Modelowanie ryzyka kredytowego: MODEL BLACK-COX A

Wielkość: px
Rozpocząć pokaz od strony:

Download "Modelowanie ryzyka kredytowego: MODEL BLACK-COX A"

Transkrypt

1 Modelowanie ryzyka kredytowego: MODEL BLACK-COX A Mariusz Niewęgłowski Wydział Matematyki i Nauk Informacyjnych, Politechniki Warszawskiej Warszawa 2014 Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

2 Model Blacka-Cox a - opis 1 Proces wartości firmy spełnia SDE dv t = V t r κdt + σ V dw t. 2 Klauzle bezpieczeństwa safety covenants. W B-C jest modelowane przez wprowadzenie bariery vt := Ke γt t dla t [[0, T [[ gdzie K > 0 stała. Jeżeli V uderzy w vt to posiadacze obligacji przejmuja firmę. 3 Bankructwo pojawia się także w T jeżeli V T < L. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

3 1 Moment default u jest zdefiniowany τ := inf {t [[0, T ]] : V T v t }. gdzie v t = { vt, dlat < T, L, dla t = T. 2 Proces odzysku Z i wpłata zastępcza X sa proporcjonalne do procesu wartości Z = β 2 V, X = β1 V T, dla β 1, β 2 [[0, 1]]. Stałe β 1, β 2 modeluja koszty bankructwa lub restrukturyzacji. 3 dla każdego t [[0, T ]] zakładamy vt LBt, T Ke γt t Le rt t, Bez tego założenia mogłaby zajść sytuacja że wypłata w momencie default u mogłaby przekroczyć wartość zdyskontowanego nominału!! Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

4 1 Podsumowujac w modelu Blacka-Cox a obligacja jest dana jako wypłata narażona na ryzyko kredytowe postaci X = L, A = 0, X = β1 V T, Z = β 2 V, τ = τ τ, 2 gdzie τ jest momentem wcześniejszego default u τ := inf {t [[0, T [[: V T vt} 3 natomiast τ jest momentem default u z modelu Mertona tzn. τ := T 1 {VT <L} + 1 {VT L}. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

5 1 Na zbiorze {t < τ} = {t < τ} mamy Dt, T =E Q Le rt t 1 { τ T,VT L} F t + β 1 E Q V T e rt t 1 { τ T,VT <L} F t + β 2 K E Q e γt τ e r τ t 1 {t< τ<t } F t 2 Pierwsze dwie warunkowe wartości oczekiwane można policzyć korzystajac z 3 Trzecia natomiast z QV s x, τ s F t Q τ s F t Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

6 Momenty pierwszego przejścia Niech V będzie rozwiazaniem SDE dv t = V t r κdt + σ V dw t, Dla każdego 0 t < s T, na zdarzeniu {t < τ} mamy ln vt V Q τ s F t = N t νs t σ V s t vt 2ã ln vt V + N t + νs t σ V s t V t gdzie ν = r κ γ 1 2 σ2 V, ã = ν σ 2 V Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

7 Dla t < s T i x vs na zbiorze {t < τ} lnvt /x + νs t QV s x, τ s F t = N σ V s t vt 2ã ln v 2 t lnxv t + νs t N σ V s t gdzie V t ν = r κ 1 2 σ2 V, ã = r κ γ 1 2 σ2 V σ 2 V Obydwa wzory wynikaja z dobrze znanej zasady odbicia dla procesu Wienera.. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

8 Pomocniczy lemat 1 Niech gdzie σ > 0, ν R. Lemma Dla każdego x > 0 mamy Q Y t := y 0 + X t, gdzie X t := νt + σw t sup X u x 0 u s x νs = N σ s e 2νx σ 2 N x νs σ s a dla każdego x < 0 mamy x + νs Q inf X u x = N 0 u s σ e 2νx x + νs σ 2 N s σ s Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

9 Dowód Pokazemy pierwszy wzór korzystajac z tw. Girsanov a i zasady odbicia dla procesu Wienera. Załóżmy że σ = 1. Niech P będzie miara na Ω, F s dana Wt dp dq = e νws ν 2 2 s := X t = W t + νt, t [0, s] jest standardowym procesem Wienera przy P. Ponadto możemy napisać Dla x > 0 Q sup X u x, X s x 0 u s dq dp = eνw s ν 2 2 s = E P e νw s ν2 2 s 1 {sup0 u s Wu x,ws x} Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

10 Dowód Niech τ x = inf {t 0 : W t = x}, zdefiniujmy pomocniczy proces W t := W t 1 {τx t} + 2x W t 1 {τx <t} Na mocy zasady odbicia W jest ruchem Browna. Ponadto Dla x > 0 mamy { sup W u x, W s x} = {Ws x} {τ s s} 0 u s J := Q sup X u x 0 u s = Q sup W u + νu x 0 u s Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

11 J = QX s x Q sup X u x, X s x 0 u s = QX s x E P e νw s ν2 2 s 1 {sup0 u s Wu x,ws x} = QX s x E P e ν W s ν2 2 s 1 {sup0 u s Wu x, W s x} = QX s x E P e ν2x W s ν2 2 s 1 {W s x} = QX s x e 2νx E P e νw s ν2 2 s 1 {W s x} = QX s x e 2νx Q W s x = QW s + νs x e 2νx QW s + νs x x νs = N e 2νx x νs σ 2 N s s Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

12 ... i kończymy dowód To kończy dowód dla σ = 1 Dla dowolnego σ > 0 mamy Q sup σw u + νu x 0 u s Stad mamy pierwszy wzór. = Q sup 0 u s W u + ν σ u x σ Drugi wzór natomiast wynika z tego że W jest także procesem Wienera a więc dla x < 0 mamy Q inf σw u + νu x = Q sup σ W u νu x 0 u s 0 u s Teraz drugi wzór wyprowadzamy z pierwszego co kończy dowód lematu 1. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

13 Rozkład momentu przejścia przez 0 Niech τ := inf {t > 0 : Y t 0}. Zauważmy, że Qτ > s = Q inf Y u > 0 0 u s i korzystajac z lematu mamy Proposition Dla każdego s > 0 mamy = Q inf 0 u s X u y 0 Qτ s = Qτ < s = Nh 1 s + e 2νσ 2 y 0 Nh 2 s gdzie h 1 s = y 0 νs σ, h 2 s = y 0 + νs s σ s Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

14 Rozkład warunkowy przejścia przez 0 Corollary Dla każdego t < s na zdarzeniu {t < τ}, mamy Yt νs t Qτ s F t = N σ + e 2νσ 2 Y Yt t + νs t N s t σ s t Ja udowodnić ten wniosek?. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

15 ZADANIE na ćwiczenia Niech V będzie rozwiazaniem SDE moment τ będzie zadany dv t = V t r κdt + σ V dw t, τ := inf {t > 0 : V t v} dla v < V 0. Pokazać, że na zdarzeniu {t < τ} mamy ln v V Qτ s F t = N t νs t v 2a ln v V + N t + νs t, σ V s t V t σ V s t gdzie ν = r κ 1 2 σ2 V, a = ν σ 2 V = r κ 1 2 σ2 V σ 2 V. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

16 ZADANIE na ćwiczenia Niech V będzie zadane jak w poprzednim zadaniu, moment τ natomiast τ := inf {t > 0 : V t vt} gdzie vt := Ke γt t. Dla stałych K > 0 i γ R +. Pokazać, że na zdarzeniu {t < τ} mamy ln vt V Qτ s F t = N t νs t vt 2ã ln vt V + N t + νs t σ V s t σ V s t gdzie ν = r κ γ 1 2 σ2 V, ã = ν σ 2 V V t = r κ γ 1 2 σ2 V σ 2 V Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

17 Ciag dalszy: Uogólnić poprzednie wyniki tzn. chcemy mieć wzory na QY s y, τ s F t. Wskazówka: Zauważmy, że QY s y, τ s = QY s y, ms Y 0 = QX s y y 0, ms X y 0 = Q X s y 0 y, M X s y 0, gdzie X s := X s = σw s νs = σ W s νs = σ W s νs. X s jest też procesem Wienera z dryfem! Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

18 Znany wynik tego typu to tzw. Zasada odbicia dla procesu Wienera bez dryfu, przypomnijmy ten wynik: Lemma Zasada odbicia dla procesu Wienera Dla każdego s > 0, y 0, i x y mamy: QW s x, M W s y = QW s 2y x = QW s x 2y. Dla zastosowań potrzebujemy analogicznego wyniku dla procesu Wienera z niezerowym dryfem: X t := νt + σw t. lub nawet Y t = y 0 + X t = y 0 + νt + σw t. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

19 Pomocniczy lemat 2 Lemma Dla każdego s 0 łaczny rozkład X s, Ms X jest dany wzorem QX s x, M X s y = e 2νyσ 2 QX s 2y x + 2νs dla każdego x y i y 0. Wystarczy pokazać przypadek σ = 1, gdyż jeżeli σ 1 to definiujac Xt σ = X t σ = W t + ν σ t otrzymujemy QX s x, M X s y = QX σ s xσ 1, M X σ s yσ 1 Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

20 Dowód: Niech σ = 1. Z Twierdzenia Girsanowa wiemy że przy mierze Q o gęstości d Q dq = e νws ν proces W zdef. Wt = X t = W t + νt dla t [[0, s]] jest procesem Wienera. Mamy także 2 2 s dq d Q = eνw s ν2 2 s Stosujac wzór Bayes a otrzymujemy QX s x, Ms X y e =E Q νw s ν2 2 s 1 {Xs x,m s X y} Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

21 Wprowadźmy pomocniczy proces W W t := W t 1 {τy t} + 2y W t 1 {τy <t} W jest procesem Wienera przy mierze Q. kontynuujac otrzymujemy =E Q =E Q e νw s ν2 2 s 1 {W s x,m W s y} =E Q e ν2y W s ν2 2 s 1 {2y W s x,m W s y} ponieważ 2y x y e ν2y W s ν2 2 s 1 {W s 2y x} =E Q = e ν2y P W s 2y x e ν W s ν2 2 s 1 { Ws x,m W s y} =e ν2y E Q e νw s ν2 2 s 1 {W s 2y x} Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

22 gdzie P miara zadana gęstościa d P d Q = e νw s ν2 2 s. Ponieważ przy P proces W t := Wt + νt dla t [0, s] jest procesem Wienera to = e ν2y P Ws 2y x + νs = e ν2y P Ws + νs 2y x + 2νs To kończy dowód. Mamy oczywiście = e ν2y Q W s + νs 2y x + 2νs QX s x, M X s y = QX s < x, M X s > y Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

23 Z powyższego Lematu mamy wniosek Proposition Dla dowolnych x y i y 0 mamy x 2y νs QX s x, Ms X y = e 2νyσ 2 N σ. s Stad wynika QX s x, M X s x νs y = N σ e 2νyσ 2 N s x 2y νs σ s, dla dowolnych x, y R takich że x y i y 0. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

24 Dowód: Pierwsza równość wynika z QX s 2y x + 2νs = Q σw s x 2y νs x 2y νs = N σ, s a druga równość wynika z QX s x, M X s y + QX s x, M X s y = QX s x. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

25 Rozkład łaczny. W bardzo podobny sposób można udowodnić następujace stwierdzenia Proposition Łaczny rozkład X s, ms X dla s > 0 spełnia x + νs 2y x + νs QX s x, ms X y = N σ e 2νσ 2y N s σ, s dla każdego x, y R takiego że y 0 i y x. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

26 Corollary Mamy dla każdego s > 0 i y 0 y + y0 + νs QY s y, τ s = N σ e 2νσ 2 y 0 N s Dowód. Wynika z y y0 + νs σ s QY s y, τ s = QY s y, m Y s 0 = QX s y y 0, m X s y 0, a następnie zastosowania poprzedniego stwierdzenia., Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

27 Ogólniejszy fakt można udowodnić korzystajac z silnej własności Markowa Corollary Dla każdego s > t i y 0 na zbiorze {t τ}, mamy y + Yt + νs t QY s y, τ s F t =N σ s t e 2νσ 2 Y t y Yt + νs t N σ, s t Teraz podamy dwa przykłady zastosowań powyższych wzorów. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

28 MODEL LELAND-TOFT Niech V będzie zadane stochastycznym równaniem różniczkowym postaci dv t = V t r κdt + σ V dw t i niech τ := inf {t > 0 : V t v} gdzie v < V 0. Stosujac lemat do Y t = lnv t / v i y = lnx/ v otrzymujemy dla x v, na zdarzeniu {t τ} wzór: lnvt /x + νs t QV s x, τ s F t =N v V t σ s t 2a ln v 2 lnxv t + νs t N σ s t, gdzie ν = r κ 1 2 σ2 V oraz a = νσ 2 V. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

29 MODEL BLACK-COX Niech V będzie zadane stochastycznym równaniem różniczkowym jak wyżej i niech τ := inf {t > 0 : V t vt} gdzie vt = Ke γt t, dla stałych K > 0 i γ R. Dla Y t = lnv t / vt i y = lnx/ vs otrzymujemy dla t < s T i x vs na zbiorze {t < τ} lnvt /x + νs t QV s x, τ s F t =N σ V s t vt 2ã ln v 2 t lnxv t + νs t N, σ V s t gdzie ν = r κ 1 2 σ2 V, ã = r κ γ 1 2 σ2 V. σv 2 V t Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

30 Wzór Blacka-Cox a Theorem Załóżmy, że ν 2 + 2σ 2 r γ > 0. Wtedy na zbiore {τ > t} t.j. przed momentem default u cena obligacji jest dana wzorem Dt, T =LBt, T Nh 1 V t, T t Rt 2ã Nh 2 V t, T t + β 1 V t e κt t Nh 3 V t, T t Nh 4 V t, T t + β 1 V t e κt t R 2ã+2 t Nh 5 V t, T t Nh 6 V t, T t + β 2 V t R θ+ζ t Nh 7 V t, T t + R θ ζ t Nh 8 V t, T t gdzie ν = r κ 1 ν 2 σ2 V, ν = ν γ, ã = σv 2, R t = vt/v t, θ = ã + 1, ζ = σ 2 ν 2 + 2σ 2 r γ. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

31 h 1 V t, T t = lnv t/l + νt t σ, T t h 2 V t, T t = ln v 2 t lnv t L + νt t σ, T t h 3 V t, T t = lnl/v t ν + σ 2 T t σ, T t h 4 V t, T t = lnk /V t ν + σ 2 T t σ, T t h 5 V t, T t = ln v 2 t lnv t L + ν + σ 2 T t σ, T t h 6 V t, T t = ln v 2 t lnv t K + ν + σ 2 T t σ, T t h 7,8 V t, T t = ln vt/v t ± ζσ 2 T t σ. T t Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

32 Lemma Dla każdego a R i b > 0 mamy wzory prawdziwe dla y > 0, y 0 y 0 lnx + a xdn = e 1 lny + a b 2 b2 a 2 N, b b lnx + a xdn = e 1 lny + a + b 2 b2 +a 2 N. b b Niech a, b, c R spełniaja warunki b < 0 i c 2 > 2a. Wtedy dla każdego y > 0 mamy y 0 e ax dn gdzie d = c 2 2a i gy = e bc d N b cx x = d + c 2d gy + d c 2d hy, b dy b + dy, hy = e bc+d N. y y Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

33 Dowód. Mamy do policzenia D 1 t, T = LBt, T QV T L, τ T F t D 2 t, T = β 1 LBt, T E Q V T 1 {VT <L, τ T } F t D 3 t, T = K β 2 B t e γt E Q e γ r τ 1 {t< τ<t } F t. Wystarczy wtedy ograniczyć się do przypadku t = 0. Wyliczmy najpierw D 1 0, T. Z zadania wiemy że dla L vt = K mamy ln V 0 QV T L, τ T = N L + νt σ R0 2ã T N ln v 2 0 V 0 L + νt σ T co daje nam oczywiście D 1 0, T = LB0, T Nh 1 V 0, T R0 2ã Nh 2V 0, T Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

34 Dowodu cd. Do wyznaczenia D 2 0, T zauważmy że E Q V T 1 {VT <L, τ T } = E Q V T 1 {K VT <L, τ T } = Z przykładu mamy że dla x K zachodzi dqv T < x, τ T = dn ln x V 0 νt σ T L K R 2ã 0 dn xdqv T < x, τ T ln v 2 0 V 0 x + νt σ T Z Lematu otrzymujemy ze I 1 0 pierwsza całka ln L I 1 0 = V 0 e N r κt V 0 νt ln K σ V N 0 νt T σ T gdzie ν = r κ + σ 2 /2. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

35 Dowodu cd. Podobnie dla I 2 0 mamy korzystajac z lematu I 2 0 = V 0 R0 2 er κt N ln v 2 0 LV 0 + νt σ N ln v 2 0 KV 0 + νt T σ T Ponieważ D 2 0, T = β 1 B0, T I Rã0 I 20, to wstawiajac I 1 0 i I 2 0 otrzymujemy D 2 0, T = β 1 V 0 e κt Nh 3 V 0, T Nh 4 V 0, T +β 1 V 0 e κt R 2ã+2 0 Nh 5 V 0, T Nh 6 V 0, T. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

36 Dowód. Pozostaje do wyliczenia D 3 0, T, w tym celu wystarczy skupić się na wyznaczeniu gdzie T v0e Q e γ r τ 1 { τ<t } = v0 e γ rs dq τ s, 0 ln v0/v0 νs v0 2ã Q τ s = N σ ln v0/v0 + νs + N s σ, s oznaczmy T J 1 0 := v0 e γ rs dn 0 J 2 0 := v02ã+1 T V 0 ln v0/v0 νs σ s e γ rs ln v0/v0 + νs dn σ s V0 2ã 0 Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

37 Dowód. z lematu mamy J 1 0 J 1 0 = V 0ã + ζ R θ ζ 2ζ i podobnie dla J 2 0 J 2 0 = V 0ã + ζ R θ+ζ 2ζ 0 Nh 8 V 0, T V 0ã ζ 2ζ 0 Nh 7 V 0, T V 0ã ζ 2ζ R θ+ζ 0 Nh 7 V 0, T R θ ζ 0 Nh 8 V 0, T i w konsekwencji D 3 0, T = β 2 V 0 R θ+ζ 0 Nh 7 V 0, T + R θ ζ 0 Nh 8 V 0, T Sumujac otrzymane wzory na D 1 0, T, D 2 0, T i D 3 0, T otrzymujemy tezę. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

38 Wycena w modelu Black a Cox a poprzez równania czastkowe Ponieważ dynamika procesu wartości firmy jest dana jako proces dyfuzji to można wyprowadzić odpowiednie równanie czastkowe które charakteryzuje proces ceny obligacji. Jeżeli Dt, T = uv t, t to wtedy u spełnia następujace PDE u t v, t + r κvu v v, t σ2 V v 2 u vv v, t ruv, t = 0 w obszarze {v, t R + R + : 0 < t < T, v > Ke γt t } z warunkiem brzegowym i końcowym uke γt t, t = β 2 Ke γt t, uv, T = min {β 1 v, L}. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

39 Wady modelu Black-Cox a: odziedziczone po modelu Mertona Prosta stuktura kapitału, Zupełne rynki finansowe, Stałe stopy procentowe, Może być stosowany dla firm notowanych na giełdzie, Empirycznie nie wiarygodny. Empirycznie nie wiarygodny. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

40 Uogólnienia Modelu Black a-cox a - dyfuzja ze skokami Zhou rozważał przypadek dv t = V t r λνdt + σdw t + dx t gdzie W jest standardowym procesem Wienera, proces X jest złożonym procesem Poissona takim że N t X t = e Y i 1, i=1 gdzie N proces Poissona o intensywności λ, {Y i } ciag zmiennych iid o rozkładzie N a, b 2. Zhou podał aproksymację rozkładu momentu pierwszego dojścia do 0. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

41 Uogólnienia Modelu Black a-cox a - Stochastyczne stopy procentowe Zakładajac dynamiki aktywów firmy postaci dv t = V t r t + κtdt + σtdw t, dbt, T = Bt, T r t dt + bt, T dw t, gdzie W jest d-wymiarowym procesem Wienera, κ,σ,b, T sa ograniczonymi funkcjami można otrzymać wzory na cenę obligacji jak w modelu Black-Cox a: X = L, Z t = β 2 V t, X = β1 V T, τ := {t [0, T ] : V t < v t } gdzie β 1, β 2 [0, 1] sa stałe, natomiast odpowiednia bariera jest dana wzorem v t = { KBt, T e T t κudu, dla t < T, L, dla t = T. Niewęgłowski MiNI PW Modele wartości firmy Warszawa / 41

Modelowanie ryzyka kredytowego Zadania 1.

Modelowanie ryzyka kredytowego Zadania 1. 1 Ex-dividend prices Modelowanie ryzyka kredytowego Zadania 1. Mariusz Niewęgłowski 19 października 2014 Definicja 1. Dla każdego t [0, T ] cena ex-dividend wypłaty (X, A, X, Z, τ) ( ) S t := B t E Q Bu

Bardziej szczegółowo

r u du. Proces wartości aktywów firmy V. Proces bariery v wykorzystywany do zdefiniowania defaultu. moment defaultu τ.

r 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 szczegółowo

Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU cz. II: CDS y - swapy kredytowe

Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU cz. II: CDS y - swapy kredytowe Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA FUNKCJI HAZARDU cz. II: CDS y - swapy kredytowe Mariusz Niewęgłowski Wydział Matematyki i Nauk Informacyjnych, Politechniki Warszawskiej Warszawa 2014

Bardziej szczegółowo

21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126

21 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 szczegółowo

28 maja, Problem Dirichleta, proces Wienera. Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126

28 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 szczegółowo

Wstęp do analitycznych i numerycznych metod wyceny opcji

Wstęp 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 szczegółowo

F t+ := s>t. F s = F t.

F 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 szczegółowo

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.

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 szczegółowo

System BCD z κ. Adam Slaski na podstawie wykładów, notatek i uwag Pawła Urzyczyna. Semestr letni 2009/10

System BCD z κ. Adam Slaski na podstawie wykładów, notatek i uwag Pawła Urzyczyna. Semestr letni 2009/10 System BCD z κ Adam Slaski na podstawie wykładów, notatek i uwag Pawła Urzyczyna Semestr letni 2009/10 Rozważamy system BCD ze stałą typową κ i aksjomatami ω κ κ i κ ω κ. W pierwszej części tej notatki

Bardziej szczegółowo

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.

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 szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka 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 szczegółowo

n=0 (n + r)a n x n+r 1 (n + r)(n + r 1)a n x n+r 2. Wykorzystując te obliczenia otrzymujemy, że lewa strona równania (1) jest równa

n=0 (n + r)a n x n+r 1 (n + r)(n + r 1)a n x n+r 2. Wykorzystując te obliczenia otrzymujemy, że lewa strona równania (1) jest równa Równanie Bessela Będziemy rozważać następujące równanie Bessela x y xy x ν )y 0 ) gdzie ν 0 jest pewnym parametrem Rozwiązania równania ) nazywamy funkcjami Bessela rzędu ν Sprawdzamy, że x 0 jest regularnym

Bardziej szczegółowo

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =

Zadanie 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 szczegółowo

Parametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f

Parametr 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 szczegółowo

Wycena opcji Dynamika cen akcji: ds(t) = as(t)dt + σs(t)dw (t)

Wycena opcji Dynamika cen akcji: ds(t) = as(t)dt + σs(t)dw (t) Wycena opcji Dynamika cen akcji: ds(t) = as(t)dt + σs(t)dw (t) Wycena opcji Dynamika cen akcji: ds(t) = as(t)dt + σs(t)dw (t) Figure 1: Aproksymacja drzewem dwumianowym Wycena opcji Dynamika cen akcji:

Bardziej szczegółowo

Informacja o przestrzeniach Sobolewa

Informacja o przestrzeniach Sobolewa Wykład 11 Informacja o przestrzeniach Sobolewa 11.1 Definicja przestrzeni Sobolewa Niech R n będzie zbiorem mierzalnym. Rozważmy przestrzeń Hilberta X = L 2 () z iloczynem skalarnym zdefiniowanym równością

Bardziej szczegółowo

Immunizacja ryzyka stopy procentowej ubezpieczycieli życiowych

Immunizacja 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 szczegółowo

Ośrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski,

Ośrodkowość 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 szczegółowo

Modelowanie ryzyka kredytowego: Model Mertona - estymacja

Modelowanie ryzyka kredytowego: Model Mertona - estymacja Modelowanie ryzyka kredytowego: Model Mertona - estymacja Mariusz Niewęgłowski Wydział Matematyki i Nauk Informacyjnych, Politechniki Warszawskiej Warszawa 2010 Niewęgłowski (MiNI PW) Model Mertona Warszawa

Bardziej szczegółowo

Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU

Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU Modelowanie ryzyka kredyowego MODELOWANIE ZA POMOCA PROCESU HAZARDU Mariusz Niewęgłowski Wydział Maemayki i Nauk Informacyjnych, Poliechniki Warszawskiej Warszawa 2014 hazardu Warszawa 2014 1 / 18 Proces

Bardziej szczegółowo

8 Całka stochastyczna względem semimartyngałów

8 Całka stochastyczna względem semimartyngałów M. Beśka, Całka Stochastyczna, wykład 8 148 8 Całka stochastyczna względem semimartyngałów 8.1 Całka stochastyczna w M 2 Oznaczmy przez Ξ zbiór procesów postaci X t (ω) = ξ (ω)i {} (t) + n ξ i (ω)i (ti,

Bardziej szczegółowo

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywsitej

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywsitej Wydział Matematyki Stosowanej Zestaw zadań nr 3 Akademia Górniczo-Hutnicza w Krakowie WEiP, energetyka, I rok Elżbieta Adamus listopada 07r. Granica i ciągłość funkcji Granica funkcji rzeczywistej jednej

Bardziej szczegółowo

Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU cz.i

Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU cz.i Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA FUNKCJI HAZARDU cz.i Mariusz Niewęgłowski Wydział Matematyki i Nauk Informacyjnych, Politechniki Warszawskiej Warszawa 214 hazardu Warszawa 214 1 /

Bardziej szczegółowo

2 Równania różniczkowe zwyczajne o rozdzielonych zmiennych

2 Równania różniczkowe zwyczajne o rozdzielonych zmiennych 2. Równania o rozdzielonych zmiennych 2 1 2 Równania różniczkowe zwyczajne o rozdzielonych zmiennych Równaniem różniczkowym zwyczajnym pierwszego rzędu o rozdzielonych zmiennych nazywamy równanie różniczkowe

Bardziej szczegółowo

Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008

Ogólnopolska 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 szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych..00 r. Zadanie. Proces szkód w pewnym ubezpieczeniu jest złożonym procesem Poissona z oczekiwaną liczbą szkód w ciągu roku równą λ i rozkładem wartości szkody o dystrybuancie

Bardziej szczegółowo

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywistej

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywistej Wydział Matematyki Stosowanej Zestaw zadań nr 3 Akademia Górniczo-Hutnicza w Krakowie WEiP, energetyka, I rok Elżbieta Adamus 3 listopada 06r. Granica i ciągłość funkcji Granica funkcji rzeczywistej jednej

Bardziej szczegółowo

Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne

Rachunek 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 szczegółowo

Procesy stochastyczne 2.

Procesy stochastyczne 2. Procesy stochastyczne 2. Listy zadań 1-3. Autor: dr hab.a. Jurlewicz WPPT Matematyka, studia drugiego stopnia, I rok, rok akad. 211/12 1 Lista 1: Własność braku pamięci. Procesy o przyrostach niezależnych,

Bardziej szczegółowo

Strategie zabezpieczaj ce

Strategie zabezpieczaj ce 04062008 Plan prezentacji Model binarny Model Black Scholesa Bismut- Elworthy -Li formuła Model binarny i opcja call Niech cena akcji w chwili pocz tkowej wynosi S 0 = 21 Zaªó»my,»e ceny akcji po trzech

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 0.0.005 r. Zadanie. Likwidacja szkody zaistniałej w roku t następuje: w tym samym roku z prawdopodobieństwem 0 3, w następnym roku z prawdopodobieństwem 0 3, 8 w roku

Bardziej szczegółowo

Teoria ze Wstępu do analizy stochastycznej

Teoria 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 szczegółowo

Równania różniczkowe. Notatki z wykładu.

Równania różniczkowe. Notatki z wykładu. Równania różniczkowe Notatki z wykładu http://robert.brainusers.net 17.06.2009 Notatki własne z wykładu. Są niekompletne, bez bibliografii oraz mogą zawierać błędy i usterki. Z tego powodu niniejszy dokument

Bardziej szczegółowo

Sekantooptyki owali i ich własności

Sekantooptyki owali i ich własności Sekantooptyki owali i ich własności Magdalena Skrzypiec Wydział Matematyki, Fizyki i Informatyki Uniwersytet Marii Curie-Skłodowskiej 19 października 2009r. Informacje wstępne Definicja Owalem nazywamy

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka 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 szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Zadanie 1. W pewnej populacji podmiotów każdy podmiot narażony jest na ryzyko straty X o rozkładzie normalnym z wartością oczekiwaną równą μ i wariancją równą. Wszystkie podmioty z tej populacji kierują

Bardziej szczegółowo

1. Ubezpieczenia życiowe

1. Ubezpieczenia życiowe 1. Ubezpieczenia życiowe Przy ubezpieczeniach życiowych mamy do czynienia z jednorazową wypłatą sumy ubezpieczenia. Moment jej wypłaty i wielkość wypłaty może być funkcją zmiennej losowej T a więc czas

Bardziej szczegółowo

01. dla x 0; 1 2 wynosi:

01. dla x 0; 1 2 wynosi: Matematyka ubezpieczeń majątkowych 0.0.04 r. Zadanie. Ryzyko X ma rozkład z atomami: Pr X 0 08. Pr X 0. i gęstością: f X x 0. dla x 0; Ryzyko Y ma rozkład z atomami: Pr Y 0 07. Pr Y 0. i gęstością: fy

Bardziej szczegółowo

Stochastyczne równania różniczkowe, model Blacka-Scholesa

Stochastyczne 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 szczegółowo

Detekcja rozkładów o ciężkich ogonach

Detekcja rozkładów o ciężkich ogonach Detekcja rozkładów o ciężkich ogonach J. Śmiarowska, P. Jamer Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska 24 kwietnia 2012 J. Śmiarowska, P. Jamer (Politechnika Warszawska) Detekcja

Bardziej szczegółowo

dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2.

dla 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 szczegółowo

VI. Równania różniczkowe liniowe wyższych rzędów

VI. Równania różniczkowe liniowe wyższych rzędów VI. 1. Równanie różniczkowe liniowe n-tego rzędu o zmiennych współczynnikach Niech podobnie jak w poprzednim paragrafie K = C lub K = R. Podobnie jak w dziedzinie rzeczywistej wprowadzamy pochodne wyższych

Bardziej szczegółowo

13 Równanie struny drgającej. Równanie przewodnictwa ciepła.

13 Równanie struny drgającej. Równanie przewodnictwa ciepła. Równanie struny drgającej. Równanie przewodnictwa ciepła 13 1 13 Równanie struny drgającej. Równanie przewodnictwa ciepła. 13.1 Równanie struny drgającej Równanie różniczkowe liniowe drugiego rzędu typu

Bardziej szczegółowo

z przedziału 0,1 liczb dodatnich. Rozważmy dwie zmienne losowe:... ma złożony rozkład dwumianowy o parametrach 1,q i, gdzie X, wszystkie składniki X

z przedziału 0,1 liczb dodatnich. Rozważmy dwie zmienne losowe:... ma złożony rozkład dwumianowy o parametrach 1,q i, gdzie X, wszystkie składniki X Zadanie. Mamy dany ciąg liczb q, q,..., q n z przedziału 0,, oraz ciąg m, m,..., m n liczb dodatnich. Rozważmy dwie zmienne losowe: o X X X... X n, gdzie X i ma złożony rozkład dwumianowy o parametrach,q

Bardziej szczegółowo

Zadanie 1. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną:

Zadanie 1. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną: Zadanie. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną: Pr Pr ( = k) ( N = k ) N = + k, k =,,,... Jeśli wiemy, że szkód wynosi: k= Pr( N = k) =, to prawdopodobieństwo,

Bardziej szczegółowo

O procesie Wienera. O procesie Wienera. Procesy stochastyczne Wykład XV, 15 czerwca 2015 r. Proces Wienera. Ruch Browna. Ułamkowe ruchy Browna

O 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 szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo 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 szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka 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 szczegółowo

Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009

Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009 Rafał M. Łochowski Szkoła Główna Handlowa w Warszawie O pewnym modelu pojawiania się szkód Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009 Modele pojawiania

Bardziej szczegółowo

Rozdziaª 9: Wycena opcji

Rozdziaª 9: Wycena opcji Rozdziaª 9: Wycena opcji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 9) Wycena opcji 1 / 23 Denicja opcji. Opcja nansowa:. Warunkowy kontrakt terminowy na sprzeda» lub kupno instrumentu bazowego,

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka

Bardziej szczegółowo

}, gdzie a = t (n) )(f(t(n) k. ) f(t(n) k 1 ) 1+δ = 0,

}, 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 szczegółowo

Afiniczne rekursje stochastyczne z macierzami trójkatnymi

Afiniczne rekursje stochastyczne z macierzami trójkatnymi Afiniczne rekursje stochastyczne z macierzami trójkatnymi Ewa Damek (Uniwersytet Wrocławski ) (wyniki wspólne z Witoldem Światkowskim, Jackiem Zienkiewiczem - Uniwersytet Wrocławski, Muneya Matsui - Nanzan

Bardziej szczegółowo

Wykład 2. Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova)

Wykład 2. Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova) Wykład 2 Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova) 1. Procesy Markova: definicja 2. Równanie Chapmana-Kołmogorowa-Smoluchowskiego 3. Przykład dyfuzji w kapilarze

Bardziej szczegółowo

PROCESY 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) 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 szczegółowo

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXIII Egzamin dla Aktuariuszy z 25 marca 2013 r. Część I

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXIII Egzamin dla Aktuariuszy z 25 marca 2013 r. Część I Komisja Egzaminacyjna dla Aktuariuszy LXIII Egzamin dla Aktuariuszy z 25 marca 2013 r. Część I Matematyka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1.

Bardziej szczegółowo

7 Twierdzenie Fubiniego

7 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 szczegółowo

Grzegorz Bobiński. Wykład monograficzny Programowanie Liniowe i Całkowitoliczbowe

Grzegorz Bobiński. Wykład monograficzny Programowanie Liniowe i Całkowitoliczbowe Grzegorz Bobiński Wykład monograficzny Programowanie Liniowe i Całkowitoliczbowe Wydział Matematyki i Informatyki Uniwersytet Mikołaja Kopernika w Toruniu 2012 Spis treści Notacja 1 1 Podstawowe pojęcia

Bardziej szczegółowo

Ważną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. u = 0, (6.1) jest operatorem Laplace a. (x,y)

Ważną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. u = 0, (6.1) jest operatorem Laplace a. (x,y) Wykład 6 Funkcje harmoniczne Ważną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. e f i n i c j a Funkcję u (x 1, x 2,..., x n ) nazywamy harmoniczną w obszarze R n wtedy i

Bardziej szczegółowo

Rynek, opcje i równania SDE

Rynek, opcje i równania SDE Rynek, opcje i równania SDE Adam Majewski Uniwersytet Gdański kwiecień 2009 Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień 2009 1 / 16 1 Rynek, portfel inwestycyjny, arbitraż

Bardziej szczegółowo

Równanie przewodnictwa cieplnego (I)

Równanie 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 szczegółowo

Stochastyczne równania różniczkowe, studia II stopnia

Stochastyczne równania różniczkowe, studia II stopnia Stochastyczne równania różniczkowe, studia II stopnia Niech W t (ewentualnie W, W (t)), t oznacza proces Wienera oraz niech W = Niech W = (W, W 2,, W n ) oznacza n-wymiarowy proces Wienera Pokazać, że

Bardziej szczegółowo

Dystrybucje, wiadomości wstępne (I)

Dystrybucje, 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 szczegółowo

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:

N 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 szczegółowo

MODELE MATEMATYCZNE W UBEZPIECZENIACH

MODELE MATEMATYCZNE W UBEZPIECZENIACH MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 6: SKŁADKI OKRESOWE Składki okresowe netto Umowę pomiędzy ubezpieczycielem a ubezpieczonym dotyczącą ubezpieczenia na życie nazywa się polisą ubezpieczeniową

Bardziej szczegółowo

Wykład 3 Momenty zmiennych losowych.

Wykład 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 szczegółowo

Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych

Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych [ ] e Zadanie 1 Pokazać, że X(t) = 2t cos t sin t e 2t jest specjalną macierzą fundamentalną w sin t cos t [ 2 cos chwili τ = 0 układu

Bardziej szczegółowo

Wykład 3 Momenty zmiennych losowych.

Wykład 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 szczegółowo

4 Kilka klas procesów

4 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 szczegółowo

Geometryczna zbieżność algorytmu Gibbsa

Geometryczna zbieżność algorytmu Gibbsa Geometryczna zbieżność algorytmu Gibbsa Iwona Żerda Wydział Matematyki i Informatyki, Uniwersytet Jagielloński 6 grudnia 2013 6 grudnia 2013 1 / 19 Plan prezentacji 1 Algorytm Gibbsa 2 Tempo zbieżności

Bardziej szczegółowo

Model Pasywnego Trasera w Lokalnie Ergodycznym Środowisku

Model Pasywnego Trasera w Lokalnie Ergodycznym Środowisku w Lokalnie Ergodycznym Środowisku Tymoteusz Chojecki UMCS, Lublin Tomasz Komorowski IMPAN, Warszawa Kościelisko, 10 września 2016, XLV Konferencja Zastosowań Matematyki T. Komorowski, T. Chojecki w Lokalnie

Bardziej szczegółowo

Zadanie 1. O rozkładzie pewnego ryzyka X posiadamy następujące informacje: znamy oczekiwaną wartość nadwyżki ponad 20:

Zadanie 1. O rozkładzie pewnego ryzyka X posiadamy następujące informacje: znamy oczekiwaną wartość nadwyżki ponad 20: Zadanie 1. O rozkładzie pewnego ryzyka X posiadamy następujące informacje: znamy oczekiwaną wartość nadwyżki ponad 20: E X 20 8 oraz znamy następujące charakterystyki dotyczące przedziału 10, 20 : 3 Pr

Bardziej szczegółowo

Składki i rezerwy netto

Składki i rezerwy netto ROZDZIAŁ 6 Składki i rezerwy netto 1 Składki netto Umowę pomiędzy ubezpieczycielem a ubezpieczonym dotyczącą ubezpieczenia na życie nazywa się polisą ubezpieczeniową Polisa taka zawiera szczegółowe warunki

Bardziej szczegółowo

Definicje i przykłady

Definicje i przykłady Rozdział 1 Definicje i przykłady 1.1 Definicja równania różniczkowego 1.1 DEFINICJA. Równaniem różniczkowym zwyczajnym rzędu n nazywamy równanie F (t, x, ẋ, ẍ,..., x (n) ) = 0. (1.1) W równaniu tym t jest

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 1.10.2012 r.

Matematyka ubezpieczeń majątkowych 1.10.2012 r. Zadanie. W pewnej populacji każde ryzyko charakteryzuje się trzema parametrami q, b oraz v, o następującym znaczeniu: parametr q to prawdopodobieństwo, że do szkody dojdzie (może zajść co najwyżej jedna

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka Biomatematyka Rozpatrzmy chorobę, która rozprzestrzenia się za pośrednictwem nosicieli, u których nie występują jej symptomy. Niech C(t) oznacza liczbę nosicieli w chwili t. Zakładamy, że nosiciele są

Bardziej szczegółowo

Wykład 21 Funkcje mierzalne. Kostrukcja i własności całki wzglȩdem miary przeliczalnie addytywnej

Wykład 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 szczegółowo

Metody redukcji wariancji

Metody 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 szczegółowo

Quantile hedging. czyli jak tanio i dobrze zabezpieczyć opcję. Michał Krawiec, Piotr Piestrzyński

Quantile hedging. czyli jak tanio i dobrze zabezpieczyć opcję. Michał Krawiec, Piotr Piestrzyński czyli jak tanio i dobrze zabezpieczyć opcję Michał Krawiec Piotr Piestrzyński Koło Naukowe Probabilistyki i Statystyki Matematycznej Uniwersytet Wrocławski Niedziela, 19 kwietnia 2015 Przykład (opis problemu)

Bardziej szczegółowo

Rachunek różniczkowy i całkowy w przestrzeniach R n

Rachunek 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 szczegółowo

Wykład 3 Równania rózniczkowe cd

Wykład 3 Równania rózniczkowe cd 7 grudnia 2010 Definicja Równanie różniczkowe dy dx + p (x) y = q (x) (1) nazywamy równaniem różniczkowym liniowym pierwszego rzędu. Jeśli q (x) 0, to równanie (1) czyli równanie dy dx + p (x) y = 0 nazywamy

Bardziej szczegółowo

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w

Bardziej szczegółowo

Zadania ze Wstępu do Analizy Stochastycznej 1. = 0 p.n.

Zadania ze Wstępu do Analizy Stochastycznej 1. = 0 p.n. Zadania ze Wstępu do Analizy Stochastycznej 1 1. Znajdź rozkład zmiennej 5W 1 W 3 + W 7. 2. Dla jakich parametrów a i b, zmienne aw 1 W 2 oraz W 3 + bw 5 są niezależne? 3. Znajdź rozkład wektora losowego

Bardziej szczegółowo

Matematyka A kolokwium: godz. 18:05 20:00, 24 maja 2017 r. rozwiązania. ) zachodzi równość: x (t) ( 1 + x(t) 2)

Matematyka A kolokwium: godz. 18:05 20:00, 24 maja 2017 r. rozwiązania. ) zachodzi równość: x (t) ( 1 + x(t) 2) Matematyka A kolokwium: godz. 18:05 0:00, 4 maja 017 r. rozwiązania 1. 7 p. Znaleźć wszystkie takie funkcje t xt, że dla każdego t π, π zachodzi równość: x t 1 + xt 1+4t 0. p. Wśród znalezionych w poprzedniej

Bardziej szczegółowo

Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką

Proces 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 szczegółowo

Algorytm Metropolisa-Hastingsa

Algorytm 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 szczegółowo

Współczynniki Greckie

Współczynniki Greckie Wojciech Antniak 05.0.008r. Wstęp Współczynniki greckie określają ryzyko opcji europejskiej na zmiany rynku. ażdy z nich określa w jaki sposób wpłynie zmiana jakiegoś czynnika na cenę akcji. W dalszej

Bardziej szczegółowo

Wstęp do równań różniczkowych

Wstęp do równań różniczkowych Wstęp do równań różniczkowych Wykład 1 Lech Sławik Instytut Matematyki PK Literatura 1. Arnold W.I., Równania różniczkowe zwyczajne, PWN, Warszawa, 1975. 2. Matwiejew N.M., Metody całkowania równań różniczkowych

Bardziej szczegółowo

Lista 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 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 szczegółowo

czastkowych Państwo przyk ladowe zadania z rozwiazaniami: karpinw adres strony www, na której znajda

czastkowych Państwo przyk ladowe zadania z rozwiazaniami:   karpinw adres strony www, na której znajda Zadania z równań różniczkowych czastkowych Za l aczam adres strony www, na której znajda Państwo przyk ladowe zadania z rozwiazaniami: http://math.uni.lodz.pl/ karpinw Zadanie 1. Znaleźć wszystkie rozwiazania

Bardziej szczegółowo

Dwa równania kwadratowe z częścią całkowitą

Dwa równania kwadratowe z częścią całkowitą Dwa równania kwadratowe z częścią całkowitą Andrzej Nowicki Wydział Matematyki i Informatyki Uniwersytet M. Kopernika w Toruniu anow @ mat.uni.torun.pl 4 sierpnia 00 Jeśli r jest liczbą rzeczywistą, to

Bardziej szczegółowo

Problem wyboru optymalnej dywidendy z paryskim opóźnieniem dla spektralnie ujemnych procesów Lévy ego

Problem wyboru optymalnej dywidendy z paryskim opóźnieniem dla spektralnie ujemnych procesów Lévy ego Problem wyboru optymalnej dywidendy z paryskim opóźnieniem dla spektralnie ujemnych procesów Lévy ego Zbigniew Palmowski Wspólna praca z I. Czarna Zagadnienia aktuarialne: teoria i praktyka, Wrocław Ekonomiczny

Bardziej szczegółowo

Lista 6. Kamil Matuszewski 13 kwietnia D n =

Lista 6. Kamil Matuszewski 13 kwietnia D n = Lista 6 Kamil Matuszewski 3 kwietnia 6 3 4 5 6 7 8 9 Zadanie Mamy Pokaż, że det(d n ) = n.... D n =.... Dowód. Okej. Dla n =, n = trywialne. Załóżmy, że dla n jest ok, sprawdzę dla n. Aby to zrobić skorzystam

Bardziej szczegółowo

Zadania z Procesów Stochastycznych 1

Zadania 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 szczegółowo

1 Wykład 3 Generatory liczb losowych o dowolnych rozkładach.

1 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 szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo 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 szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka 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 szczegółowo

Indukcja matematyczna

Indukcja matematyczna Indukcja matematyczna 1 Zasada indukcji Rozpatrzmy najpierw następujący przykład. Przykład 1 Oblicz sumę 1 + + 5 +... + (n 1). Dyskusja. Widzimy że dla n = 1 ostatnim składnikiem powyższej sumy jest n

Bardziej szczegółowo

Algorytmy MCMC i ich zastosowania statystyczne

Algorytmy MCMC i ich zastosowania statystyczne Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 3 1 Łańcuchy Markowa Oznaczenia

Bardziej szczegółowo