Jak rzucać losowe spojrzenia na ruch Browna by w nim wszystko dojrzeć
|
|
- Natalia Wróbel
- 6 lat temu
- Przeglądów:
Transkrypt
1 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
2 Plan referatu 1. Wstępne definicje 2. Czasy dojścia i problem zanurzeń Skorochoda 3. Zmiany czasu i zanurzanie procesów Konwersatorium IMPAN, Listopad 2004 p.2/22
3 Plan referatu 1. Notacja i definicje 2. Czasy dojścia i problem zanurzeń Skorochoda Dojścia do 2 punktów: rozwiązania Skorochoda oraz Chacona-Walsha Dojścia do bariery: rozwiązanie Root a Sprytniejsze dojścia: rozwiązanie Azémy-Yora 3. Zmiany czasu i zanurzanie procesów Iterowanie Skorochoda Tw Dambis-Dubins-Schwarz Subordynacja Konwersatorium IMPAN, Listopad 2004 p.2/22
4 Definicje i notacja Ruch Browna, B = (B t : t 0), scentrowany proces o ciagłych trajektoriach, o przyrostach niezależnych i stacjonarnych: (B t+s B t ) to nowy ruch Browna niezależny od (B u : u t). Konwersatorium IMPAN, Listopad 2004 p.3/22
5 Definicje i notacja Ruch Browna, B = (B t : t 0), scentrowany proces o ciagłych trajektoriach, o przyrostach niezależnych i stacjonarnych: (B t+s B t ) to nowy ruch Browna niezależny od (B u : u t). Ciągły martyngał (lokalny), M = (M t : t 0) (czyli w zasadzie E[M t+s F t ] = M t ). Charakteryzowany przez wariację: M, niemalejący, ciągły proces t.że M 2 t M t jest martyngałem. M = B M t = t. Konwersatorium IMPAN, Listopad 2004 p.3/22
6 Definicje i notacja Ruch Browna, B = (B t : t 0), scentrowany proces o ciagłych trajektoriach, o przyrostach niezależnych i stacjonarnych: (B t+s B t ) to nowy ruch Browna niezależny od (B u : u t). Ciągły martyngał (lokalny), M = (M t : t 0) (czyli w zasadzie E[M t+s F t ] = M t ). Charakteryzowany przez wariację: M, niemalejący, ciągły proces t.że M 2 t M t jest martyngałem. M = B M t = t. Moment stopu, T, zmienna losowa w R + { }, t.że {T t} jest F t mierzalna, czyli taka "realna strategia zatrzymywania", np.: pierwsze momenty dojścia do ustalonego zbioru. Konwersatorium IMPAN, Listopad 2004 p.3/22
7 Definicje i notacja Ruch Browna, B = (B t : t 0), scentrowany proces o ciagłych trajektoriach, o przyrostach niezależnych i stacjonarnych: (B t+s B t ) to nowy ruch Browna niezależny od (B u : u t). Ciągły martyngał (lokalny), M = (M t : t 0) (czyli w zasadzie E[M t+s F t ] = M t ). Charakteryzowany przez wariację: M, niemalejący, ciągły proces t.że M 2 t M t jest martyngałem. M = B M t = t. Moment stopu, T, zmienna losowa w R + { }, t.że {T t} jest F t mierzalna, czyli taka "realna strategia zatrzymywania", np.: pierwsze momenty dojścia do ustalonego zbioru. Miara probabilistyczna, µ, µ M 1 0 jeśli x dµ(x) < oraz xdµ(x) = 0. Jeśli X zmienna losowa o rozkładzie µ to piszemy X µ. Konwersatorium IMPAN, Listopad 2004 p.3/22
8 Problem zanurzenia Skorochoda Dla B = (B t : t 0) ruchu Browna, miary probabilistycznej µ, Konwersatorium IMPAN, Listopad 2004 p.4/22
9 Problem zanurzenia Skorochoda Dla B = (B t : t 0) ruchu Browna, miary probabilistycznej µ, znaleźć moment stopu T, taki że B T µ. Konwersatorium IMPAN, Listopad 2004 p.4/22
10 Problem zanurzenia Skorochoda Dla B = (B t : t 0) ruchu Browna, miary probabilistycznej µ, znaleźć moment stopu T, "mały", taki że B T µ. Konwersatorium IMPAN, Listopad 2004 p.4/22
11 Problem zanurzenia Skorochoda Dla B = (B t : t 0) ruchu Browna, miary probabilistycznej µ, znaleźć moment stopu T, całkowalny, taki że B T µ. Konwersatorium IMPAN, Listopad 2004 p.4/22
12 Problem zanurzenia Skorochoda Dla B = (B t : t 0) ruchu Browna, miary probabilistycznej µ, scentrowanej, o skończonej wariancji, znaleźć moment stopu T, całkowalny, taki że B T µ. Konwersatorium IMPAN, Listopad 2004 p.4/22
13 Problem zanurzenia Skorochoda Dla B = (B t : t 0) ruchu Browna, miary probabilistycznej µ, scentrowanej, o skończonej wariancji, znaleźć moment stopu T, całkowalny, T wyrażony explicite taki że B T µ. (B t T ) jest UI Konwersatorium IMPAN, Listopad 2004 p.4/22
14 Problem zanurzenia Skorochoda Dla B = (B t : t 0) ruchu Browna, miary probabilistycznej µ, scentrowanej, o skończonej wariancji, znaleźć moment stopu T, całkowalny, T wyrażony explicite taki że B T µ. (B t T ) jest UI Dla a < 0 < b, µ = pδ a + (1 p)δ b T a,b = inf{t 0 : B t / [a, b]}; Konwersatorium IMPAN, Listopad 2004 p.4/22
15 Problem zanurzenia Skorochoda Dla B = (B t : t 0) ruchu Browna, miary probabilistycznej µ, scentrowanej, o skończonej wariancji, znaleźć moment stopu T, całkowalny, T wyrażony explicite taki że B T µ. (B t T ) jest UI Dla a < 0 < b, µ = pδ a + (1 p)δ b T a,b = inf{t 0 : B t / [a, b]}; Dla µ = 1 4 δ δ δ 2 istnieje bardzo dużo rozwiązań, np.: T D = inf{t > T 1,1 : B t { 2, 0, 2}} T AY = inf{t > T 2,2/3 : B t { 2, 0, 2}}. Przypomnijmy: dla a < 0 < b, ( ) P B Ta,b = a = b b+ a, EB T a,b = 0. Konwersatorium IMPAN, Listopad 2004 p.4/22
16 Przykład Dla µ = 1 4 δ δ δ 2 istnieje bardzo dużo rozwiązań, np.: T D = inf{t > T 1,1 : B t { 2, 0, 2}} T AY = inf{t > T 2,2/3 : B t { 2, 0, 2}}. Konwersatorium IMPAN, Listopad 2004 p.5/22
17 Czasy wyjścia z [a, b] - rozwiazanie Skorochoda Niech a < 0 < b oraz T a,b := inf{t 0 : B t / [a, b]} = inf{t 0 : B t {a, b}}. Miara B Ta,b µ a,b jest scentrowana, skupiona w 2 punktach: a i b. Konwersatorium IMPAN, Listopad 2004 p.6/22
18 Czasy wyjścia z [a, b] - rozwiazanie Skorochoda Niech a < 0 < b oraz T a,b := inf{t 0 : B t / [a, b]} = inf{t 0 : B t {a, b}}. Miara B Ta,b µ a,b jest scentrowana, skupiona w 2 punktach: a i b. Skorochod każda miarę można przedstawić jako niezależną mieszankę miar µ a,b tj. µ M 1 0, X zm. los. niedodatnia oraz ρ : R R + t.że µ µ X,ρ(X), a zatem dla X i B = (B t : t 0) niezależnych, T X,ρ(X) = inf{t 0 : B t / [X, ρ(x)]} daje: B T µ. Konwersatorium IMPAN, Listopad 2004 p.6/22
19 Czasy wyjścia z [a, b] - rozwiazanie Skorochoda Niech a < 0 < b oraz T a,b := inf{t 0 : B t / [a, b]} = inf{t 0 : B t {a, b}}. Miara B Ta,b µ a,b jest scentrowana, skupiona w 2 punktach: a i b. Skorochod każda miarę można przedstawić jako niezależną mieszankę miar µ a,b tj. µ M 1 0, X zm. los. niedodatnia oraz ρ : R R + t.że µ µ X,ρ(X), a zatem dla X i B = (B t : t 0) niezależnych, T X,ρ(X) = inf{t 0 : B t / [X, ρ(x)]} daje: B T µ. Aby pozbyć się zewnętrznej randomizacji (X powyżej) będziemy składać T an,b n. Kluczowym narzędziem jest potencjał miary probabilistycznej µ M 1 0: µu(x) := x y dµ(y) (x y)dµ(y) = x, funkcja wklęsła, Lipschitzowska, która pozwala badać zbieżność miar probabilistycznych. Konwersatorium IMPAN, Listopad 2004 p.6/22
20 Rozwiazanie Chacona i Walsha Dla µ M 1 0 mamy: µu(x) = x y dµ(y). Łatwo widać, że jeśli B 0 ν, to po zatrzymaniu B Ta,b γ, gdzie γu otrzymuje się z νu przez liniowe obcięcie νu pomiędzy νu(a) a νu(b): a b a b νu γu Konwersatorium IMPAN, Listopad 2004 p.7/22
21 Rozwiazanie Chacon-Walsh c.d. Funkcja wklęsła zapisuje się jako przeliczalna granica funkcji afinicznych. Kolejne funkcje to liniowe obcięcia poprzednich, co odpowiada zatrzymaniu ruchu Browna w momencie wyjścia z jakiegoś przedziału. Dostajemy tak całą rodzinę rozwiązań: B 0 µ 0 µ 0 U µu Konwersatorium IMPAN, Listopad 2004 p.8/22
22 Rozwiazanie Chacon-Walsh c.d. Funkcja wklęsła zapisuje się jako przeliczalna granica funkcji afinicznych. Kolejne funkcje to liniowe obcięcia poprzednich, co odpowiada zatrzymaniu ruchu Browna w momencie wyjścia z jakiegoś przedziału. Dostajemy tak całą rodzinę rozwiązań: B 0 µ 0 µ 0 U µu µ 0 U µu Konwersatorium IMPAN, Listopad 2004 p.8/22
23 Rozwiazanie Chacon-Walsh c.d. Funkcja wklęsła zapisuje się jako przeliczalna granica funkcji afinicznych. Kolejne funkcje to liniowe obcięcia poprzednich, co odpowiada zatrzymaniu ruchu Browna w momencie wyjścia z jakiegoś przedziału. Dostajemy tak całą rodzinę rozwiązań: B 0 µ 0 µ 0 U µu µ 0 U µu a 1 b 1 B Ta1,b 1 µ 1 µ 1 U µu Konwersatorium IMPAN, Listopad 2004 p.8/22
24 Rozwiazanie Chacon-Walsh c.d. Funkcja wklęsła zapisuje się jako przeliczalna granica funkcji afinicznych. Kolejne funkcje to liniowe obcięcia poprzednich, co odpowiada zatrzymaniu ruchu Browna w momencie wyjścia z jakiegoś przedziału. Dostajemy tak całą rodzinę rozwiązań: B 0 µ 0 µ 0 U µu a 1 b 1 B Ta1,b 1 µ 1 µ 1 U µu µ 0 U µu µ 2 U µu a 2 b 2 T 1 = T a1,b 1 ;...; T n = inf{t T n 1 : B t / [a n, b n ]}, T = limt n, wtedy B T µ. Konwersatorium IMPAN, Listopad 2004 p.8/22
25 Rozwiazanie Root a Poprzednia konstrukcja, oparta na momentach wyjścia z przedziałów, daje bezpośrednie wzory w przypadku miar atomowych: µ({x 1, x 2,...,x n }) = 1. Dla miar z gęstością konieczne jest przejście graniczne i nie mamy bezpośrednich wzorów. Rodzina momentów stopu: T = inf{t 0 : B t A}, A R, jest zbyt uboga. Konwersatorium IMPAN, Listopad 2004 p.9/22
26 Rozwiazanie Root a Poprzednia konstrukcja, oparta na momentach wyjścia z przedziałów, daje bezpośrednie wzory w przypadku miar atomowych: µ({x 1, x 2,...,x n }) = 1. Dla miar z gęstością konieczne jest przejście graniczne i nie mamy bezpośrednich wzorów. Rodzina momentów stopu: T = inf{t 0 : B t A}, A R, jest zbyt uboga. Rozpatrzmy momenty dojścia dla zbiorów w czaso-przestrzeni a nie jedynie w przestrzeni: T = inf{t 0 : (t, B t ) R}, R R + R. Konwersatorium IMPAN, Listopad 2004 p.9/22
27 Rozwiazanie Root a Momenty stopu Root a T R = inf{t 0 : (t, B t ) R}, R R + R, będziemy rozpatrywać dla barier, to jest takich R, że (t, x) R (t + h, x) R, h > 0. Konwersatorium IMPAN, Listopad 2004 p.9/22
28 Rozwiazanie Root a Momenty stopu Root a T R = inf{t 0 : (t, B t ) R}, R R + R, będziemy rozpatrywać dla barier, to jest takich R, że (t, x) R (t + h, x) R, h > 0. Okazuje się, że dla każdej miary probabilistycznej µ M 2 0 istnieje bariera R µ R + R, taka że B µ. TR µ Niestety, chociaż istnienie bariery jest stosunkowo łatwo pokazać, to wyznaczenie bariery dla danej miary udaje się niezwykle rzadko! (i na odwrót) Konwersatorium IMPAN, Listopad 2004 p.9/22
29 Rozwiazanie Azémy-Yora W konstrukcji Root a rozważaliśmy momenty dojścia dla dwuwymiarowego procesu: (t, B t ). Spróbujmy zastąpić deterministyczny proces pierwszej współrzędnej przez inny proces! Konwersatorium IMPAN, Listopad 2004 p.10/22
30 Rozwiazanie Azémy-Yora W konstrukcji Root a rozważaliśmy momenty dojścia dla dwuwymiarowego procesu: (t, B t ). Spróbujmy zastąpić deterministyczny proces pierwszej współrzędnej przez inny proces! Rozważmy proces (S t, B t ) gdzie S t = sup ut B u. Taki proces przybiera wartości w zbiorze: {(s, x) : s max{0, x}}. Dla rosnącej funkcji Ψ(x) x popatrzmy na pierwszy moment dojścia dla (S t, B t ) do H: H = {(s, x) R 2 : s Ψ(x)} T AY = inf{t 0 : (S t, B t ) H} = inf{t 0 : S t = Ψ(B t )}. Konwersatorium IMPAN, Listopad 2004 p.10/22
31 Rozwiazanie Azémy-Yora - c.d. Niech S t = sup st B s, µ(x) = µ([x, )) T = T AY = inf{t 0 : Ψ(B t ) = S t }, Ψ. Konwersatorium IMPAN, Listopad 2004 p.11/22
32 Rozwiazanie Azémy-Yora - c.d. Niech S t = sup st B s, µ(x) = µ([x, )) T = T AY = inf{t 0 : Ψ(B t ) = S t }, Ψ. Wtedy S T = Ψ(B T ), a zatem jeśli B T µ to ν(s) = P(S T s) = P(B T Ψ 1 (s)) = µ(ψ 1 (s)), gdzie S T ν. Konwersatorium IMPAN, Listopad 2004 p.11/22
33 Rozwiazanie Azémy-Yora - c.d. Niech S t = sup st B s, µ(x) = µ([x, )) T = T AY = inf{t 0 : Ψ(B t ) = S t }, Ψ. Wtedy S T = Ψ(B T ), a zatem jeśli B T µ to ν(s) = P(S T s) = P(B T Ψ 1 (s)) = µ(ψ 1 (s)), gdzie S T ν. Dla f C 1 b, F = f, M f t := F(S t ) (S t B t )f(s t ) jest martyngałem. Stosując tw o stopowaniu dla T, EF(S T ) = E[f(S T )(S T Ψ 1 (S T )], czyli (dla dowolnego f), F(s)dν(s) = (s Ψ 1 (s))f(s)dν(s) dν(s) = ν(s)ds s Ψ 1 a zatem dµ(x) = µ(x) (s) Ψ(x) x dψ(x) Ψ(x) = Ψ µ (x) = 1 ydµ(y) daje B T µ. µ(x) [x, ) Konwersatorium IMPAN, Listopad 2004 p.11/22
34 Dygresja martyngałowa Na poprzednim slajdzie widzieliśmy, że dla f C 1 b, F(x) = x 0 f(y)dy, M f t := F(S t ) (S t B t )f(s t ), t 0 jest martyngałem. Konwersatorium IMPAN, Listopad 2004 p.12/23
35 Dygresja martyngałowa Na poprzednim slajdzie widzieliśmy, że dla f C 1 b, F(x) = x 0 f(y)dy, M f t := F(S t ) (S t B t )f(s t ), t 0 jest martyngałem. Niech f(x) = 1 xλ, gdzie λ ustalone. Wtedy F(x) = (x λ) + a zatem M f t = (S t λ) + (S t B t )1 St λ = (B t λ)1 St λ [ ] dla τ m.st λp(s τ λ) = E B τ 1 Sτ λ, czyli nierówność max Doob a. Konwersatorium IMPAN, Listopad 2004 p.12/23
36 Dygresja martyngałowa Na poprzednim slajdzie widzieliśmy, że dla f C 1 b, F(x) = x 0 f(y)dy, M f t := F(S t ) (S t B t )f(s t ), t 0 jest martyngałem. Niech f(x) = 1 xλ, gdzie λ ustalone. Wtedy F(x) = (x λ) + a zatem M f t = (S t λ) + (S t B t )1 St λ = (B t λ)1 St λ [ ] dla τ m.st λp(s τ λ) = E B τ 1 Sτ λ, czyli nierówność max Doob a. Niech f(x) = px p 1, p > 1. Wtedy F(x) = x p a zatem ( ES p τ M f t = S p t ps p 1 t ESτ p = p 1 [ p E ) 1/p p 1 p (S t B t ) = (1 p)s p t pb t S p 1 t ] B τ S p 1 τ p 1 p (E B τ p) 1/p( ES p τ ) p 1 p ( E B τ p) 1/p czyli L p n-ść Doob a. Konwersatorium IMPAN, Listopad 2004 p.12/23
37 Reprezentowanie procesów Pokazaliśmy jak zanurzyć miarę probabilistyczną w ruchu Browna. Z niezależności i stacjonarności przyrostów ruchu Browna wynika, że możemy tę procedurę iterować. Widać, że łatwo zanurzymy w ten sposób sumy niezależnych zmienny losowych. Ogólniej, dosyć łatwo widać, że możemy zanurzyć dyskretny martyngał: (X k : k N). Mając zdefiniowane T i : t k, kolejny wyraz: T k+1 otrzymujemy jako moment stopu, który zanurza (regularny) rozkład warunkowy L(X k+1 X k = B Tk ) w (nowym, niezależnym od przeszłości) ruchu Browna (B Tk +t B Tk ). Wtedy (B Tk : k N) (X k : k N). Konwersatorium IMPAN, Listopad 2004 p.12/22
38 Reprezentowanie procesów Pokazaliśmy jak zanurzyć miarę probabilistyczną w ruchu Browna. Z niezależności i stacjonarności przyrostów ruchu Browna wynika, że możemy tę procedurę iterować. Widać, że łatwo zanurzymy w ten sposób sumy niezależnych zmienny losowych. Ogólniej, dosyć łatwo widać, że możemy zanurzyć dyskretny martyngał: (X k : k N). Mając zdefiniowane T i : t k, kolejny wyraz: T k+1 otrzymujemy jako moment stopu, który zanurza (regularny) rozkład warunkowy L(X k+1 X k = B Tk ) w (nowym, niezależnym od przeszłości) ruchu Browna (B Tk +t B Tk ). Wtedy (B Tk : k N) (X k : k N). Procedura ta, choć nie jest optymalna, pozwala uzyskać wiele własności dla procesów dyskretnych z ich analogonów dla ruchu Browna i była powszechnie stosowana. Konwersatorium IMPAN, Listopad 2004 p.12/22
39 Reprezentowanie procesów - c.d. Co więcej, stosując przejście graniczne można również zanurzać procesy z czasem ciągłym. W 1978 roku Monroe, stosując właśnie techniki zanurzeń Skorochoda, pokazał, że dla dowolnego semimartyngału (X t : t 0) i ruchu Browna (B t : t 0) istnieje niemalejąca rodzina momentów stopu: (T t : t 0), T t T t+h, która zanurza proces X w B: (B Tt : t 0) (X t : t 0). (Uwaga: T t zrandomizowane.) W pewnym sensie na tym można by zakończyć badanie innych procesów niż ruch Browna, gdyby nie fakt, że rodzin stopu T t nie da się wyznaczyć explicite... chyba że ogranicznymy się do ciągłych martyngałów (lokalnych). Konwersatorium IMPAN, Listopad 2004 p.13/22
40 Dambis-Dubins-Schwarz Swoistym rozszerzeniem czasów zrównania (jak Azémy-Yora) na rodzinę momentów stopu, są odwrotności procesów rosnących. Jeżeli A t jest rosnącym procesem, adaptowanym, to jego odwrotność: C s = inf{t 0 : A t > s}, daje rosnącą rodzinę momentów stopu (i na odwrót). Konwersatorium IMPAN, Listopad 2004 p.14/22
41 Dambis-Dubins-Schwarz Swoistym rozszerzeniem czasu zrównania (jak Azémy-Yora) na rodzinę momentów stopu, są odwrotności procesów rosnących. Jeżeli A t jest rosnącym procesem, adaptowanym, to jego odwrotność: C s = inf{t 0 : A t > s}, daje rosnącą rodzinę momentów stopu. Okazuje się, że ciągły martyngał lokalny (M t : t 0) jest charakteryzowany przez proces rosnący M t taki, że Mt 2 M t jest martyngałem (lokalnym). Oznaczmy przez T s odwrotność M t : T s = inf{t 0 : M t > s} i zdefiniujmy: N s = M Ts. Jest to oczywiście ciągły martyngał lokalny, ale i więcej... Konwersatorium IMPAN, Listopad 2004 p.14/22
42 Dambis-Dubins-Schwarz Okazuje się, że ciągły martyngał lokalny (M t : t 0) jest charakteryzowany przez proces rosnący M t taki, że Mt 2 M t jest martyngałem (lokalnym). Oznaczmy przez T s odwrotność M t : T s = inf{t 0 : M t > s} i zdefiniujmy: N s = M Ts. Załóżmy, że M = p.n. Wtedy (N s : s 0) jest ruchem Browna oraz M t = N M t. Twierdzenie to wynika z charakteryzacji (P. Lévy) ruchu Browna jako ciągłego martyngału B takiego, że B s = s. W istocie: rodzina T s jest rosnącą rodziną momentów stopu oraz N s = M Ts = s. Konwersatorium IMPAN, Listopad 2004 p.14/22
43 Dambis-Dubins-Schwarz - c.d. Twierdzenie to daje piękną reprezentację ciągłych martyngałów jako ruch Browna ze zmienionym (explicite) czasem. Pozwala to przenosić wiele rezultatów dla ruchu Browna na wszystkie ciągłe martyngały lokalne. I tak na przykład rozwiązania problemu zanurzania Skorochoda omówione wcześniej przepisują się dla dowolnego martyngału ciągłego. Konwersatorium IMPAN, Listopad 2004 p.15/22
44 Dambis-Dubins-Schwarz - c.d. Twierdzenie to daje piękną reprezentację ciągłych martyngałów jako ruch Browna ze zmienionym (explicite) czasem. Pozwala to przenosić wiele rezultatów dla ruchu Browna na wszystkie ciągłe martyngały lokalne. I tak na przykład rozwiązania problemu zanurzania Skorochoda omówione wcześniej przepisują się dla dowolnego martyngału ciągłego. Dla H : R + R R mamy, że H(sup ut B t, B t ) jest martyngałem wtedy i tylko wtedy, gdy H(sup ut M u, M u ) jest martygnałem lokalnym dla dowolnego ciągłego martyngału M. Konwersatorium IMPAN, Listopad 2004 p.15/22
45 Dambis-Dubins-Schwarz - c.d. Twierdzenie to daje piękną reprezentację ciągłych martyngałów jako ruch Browna ze zmienionym (explicite) czasem. Pozwala to przenosić wiele rezultatów dla ruchu Browna na wszystkie ciągłe martyngały lokalne. I tak na przykład rozwiązania problemu zanurzania Skorochoda omówione wcześniej przepisują się dla dowolnego martyngału ciągłego. Dla H : R + R R mamy, że H(sup ut B t, B t ) jest martyngałem wtedy i tylko wtedy, gdy H(sup ut M u, M u ) jest martygnałem lokalnym dla dowolnego ciągłego martyngału M. Nierówności BDG: c p ET p/2 E(sup ut B u ) p C p ET p/2 są także prawdziwe dla dowolnego martyngału ciągłego. Konwersatorium IMPAN, Listopad 2004 p.15/22
46 Dambis-Dubins-Schwarz - c.d. Twierdzenie to daje piękną reprezentację ciągłych martyngałów jako ruch Browna ze zmienionym (explicite) czasem. Pozwala to przenosić wiele rezultatów dla ruchu Browna na wszystkie ciągłe martyngały lokalne. I tak na przykład rozwiązania problemu zanurzania Skorochoda omówione wcześniej przepisują się dla dowolnego martyngału ciągłego. Dla H : R + R R mamy, że H(sup ut B t, B t ) jest martyngałem wtedy i tylko wtedy, gdy H(sup ut M u, M u ) jest martygnałem lokalnym dla dowolnego ciągłego martyngału M. Nierówności BDG: c p ET p/2 E(sup ut B u ) p C p ET p/2 są także prawdziwe dla dowolnego martyngału ciągłego. itp... Konwersatorium IMPAN, Listopad 2004 p.15/22
47 Subordynacja Dla procesów, które nie są ciągłymi martyngałami w zasadzie nie znamy podobnych technik. Jednym z nielicznych pomysłów jakie nam pozostają to stosowanie niezależnych zmian czasu. Mamy zatem ruch Browna B = (B t : t 0) oraz niezależny proces rosnący A = (A t : t 0) i możemy definiować proces subordynowany: X t = B At. Dla przykładu: jeśli A t jest α - stabilny, czyli E exp(iλa t ) = exp( λ α ), to proces X jest 2α - stabilny: Ee iλx t = Ee iλb A t = Ee λ2 2 A t = e 2 α λ 2α. Jednakże poza prostymi przykładami trudno jest wymyślić proces A, który da nam oczekiwany proces X. Ciekawe są również pytania odwrotne: mając X odgadnąć z jakiej pary procesów go otrzymano, ale to już inna historia... Konwersatorium IMPAN, Listopad 2004 p.16/22
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoAnaliza portfelowa w czasie ciagłym dla ogólnych cen zakupu i sp. ze stałymi kosztami za transakcje
Analiza portfelowa w czasie ciagłym dla ogólnych cen zakupu i sprzedaży ze stałymi kosztami za transakcje Instytut Matematyczny PAN Problem bez stałych kosztów za transakcje (Ω, F, (F t ), P) przestrzeń
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoTeoria optymalnego stopowania
Dodatek F Teoria optymalnego stopowania F.1. Rozkład Dooba nadmartyngałów W tym paragrafie będziemy rozpatrywać nadmartyngały, podmartyngały i procesy prognozowalne względem ustalonej filtracji (F n )
Bardziej szczegółowoRachunek całkowy funkcji wielu zmiennych
Rachunek całkowy funkcji wielu zmiennych Całki potrójne wykład z MATEMATYKI Budownictwo studia niestacjonarne sem. II, rok ak. 2008/2009 Katedra Matematyki Wydział Informatyki olitechnika Białostocka 1
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.4. Momenty zmiennych losowych Katarzyna Rybarczyk-Krzywdzińska Wprowadzenie Przykład 1 Rzucamy raz kostką Ile wynosi średnia liczba oczek, jaka
Bardziej szczegółowoWażne rodziny nad- i podmartyngałów dla symetrycznego błądzenia losowego
Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki Joanna Dys Nr albumu: 233996 Ważne rodziny nad- i podmartyngałów dla symetrycznego błądzenia losowego Praca licencjacka na kierunku MATEMATYKA
Bardziej szczegółowoN ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:
Zadanie. O niezależnych zmiennych losowych N, M M, M 2, 3 wiemy, że: N ma rozkład Poissona z wartością oczekiwaną równą 00 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: 2, 3 Pr( M = )
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 szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.3 Rozkłady warunkowe i warunkowa wartość oczekiwana Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Prawdopodobieństwo wyraża postawę
Bardziej szczegółowoFunkcja wykładnicza kilka dopowiedzeń
Funkcje i ich granice Było: Zbiór argumentów; zbiór wartości; monotoniczność; funkcja odwrotna; funkcja liniowa; kwadratowa; wielomiany; funkcje wymierne; funkcje trygonometryczne i ich odwrotności; funkcja
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 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 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 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 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 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 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 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 szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie. W pewnej populacji kierowców każdego jej członka charakteryzują trzy zmienne: K liczba przejeżdżanych kilometrów (w tysiącach rocznie) NP liczba szkód w ciągu roku, w których kierowca jest stroną
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 szczegółowoMetody probabilistyczne
Metody probabilistyczne 6. Momenty zmiennych losowych Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 8.11.2018 1 / 47 Funkcje zmiennych losowych Mierzalna funkcja Y
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 10. Stwierdzenie 1. X spełnia warunek Borela wtedy i tylko wtedy, gdy każda scentrowana rodzina zbiorów domkniętych ma niepusty przekrój.
Wykład 10 Twierdzenie 1 (Borel-Lebesgue) Niech X będzie przestrzenią zwartą Z każdego pokrycia X zbiorami otwartymi można wybrać podpokrycie skończone Dowód Lemat 1 Dla każdego pokrycia U przestrzeni ośrodkowej
Bardziej szczegółowoNotatki z Analizy Matematycznej 2. Jacek M. Jędrzejewski
Notatki z Analizy Matematycznej 2 Jacek M. Jędrzejewski Definicja 3.1. Niech (a n ) n=1 będzie ciągiem liczbowym. Dla każdej liczby naturalnej dodatniej n utwórzmy S n nazywamy n-tą sumą częściową. ROZDZIAŁ
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 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 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 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 szczegółowoWstęp do rachunku prawdopodobieństwa
Wstęp do rachunku prawdopodobieństwa Rozdział 06: Zmienne losowe. Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Wprowadzenie Przykład 6.1 Adam, Bolek i Czesiu wstąpili do kasyna. Postanowili
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
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 szczegółowoRachunek różniczkowy i całkowy w przestrzeniach R n
Rachunek różniczkowy i całkowy w przestrzeniach R n Na dzisiejszym wykładzie rozważać będziemy funkcje f : R m R n Każda taka funkcję f można przedstawić jako wektor funkcji (f 1, f 2,, f n ), gdzie każda
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIII: Prognoza. 26 stycznia 2015 Wykład XIII: Prognoza. Prognoza (predykcja) Przypuśćmy, że mamy dany ciąg liczb x 1, x 2,..., x n, stanowiących wyniki pomiaru pewnej zmiennej w czasie wielkości
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 szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 5.0.00 r. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej µ wariancji oraz momencie centralnym µ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X
Bardziej szczegółowoi=7 X i. Zachodzi EX i = P(X i = 1) = 1 2, i {1, 2,..., 11} oraz EX ix j = P(X i = 1, X j = 1) = 1 7 VarS 2 2 = 14 3 ( 5 2 =
Kombinatoryka W tej serii zadań można znaleźć pojawiające się na egzaminach zadania dotyczące problemu wyznaczania prostych parametrów rozkładu w przypadku zgadnień kombinatorycznych. Zadania te wymagają
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 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 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 szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
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 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 szczegółowoAnaliza matematyczna. 1. Ciągi
Analiza matematyczna 1. Ciągi Definicja 1.1 Funkcję a: N R odwzorowującą zbiór liczb naturalnych w zbiór liczb rzeczywistych nazywamy ciągiem liczbowym. Wartość tego odwzorowania w punkcie n nazywamy n
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 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 szczegółowoWykład 21 Funkcje mierzalne. Kostrukcja i własności całki wzglȩdem miary przeliczalnie addytywnej
Wykład 2 Funkcje mierzalne. Kostrukcja i własności całki wzglȩdem miary przeliczalnie addytywnej czȩść II (opracował: Piotr Nayar) Definicja 2.. Niech (E, E) bȩdzie przestrzenia mierzalna i niech λ : E
Bardziej 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 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 szczegółowoCałki niewłaściwe. Całki w granicach nieskończonych
Całki niewłaściwe Całki w granicach nieskończonych Wiemy, co to jest w przypadku skończonego przedziału i funkcji ograniczonej. Okazuje się potrzebne uogólnienie tego pojęcia w różnych kierunkach (przedział
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 szczegółowo7. Miara, zbiory mierzalne oraz funkcje mierzalne.
7. Miara, zbiory mierzalne oraz funkcje mierzalne. Funkcję rzeczywistą µ nieujemną określoną na ciele zbiorów S będziemy nazywali miarą, gdy dla dowolnego ciągu A 0, A 1,... zbiorów rozłącznych należących
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 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 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 szczegółowoWYKŁAD 3. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 3 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Schemmat Bernouliego Rzucamy 10 razy moneta, próba Bernouliego jest pojedynczy
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 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 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 szczegółowoFizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień
Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień Narzędzia przypomnienie podstawowych definicji i twierdzeń z rachunku prawdopodobienstwa; podstawowe rozkłady statystyczne
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 szczegółowo