie hölderowskie z dowolnym wykładnikiem γ < 1/2. 4. Wykaż, że trajektorie procesu Wienera z prawdopodobieństwem 1 nie są jednostajnie ciągłe na [0, ) 5. Scentrowany proces gaussowski nazywamy ułamkowym ruchem Browna, jeśli E X t X s 2 = t s 2α (można wykazać, że taki proces istnieje dla 0 < α < 1). Udowodnij, że ułamkowy ruch Browna ma ciągłą modyfikację. Co można powiedzieć o hölderowskości jej trajektorii? 6. Pokaż, że jeśli X λ Poiss(λ) i λ 1 to dla dowolnego p > 0, E X λ p C p λ, gdzie C p = E X 1 p <. Wywnioskuj stąd, że w Twierdzeniu o ciągłej modyfikacji założenie β > 0 jest istotne. 7. Wykaż, że trajektorie procesu Wienera z prawdopodobieństwem 1 przecinają zero dowolnie daleko. 3
4 Zadania z Procesów Stochastycznych 4 1. Policz funkcję kowariancji mostu Browna W t tw Wykaż za pomocą funkcji kowariancji, że procesy z zadania 7 z 1 serii są procesami Wienera. 3. Wykaż, że proces gaussowski ma przyrosty niezależne wtedy i tylko wtedy gdy jego funkcja kowariancji spełnia K(t, u) = K(s, u) dla t, s u (czyli K(t, s) = ϕ(t s) dla pewnej funkcji ϕ). 4. Mówimy, że proces stochastyczny X = (X t ) jest stacjonarny jeśli dla dowolnego h proces X ma ten sam rozkład co X (h) := (X t+h ). Wykaż, że scentrowany proces gaussowski jest stacjonarny wtedy i tylko wtedy gdy K(t + h, s + h) = K(t, s) dla wszystkich t, s, h (czyli K(t, s) = ϕ( t s ) dla pewnej funkcji ϕ). 5. Wykaż, że proces Ornsteina-Uhlenbecka G t = e t W e 2t jest procesem stacjonarnym. 6. Niech X 1, X 2,... będzie ciągiem niezależnych zmiennych losowych o jednakowym rozkładzie z dystrybuantą F. Niech Y (n) t = #{i: X i t} F (t), n = 1, 2,.... n Wykaż, że skończenie wymiarowe rozkłady procesów ny (n) zbiegają przy n do rozkładu pewnego procesu gaussowskiego Z, wyznacz funkcję wartości średniej i kowariancję Z. 4
5 Zadania z Procesów Stochastycznych 5 W poniższych zadaniach przyjmujemy, że (F t ) t T jest ustaloną filtracją, zaś τ zmienną losową o wartościach w T { }. 1. Dla T = {1, 2,...} wykaż, że τ jest momentem zatrzymania wtedy i tylko wtedy gdy {τ = n} F n dla n T. 2. Niech T = {1, 2,...}, Γ 1, Γ 2,... będą borelowskimi podzbiorami R, a X n ciągiem F n -adaptowalnym. Określamy indukcyjnie dla i = 2, 3,... τ 1 := inf{n: X n Γ 1 } oraz τ i := inf{n > τ i 1 : X n Γ i }. Wykaż, że τ i są momentami zatrzymania. 3. Załóżmy, że T jest przedziałem i określmy F t+ := F s, F t := σ( F s ). s>t s<t a) Wykaż, że filtracja F t+ jest prawostronnie ciągła tzn F t++ = F t+. b) Udowodnij, że jeśli F t = Ft X jest filtracją generowaną przez proces X o lewostronnie ciągłych trajektoriach to F t = F t. c) Niech T = [0, ), A F oraz X t = (t 1) + I A. Znajdź Ft X. d) Dla X jak w punkcie c) określmy τ := inf{t: X t > 0}. Wykaż, że τ nie jest momentem zatrzymania względem Ft X ale jest momentem zatrzymania względem Ft+. X 4. Załóżmy, że T jest przedziałem, wykaż, że a) jeśli τ jest momentem zatrzymania to {τ < t} F t dla wszystkich t b) jeśli {τ < t} F t dla wszystkich t to τ jest momentem zatrzymania względem F t+. 5. Niech T = [0, ), a τ będzie momentem zatrzymania, które ze zmiennych τ + 1, τ 2, τ 1 muszą być momentami zatrzymania? 6. Niech T = [0, ), a X t procesem F t -adaptowalnym o ciągłych trajektoriach. Wykaż, że dla A otwartego τ A := inf{t: X t A} jest momentem zatrzymania względem F t+. 7. Wykaż, że jeśli τ i σ są momentami zatrzymania to zdarzenia {τ < σ}, {τ = σ} i {τ σ} należą do F τ, F σ i F τ σ. 8. Wykaż, że jeśli τ jest momentem zatrzymania to proces X t := I [0,τ) (t) jest progresywnie mierzalny. 9. Wykaż, że jeśli σ jest momentem zatrzymania, τ σ oraz τ jest F σ mierzalny to τ jest momentem zatrzymania. 10. Niech X = (X t ) t 0 będzie procesem o niezależnych przyrostach, zaś F t filtracją generowaną przez X. Wykaż, że dla t > s zmienna X t X s jest niezależna od sigma ciała F t, a jeśli X ma prawostronnie ciągłe trajektorie, to również od F t+. 5
6 Zadania z Procesów Stochastycznych 6 1. Sprawdź, że następujące rodziny są martyngałami a) (N t λt, F N t ) t 0 b) ((N t λt) 2 λt, F N t ) t 0 c) (exp(λw t λ2 t 2 ), F W t ) t 0. W 2. Wykaż, że lim sup t t 0+ = 1 p.n. 2t ln ln(1/t) 3. Niech W t będzie jednowymiarowym procesem Wienera oraz τ a := inf{t > 0: W t = a}, τ a := inf{t > 0: W t = a}. Rozpatrując martyngały W t i Wt 2 t wykaż, że a) τ a < p.n. dla wszystkich a R b) P(τ a < τ b ) = b a+b dla a, b > 0. c) E τ a = a 2 dla a 0. d) Eτ a τ b = ab dla a, b > 0. e) Eτ a = dla wszystkich a 0 4. Niech τ będzie momentem zatrzymania względem F W t. a) Wykaż, że (W τ n, F τ n ) n=1 jest martyngałem. b) Udowodnij, że jeśli Eτ < to E sup n W 2 τ n <. c) Wykaż, że jeśli Eτ < to EW 2 τ = Eτ i EW τ = Rozpatrując martyngały Mt λ = exp(λw t λ 2 t/2) oraz Nt λ = (Mt λ + Mt λ )/2 wykaż, że przy oznaczeniach zadania 3 zachodzi dla wszystkich a, λ 0 a) Ee λτa = e a 2λ b) Ee λ τa = (cosh(a 2λ)) Wykaż, że martyngał M λ t z poprzedniego zadania jest zbieżny p.n. i znajdź jego granicę. Czy jest on zbieżny w L 1? 7. Niech W t = (W 1 t,..., W d t ) będzie d wymiarowym procesem Wienera, a x 0 R d oraz d > 2. a) Wykaż, że W t x 0 2 d jest nieujemnym nadmartyngałem b) Udowodnij, że W t x 0 2 d zbiega przy t do 0 według prawdopodobieństwa i p.n. i wywnioskuj stąd, że lim t W t = p.n. c) Wykaż, że dla prawostronnie ciągłego nadmartyngału (X t ) t a zachodzi λ>0 λp(sup t a X t λ) sup EXt t + EX a d) Wykaż, że P( t>0 W t = x 0 ) = 0. 6
7 Zadania z Procesów Stochastycznych 7 1. Załóżmy, że przestrzeń stanów E jest przeliczalna. Wykaż, że wówczas a) (X t ) t T jest procesem Markowa wtedy i tylko wtedy gdy dla dowolnych t 1 < t 2 <... < t n i k 1,..., k n E takich, że P(X t1 = k 1,..., X tn 1 = k n 1 ) 0 P(X tn = k n X t1 = k 1,..., X tn 1 = k n 1 ) = P(X tn = k n X tn 1 = k n 1 ). b) (X t ) t T jest procesem Markowa z macierzą przejścia P s,t wtedy i tylko wtedy gdy dla dowolnych t 1 < t 2 <... < t n i k 1,..., k n E P(X t1 = k 1,..., X tn = k n ) = P(X t1 = k 1 )p t1,t 2 (k 1, k 2 ) p tn 1,t n (k n 1, k n ). 2. Wykaż, że proces Poissona N t jest procesem Markowa i znajdź macierz przejścia. 3. Wykaż, że proces ( 1) Nt jest procesem Markowa i znajdź macierz przejścia. 4. Niech X, Y będą zmiennymi losowymi, zaś G-σ ciałem takim, że X jest G-mierzalne, zaś Y jest niezależne od G. Wykaż, że dla dowolnej funkcji f(x, y) mierzalnej i ograniczonej E(f(X, Y ) G) = ϕ(x) gdzie ϕ(x) = Ef(x, Y ). 5. Korzystając z poprzedniego zadania udowodnij, że jeśli X = (X t ) jest procesem o przyrostach niezależnych to X jest procesem Markowa z funkcją przejścia P s,t (x, Γ) = P(X t X s Γ x). 6. Z poprzedniego zadania wynika w szczególności, że proces Wienera jest procesem Markowa czyli również i proces (W t ) t 0. Znajdź funkcję przejścia dla tego procesu. 7. Załóżmy, że X 1, X 2,... są zmiennymi o jednakowym rozkładzie µ, S k = k n=1 X k, M k = max(x 1,..., X k ). Czy następujące procesy muszą być procesami Markowa, jeśli tak to znaleźć odpowiednie funkcje przejścia a) X 1, X 2,... b) S 0, S 1, S 2,... c) S + 0, S+ 1, S+ 2,... d) M 1, M 2, M 3,... e) S 0, S 0 S 1, S 0 S 1 S 2,... f) (S n, M n ) n=1. 8. Czy procesy ( W t ), (tw t 2) są procesami Markowa? Jeśli tak to znajdź funkcje przejścia. 7
8 Zadania z Procesów Stochastycznych 8 1. Załóżmy, że przestrzeń stanów E = {1, 2}. Sprawdź równania Chapmana- Kołmogorowa dla macierzy P t = 1 ( ) 3 + 2e 4t 2 2e 4t 5 3 3e 4t 2 + 3e 4t. 2. Czy istnieją takie funkcje a(t), b(t), że ( 1 a(t) 3 3e 2t 7 4 4e 2t b(t) ). jest macierzą przejścia dla pewnego jednorodnego procesu Markowa na dwuelementowej przestrzeni stanów? 3. Załóżmy, że dla s < t, P s,t (x, ) jest rozkładem normalnym o średniej m s,t x i wariancji σ 2 s,t. Jakie warunki muszą spełniać m s,t i σ 2 s,t by istniała rodzina Markowa o funkcji przejścia P s,t? 4. Procesy X t i Y t są procesami Markowa, czy z tego wynika, że proces (X t, Y t ) też jest procesem Markowa? 5. Czy dla każdej funkcji ciągłej f, f(w t ) jest procesem Markowa? 8
9 Zadania z Procesów Stochastycznych 9 1. Sprawdź, że procesy Wienera i Poissona są procesami fellerowskimi. 2. Znajdź wszystkie rozkłady stacjonarne dla procesu Markowa o macierzy przejścia P t = 1 ( ) 3 + 2e 4t 2 2e 4t 5 3 3e 4t 2 + 3e 4t. 3. Wykaż, że proces Wienera nie ma rozkładu stacjonarnego, ale miara Lebesgue a jest miarą stacjonarną dla tego procesu. 4. Wykaż, że proces Wienera ma mocną własność Markowa względem filtracji F W t. 5. Niech W t będzie procesem Wienera startującym z 0 oraz dla a 0 τ a := inf{t: W t = a}. Wykaż, że a) P(τ a u, W u Γ) = P(τ a u, W u 2a Γ); b) P(τ a u) = 2P(W u a) dla a > 0. c) τ a a 2 τ 1 ; d) τ a+b τ a + τ b dla a, b > 0, gdzie τ b jest niezależną kopią τ b ; e) sτ 1 + t τ 1 ( s + t) 2 τ 1 dla s, t > 0. f) Znajdź rozkład zmiennej sup 0 t u W t. 6. Wykaż, że jeśli τ jest momentem zatrzymania względem filtracji F W t, to proces (W t+τ W τ ) t 0 jest procesem Wienera niezależnym od F τ. 9
10 Zadania z Procesów Stochastycznych Załóżmy, że X t jest rodziną Markowa na dwuelementowej przestrzeni stanów z macierzą przejścia P t = 1 ( ) 3 + 2e 7t 2 2e 7t 5 3 3e 7t 2 + 3e 7t. Znajdź generator A półgrupy generowanej przez X t. 2. Dany jest jednorodny w czasie proces Markowa na przestrzeni { 1, 1} o operatorze infinitezymalnym ( ) Wyznacz P 1 (X 4 = X 2 ). = ( ) ( ) ( ) Niech A będzie generatorem półgrupy związanej z procesem Wienera. Wykaż, że jeśli f C (2) u (R) to f D A oraz Af = 1 2 f. 4. Udowodnij, że dla d wymiarowego procesu Wienera C u (2) (R d ) D A i Af = 1 2 f dla f C(2) u (R d ). 5. Niech X t = e t W e 2t. Wykaż, że X jest jednorodnym procesem Markowa i znajdź Af dla odpowiednio gładkiej funkcji f. 10
2. 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 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 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 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 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 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 szczegółowoZadania z Rachunku Prawdopodobieństwa II Podaj przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,
Zadania z Rachunku Prawdopodobieństwa II -. Udowodnij, że dla dowolnych liczb x n, x, δ xn δ x wtedy i tylko wtedy, gdy x n x.. Wykaż, że n n k= δ k/n λ, gdzie λ jest miarą Lebesgue a na [, ].. Podaj przykład
Bardziej szczegółowo3. Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,
Zadania z Rachunku Prawdopodobieństwa II - Mówimy, że i) ciąg miar probabilistycznych µ n zbiega słabo do miary probabilistycznej µ (ozn. µ n µ), jeśli fdµ n fdµ dla dowolnej funkcji ciągłej ograniczonej
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 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 szczegółowoWstęp do Analizy Stochastycznej
Matematyka stosowana Wstęp do Analizy Stochastycznej Rafał Latała R.Latala@mimuw.edu.pl http://www.mimuw.edu.pl/~rlatala Uniwersytet Warszawski, 211 Streszczenie. Ogólna teoria procesów, proces Wienera.
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa II Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,
Zadania z Rachunku Prawdopodobieństwa II -. Udowodnij, że dla dowolnych liczb x n, x, δ xn δ x wtedy i tylko wtedy, gdy x n x.. Wykaż, że n n k= δ k/n λ, gdzie λ jest miarą Lebesgue a na [, ].. Podać przykład
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 szczegółowoZadania z RP 2. seria Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n
Zadania z RP 2. seria 1. 1. Dla x R n, niech δ x oznacza miarę Diraca, skupioną w punkcie x. Wykazać, że dla dowolnego ciągu x n R n zachodzi δ xn δ x wtedy i tylko wtedy, gdy x n x. 2. Podać przykład
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 szczegółowoWstęp do Analizy Stochastycznej
Wstęp do Analizy Stochastycznej Rafał Latała 6 września 21 Poniższy tekst zawiera notatki do wykładów ze Wstępu do Analizy Stochastycznej, prowadzonego w semestrze wiosennym 21 roku. Gwiazdkami oznaczono
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa III - 1
Zadania z Rachunku Prawdopodobieństwa III - 1 1. Oblicz funkcję tworzącą momenty zmiennych o następujących rozkładach: a) symetryczny dwupunktowy; b) dwumianowy z parametrami n, p; c) Poissona z parametrem
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 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 szczegółowo8 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 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 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 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 szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. ZMIENNA LOSOWA JEDNOWYMIAROWA. Zmienną losową X nazywamy funkcję (praktycznie każdą) przyporządkowującą zdarzeniom elementarnym liczby rzeczywiste. X : Ω R (dokładniej:
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 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 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 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 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 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 szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są
Bardziej szczegółowo2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27
SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;
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 szczegółowoĆwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.
Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. A Teoria Definicja A.1. Niech (Ω, F, P) będzie przestrzenią probabilistyczną. Zmienną losową określoną na przestrzeni Ω nazywamy dowolną
Bardziej szczegółowoMetody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: F(x) = sin(x),
Metody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: Fx sinx, Fx a e x mogą być dystrybuantami?. Podaj twierdzenie Lindeberga
Bardziej szczegółowoRobert Kowalczyk. Zbiór zadań z teorii miary i całki
Robert Kowalczyk Zbiór zadań z teorii miary i całki 2 Zadanie 1 Pokazać, że poniższe dwie definicje σ-ciała M są równoważne: (i) Rodzinę M podzbiorów przestrzeni X nazywamy σ-ciałem jeżeli zachodzą następujące
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 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 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 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 szczegółowoJednowymiarowa zmienna losowa
1 Jednowymiarowa zmienna losowa Przykład Doświadczenie losowe - rzut kostką do gry. Obserwujemy ilość wyrzuconych oczek. Teoretyczny model eksperymentu losowego - przestrzeń probabilistyczna (Ω, S, P ),
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Przestrzeń probabilistyczna Niech Ω będzie dowolnym zbiorem, zwanym przestrzenią zdarzeń elementarnych. Elementy ω tej przestrzeni nazywamy zdarzeniami elementarnymi.
Bardziej szczegółowo19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136
Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 19 marzec, 2012 Przykłady procesów Markowa (i). P = (p ij ) - macierz stochastyczna, tzn. p ij 0, j p ij =
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 szczegółowoZmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014
Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014 Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe
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 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 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 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 szczegółowoRozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Zbiór możliwych wyników eksperymentu będziemy nazywać przestrzenią zdarzeń elementarnych i oznaczać Ω, natomiast
Bardziej szczegółowoLiteratura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.
Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowoLista 1. Procesy o przyrostach niezależnych.
Lista. Procesy o przyrostach niezależnych.. Niech N t bedzie procesem Poissona o intensywnoci λ = 2. Obliczyć a) P (N 2 < 3, b) P (N =, N 3 = 6), c) P (N 2 = N 5 = 2), d) P (N =, N 2 = 3, N 4 < 5), e)
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 szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
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 szczegółowoZadania z Analizy Funkcjonalnej I* - 1
Zadania z Analizy Funkcjonalnej I* - 1 1. Która z następujących przestrzeni jest przestrzenią Banacha w normie supremum: C(R); C ogr (R) przestrzeń funkcji ciągłych ograniczonych; C zw (R) przestrzeń funkcji
Bardziej szczegółowoKwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p.
Kwantyle Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p, że P(X x p ) p P(X x p ) 1 p Możemy go obliczyć z dystrybuanty: Jeżeli F(x p ) = p, to x p jest kwantylem rzędu p Jeżeli F(x p )
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 szczegółowoMatematyka z el. statystyki, # 3 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a bud. Agro II, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoProcesy stochastyczne
Procesy stochastyczne 1 Co to jest proces stochastyczny Będziemy zakładać w tej książce, że dana jest przestrzeń probabilistyczna (Ω, F, P ). Definicja 1.1 Procesem stochastycznym nazywamy zbiór zmiennych
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 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 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 szczegółowoRachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3
Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3 Przygotowując wykład korzystam głównie z książki Jakubowski, Sztencel Wstęp do teorii prawdopodobieństwa. Zmienna losowa i jej
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 szczegółowoZadania z Koncentracji Miary I
Zadania z Koncentracji Miary I Przez λ n oznaczamy n-wymiarową miarę Lebesgue a, a przez σ n unormowaną miarę powierzchniową na S n. Jeśli µ jest miarą na X, d), to określamy dla dowolnego zbioru A miarę
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 szczegółowoMODELE STOCHASTYCZNE Plan wykładu
UNIWERSYTET WROCŁAWSKI Wydział Matematyki i Informatyki Instytut Matematyczny M.Majsnerowska rok akademicki 2018/2019 MODELE STOCHASTYCZNE Plan wykładu 1. Łańcuchy Markowa 1.1. Podstawowe pojęcia i przykłady
Bardziej szczegółowoRachunek prawdopodobieństwa 1B; zadania egzaminacyjne.
Rachunek prawdopodobieństwa B; zadania egzaminacyjne.. Niech µ będzie rozkładem probabilistycznym na (0, ) (0, ): µ(b) = l({x (0,) : (x, x) B}), dla B B((0, ) (0, ))), gdzie l jest miarą Lebesgue a na
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 szczegółowoProcesy stochastyczne 2.
Procesy stochastyczne 2. Listy zadań 1-3. Autor: dr hab.a. Jurlewicz WPPT Matematyka, studia drugiego stopnia, I rok, rok akad. 211/12 1 Lista 1: Własność braku pamięci. Procesy o przyrostach niezależnych,
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 szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.0. Rozkłady zmiennych losowych, dystrybuanta. Katarzyna Rybarczyk-Krzywdzińska Wprowadzenie Rozważmy eksperymenty 1 gra Bolka w ruletkę w kasynie;
Bardziej szczegółowoTeoria miary. WPPT/Matematyka, rok II. Wykład 5
Teoria miary WPPT/Matematyka, rok II Wykład 5 Funkcje mierzalne Niech (X, F) będzie przestrzenią mierzalną i niech f : X R. Twierdzenie 1. NWSR 1. {x X : f(x) > a} F dla każdego a R 2. {x X : f(x) a} F
Bardziej szczegółowoZADANIA PRZYGOTOWAWCZE DO EGZAMINU Z UKŁADÓW DYNAMICZNYCH
ZADANIA PRZYGOTOWAWCZE DO EGZAMINU Z UKŁADÓW DYNAMICZNYCH Punkty okresowe, zbiory graniczne, sprzężenia Zadanie 1. Pokazać, że trajektoria (w przód) punktu x w przestrzeni metrycznej X pod działaniem ciągłego
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 szczegółowoZmienne losowe ciągłe i ich rozkłady
Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości
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 szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoWykład 2 Zmienne losowe i ich rozkłady
Wykład 2 Zmienne losowe i ich rozkłady Magdalena Frąszczak Wrocław, 11.10.2017r Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe Doświadczenie
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 szczegółowoRepetytorium z przedmiotu Miara i prawdopodobieństwo dla kierunku Informatyka 2003/2004. Adam Jakubowski
Repetytorium z przedmiotu Miara i prawdopodobieństwo dla kierunku Informatyka 2003/2004 Adam Jakubowski Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Toruń, styczeń 2004 Spis treści
Bardziej szczegółowoVII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.
VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.0. Rozkłady zmiennych losowych, dystrybuanta. Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2016/2017 Wprowadzenie Przykład 1 Bolek, Lolek i Tola
Bardziej szczegółowo1 Elementy kombinatoryki i teorii prawdopodobieństwa
1 Elementy kombinatoryki i teorii prawdopodobieństwa 1.1 Elementy kombinatoryki W rozwiązywaniu pewnych problemów związanych z obliczaniem prawdopodobieństwa o skończonej liczbie zdażeń elementarnych bardzo
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 szczegółowor u du. Proces wartości aktywów firmy V. Proces bariery v wykorzystywany do zdefiniowania defaultu. moment defaultu τ.
Wprowadzenie Mamy ustalone T > 0 horyzont, (Ω, F, P) z F filtracja, F = {F t } t [0,T ] oraz Proces chwilowej stopy procentowej r = (r t ) t [0,T ], tzn. rachunek bankowy spełnia ODE: db t = B t r t dt,
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 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 szczegółowoTwierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych
Publiczna obrona rozprawy doktorskiej Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych Piotr Miłoś Instytut Matematyczny Polskiej Akademii Nauk 23.10.2008 Warszawa Plan 1 Układy
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 szczegółowoProces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.
Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu
Bardziej szczegółowoProcesy stochastyczne
Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Procesy stochastyczne
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 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 szczegółowoW2 Podstawy rachunku prawdopodobieństwa (przypomnienie)
W2 Podstawy rachunku prawdopodobieństwa (przypomnienie) Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Rachunek prawdopodobieństwa - przypomnienie 1. Zdarzenia 2. Prawdopodobieństwo
Bardziej szczegółowo