Afiniczne rekursje stochastyczne z macierzami trójkatnymi
|
|
- Bogusław Brzozowski
- 6 lat temu
- Przeglądów:
Transkrypt
1 Afiniczne rekursje stochastyczne z macierzami trójkatnymi Ewa Damek (Uniwersytet Wrocławski ) (wyniki wspólne z Witoldem Światkowskim, Jackiem Zienkiewiczem - Uniwersytet Wrocławski, Muneya Matsui - Nanzan University) Rzeszów
2 Losowe równanie afiniczne X = d AX + B, (A, B) X A M(d, R), X, B R d. X = A 1... A n 1 B n = A 1 A 2... A n 1 B n +B 1 = A 1 X θ+b 1 n=1 n=2 Jeśli E log + A <, E log + B < i 1 γ = inf n 1 n E log Π n = lim log Π n 1/n < 0, n Π n = A 1 A n, (A n, B n ) i.i.d to mamy zbieżność i istnieje jedyne rozwiazanie (Bougerol, Pickard, 1992). Π n e γn/2 p.w. od pewnego miejsca. X = n=1 A n 1 B = A n=2 A n 2 B + B. Jeśli lim n A n 1/n < 1, to szereg zbieżny.
3 Losowe równanie afiniczne X = d AX + B, A M(d, R), X, B R d. (A, B) X A ij = 0, i > j X = A 1... A n 1 B n n=1 P( X > t)? Przypadek jednowymiarowy W = d MW + Q, M > 0, W niezależne od (M, Q) 1 γ = lim ni=1 n n log M i = E log M < 0 M 1 M n 0 eksponencjanie szybko, W = n=1 M 1... M n 1 Q n
4 Goldie(1991)-Kesten(1973), przypadek jednowymiarowy W = d MW + Q, M > 0, W niezależne od (M, Q) Theorem Załóżmy, że rozkład log M jest niearytmetyczny, E log M < 0, EM α = 1 dla pewnego α > 0 i E[ Q α ] <, ρ = E[M α log M] <. Wtedy P[W > t] C + t α i P[W < t] C t α. C + + C > 0 lub W = x 0 p.w. E W β <, 0 < β < α h(β) = EM β < 1, 0 < β < α, h (β) = EM β (log M) 2 > 0, h (β) = EM β log M, h (0) < 0. W = M 1 M n 1 Q n supp n M 1 M n n=1 P(M 1 M log t/ρ > t) Ct α (log t) 1/2,
5 GARCH(1,1) X t = σ t Z t, t Z, Z t 0 i.i.d, często N(0, σ), volatility (zmienność) σ t 0 zależy od Z s, s < t, ciag stacjonarny. Z t, σ t niezależne. Modeluje ceny instrumentów finansowych. σ 2 t =α 0 + α 1 X 2 t 1 + β 1 σ 2 t 1 = α 0 + α 1 σ 2 t 1Z 2 t 1 + β 1 σ 2 t 1 =α 0 + (α 1 Z 2 t 1 + β 1 )σ 2 t 1 = α 0 + Mσ 2 t 1 α 0, α 1, β 1 > 0. Jeśli E log(α 1 Zt β 1) < 0, to wpadamy w tw. Kestena-Goldiego. W σ t, W = d α 0 + MW. σ t ma ogon cięższy niż Z t. Stad X t ma ogon cięższy niż Z t. E(α 1 Zt β 1) α = 1 to można go precyzyjnie opisać. Buraczewski, Damek, Mikosch Stochastic Models with Power Law Tails. The Equation X = AX + B, 2016.
6 Uproszczona wersja twierdzenia Kestena (1973) X = d AX + B, (A, B) X ( h(s) = inf E Πn s) 1/n, Πn = A 1 A n, h(s) = EM s n N Załóżmy, że Wtedy A ij > 0, A odwracalna, B 0 istnieje α > 0 takie, że h(α) = 1, + istnienie pewnych momentów A ij i B P( x, X > t) e(x)t α, x S d 1 e(x) > 0 gdy x 0, x = 1. Nieredukowalność działania. Alsmeyer, Mentemeier; Guivarc h, Le Page; Klüppelberg, Pergamenchtchikov; Buraczewski, Damek, Guivarc h, Hulanicki, Urban.
7 GARCH(2,1) X t = σ t Z t, t Z, Z t 0 i.i.d, często N(0, σ), volatility σ t 0 zależy od Z s, s < t, ciag stacjonarny. Z t, σ t niezależne. σ 2 t = α 0 + α 1 X 2 t 1 + α 2 X 2 t 2 + β 1 σ 2 t 1, α 0, α 1, α 2, β 1 > 0 X t = ( σ 2 t+1 X 2 t ) = ( α1 Zt 2 + β 1 α 2 Zt 2 0 X t = A t X t 1 + B ) ( σ 2 t X 2 t 1 ) + ( α0 0 Jeśli α 1 + α 2 + β 1 < 1, to γ < 0 i wpadamy w tw. Kestena. σ t ma ogon cięższy niż Z t. Stad X t ma ogon cięższy niż Z t. Jeśli istnieje s, E(α 1 Z 2 t + β 1 ) s > 1, to istnieje α, h(α) = 1. )
8 Macierze trójkatne 2015 A = ( a y 0 d ), B = ( b1 b 2 ) X = AX + B, X 2 = dx 2 + b 2, Przy założeniach Kestena-Goldiego mamy wg. rozkładu wg. rozkładu lim t tα 2 P[X 2 > t] = c + i lim t α 2 P[X 2 < t] = c. t Ponadto X 2 = d 1... d n 1 b 2,n n=1 E log a < 0, E log d < 0, Ea α 1 = 1, Ed α 2 = 1
9 Bivariate GARCH(1,1) X t = ( Xt,1 X t,2 ) ( σt,1 Z = t,1 σ t,2 Z t,2 ) σ t,1 = α 11 X 2 t 1,1 + α 12 X 2 t 1,2 + β 11 σ 2 t 1,1 + β 12 σ 2 t 1,2 + α 01 σ t,2 = α 21 Xt 1,1 2 + α 22 Xt 1,2 2 + β 21 σt 1,1 2 + β 22 σt 1,2 2 + α 02 ( ) ( ) ( ) σ 2 t,1 σ 2 σt,2 2 = A t 1,1 α01 σt 1,2 2 + α 02 A 11 =α 11 Z 2 t 1,1 + β 11, A 12 = α 12 Z 2 t 1,2 + β 12 A 21 =α 21 Z 2 t 1,1 + β 21, A 22 = α 22 Z 2 t 1,2 + β 22 A ij > 0 to Kesten, A 21 = α 21 Z 2 t 1,1 + b 21 = 0, to my.
10 Wykładnik Lapunova A ij = 0, for i > j, A ii > 0 Istnieje ε > 0 takie, że Ea ε, Ed ε η < 1, to wtedy γ < 0. Niech A n = D n + N n, gdzie ( ) ( ) an 0 0 yn D n =, N 0 d n = n 0 0 A 1 A n =(D 1 + N 1 ) (D n + N n ) n = D 1 D i 1 N i D i+1 D n + D 1 D n i=1 bo N i diagn j = 0. E A 1 A n ε Cnη n, η < 1 ( ) 0 a1 a D 1 D i 1 N i D i+1 D n = i 1 y i d i+1 d n 0 0
11 Pierwsza współrzędna X = A 1... A n 1 B n X 1 = a 1 a n 1 b 1,n + X, n=1 n=1 gdzie ( X n 1 ) = a 1 a i 1 y i d i+1 d n 1 b2,n n=2 i=1 ( ) ( ) a1 a A 1 A n 1 B n = n 1 b1,n 0 d 1 d n 1 b 2,n Co jest cięższe X czy i=1 a 1 a n 1 b 1,n. Ea α 1 = 1, Ed α 2 = 1 ( ) an y A n = n 0 d n α 2 < α 1 to X cięższy, α 1 < α 2 nie.
12 Ostatnie wyniki Theorem (Matsui, W. Światkowski, Damek) Załóżmy, że B 0, E log a < 0, E log d < 0, Ea α 1 = 1, Ed α 2 = 1 i pewne założenia o momentach. Jeśli α 1 < α 2 to P(X 1 > t) Ct α 1, C > 0. Jeśli α 1 > α 2 to P(X 1 > t) Ct α 2, C > 0. Jeśli α 1 = α 2 = α to powinno być P( X > t) L(t)t α. Theorem (Damek, Zienkiewicz) Jeśli A 11 = A 22, A 12 R to P( X > t) Ct α (log t) α or P( X > t) Ct α (log t) α/2, C > 0. W zalezności od średniej A 12. ( ) a y X = X + B 0 d
13 d-wymiarowe stochastyczne równanie afiniczne Muneya Matsui, W. Światkowski X = d AX + B, (A, B) X A M(d, R), A ij = 0, for i > j, A ii > 0. Załóżmy, że A ij 0, EA α i ii = 1 dla pewnych α i > 0 i niech α 1,... α d będa parami różne, B i 0. Wtedy dla każdego i P(X i > t) t α i, gdzie α i zależy tylko od α i,... α d. EA α i ij EA α i ii <, E log A ii < 0, log A ii niearytmetyczne, log + A ii <
14 Pierwsza współrzędna X 1 = a 1 a n 1 b 1,n + X, X 2 = d 1... d n 1 b 2,n i=1 n=1 P ( a 1 a n 1 b 1,n > t ) t α 1 i=1 X = a 1 a i 1 y i X 2 θ i i=1 α 1 < α 2 to E X 2 θ i α 1 <. Prawie jak założenia Goldiego tyle, że X 2 θ i stacjonarny nie i.i.d. P(X 1 > t) t α 1. α 1 > α 2, to Ea α 2 < 1. Z lematu Breimana P(a 1 a i 1 y i X 2 θ i > t) (c + c + )t α 2 (Ea α 2 ) i 1 E y i α 2.
15 Zimowa Szkoła dla Studentów Małe Horyzonty - Baby Horizons, Będlewo , Piotr Śniady, Krzysztof Fraczek z Torunia, Piotr Gwiazda z Warszawy będa , Radosław Adamczak, Piotr Zakrzewski z MIMUW i Jacek Wesołowski z MINI bedą info na stronie Banach Center organizatorzy: Piotr Rudnicki, Kajetan Jastrzębski, Oskar Słowik, Tomasz Limisiewicz
16 Buraczewski, Damek, Guivarc h, Hulanicki, Urban X = d AX + B, X niezależne od (A, B), A R + O(d) Theorem Załóżmy, że rozkład log A jest niearytmetyczny, E log A < 0, E A α = 1 dla pewnego α > 0 i E[ B α + A α log + A ] <. Ponadto załóżmy, że P[Ax + B = x] < 1 dla każdego x R d. Wtedy isnieje niezerowa miara σ na S d 1 taka, że P[ X > t, o ile σ( W ) = 0. Dokładniej, A α Ef (A 1 R) f C c (R), A. X X W Sd 1 ] σ(w )t α 0 α f (rω) drdσ(ω) r α+1
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 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 szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowo2. 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 szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane
Bardziej 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 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 szczegółowoGeometryczna 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 szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są
Bardziej szczegółowoDyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej
Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Co to jest entropia nadwyżkowa? Niech (X i ) i Z będzie procesem
Bardziej 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 szczegółowo19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136
Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 19 marzec, 2012 Przykłady procesów Markowa (i). P = (p ij ) - macierz stochastyczna, tzn. p ij 0, j p ij =
Bardziej szczegółowo2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7
Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne Teoria estymacji Jędrzej Potoniec Bibliografia Bibliografia Próba losowa (x 1, x 2,..., x n ) Próba losowa (x 1, x 2,..., x n ) (X 1, X 2,..., X n ) Próba losowa (x 1, x 2,...,
Bardziej szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
Bardziej szczegółowo26 marzec, Łańcuchy Markowa z czasem ciągłym. Procesy Stochastyczne, wykład 7, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136
Procesy Stochastyczne, wykład 7, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 26 marzec, 212 Łańcuchy z czasem ciągłym S = {, 1,..., }, B S = 2 S, ale T = [, ) lub T = (, ). Gdy S skończone,
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 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 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 szczegółowoMetody dekompozycji macierzy stosowane w automatyce
Metody dekompozycji macierzy stosowane w automatyce Grzegorz Mzyk Politechnika Wrocławska, WydziałElektroniki 23 lutego 2015 Plan wykładu 1 Wprowadzenie 2 Rozkład LU 3 Rozkład spektralny 4 Rozkład Cholesky
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowoZadania z 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 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 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 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 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 szczegółowoRóżne rozkłady prawdopodobieństwa
Różne rozłady prawdopodobieństwa. Rozład dwupuntowy D(p). Zmienna losowa ξ ma rozład D(p), jeżeli P p {ξ = 0} = p oraz P p {ξ = } = p. Eξ = p D ξ = p( p). Rozład dwumianowy Bin(n, p). Zmienna losowa ξ
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 szczegółowoO pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego
O pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego Jan Ligęza Instytut Matematyki Wisła Letnia Szkoła Instytutu Matematyki wrzesień 2010 r. [1] S. Łojasiewicz, J. Wloka, Z. Zieleżny; Über eine
Bardziej szczegółowoStacjonarne procesy gaussowskie, czyli o zwiazkach pomiędzy zwykła
Stacjonarne procesy gaussowskie, czyli o zwiazkach pomiędzy zwykła autokorelacji Łukasz Dębowski ldebowsk@ipipan.waw.pl Instytut Podstaw Informatyki PAN autokorelacji p. 1/25 Zarys referatu Co to sa procesy
Bardziej 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 szczegółowoPrzyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej szczegółowo5 Przegląd najważniejszych rozkładów
5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,
Bardziej szczegółowoRynek, 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 szczegółowoAproksymacja. j<k. L 2 p[a, b] l 2 p,n X = Lemat 1. Wielomiany ortogonalne P 0,P 1,...,P n tworza przestrzeni liniowej Π n. Dowód.
Metody numeryczne Paweł Zieliński p. 1/19 Lemat 1. Wielomiany ortogonalne P 0,P 1,...,P n tworza bazę przestrzeni liniowej Π n. Dowód. Lemat 2. Dowolny wielomian Q j stopnia j niższego od k jest prostopadły
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład (wstępny). Producent twierdzi, że wadliwość produkcji wynosi 5%. My podejrzewamy, że rzeczywista wadliwość produkcji wynosi 15%. Pobieramy próbę stuelementową
Bardziej szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
Bardziej szczegółowoModel 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 szczegółowoWielowymiarowy próbnik Gibbsa
29.05.2006 Seminarium szkoleniowe 30 maja 2006 Plan prezentacji Slgorytm MH i PG przypomnienie wiadomości Wielowymiarowy PG Algorytm PG z dopełnieniem Odwracalny PG Modele hierarchiczne Modele hybrydowe
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 szczegółowoLosowe zmienne objaśniające. Rozszerzenia KMRL. Rozszerzenia KMRL
MNK z losową macierzą obserwacji Równanie modelu y = X β + ε Jeżeli X zawiera elementy losowe to należy sprawdzić czy E(b β) = E[(X X ) 1 X ε]? = E[(X X ) 1 X ]E(ε) Przypomnienie: Nieskorelowane zmienne
Bardziej szczegółowoPrzekształcenia liniowe
Przekształcenia liniowe Zadania Które z następujących przekształceń są liniowe? (a) T : R 2 R 2, T (x, x 2 ) = (2x, x x 2 ), (b) T : R 2 R 2, T (x, x 2 ) = (x + 3x 2, x 2 ), (c) T : R 2 R, T (x, x 2 )
Bardziej szczegółowoMaksymalne powtórzenia w tekstach i zerowa intensywność entropii
Maksymalne powtórzenia w tekstach i zerowa intensywność entropii Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Warszawa 1 Wprowadzenie 2 Ograniczenia górne i dolne 3 Przykłady
Bardziej szczegółowoWYKŁAD Z ANALIZY MATEMATYCZNEJ I. dr. Elżbieta Kotlicka. Centrum Nauczania Matematyki i Fizyki
WYKŁAD Z ANALIZY MATEMATYCZNEJ I dr. Elżbieta Kotlicka Centrum Nauczania Matematyki i Fizyki http://im0.p.lodz.pl/~ekot Łódź 2006 Spis treści 1. CIĄGI LICZBOWE 2 1.1. Własności ciągów liczbowych o wyrazach
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoPrzykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1
Przykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1 Zadania rozwiązywane na wykładzie Zadania rozwiązywane na ćwiczeniach Przy rozwiązywaniu zadań najistotniejsze jest wykazanie się rozumieniem
Bardziej szczegółowoRegresja form kwadratowych i algebry Jordana
Regresja form kwadratowych i algebry Jordana Jacek Wesołowski Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska, Warszawa Konferencja Statystyki Matematycznej Wisła 2009 współautor: G. Letac
Bardziej szczegółowoRecenzja rozprawy doktorskiej mgra Piotra Dyszewskiego Asymptotyczne własności modeli bazujących na transformacie gładzącej
prof. dr hab. Rafał Latała Instytut Matematyki Uniwersytet Warszawski ul. Banacha 2 02-097 Warszawa Warszawa, 25 czerwca 2018 Recenzja rozprawy doktorskiej mgra Piotra Dyszewskiego Asymptotyczne własności
Bardziej szczegółowoGranica 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 szczegółowoGranica 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 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 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 szczegółowo13 Układy równań liniowych
13 Układy równań liniowych Definicja 13.1 Niech m, n N. Układem równań liniowych nad ciałem F m równaniach i n niewiadomych x 1, x 2,..., x n nazywamy koniunkcję równań postaci a 11 x 1 + a 12 x 2 +...
Bardziej szczegółowox x 1. Przedmiot identyfikacji System x (1) x (2) : x (s) a 1 a 2 : a s mierzone, a = zestaw współczynników konkretyzujacych F ()
. Przedmiot identyfikacji System () x (2) x * a z y ( s ) x y = F (x,z)=f(x,z,a ),gdziex = F () znane, a nieznane x () x (2) x (s) mierzone, a = a a 2 a s zestaw współczynników konkretyzujacych F () informacja
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 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 szczegółowoZaawansowane metody numeryczne
Wykład 11 Ogólna postać metody iteracyjnej Definicja 11.1. (metoda iteracyjna rozwiązywania układów równań) Metodą iteracyjną rozwiązywania { układów równań liniowych nazywamy ciąg wektorów zdefiniowany
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 szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji ML Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej 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 szczegółowoRozdział 5. Szeregi liczbowe. 5.1 Szeregi liczbowe. Definicja sumy częściowej ciągu. Niech dany będzie ciąg liczbowy (a n ) n=1.
Rozdział 5 Szeregi liczbowe 5. Szeregi liczbowe Definicja sumy częściowej ciągu. Niech dany będzie ciąg liczbowy ( ). Ciąg (s n ) określony wzorem s n = n a j, n N, nazywamy ciągiem sum częściowych ciągu
Bardziej szczegółowo6. Identyfikacja wielowymiarowych systemów statycznych metodanajmniejszychkwadratów
6. Identyfikacja wielowymiarowych systemów statycznych metodanajmniejszychkwadratów . Przedmiot identyfikacji System () x (2) x * a z y ( s ) x y = F (x,z)=f(x,z,a ),gdziex = F () znane, a nieznane x ()
Bardziej szczegółowoIII. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań.
III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań. Analiza stabilności rozwiązań stanowi ważną część jakościowej teorii równań różniczkowych. Jej istotą jest poszukiwanie odpowiedzi
Bardziej szczegółowoPorównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej
Porównanie modeli logicznej regresji z klasycznymi modelami regresji liniowej i logistycznej Instytut Matematyczny, Uniwersytet Wrocławski Małgorzata Bogdan Instytut Matematyki i Informatyki, Politechnika
Bardziej szczegółowoDetekcja 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 szczegółowoTransformaty. Kodowanie transformujace
Transformaty. Kodowanie transformujace Kodowanie i kompresja informacji - Wykład 10 10 maja 2009 Szeregi Fouriera Każda funkcję okresowa f (t) o okresie T można zapisać jako f (t) = a 0 + a n cos nω 0
Bardziej szczegółowoInformacja o przestrzeniach Hilberta
Temat 10 Informacja o przestrzeniach Hilberta 10.1 Przestrzenie unitarne, iloczyn skalarny Niech dana będzie przestrzeń liniowa X. Załóżmy, że każdej parze elementów x, y X została przyporządkowana liczba
Bardziej szczegółowoProcesy stochastyczne
Wykład IV: dla łańcuchów Markowa 14 marca 2017 Wykład IV: Klasyfikacja stanów Kiedy rozkład stacjonarny jest jedyny? Przykład Macierz jednostkowa I wymiaru #E jest macierzą stochastyczną. Dla tej macierzy
Bardziej szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych
Bardziej szczegółowo10. Metody obliczeniowe najmniejszych kwadratów
10. Metody obliczeniowe najmniejszych kwadratów 1. Dowód twierdzenia o faktoryzacji macierzy Twierdzenie 1 Każdadodatniookreślon aisymetryczn amacierzm można przedstawíc wpostaci M = PP T gdzie P jest
Bardziej szczegółowoUkłady równań i nierówności liniowych
Układy równań i nierówności liniowych Wiesław Krakowiak 1 grudnia 2010 1 Układy równań liniowych DEFINICJA 11 Układem równań m liniowych o n niewiadomych X 1,, X n, nazywamy układ postaci: a 11 X 1 + +
Bardziej szczegółowoWYKŁAD: Szeregi czasowe II. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe II Zaawansowane Metody Uczenia Maszynowego Zwroty indeksów finansowych Y t : indeks finansowy w momencie t (wartość waloru, kurs walutowy itp). Określimy zwrot indeksu finansowego
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 szczegółowo6. Punkty osobliwe, residua i obliczanie całek
6. Punkty osobliwe, residua i obliczanie całek Mówimy, że funkcja holomorficzna f ma w punkcie a zero krotności k, jeśli f(a) = f (a) = = f (k ) (a) = 0, f (k) (a) 0. Rozwijając f w szereg Taylora w otoczeniu
Bardziej szczegółowoModelowanie ryzyka kredytowego: MODEL BLACK-COX A
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
Bardziej szczegółowoGrzegorz 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 szczegółowo1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo
1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo 1.1 Rodzaje zbieżności ciagów zmiennych losowych Niech (Ω, F, P ) będzie przestrzenia probabilistyczna na której określony jest ciag {X
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład V: Zmienne losowe i ich wartości oczekiwane 25 października 2017 Definicja zmiennej losowej Definicja Zmienne losowa to charakterystyka liczbowa wyniku eksperymentu losowego. Zmienne losowa na przestrzeni
Bardziej szczegółowoAlgebra liniowa II. Lista 1. 1 u w 0 1 v 0 0 1
Algebra liniowa II Lista Zadanie Udowodnić, że jeśli B b ij jest macierzą górnotrójkątną o rozmiarze m m, to jej wyznacznik jest równy iloczynowi elementów leżących na głównej przekątnej: det B b b b mm
Bardziej szczegółowoMatematyka z el. statystyki, # 3 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a bud. Agro II, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowo1 Zacznijmy od początku... 2 Tryb tekstowy. 2.1 Wyliczenia
1 Zacznijmy od początku... L A TEX 1 jest systemem składu umożliwiającym między innymi tworzenie dokumentów naukowych i technicznych o wysokiej jakości typograficznej. Oczywiście oprócz tego L A TEXumożliwia
Bardziej szczegółowoRozkłady prawdopodobieństwa
Tytuł Spis treści Wersje dokumentu Instytut Matematyki Politechniki Łódzkiej 10 grudnia 2011 Spis treści Tytuł Spis treści Wersje dokumentu 1 Wartość oczekiwana Wariancja i odchylenie standardowe Rozkład
Bardziej szczegółowoMatematyka 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 szczegółowoHypatia? 415 PROCESY KAWAŁKAMI DETERMINISTYCZNE I ICH ASYMPTOTYKA RYSZARD RUDNICKI ŚLADAMI KOBIET W MATEMATYCE RZESZÓW, Strona 1 z 36 Wróć
Strona 1 z 36 Wróć PROCESY KAWAŁKAMI Hypatia? 415 DETERMINISTYCZNE I ICH ASYMPTOTYKA RYSZARD RUDNICKI ŚLADAMI KOBIET W MATEMATYCE RZESZÓW, 23.06.2017 Strona 2 z 36 Wróć Plan: Co to sa procesy kawałkami
Bardziej szczegółowo1. Pojęcie normy, normy wektora [Kiełbasiński, Schwetlick]
1. Pojęcie normy, normy wektora [Kiełbasiński, Schwetlick] wektor x R d x =(x 1,x 2,..., x d ) T wektor, punkt w przestrzeni d-wymiarowej norma wektora własności (1) kxk > 0, kxk =0tylko wtedy, gdy x =0
Bardziej szczegółowoAnaliza matematyczna 1 - test egzaminacyjny wersja do ćwiczeń
Analiza matematyczna 1 - test egzaminacyjny wersja do ćwiczeń Leszek Skrzypczak 1. Niech E = {x [0, 1] : x = k 2 n k = 1, 2,... 2 n, n = 1, 2, 3,...} Wówczas: (a) Dla dowolnych liczb wymiernych p, q [0,
Bardziej szczegółowoMetody Obliczeniowe w Nauce i Technice
Metody Obliczeniowe w Nauce i Technice 15. Obliczanie całek metodami Monte Carlo Marian Bubak Department of Computer Science AGH University of Science and Technology Krakow, Poland bubak@agh.edu.pl dice.cyfronet.pl
Bardziej szczegółowoStochastyczne 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 szczegółowog liczb rzeczywistych (a n ) spe lnia warunek
. Czy jest prawda, że a) R y R z R y + yz + = 0 ; b) R y R z R y + yz + 0 ; c) R y R z R y + yz + = 0 ; d) R y R z R y + yz + 0? 2. Czy jest prawdziwa nierówność a) ctg > ; b) tg < cos ; c) cos < sin ;
Bardziej szczegółowoZagadnienia stacjonarne
Zagadnienia stacjonarne Karol Hajduk 19 grudnia 2012 Nierówność wariacyjna (u (t), v u(t)) + a(u, v u) + Ψ(v) Ψ(u) (f, v u), v V. Zagadnienie stacjonarne ma postać (u (t) = 0): a(u, v u) + Ψ(v) Ψ(u) (f,
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 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 szczegółowon=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 szczegółowo1 Gaussowskie zmienne losowe
Gaussowskie zmienne losowe W tej serii rozwiążemy zadania dotyczące zmiennych o rozkładzie normalny. Wymagana jest wiedza na temat własności rozkładu normalnego, CTG oraz warunkowych wartości oczekiwanych..
Bardziej 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 szczegółowoALGEBRA Z GEOMETRIĄ BAZY PRZESTRZENI WEKTOROWYCH
ALGEBRA Z GEOMETRIĄ 1/10 BAZY PRZESTRZENI WEKTOROWYCH Piotr M. Hajac Uniwersytet Warszawski Wykład 11, 18.12.2013 Typeset by Jakub Szczepanik. Istnienie bazy Tak jak wśród wszystkich pierścieni wyróżniamy
Bardziej szczegółowoPodstawy robotyki. Wykład II. Robert Muszyński Janusz Jakubiak Instytut Informatyki, Automatyki i Robotyki Politechnika Wrocławska
Podstawy robotyki Wykład II Ruch ciała sztywnego w przestrzeni euklidesowej Robert Muszyński Janusz Jakubiak Instytut Informatyki, Automatyki i Robotyki Politechnika Wrocławska Preliminaria matematyczne
Bardziej szczegółowoStopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.
Stopy zbieżności Stopę zbieżności ciagu zmiennych losowych a n, takiego, że a n oznaczamy jako a n = o p (1 p 0 a Jeśli n p n α 0, to a n = o p (n α i mówimy a n zbiega według prawdopodobieństwa szybciej
Bardziej szczegółowo1 Ciągłe operatory liniowe
1 Ciągłe operatory liniowe Załóżmy, że E, F są przestrzeniami unormowanymi. Definicja 1.1. Operator liniowy T : E F nazywamy ograniczonym, jeżeli zbiór T (B) F jest ograniczony dla dowolnego zbioru ograniczonego
Bardziej szczegółowo