Jak wyznaczyć premię za ryzyko? kilka słów o modelu Arrowa - Pratta
|
|
- Kazimierz Rogowski
- 6 lat temu
- Przeglądów:
Transkrypt
1 Jak wyznaczyć premię za ryzyko? kilka słów o modelu Arrowa - Pratta Instytut Matematyki Politechniki Łódzkiej Poznań, r.
2 Pojęcia wstępne u - funkcja użyteczności u : R R, u - ciągła, ściśle rosnąca w 0 - majątek inwestora (Ω, F, P ) - przestrzeń probabilistyczna X : Ω R - zmienna losowa opisująca ryzyko X > 0 - strata, X < 0 - zysk E X <
3 Definicja Mówimy, że inwestor ma awersję do ryzyka, jeśli X L 1 (Ω,F,P ) w 0 u(w EX) Eu(w X). (1)
4 Definicja Mówimy, że inwestor ma awersję do ryzyka, jeśli X L 1 (Ω,F,P ) w 0 u(w EX) Eu(w X). (1) Twierdzenie Inwestor ma awersję do ryzyka wtedy i tylko wtedy, gdy jego funkcja użyteczności jest wklęsła.
5 Definicja Premią za ryzyko X (ang. risk premium) nazywamy wielkość π(w, X), która jest rozwiązaniem równania u(w π(w, X)) = Eu(w X). (2)
6 Definicja Premią za ryzyko X (ang. risk premium) nazywamy wielkość π(w, X), która jest rozwiązaniem równania u(w π(w, X)) = Eu(w X). (2) Bez straty ogólności rozważań zakładamy, że EX = 0.
7 Wniosek Niech u : R R będzie ściśle rosnącą funkcją użyteczności. Jeśli u jest funkcją wklęsłą, to π(w, X) EX, (3) przy czym wielkość π(w, X) jest wyznaczona z równania (2).
8 Definicja Powiemy, że inwestor jest neutralny względem ryzyka, gdy użyteczność jego majątku jest równa wartości tego majątku, tzn. jeśli jego funkcja użyteczności jest postaci u 0(x) = x dla dowolnego x R.
9 Definicja Powiemy, że inwestor jest neutralny względem ryzyka, gdy użyteczność jego majątku jest równa wartości tego majątku, tzn. jeśli jego funkcja użyteczności jest postaci u 0(x) = x dla dowolnego x R. Wniosek X wyznaczona dla inwestora neutralnego względem ryzyka wynosi π 0(w, X) = EX.
10 Definicja Powiemy, że inwestor jest neutralny względem ryzyka, gdy użyteczność jego majątku jest równa wartości tego majątku, tzn. jeśli jego funkcja użyteczności jest postaci u 0(x) = x dla dowolnego x R. Wniosek X wyznaczona dla inwestora neutralnego względem ryzyka wynosi π 0(w, X) = EX. Obserwacja Inwestor ma awersję do ryzyka, gdy π(w, X) π 0(w, X).
11 Miara awersji do ryzyka Lokalna awersja do ryzyka Globalna awersja do ryzyka Definicja Niech u : R R będzie dwukrotnie różniczkowalną i ściśle rosnącą funkcją użyteczności. Miarą lokalnej awersji do ryzyka Arrowa - Pratta nazywamy wielkość r(w) = u (w) u (w) dla dowolnego w 0. Wielkość r(w) nazywamy również współczynnikiem bezwzględnej awersji do ryzyka Arrowa - Pratta.
12 Twierdzenie Pratta Lokalna awersja do ryzyka Globalna awersja do ryzyka Twierdzenie (Pratt, 1964) Niech u 1, u 2 : R R będą ściśle rosnącymi i wklęsłymi funkcjami użyteczności oraz niech u 1, u 2 będą dwukrotnie różniczkowalne. Załóżmy, że r 1, r 2 są miarami awersji do ryzyka odpowiadającymi tym funkcjom użyteczności oraz π 1, π 2 są premiami za ryzyko wyznaczonymi z równania (2) przy funkcjach u 1, u 2 odpowiednio. Następujące warunki są równoważne: 1 r 1(w) r 2(w) dla każdego w R; 2 u 1 = G u 2 dla pewnej ściśle rosnącej i wklęsłej funkcji G; 3 π 1(w, X) π 2(w, X) dla każdego w R i dowolnej zmiennej losowej X takiej, że EX = 0.
13 Nierówność Jensena Lokalna awersja do ryzyka Globalna awersja do ryzyka Lemat Niech (Ω, F, P ) będzie przestrzenią probabilistyczną i X : Ω R będzie dowolną zmienną losową. Załóżmy, że E X <. Jeśli funkcja φ : R R jest wklęsła, to Eφ(X) φ(ex). Zauważmy, że implikacja odwrotna jest również prawdziwa.
14 Teoria Skumulowanej Perspektywy Lokalna awersja do ryzyka Globalna awersja do ryzyka Daniel Kahneman Źródło: Amos Tverski Źródło:
15 Pojęcia wstępne Nierówność Jensena Oznaczenia (Ω, F) - przestrzeń mierzalna µ : F [0, 1] - capacity (pseudomiara), tzn. funkcja zbioru taka, że µ( ) = 0, µ(ω) = 1 oraz µ(a) µ(b) dla A B µ(a) = 1 µ(a c ), gdzie A c = Ω\A
16 Pojęcia wstępne Nierówność Jensena Oznaczenia (Ω, F) - przestrzeń mierzalna µ : F [0, 1] - capacity (pseudomiara), tzn. funkcja zbioru taka, że µ( ) = 0, µ(ω) = 1 oraz µ(a) µ(b) dla A B µ(a) = 1 µ(a c ), gdzie A c = Ω\A Uogólniona całka Choqueta dla pseudomiar µ i ν jest dana wzorem C µν(x) = 0 µ(x > t)dt 0 ν(x t)dt, (4) o ile przynajmniej jedna z powyższych całek Riemanna jest skończona.
17 Własności całki Choqueta Nierówność Jensena Lemat (C1) Jeśli > lub w definicji całki Choqueta zastąpimy przez lub < odpowiednio, to wartość całki Choqueta się nie zmieni. (C2) ω Ω X(ω) Y (ω) C µν(x) C µν(y ), (C3) X Lµν b 0 oraz X Lµν b 0 C µν(bx) = bc νµ(x) C µν(bx) = bc µν(x), (C4) a R C µν(a + X) = a + C µν(x) + (C5) jeśli µ = ν = P, to C µν(x) = EX. 0 a ( µ(x > s) ν(x s) ) ds,
18 Problem Pojęcia wstępne Nierówność Jensena Pytanie Czy istnieje odpowiednik nierówności Jensena dla uogólnionej całki Choqueta?
19 Nierówność Jensena Nierówność Jensena dla uogólnionej całki Choqueta I - dowolny otwarty przedział zawierający 0, ograniczony lub nieograniczony L I µν - zbiór funkcji mierzalnych X : Ω I takich, że C µν(x) I.
20 Nierówność Jensena Nierówność Jensena dla uogólnionej całki Choqueta I - dowolny otwarty przedział zawierający 0, ograniczony lub nieograniczony L I µν - zbiór funkcji mierzalnych X : Ω I takich, że C µν(x) I. Twierdzenie (Kałuszka & Szeligowska, 2016) Niech funkcja f : I R będzie ściśle rosnąca i wklęsła oraz f(0) 0. Wówczas zachodzi nierówność Jensena postaci X L I µν C µν(f(x)) f(c µν(x)) (5) wtedy i tylko wtedy, gdy µ ν, tzn. µ(a) ν(a) dla dowolnego zbioru A F.
21 Pojęcia wstępne Lokalna awersja do ryzyka Globalna awersja do ryzyka u - funkcja użyteczności u : I R, u - ściśle rosnąca, ciągła oraz u(0) = 0 w 0 - majątek inwestora (Ω, F) - przestrzeń mierzalna µ, ν : F [0, 1] - capacity X : Ω I - zmienna losowa opisująca ryzyko X > 0 - strata, X < 0 - zysk X L I µν
22 Lokalna awersja do ryzyka Globalna awersja do ryzyka Definicja Premią za ryzyko X (ang. risk premium) nazywamy wielkość π u(w, X), która jest rozwiązaniem równania u (w π u(x, w)) = C µν (u(w X)). (6)
23 Lokalna awersja do ryzyka Globalna awersja do ryzyka Niech X u oznacza zbiór funkcji mierzalnych X : Ω I takich, że C µν(x) I i C µν(u(x)) u(i).
24 Lokalna awersja do ryzyka Globalna awersja do ryzyka Niech X u oznacza zbiór funkcji mierzalnych X : Ω I takich, że C µν(x) I i C µν(u(x)) u(i). Definicja Powiemy, że inwestor z funkcją użyteczności u: I R ma awersję do ryzyka, jeśli dla dowolnego majątku w 0 i ryzyka X takiego, że w X X u π u(x, w) π 0 := C µν(x) + w 0 ( ν(x < s) µ(x < s) ) ds, (7) gdzie π 0 jest premią za ryzyko inwestora neutralnego względem ryzyka.
25 Lokalna awersja do ryzyka Globalna awersja do ryzyka Twierdzenie Inwestor z wklęsłą funkcją użyteczności u : R R ma awersję do ryzyka wtedy i tylko wtedy, gdy µ ν. Ponadto, jeśli inwestor ma awersję do ryzyka, µ ν i µ(b), ν(b c ) > 0 dla pewnego B F, to u jest funkcją wklęsłą.
26 Miara awersji do ryzyka Lokalna awersja do ryzyka Globalna awersja do ryzyka Definicja Niech u : I R będzie dwukrotnie różniczkowalną i ściśle rosnącą funkcją użyteczności. Miarą lokalnej awersji do ryzyka Arrowa - Pratta nazywamy wielkość r u(w) = u (w) u (w) dla dowolnego w 0.
27 Twierdzenie Pratta Lokalna awersja do ryzyka Globalna awersja do ryzyka Twierdzenie Załóżmy, że µ ν oraz µ(b), ν(b c ) > 0 dla pewnego B F. Niech r 1 i r 2 będą miarami lokalnej awersji do ryzyka Arrowa - Pratta wyznaczonymi przez ściśle rosnące, wklęsłe i dwukrotnie różniczkowalne funkcje użyteczności u 1, u 2 : I R. Następujące warunki są równoważne: 1 r 1(w) r 2(w) dla dowolnego w I; 2 u 1 = g u 2 dla pewnej ściśle rosnącej i wklęsłej funkcji g; 3 π u1 (w, X) π u2 (w, X) dla każdego w R i dowolnej zmiennej losowej X L I µν.
28 Literatura Pojęcia wstępne K. J. Arrow, Essays in the Theory of Risk-Bearing, Markham Publishing Co., Chicago (1971). G. Choquet, Theory of capacities, Annales de ĺıinstitut Fourier 5 (1954), J. W. Pratt, Risk Aversion in the Small and in the Large, Econometrica 32 (1964), A. Rubinstein, Lecture Notes in Microeconomic Theory, Princeton University Press (2011). W. Szeligowska, M. Kałuszka, On Jensen s inequality for generalized Choquet integral with an application to risk aversion, arxiv: (2016). A. Tversky, D. Kahneman, Advances in prospect theory: Cumulative representation of uncertainty, Journal of Risk and Uncertainty 5 (1992), A. Tversky, D. Kahneman, Prospect Theory: An Analysis of Decision under Risk, Econometrica 46 (1979),
Własność iteracyjności składek ubezpieczeniowych wyznaczonych w oparciu o teorię skumulowanej perspektywy Kahnemana-Tversky
Własność iteracyjności składek ubezpieczeniowych wyznaczonych w oparciu o teorię skumulowanej perspektywy Kahnemana-Tversky ego Marek Kałuszka Michał Krzeszowiec Ogólnopolska Konferencja Naukowa Zagadnienia
Bardziej szczegółowoO modelu awersji do ryzyka Arrowa-Pratta dla uogólnionej całki Choqueta 3
Marek Kałuszka 1, Wioletta Szeligowska 2 O modelu awersji do ryzyka Arrowa-Pratta dla uogólnionej całki Choqueta 3 1. Wstęp Niech ( Ω,F ) będzie przestrzenią mierzalną, gdzie F jest σ -ciałem podzbiorów
Bardziej szczegółowoIteracyjność składek ubezpieczeniowych w ujęciu teorii skumulowanej perspektywy i teorii nieokreśloności 1
Roczniki Kolegium Analiz Ekonomicznych Zeszyt 31/213 Marek Kałuszka Michał Krzeszowiec Iteracyjność składek ubezpieczeniowych w ujęciu teorii skumulowanej perspektywy i teorii nieokreśloności 1 Streszczenie
Bardziej szczegółowoTeoria preferencji i jej alternatywy
Dariusz Zawisza Instytut Matematyki UJ 10 maj 2012 Racjonalność Racjonalny decydent: rzetelnie pozyskuje informacje i właściwie je interpretuje - decydent zna możliwe konsekwencje swoich decyzji, na podstawie
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 szczegółowoUbezpieczenia majątkowe
Funkcje użyteczności a składki Uniwersytet Przyrodniczy we Wrocławiu Instytut Nauk Ekonomicznych i Społecznych 2016/2017 Funkcja użyteczności Niech ω wielkość majątku decydenta wyrażona w j.p., u (ω) stopień
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 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 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 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 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 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 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 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 szczegółowoPodstawy metod probabilistycznych. dr Adam Kiersztyn
Podstawy metod probabilistycznych dr Adam Kiersztyn Przestrzeń zdarzeń elementarnych i zdarzenia losowe. Zjawiskiem lub doświadczeniem losowym nazywamy taki proces, którego przebiegu i ostatecznego wyniku
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 szczegółowoProces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką
z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n
Bardziej 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 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 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 szczegółowoLokalna odwracalność odwzorowań, odwzorowania uwikłane
Lokalna odwracalność odwzorowań, odwzorowania uwikłane Katedra Matematyki i Ekonomii Matematycznej Szkoła Główna Handlowa 17 maja 2012 Definicja Mówimy, że odwzorowanie F : X R n, gdzie X R n, jest lokalnie
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 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 szczegółowoZasada indukcji matematycznej
Zasada indukcji matematycznej Twierdzenie 1 (Zasada indukcji matematycznej). Niech ϕ(n) będzie formą zdaniową zmiennej n N 0. Załóżmy, że istnieje n 0 N 0 takie, że 1. ϕ(n 0 ) jest zdaniem prawdziwym,.
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 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 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 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 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 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 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 szczegółowoWYKŁAD Z ANALIZY MATEMATYCZNEJ I. dr. Elżbieta Kotlicka. Centrum Nauczania Matematyki i Fizyki
WYKŁAD Z ANALIZY MATEMATYCZNEJ I dr. Elżbieta Kotlicka Centrum Nauczania Matematyki i Fizyki http://im0.p.lodz.pl/~ekot Łódź 2006 Spis treści 1. CIĄGI LICZBOWE 2 1.1. Własności ciągów liczbowych o wyrazach
Bardziej szczegółowoCałki podwójne. Definicja całki podwójnej. Jacek Kłopotowski. 25 maja Katedra Matematyki i Ekonomii Matematycznej
Definicja całki podwójnej Katedra Matematyki i Ekonomii Matematycznej 25 maja 2016 Definicja całki podwójnej Załóżmy, że f : K R, gdzie K = a, b c, d R 2, jest funkcją ograniczoną. Niech x 0, x 1,...,
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 szczegółowoWykład 6 Estymatory efektywne. Własności asymptotyczne estym. estymatorów
Wykład 6 Estymatory efektywne. Własności asymptotyczne estymatorów Wrocław, 30 listopada 2016r Powtórzenie z rachunku prawdopodobieństwa Zbieżność Definicja 6.1 Niech ciąg {X } n ma rozkład o dystrybuancie
Bardziej szczegółowoFunkcje rzeczywiste jednej. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski
Funkcje rzeczywiste jednej zmiennej rzeczywistej Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski Definicje Funkcją (odwzorowaniem) f, odwzorowującą zbiór D w zbiór P nazywamy
Bardziej szczegółowoI. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji.
I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji. Niech x 0 R i niech f będzie funkcją określoną przynajmniej na
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 szczegółowoO pewnych miarach ryzyka 2
Michał Boczek 1 Instytut Matematyki Politechnika Łódzka O pewnych miarach ryzyka 2 Streszczenie Celem pracy jest wprowadzenie funkcjonałów zdefiniowanych dla pewnych rodzin zmiennych losowych przy użyciu
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 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 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 szczegółowo2. Kombinacja liniowa rozwiązań zeruje się w pewnym punkcie wtedy i tylko wtedy, gdy zeruje się w każdym punkcie.
Wniosek 1 Rozpatrzmy układ równań postaci: y 1 = a 11 (x)y 1 + + a 1n (x)y n y 2 = a 21 (x)y 1 + + a 2n (x)y n y n = a n1 (x)y 1 + + a nn (x)y n (1) o współczynnikach ciągłych w przedziale J 1 Rozwiązanie
Bardziej szczegółowo1 Funkcja użyteczności
1 Funkcja użyteczności Funkcja użyteczności to funkcja, której wartościami są wartości użyteczności (satysfakcji, komfortu psychicznego). Można mówić o użyteczności różnych zjawisk. Użyteczność pieniądza
Bardziej szczegółowo6. Zmienne losowe typu ciagłego ( ) Pole trapezu krzywoliniowego
6. Zmienne losowe typu ciagłego (2.04.2007) Pole trapezu krzywoliniowego Przypomnienie: figurę ograniczoną przez: wykres funkcji y = f(x), gdzie f jest funkcją ciągłą; proste x = a, x = b, a < b, oś OX
Bardziej szczegółowoWykład 2: Szeregi Fouriera
Rachunek prawdopodobieństwa MAP64 Wydział Elektroniki, rok akad. 8/9, sem. letni Wykładowca: dr hab. A. Jurlewicz Wykład : Szeregi Fouriera Definicja. Niech f(t) będzie funkcją określoną na R, okresową
Bardziej szczegółowoRozkłady prawdopodobieństwa
Tytuł Spis treści Wersje dokumentu Instytut Matematyki Politechniki Łódzkiej 10 grudnia 2011 Spis treści Tytuł Spis treści Wersje dokumentu 1 Wartość oczekiwana Wariancja i odchylenie standardowe Rozkład
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 szczegółowoRepetytorium z przedmiotu MIARA I PRAWDOPODOBIEŃSTWO dla kierunku Informatyka 2001/2002. Adam Jakubowski
Repetytorium z przedmiotu MIARA I PRAWDOPODOBIEŃSTWO dla kierunku Informatyka 2001/2002 Adam Jakubowski Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Toruń, 2002 Spis treści Wstęp 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 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 szczegółowoZbiory wypukłe i stożki
Katedra Matematyki i Ekonomii Matematycznej 28 kwietnia 2016 Hiperpłaszczyzna i półprzestrzeń Definicja Niech a R n, a 0, b R. Zbiór H(a, b) = {x R n : (a x) = b} nazywamy hiperpłaszczyzną, zbiory {x R
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 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 szczegółowoInne kryteria tworzenia portfela. Inne kryteria tworzenia portfela. Poziom bezpieczeństwa. Analiza i Zarządzanie Portfelem cz. 3. Dr Katarzyna Kuziak
Inne kryteria tworzenia portfela Analiza i Zarządzanie Portfelem cz. 3 Dr Katarzyna Kuziak. Minimalizacja ryzyka przy zadanym dochodzie Portfel efektywny w rozumieniu Markowitza odchylenie standardowe
Bardziej szczegółowoImmunizacja ryzyka stopy procentowej ubezpieczycieli życiowych
Immunizacja ryzyka stopy procentowej ubezpieczycieli życiowych Elżbieta Krajewska Instytut Matematyki Politechnika Łódzka Elżbieta Krajewska Immunizacja ubezpieczycieli życiowych 1/22 Plan prezentacji
Bardziej szczegółowoIII. Funkcje rzeczywiste
. Pojęcia podstawowe Załóżmy, że dane są dwa niepuste zbiory X i Y. Definicja. Jeżeli każdemu elementowi x X przyporządkujemy dokładnie jeden element y Y, to mówimy, że na zbiorze X została określona funkcja
Bardziej szczegółowo9 Funkcje Użyteczności
9 Funkcje Użyteczności Niech u(x) oznacza użyteczność wynikającą z posiadania x jednostek pewnego dobra. Z założenia, 0 jest punktem referencyjnym, czyli u(0) = 0. Należy to zinterpretować jako użyteczność
Bardziej szczegółowoVIII. Zastosowanie rachunku różniczkowego do badania funkcji. 1. Twierdzenia o wartości średniej. Monotoniczność funkcji.
VIII. Zastosowanie rachunku różniczkowego do badania funkcji. 1. Twierdzenia o wartości średniej. Monotoniczność funkcji. Twierdzenie 1.1. (Rolle a) Jeżeli funkcja f jest ciągła w przedziale domkniętym
Bardziej szczegółowoAproksymacja diofantyczna
Aproksymacja diofantyczna Szymon Draga Ustroń, 4 listopada 0 r Wprowadzenie Jak wiadomo, każdą liczbę niewymierną można (z dowolną dokładnością) aproksymować liczbami wymiernymi Powstaje pytanie, w jaki
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 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 szczegółowoMNRP r. 1 Aksjomatyczna definicja prawdopodobieństwa (wykład) Grzegorz Kowalczyk
MNRP 18.03.2019r. Grzegorz Kowalczyk 1 Aksjomatyczna definicja prawdopodobieństwa (wykład) Definicja (σ - ciało) Niech Ω - dowolny zbiór. Rodzinę F P (Ω), gdzie P (Ω) jest rodziną wszystkich podzbiorów
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 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 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 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 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 szczegółowoZmienne losowe i ich rozkłady
Zmienne losowe i ich rozkłady 29 kwietnia 2019 Definicja: Zmienną losową nazywamy mierzalną funkcję X : (Ω, F, P) (R n, B(R n )). Definicja: Niech A będzie zbiorem borelowskim. Rozkładem zmiennej losowej
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 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 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 szczegółowoDyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej
Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Co to jest entropia nadwyżkowa? Niech (X i ) i Z będzie procesem
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
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 szczegółowoO zbiorach małych w polskich grupach abelowych
O zbiorach małych w polskich grupach abelowych Eliza Jabłońska Katedra Matematyki Politechniki Rzeszowskiej Warsztaty z Analizy Rzeczywistej, Konopnica 2016 E. Jabłońska (KM PRz) O zbiorach małych Konopnica
Bardziej szczegółowoII. Równania autonomiczne. 1. Podstawowe pojęcia.
II. Równania autonomiczne. 1. Podstawowe pojęcia. Definicja 1.1. Niech Q R n, n 1, będzie danym zbiorem i niech f : Q R n będzie daną funkcją określoną na Q. Równanie różniczkowe postaci (1.1) x = f(x),
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 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 szczegółowoJoanna Karłowska-Pik Procesy Poissona w geometrii stochastycznej
Joanna Karłowska-Pik Procesy Poissona w geometrii stochastycznej Wykład dla stypendystów Krajowego Funduszu na Rzecz Dzieci, Toruń, 1-3 grudnia 2006 roku 1. Przestrzeń probabilistyczna Przestrzenią probabilistyczną
Bardziej szczegółowo1 Elementy analizy funkcjonalnej
M. Beśka, Dodatek 1 1 Elementy analizy funkcjonalnej 1.1 Twierdzenia o reprezentacji Zaczniemy od znanego twierdzenia Riesza Twierdzenie 1.1 (Riesz) Niech będzie zwartą przestrzenią metryczną i załóżmy,
Bardziej szczegółowo1 Metody rozwiązywania równań nieliniowych. Postawienie problemu
1 Metody rozwiązywania równań nieliniowych. Postawienie problemu Dla danej funkcji ciągłej f znaleźć wartości x, dla których f(x) = 0. (1) 2 Przedział izolacji pierwiastka Będziemy zakładać, że równanie
Bardziej szczegółowoDYSKONTO A AWERSJA DO RYZYKA UTRATY PŁYNNOŚCI. Problem badawczy. 1. Elementy teorii użyteczności strumienia finansowego
Krzysztof Piasecki Uniwersytet Ekonomiczny w Poznaniu DYSKONTO A AWERSJA DO RYZYKA UTRATY PŁYNNOŚCI Streszczenie: Wartość bieżąca jest rozważana, jako użyteczność strumienia finansowego. Dzięki temu można
Bardziej szczegółowoZadania o numerze 4 z zestawów licencjat 2014.
Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...
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 szczegółowoMatematyka II. Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr letni 2018/2019 wykład 13 (27 maja)
Matematyka II Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr letni 208/209 wykład 3 (27 maja) Całki niewłaściwe przedział nieograniczony Rozpatrujemy funkcje ciągłe określone na zbiorach < a, ),
Bardziej szczegółowoTreści programowe. Matematyka 1. Efekty kształcenia. Literatura. Warunki zaliczenia. Ogólne własności funkcji. Definicja 1. Funkcje elementarne.
Treści programowe Matematyka 1 Katarzyna Trąbka-Więcław Funkcje elementarne. Granica funkcji, własności granic, wyrażenia nieoznaczone, ciągłość funkcji. Pochodna funkcji w punkcie i w przedziale, pochodne
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 szczegółowoO TYM, JAK LEONHARD EULER SPACEROWAŁ PO MOSTACH W KRÓLEWCU I CO Z TEGO WYNIKŁO...
O TYM, JAK LEONHARD EULER SPACEROWAŁ PO MOSTACH W KRÓLEWCU I CO Z TEGO WYNIKŁO... Bogusław Uniwersytet Warmińsko Mazurski Olsztyn, 30.09.2015 Problem Czy można przejść wszystkie mosty przechodzac przez
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 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 szczegółowoCentralne twierdzenie graniczne
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1
Bardziej szczegółowoPochodne funkcji wraz z zastosowaniami - teoria
Pochodne funkcji wraz z zastosowaniami - teoria Pochodne Definicja 2.38. Niech f : O(x 0 ) R. Jeżeli istnieje skończona granica f(x 0 + h) f(x 0 ) h 0 h to granicę tę nazywamy pochodną funkcji w punkcie
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 szczegółowoWykład 6, pochodne funkcji. Siedlce
Wykład 6, pochodne funkcji Siedlce 20.12.2015 Definicja pochodnej funkcji w punkcie Niech f : (a; b) R i niech x 0 ; x 1 (a; b), x0 x1. Wyrażenie nazywamy ilorazem różnicowym funkcji f między punktami
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 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 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 szczegółowo1 Działania na zbiorach
M. Beśka, Wstęp do teorii miary, rozdz. 1 1 1 Działania na zbiorach W rozdziale tym przypomnimy podstawowe działania na zbiorach koncentrując się na własnościach tych działań, które będą przydatne w dalszej
Bardziej szczegółowo