Metoda Monte Carlo. Rafał Kucharski. Szkoła Letnia Matematyki Finansowej, Tarnów 2012
|
|
- Piotr Kozieł
- 7 lat temu
- Przeglądów:
Transkrypt
1 Metoda Monte Carlo Rafał Kucharski Szkoła Letnia Matematyki Finansowej, Tarnów 2012
2 John was assisted by Henry, a foreign quant whose English was incomprehensable, but who was believed to be at least equally competent in risk-management methods. John knew no math, he relied on Henry. (... ) Henry was a graduate student in Operations Research when John hired him. His specialty was a field called Computational Finance, which, as its name indicates, seems to focus solely on running computer programs overnight. Henry s income went from $50,000 to $600,000 in three years. Nassim Nicholas Taleb, Fooled by Randomness
3 Zaczynamy od prostej funkcji... f(x) = 4 x (1 x)
4 Iterujemy... x 0 = 0.1, x n+1 = f(x n ), n = 1,...,
5 Ciąg deterministyczny zachowuje się jak losowy! Histogram (arcus sinus)
6 Generowanie liczb losowych liczby prawdziwie losowe (true random numbers) liczby pseudo-losowe (pseudo-random numbers) liczby quasi-losowe (quasi-random numbers)
7 Liczby prawdziwie losowe: rzut monetą, rzut kostką, koło ruletki, zachowanie człowieka lub jego efekty: ruchy myszką komputerową, kliknięcia na klawiaturze, ruch głowic twardego dysku, zjawiska fizyczne których nieprzewidywalność sięga praw mechaniki kwantowej: rozkład radioaktywny, szum termiczny, szum radiowy zdjęcia chmur, Lava lamps
8 Liczby quasi-losowe: quasi-random numbers, low discrepancy numbers) regularne nielosowość widoczna gołym okiem, bardziej równomierne niż ciągi pseudolosowe, dają mniejszy błąd lepsze tempo zbieżności, najbardziej popularne: ciągi Haltona, ciągi Sobola, metoda Quasi-Monte Carlo.
9 Halton Sobol
10 Liczby pseduo-losowe Własności generatorów liczb pseudolosowych (RNG random number generators) okresowość (pełny okres daje rozkład jednostajny), odtwarzalność, powtarzalność (reproducibility), szybkość, przenośność (portability), losowość.
11 Generator liniowy kongruencyjny: Ustalamy liczbę całkowitą M (duża, najlepiej pierwsza, np ). Wybieramy a, b {0, 1,..., M 1}. Wybieramy ziarno x 0 {0, 1,..., M 1}. x i = (ax i 1 + b) mod M, i = 1, 2,... U i = x i /M [0, 1]. Inne popularne generatory: Fibonacciego: x n := x n 1 + x n 2 (mod m), multiple recursive generators: x n := a 1 x n a k x n k (mod m), bitowe (w tym feedback shift registers), inwersyjne: x n := ax 1 n 1 + b. Zobacz w R:?RNG
12 Fakt. Niech F będzie dystrybuantą ciągłą i ściśle rosnącą. Jeśli U U[0, 1], to F 1 (U) jest zmienną losową o dystrybuancie F. P (F 1 (U) x) = P (F (F 1 (U)) F (x)) = P (U F (x)) = F (x), x R. Definicja. Dla dowolnej dystrybuanty F : R [0, 1] uogólniona funkcja odwrotna F : [0, 1] [, ] dana jest wzorem F (u) = inf{x : F (x) u}. Fakt. Niech F będzie dowolną dystrybuantą. Jeśli U U[0, 1], to F (U) jest zmienną losową o dystrybuancie F. Wniosek: Wystarcza nam generowanie liczb o rozkładzie jednostajnym.
13 Zadanie. Wygeneruj liczby o poniższych rozkładach za pomocą transformacji odwrotnej z rozkładu jednostajnego. rozkład Cauchy ego: F (x) = π arc tg(x), rozkład wykładniczy: F (x) = 1 exp( x), x 0, rozkład arcusa sinusa: F (x) = 2 π arc sin( x), 0 x 1, (czas w jakim proces Wienera osiąga maksimum na przedziale [0, 1]), rozkład Rayleigh a: F (x) = 1 e 2x(x b), x b, (maksimum procesu Wienera na [0, 1] pod warunkiem W 1 = b),
14 Rozkłady dyskretne: Chcemy wygenerować zmienną X o rozkładzie P skupionym na zbiorze N, Wyznaczamy liczby p 0 = P(X 0), p 1 = P(X 1), p 2 = P(X 2),... Gdy rozkład jest skupiony na zbiorze nieskończonym, poprzestajemy na p k dostatecznie bliskim 1, np. p k = X = k, jeśli p k 1 < U < p k, gdzie U U[0, 1]. Czasem przeszukiwanie od k = 0 może być nieefektywne. Przykładowo: dla P ois(100) większość obserwacji leży w (70, 130), zatem warto rozpocząć sprawdzanie od p 70.
15 Rozkład normalny: Proste przybliżenie: X = ( 12 i=1 U i ) 6, gdzie Ui U[0, 1] są niezależnymi zmiennymi losowymi (iid), Box-Muller: U 1, U 2 U[0, 1], iid, Marsaglia-Bray: X 1 = 2 log(u 1 ) cos(2πu 2 ), X 2 = 2 log(u 1 ) sin(2πu 2 ). while (X > 1) losuj U 1, U 2 U[0, 1] U 1 2U 1 1, U 2 2U 2 1 X U U 2 2 Y 2 log(x)/x Z 1 U 1 Y, Z 2 U 2 Y return Z 1, Z 2.
16 Wielowymiarowy rozkład normalny N d (µ, Σ): Niech Σ = AA T (np. rozkład Cholesky ego), X N d (0, I d ), Wówczas AX N d (0, Σ), AX + µ N d (µ, Σ). Dodatek: algorytm rozkładu Cholesky ego dla macierzy dodatnio określonej: A 0 (macierz d d) for j = 1,..., d return A. for i = j,..., d v i Σ ij for k = 1,..., j 1 v i v i A jk A ik A ij v i / v j
17 W przypadku d = 2 macierz korelacji ma postać 1 ρ, ρ 1 a jej macierz Cholesky ego przybiera formę: 1 0 ρ. 1 ρ 2 Możemy zatem zapisać powyższy algorytm następująco: Wylosuj X 1, X 2 N(0, 1), niezależne, Oblicz Y 1 = X 1, Y 2 = ρx ρ 2 X 2. Istotnie, wówczas E(Y 1 ) = E(Y 2 ) = 0, Var(Y 1 ) = Var(X 1 ) = 1, Var(Y 2 ) = ρ 2 Var(X 1 ) + (1 ρ 2 ) Var(X 2 ) = 1, cov(y 1, Y 2 ) Corr(Y 1, Y 2 ) = Var(Y1 ) Var(Y 2 ) = cov(x 1, ρx ρ 2 X 2 ) = = cov(x 1, ρx 1 ) + cov(x 1, 1 ρ 2 X 2 ) = ρ
18 Zadanie. Wygeneruj wektory liczb X, Y o rozkładzie normalnym standardowym, dla których współczynnik korelacji ρ(x, Y ) = 0.6.
19 Metoda akceptuj-odrzuć (Accept-Reject) Chcemy generować liczby z rozkładu o gęstości f (znanej z dokładnością do stałej multyplikatywnej), Potrzebujemy prostszej do symulacji gęstości g takiej, że f i g mają takie same nośniki (g(x) > 0 f(x) > 0), istnieje M, że f(x)/g(x) M dla wszystkich x, Algorytm: 1. generuj Y g, U U[0, 1], 2. jeśli U 1 M f(y ), to X = Y ; w przeciwnym wypadku wróć do 1. g(y ) Powyższy algorytm działa również w przypadku wielowymiarowym.
20 Zadanie. Używając metody akceptuj-odrzuć wygeneruj liczby z rozkładu o gęstości: f(x) exp( x 2 /2){sin(6x) cos(x) 2 sin(4x) 2 + 1}. Narysuj f(x) i znajdź takie M, że f(x) Mg(x), gdzie g(x) = exp( x 2 /2)/ 2π jest gęstością rozkładu normalnego. Możesz użyć funkcji optimise, aby znaleźć najmniejszą wartość M. Oszacuj stałą normalizującą. Porównaj histogram ze znormalizowaną gęstością.
21 Rozkłady warunkowe: X ma dystrybuantę F, Chcemy wygenerować X pod warunkiem a X b, V = F (a) + (F (b) F (a)) U, gdzie U U[0, 1], F (V ) ma pożądany rozkład,
22 Zadanie (Probabilistyka, A. i E. Plucińscy, str. 228, Zadanie 15).
23 Twierdzenie (Probabilistyka, A. i E. Plucińscy, str. 223, Twierdzenie Lapunowa 4.9). Niech {X n } będzie ciągiem niezależnych zmiennych losowych i niech dla n = 1, 2,... będzie m n = E(X n ), σ 2 n = E((X n m n ) 2 ) > 0, b n = E( X n m n 3 ), C n = U n = 1 C n σ σ 2 n, B n = 3 b b n, n k=1 Jeśli lim n B n C n = 0, to dla każdego u (X k m k ), F n (u) = P (U n < u). lim F n n(u) = 1 u 2π e x2 /2 dx, czyli ciąg losowy {U n } jest zbieżny według dystrybuant do zmiennej losowej o rozkładzie normalnym N(0, 1).
24 Proces Wienera W 0 = 0 p.n., trajektorie t W t są ciągłe p.n. przyrosty W t1, W t2 W t1,..., W tn W tn 1 są niezależne, W t W s N(0, t s), 0 s t, Symulacja trajektorii procesu Wienera Chcemy symulować wartości (W (t 1 ),..., W (t n )) w ustalonym zbiorze punktów 0 < t 1 < < t n. Niech Z 1,..., Z n będą niezależnymi zmiennymi losowymi N(0, 1), Dla standardowego ruchu Browna W (0) = 0 oraz W (t i+1 ) W (t i ) = t i+1 t i Z i+1, i = 0,..., n 1.
25 BM time
26 Wielowymiarowy proces Wienera Proces W (t) = (W 1 (t),..., W d (t)) jest standardowym d-wymiarowym ruchem Browna, gdy jego współrzędne W i (t) są standardowymi jednowymiarowymi ruchami Browna oraz W i i W j są niezależne dla i j. Niech µ R d oraz Σ R d d będzie dodatnio określoną macierzą. Proces X nazywamy ruchem Browna z dryfem µ i kowariancją Σ, jeśli X ma ciągłe trajektorie o niezależnych przyrostach X(t + s) X(s) N(tµ, tσ). Proces X nazywamy ruchem Browna o stałej kowariancji (Σ jest stała). Dla symulacji Monte Carlo ze skorelowanym ruchem Browna potrzebujemy generować próbki o rozkładzie N(δtµ, δtσ), a jeśli δt jest ustalone problem redukuje się do losowania z rozkładu N(µ, Σ) (co już potrafimy).
27
28 Zaproponowana przez Stanisława Ulama w czasie projektu Manhattan, jako sposób obliczania skomplikowanych całek pojawiających w modelowaniu reakcji łańcuchowych. Rozwinięta przez J. von Neumanna, N. Metropolisa i innych. Źródło:
29 Jeśli X U[0, 1] oraz h: [0, 1] R, to wartość oczekiwana zmiennej h(x) jest równa całce: E[h(X)] = I(h) = 1 h(x) dx. 0 Podobnie w przypadku wielowymiarowym: X U[0, 1] d oraz h: [0, 1] d R Z drugiej strony, przyjmując E[h(X)] = I(h) = [0,1] d h(x) dx. I N (h) = 1 N N n=1 h(x n ), gdzie x n są niezależnymi realizacjami X, mamy (nieobciążoność) oraz z MPWL E[I N (h)] = E[h(X)] = I(h) lim I N(h) = E[h(X)] = I(h). N
30 Ponadto Var(I N (h)) = 1 N 2 N k=1 Var h(x k ) = 1 N Var h(x). Błąd metody Monte Carlo jest proporcjonalny do N 1/2. Co ważniejsze, błąd Monte Carlo jest proporcjonalny do N 1/2, niezależnie od wymiaru! Błąd = O(N 1/2 ), Czas = O(N) jeśli chcemy zwiększyć dokładność 10-krotnie, musimy zwiekszyć ilość próbek i czas obliczeń 100-krotnie.
31 Model Blacka-Scholesa (1973) Ceny akcji modeluje geometryczny proces Wienera: lub równoważnie: gdzie S t = S 0 exp ( (µ 1 2 σ2 )t + σw t ), ln(s t ) = ln(s 0 ) + (µ 1 2 σ2 )t + σw t, µ jest stopą aprecjacji (wyznacza trend ceny), σ jest współczynnikiem zmienności (volatility), parametry µ, σ > 0 są stałe (i deterministyczne), akcja nie wypłaca dywidendy, stała stopa procentowa wolna od ryzyka r, W modelu B-S zmienna losowa S t ma rozkład lognormalny, tzn. zmienna ln(s t ) ma rozkład normalny.
32 Cena europejskiej opcji kupna: Cena europejskiej opcji sprzedaży: Wzory Blacka-Scholesa C = S t Φ(d 1 (S t, τ)) Ke rτ) Φ(d 2 (S t, τ)), P = Ke rτ Φ( d 2 (S t, τ)) S t Φ( d 1 (S t, τ)), gdzie τ = T t, funkcja Φ jest dystrybuantą standardowego rozkładu normalnego oraz d 1 (s, τ) = ln(s/k) + (r + σ2 /2)τ σ τ d 2 (s, τ) = d 1 (s, τ) σ τ = ln(s/k) + (r σ2 /2)τ σ τ Uwaga: cena opcji nie zależy od µ.,.
33 Wycena opcji niezależnych od trajektorii Instrumenty finansowe wyceniamy korzystajac z wzoru Π 0 (X) = B 0 E Q [X/B T ], gdzie Q jest miarą neutralną wobec ryzyka, B t ceną w chwili t instrumentu wolnego od ryzyka (numeraire) oraz X jest wypłatą z danego instrumentu w chwili T. Cena akcji w modelu Blacka-Scholesa względem miary neutralnej wobec ryzyka, dane są wzorem: S t = S 0 exp (r 1 2 σ2 )t + σw t. Zmienna losowa W T ma rozkład normalny o średniej 0 i wariancji T. Możemy przyjąć W T = T Y, gdzie Y N(0, 1).
34 Wypłata z europejskiej opcji call wynosi a dla europejskiej opcji put gdzie K jest ceną wykonania. X = f(s T ) = (S T K) +, X = g(s T ) = (K S T ) +. Cena instrumetu wolnego od ryzyka (obligacja) to B t = exp(rt), t [0, T ]. Cenę opcji wyznaczamy jako wartość oczekiwaną gdzie V = E Q [f(s T )/B T ] = exp( rt ) 1 0 f(s T)dU, S T = S 0 exp((r 1 2 σ2 )T + σ T Y ) oraz Y = Φ 1 (U) N(0, 1), U U[0, 1].
35 W praktyce: Losujemy N niezależnych realizacji zmiennych o rozkładzie normalnym Y (1),..., Y (N), Obliczamy ceny akcji w chwili wykonania S (1) T,..., S (N) T dla kolejno wylosowanych próbek, Obliczamy zdyskontowane wypłaty z opcji: exp( rt )f(s (1) T ),..., exp( rt )f(s (N) T ), Wyznaczamy cenę opcji jako zdyskontowaną wartość oczekiwaną: Π 0 (X) = 1 N N i=1 exp( rt )f(s (i) T ). Zadanie. Oblicz ceny opcji dla r = 0.05, σ = 0.2, T = 1, S 0 = 110, K = 100. Porównaj z wartościami dokładnymi (wzór Blacka-Scholesa). Wyznacz przedział ufności, w którym prawdziwa wartość leży z prawdopodobieństwem 99.7%. Wyznacz ilość próbek N, tak by powyższy przedział miał szerokość 0.01.
36 Wycena opcji zależnych od trajektorii Dla t 2 > t 1 mamy S t2 = S t1 exp (r 1 2 σ2 )(t 2 t 1 ) + σ(w t2 W t1 ) Losujemy N niezależnych trajektorii ceny S (1) t,t,..., S (N) t,t na przedziale [t, T ], Dla log-normalnego procesu ceny akcji i równoodległych chwil t i+1 t i = δt, i = 0,..., n 1, mamy gdzie Z i N(0, 1). S ti+1 = S ti exp((r 1 2 σ2 )δt + σ δtz i ), Obliczamy wypłatę V (n) na każdej trajektorii n = 1,..., N, Ceną opcji jest Π 0 = exp( rt ) 1 N N n=1 V (n).
37 Przykład: opcja azjatycka (asian option) Europejska opcja call na średnią cenę M akcji o wypłacie X = 1 T gdzie S t jest ceną akcji w dniu t. T t=1 S t K +, Wielowymiarowy proces Wienera przydaje się przy wycenie opcji opartych o kilka instrumentów bazowych. Przykład: opcja koszykowa (basket option) Europejska opcja call na średnią cenę M akcji o wypłacie X = 1 M M i=1 gdzie S T,i jest ceną i-tej akcji w chwili T. S T,i K +,
38 Redukcja wariancji antithetic variables (metoda odbić lustrzanych) Losujemy 2 próbki, X 1 i X 2, z tego samego rozkładu. Wariancja wynosi ε = Var h(x 1 ) + h(x 2 ) 2 = 1 2 [Var(h(X 1) + cov(h(x 1 ), h(x 2 ))], Jeśli h(x 1 ) i h(x 2 ) są niezależne to ε = 1 2 Var(h(X 1), Jeśli h(x 1 ) i h(x 2 ) będą ujemnie skorelowane, to ε < 1 2 Var(h(X 1), Jeśli X 1, X 2 U[0, 1] ujemną korelację uzyskujemy przyjmując X 2 = φ(x 1 ), gdzie φ: [0, 1] [0, 1] jest funkcją malejącą oraz φ(x 1 ) U[0, 1]; np. φ(x) = 1 x. Każdą wylosowaną próbkę możemy wykorzystać 2 razy! Uwaga: jeśli próbki losowane są z rozkładu symetrycznego (np. normalnego), to X X, Metoda daje dobre wyniki, gdy wypłata jest bliska liniowej,
39 control variate Chcemy obliczyć E(X) (np. cena amerykańskiej opcji call), Wiemy o zmiennej losowej Y, której E(Y ) znamy, a która jest w pewnym sensie bliska E(X) (np. cena europejskiej opcji call) Przyjmujemy Z = X Y + E(Y ), skąd E(Z) = E(X) Obliczamy E(X) symulując wartości zmiennej Z. Korzyść odniesiemy gdy: Var(Z) = Var(X Y ) < Var(X). Intuicję wynikającą z tej metody można stosować nie tylko dla MC: z modelu wynikają oszacowania x = I N (X), y = I N (Y ), model popełnia błąd ε = y E(Y ) dla zmiennej Y, zakładamy, że dla zmiennej X popełnia ten sam błąd, lepsze oszacowanie dla X to: x ε = x y + E(Y ).
40 Metodę można dostroić dla θ R definiujemy Z θ = X + θ(e(y ) Y ) w dalszym ciągu E(Z θ ) = E(X) oraz Var(Z θ ) = Var(X) 2θ cov(x, Y ) + θ 2 Var(Y ) wariancja jest najmniejsza dla θ min = cov(x,y ) Var(Y ), wielkość cov(x, Y ) zwykle nie jest znana, ale można ją oszacować metodą MC (nie jest potrzebna duża dokładność)
41 importance sampling (metodę najlepiej wyjaśnić na przykładzie) chcemy wycenić opcję call (X = (S T K) + ), która jest głęboko out-of-the-money, większość wylosowanych próbek da zerową wypłatę, co jest stratą czasu obliczeniowego, trzeba zatem losować tylko te trajektorie, które wniosą wkład do ceny (zobacz slajd Rozkłady warunkowe ), Niech F (x) = P (S T x), G(x) = P (S T x S T > K) oraz k = P (S T > K) = 1 F (K). Wówczas dla x K mamy G(x) = P (K<S T x) P (S T >K) = P (S T x) P (S T K) P (S T >K) = F (x) 1 k + 1. Stąd G 1 (u) = F 1 (1 + k(u 1)), u (0, 1). Jeśli Z jest losowane z rozkładu o dystrybuancie G, to E[X] = P (S T K) E[X S T K] + P (S T > K) E[X S T > K] = = (1 k) 0 + k E[Z] = k E[Z].
42 Podejście ogólne: zakładamy, że losowana zmienna pochodzi z rozkładu o gęstości f, Zastąpimy tą gęstość przez g, która powinna być bliska f h (gęstości zmiennej h(x), którą całkujemy), wtedy E f (h(x)) = h(x)f(x) dx = h(x) f(x) g(x) g(x) dx = Eg (h(x) f(x) g(x) ), a funkcja podcałkowa w ostatniej całce ma małą wariancję.
43 Metody symulacji procesów stochastycznych symulacja dokładnego rozwiązania, symulacja z prawdopodobieństwa przejścia, przybliżanie dynamiki,
44 Symulacja dokładnego rozwiązania, Stosujemy, gdy znana jest jawna postać silnego rozwiązania SDE, to znaczy daje się ono zapisać jako funkcjonał procesu Wienera: X(t) = G(t, W [0,t] ). Ustalamy X 0 = x 0, Dla i = 1,..., N losujemy trajektorię (W (t i ) oraz obliczamy Przykład: w modelu Blacka-Scholesa rozwiązanie ma postać: X i = G(t i, {W (t 1 ),..., W (t i )}). ds(t) = r dt + σ dw (t) S(t) = S(0) exp((r σ 2 /2)t + σw (t)).
45 Symulacja z prawdopodobieństwa przejścia Możemy stosować, gdy znamy prawdopodobieństwa przejścia procesu między dwoma dowolnymi momentami czasu. Ustalamy X 0 = x 0. Dla i = 1,..., N losujemy X i p(t i, ; t i 1, X i 1 ) (rozkład prawdopodobieństwa X i w chwili t i pod warunkiem, że proces ma wartość X i 1 w chwili t i 1 ). Przykład: w modelu terminowych stóp procentowych Vasicka dr(t) = α(β r(t)) dt + σ dw (t), proces r(t) ma rozkład normalny z warunkową średnią i wariancją µ(t; s, x) = β + e α(t s) (x β), σ(t; s, x) = σ2 2α (1 e 2α(t s) ).
46 Przybliżanie dynamiki Dyskretyzujemy równanie różniczkowe, zamieniając je w równanie różnicowe. dx(t) = µ(t, X(t)) dt + σ(t, X(t)) dw (t) ( ) Schemat Eulera Równanie ( ) dyskretyzujemy do postaci X i+1 = X i + µ(t i, X i ) t + σ(t i, X i ) tz i ( ) gdzie Z i N(0, 1). Ustalamy X 0 = x 0, Dla i = 0,..., N 1 losujemy Z i i obliczamy X i+1 jak w ( ). Otrzymane w schemacie Eulera rozwiązania są zbieżne do prawdziwego: T > 0, C = C(T ) E( sup X N (t) X(t) 2 ) C t. t [0,T ]
47 przyrosty czasu nie muszą być równe ( t = t i+1 t i ). dla Z i = 2B i 1, gdzie B i mają rozkład Bernoulliego z p = 1/2, otrzymamy rozwiązania zbiegające do oryginalnego w sensie słabym, co wystarcza, gdy chcemy liczyć wartości oczekiwane regularnych funkcjonałów X. Przykład: Model Fonga-Vasicka zadany jest układem równań: dr(t) = α(µ r(t)) dt + v(t) dw 1 t, dv(t) = β( µ v(t)) dt + σ v(t) dw 2 t gdzie r jest modelowaną stopą procentową, a v jej ciągłą zmiennością. Dyskretyzacja ma postać: r i+1 = r i + α(µ r i ) t + v i tz 1 i, v i+1 = v i + β( µ v i ) t + σ v i tz 2 i gdzie (Z 1 i, Z 2 i ) N(0, Σ i ), a Σ i = cov(dw 1, dw 2 ).
48 Literatura [1] R. Seydel, Tools for Computational Finance, Springer [2] G. Fusai, A. Roncoroni, Implementing Models in Quantative Finance: Methods and Cases, Springer [3] P. Jackel, Monte Carlo Methods in Finance, Wiley [4] C. P. Robert, G. Casella, Introducing Monte Carlo Methods with R, Springer 2010.
Prawdopodobieństwo i statystyka
Wykład VII: Metody specjalne Monte Carlo 24 listopada 2014 Transformacje specjalne Przykład - symulacja rozkładu geometrycznego Niech X Ex(λ). Rozważmy zmienną losową [X ], która przyjmuje wartości naturalne.
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 szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
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 szczegółowo12DRAP - parametry rozkładów wielowymiarowych
DRAP - parametry rozkładów wielowymiarowych Definicja.. Jeśli h : R R, a X, Y ) jest wektorem losowym o gęstości fx, y) to EhX, Y ) = hx, y)fx, y)dxdy. Jeśli natomiast X, Y ) ma rozkład dyskretny skupiony
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 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 szczegółowoMatematyka finansowa w pakiecie Matlab
Matematyka finansowa w pakiecie Matlab Wykład 6. Wycena opcji modele ciągłe, metoda Monte Carlo Bartosz Ziemkiewicz Wydział Matematyki i Informatyki UMK Kurs letni dla studentów studiów zamawianych na
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.2. Momenty rozkładów łącznych. Katarzyna Rybarczyk-Krzywdzińska rozkładów wielowymiarowych Przypomnienie Jeśli X jest zmienną losową o rozkładzie
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
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 szczegółowoOpcje koszykowe a lokaty strukturyzowane - wycena
Opcje koszykowe a lokaty strukturyzowane - wycena Basket options and structured deposits - pricing Janusz Gajda Promotor: dr hab. inz. Rafał Weron Politechnika Wrocławska Plan prezentacji Cel pracy Wprowadzenie
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 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 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 szczegółowoSieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych
Sieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych Plan laboratorium Generatory liczb pseudolosowych dla rozkładów dyskretnych: Generator liczb o rozkładzie równomiernym Generator
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 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 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 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 szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoMetoda Monte Carlo i jej zastosowania
i jej zastosowania Tomasz Mostowski Zajęcia 31.03.2008 Plan 1 PWL 2 3 Plan PWL 1 PWL 2 3 Przypomnienie PWL Istnieje wiele wariantów praw wielkich liczb. Wspólna ich cecha jest asymptotyczne zachowanie
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 szczegółowoMetoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10
Metoda Monte Carlo Jerzy Mycielski grudzien 2012 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 1 / 10 Przybliżanie całek Powiedzmy, że mamy do policzenia następującą całkę: b f (x) dx = I a Założmy,
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowo1 Gaussowskie zmienne losowe
Gaussowskie zmienne losowe W tej serii rozwiążemy zadania dotyczące zmiennych o rozkładzie normalny. Wymagana jest wiedza na temat własności rozkładu normalnego, CTG oraz warunkowych wartości oczekiwanych..
Bardziej szczegółowoMetody redukcji wariancji
Metody redukcji wariancji Michał Kołodziejczyk 26 maja 2009 Spis treści 1 Przedstawienie problemu 1 2 Metody redukcji - opis teoretyczny 2 2.1 Metoda Antithetic Variates...............................
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 szczegółowo1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo
1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo 1.1 Rodzaje zbieżności ciagów zmiennych losowych Niech (Ω, F, P ) będzie przestrzenia probabilistyczna na której określony jest ciag {X
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 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 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 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 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 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 szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
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 szczegółowoZadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =
Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,
Bardziej szczegółowoWstęp do Rachunku Prawdopodobieństwa, IIr. WMS
Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS przykładowe zadania na. kolokwium czerwca 6r. Poniżej podany jest przykładowy zestaw zadań. Podczas kolokwium na ich rozwiązanie przeznaczone będzie ok. 85
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
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 szczegółowoPrzykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1
Przykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1 Zadania rozwiązywane na wykładzie Zadania rozwiązywane na ćwiczeniach Przy rozwiązywaniu zadań najistotniejsze jest wykazanie się rozumieniem
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 5 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoZmienne losowe. dr Mariusz Grządziel Wykład 12; 20 maja 2014
Zmienne losowe dr Mariusz Grządziel Wykład 2; 20 maja 204 Definicja. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje
Bardziej szczegółowoWstęp do analitycznych i numerycznych metod wyceny opcji
Wstęp do analitycznych i numerycznych metod wyceny opcji Jan Palczewski Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 16 maja 2008 Jan Palczewski Wycena opcji Warszawa, 2008
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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
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 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 szczegółowoMetody Obliczeniowe w Nauce i Technice
Metody Obliczeniowe w Nauce i Technice 15. Obliczanie całek metodami Monte Carlo Marian Bubak Department of Computer Science AGH University of Science and Technology Krakow, Poland bubak@agh.edu.pl dice.cyfronet.pl
Bardziej szczegółowoWykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.
Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.
Bardziej szczegółowoWartość oczekiwana Mediana i dominanta Wariancja Nierówności związane z momentami. Momenty zmiennych losowych Momenty wektorów losowych
Przykład(Wartość średnia) Otrzymaliśmy propozycję udziału w grze polegającej na jednokrotnym rzucie symetryczną kostką. Jeśli wypadnie 1 wygrywamy2zł,;jeśliwypadnie2,płacimy1zł;za3wygrywamy 4zł;za4płacimy5zł;za5wygrywamy3złiwreszcieza6
Bardziej szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej ROZKŁAD NORMALNY ROZKŁAD GAUSSA
AKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej KATEDRA MATEMATYKI TEMAT PRACY: ROZKŁAD NORMALNY ROZKŁAD GAUSSA AUTOR: BARBARA MARDOSZ Kraków, styczeń 2008 Spis treści 1 Wprowadzenie 2 2 Definicja
Bardziej szczegółowoRaport: Wycena opcji metodą Quasi Monte Carlo
Raport: Wycena opcji metodą Quasi Monte Carlo Autor: Dominik Winnicki Spis treści Opis problemu... 2 Wstęp teoretyczny... 2 Liczby Haltona... 4 Liczby Sobol a... 4 Ocena uzyskanych ciągów Haltona i Sobol
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 szczegółowoMetody numeryczne. Wykład nr 12. Dr Piotr Fronczak
Metody numeryczne Wykład nr 1 Dr Piotr Fronczak Generowanie liczb losowych Metody Monte Carlo są oparte na probabilistyce działają dzięki generowaniu liczb losowych. W komputerach te liczby generowane
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 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 szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
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 szczegółowoSTATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA
STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;
Bardziej szczegółowoWykład 5. Zagadnienia omawiane na wykładzie w dniu r
Wykład 5. Zagadnienia omawiane na wykładzie w dniu 14.11.2018r Definicja (iloraz różnicowy) Niech x 0 R oraz niech funkcja f będzie określona przynajmnniej na otoczeniu O(x 0 ). Ilorazem różnicowym funkcji
Bardziej szczegółowoZestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) =
Zestaw : Zmienne losowe. Które z poniższych funkcji są dystrybuantami? Odpowiedź uzasadnij. Wskazówka: naszkicuj wykres. 0, x 0,, x 0, F (x) = x, F (x) = x, 0 x
Bardziej szczegółowoWykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału
Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 7 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoRedukcja wariancji w metodach Monte-Carlo
14.02.2006 Seminarium szkoleniowe 14 lutego 2006 Plan prezentacji Wprowadzenie Metoda losowania warstwowego Metoda próbkowania ważonego Metoda zmiennych kontrolnych Metoda zmiennych antytetycznych Metoda
Bardziej szczegółowoGenerowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport Michał Krzemiński Streszczenie Projekt dotyczy metod generowania oraz badania własności statystycznych ciągów liczb pseudolosowych.
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 szczegółowoAby przygotować się do kolokwiów oraz do egzaminów należy ponownie przeanalizować zadania
Chemia Budowlana - Wydział Chemiczny - 1 Aby przygotować się do kolokwiów oraz do egzaminów należy ponownie przeanalizować zadania rozwiązywane na wykładzie, rozwiązywane na ćwiczeniach, oraz samodzielnie
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 szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk
Bardziej szczegółowodla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2.
Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej μ, wariancji momencie centralnym μ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X μ k Pr > μ + t σ ) 0. k k t σ *
Bardziej szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
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 szczegółowoAlgorytm Metropolisa-Hastingsa
Seminarium szkoleniowe, 25 kwietnia 2006 Plan prezentacji 1 Problem Metoda MCMC 2 Niezależny algorytm Metropolisa-Hastingsa Bła dzenie losowe Zbieżność procedury Metropolisa-Hastingsa Problem Metoda MCMC
Bardziej szczegółowoRozkłady prawdopodobieństwa zmiennych losowych
Rozkłady prawdopodobieństwa zmiennych losowych Rozkład dwumianowy Rozkład normalny Marta Zalewska Zmienna losowa dyskretna (skokowa) jest to zmienna, której zbór wartości jest skończony lub przeliczalny.
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 szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
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 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 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 szczegółowoStochastyczne równania różniczkowe, model Blacka-Scholesa
Stochastyczne równania różniczkowe, model Blacka-Scholesa Marcin Orchel Spis treści 1 Wstęp 1 1.1 Błądzenie losowe................................ 1 1. Proces Wienera................................. 1.3
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
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 szczegółowoFunkcja tworząca Funkcja charakterystyczna. Definicja i własności Funkcja tworząca momenty
momenty Oprócz omówionych już do tej pory charakterystyk rozkładów bardzo wygodnym i skutecznym narzędziem badanie zmiennej losowej są tzw. transformaty jej rozkładu: funkcje tworzące i funkcje charakterystyczne.
Bardziej szczegółowoStacjonarne procesy gaussowskie, czyli o zwiazkach pomiędzy zwykła
Stacjonarne procesy gaussowskie, czyli o zwiazkach pomiędzy zwykła autokorelacji Łukasz Dębowski ldebowsk@ipipan.waw.pl Instytut Podstaw Informatyki PAN autokorelacji p. 1/25 Zarys referatu Co to sa procesy
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 szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 4.04.0 r. Zadanie. Przy danej wartości λ parametru ryzyka Λ liczby szkód generowane przez ubezpieczającego się w kolejnych latach to niezależne zmienne losowe o rozkładzie
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 szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
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 szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Zmienna losowa i jej rozkład Mając daną przestrzeń probabilistyczną, czyli parę (&, P) stanowiącą model pewnego doświadczenia losowego (gdzie
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobieństwo geometryczne Krzysztof Jasiński Wydział Matematyki i Informatyki UMK, Toruń V Lieceum Ogólnokształące im. Jana Pawała II w Toruniu 13.03.2014 Krzysztof Jasiński (WMiI UMK) Prawdopodobieństwo
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 20 KWANTOWE METODY MONTE CARLO 20.1 Kwantowa wariacyjna metoda Monte Carlo Problem własny dla stanu podstawowego układu N cząstek (H E 0 )ψ 0 (r)
Bardziej szczegółowo