1.1. Koherentne miary ryzyka
|
|
- Anatol Kowalik
- 8 lat temu
- Przeglądów:
Transkrypt
1 Rozdziaª 1 Miary ryzyka 1.1. Koherentne miary ryzyka Denicja 1.1 Zbiór zmiennych losowych jest sto»kiem M je±li staªe nale» do M oraz je±li L 1, L 2 M to L 1 + L 2 M oraz je±li λ > 0 i L M to λl M. Elementy zbioru M b dziemy rozumieli jako stopy strat inwestycji Denicja 1.2 Niech M b dzie sto»kiem. Wówczas funkcje ρ : M IR nazywamy koherentn miar ryzyka je±li 1) jest niezmiennicza na translacje, czyli dla dowolnego l IR oraz L M 2. jest subaddytywna ρ(l + L) = l + ρ(l) ρ(l 1 + L 2 ) ρ(l 1 ) + ρ(l 2 ) 3. jest dodatnio jednorodna, czyli je±li λ > 0 ρ(λl) = λρ(l) 4. jest monotoniczna, je±li L 1 L 2 prawie wsz dzie to ρ(l 1 ) ρ(l 2 ). ze wzgeldu na zastosowania wprowadzamy dwie mairy ryzyka: Denicja 1.3 Niech X zmienna losowa. Wówczas warto±ci zagro»on (kwantylem) X nazywamy V ar α (X) = q α (X) = inf{x : F X (x) α} gdzie F X oznacza dystrybuant. Warto±c zagro»ona nie jest koherentn miar ryzka w ogólno±ci. Nie speªnia warunku subaddytywno±ci. Z denicja latwo sprawdzi,»e speªnia pozostaªe warunki denicji 1.1. Jesli jednak inwestycje (stopy straty) maj wspólny rozkªad eliptyczny ( w szczególno±ci szczególno±ci normalny) to VaR jest koherentn miar ryzyka, zob. Twierdzenie 2.4.
2 2 Denicja 1.4 Niech X zmienna losowa taka,»e E X <. Wówczas u±rednion warto±ci zagro»on (ang. Expected shortfall) nazywamy gdzie F X oznacza dystrybuant. ES α (X) = 1 1 α 1 α V ar u (X)du. Expected shortfall jest koherentn miar ryzyka. Dowód znajduje si w rozdziale. Poniewa» VaR speªnia warunki 1,3,4 denicji 1.2 zatem miara ES speªnia równie» warunki 1,3,4 denicji 1.2. ES jest jednak miar koherentn w zbiorze wszystkich zmiennych losowych caªkowalnych. Dowód twierdzenia wynika np. z mocnego prawa wielkich liczb dla statystyk pozycyjnych Konwencja dla zysku Je±li zmienna losowa X reprezentuje zysk, to zmienna losowa L = L X = X reprezentuje strat. Wówczas aksjomaty koherentnej miary ryzyka s deniowane "odwrotnie". Mianowicie niech ρ b dzie miar ryzyka zdefniowan powy»ej wówczas ρ z (X) = ρ(l X ) deniuje koherentn miar ryzka w sensie zysku czyli je±li X 1 X 2 to L X1 zatem ρ(l X1 ) ρ(l X2 ) czyli ρ z (X 1 ) ρ z (X 2 ). Je±li c oznacza staªy zysk, to L X+c = X c = L X c zatem L X2 ρ z (X + c) = ρ(l X+c ) = ρ(l X c) = ρ(l X ) c = ρ z (X) c. Subbaddytywno± i dodatnia jednorodno± s zachowane gdy» ρ z (X 1 + X 2 ) = ρ(l X1+X 2 ) = ρ(l X1 + L X2 ) ρ(l X1 ) + ρ(l X2 ) = ρ z (X 1 ) + ρ z (X 2 ). Analogicznie dodatnia jednorodno±. zob [1] Uogólniona dystrybuanta odwrotna Przypomnienie wiadomo±ci o dot. uogólnionej dystrybuanty odwrotnej. Lemat 1.1 Je±li F = F X jest dystrybuant zmiennej losowej X, to P (F (X) F (x)) = P (X x) = F (x). Dowód. Poniewa» dystrybuanta jest niemalej ca zatem {X x} {F (X) F (x)}.
3 3 Zauwa»my,»e {F (X) F (x)} = {X x} {F (X) = F (x), X > x}, gdy» Ω = {X x} {X > x}. Wystarczy pokaza teraz,»e P {F (X) = F (x), X > x} = 0. (1.1) Dla ustalonego x niech x 0 = inf{y : F (y) = F (x)}. Z denicji x 0 oraz z prawostronnej ci gªo±ci, F (x 0 ) = F (x). Ponadto niech x 1 = sup{y : F (y) = F (x)}. Je±li F (x 1 ) = F (x), to Je±li F (x 1 ) > F (x), to P (x 0 < X x 1 ) = 0. (1.2) P (x 0 < X < x 1 ) = 0, (1.3) gdy» dla ka»dego b < x 1 P (x 0 < X b) = 0. Z waruków (1.2) oraz (1.3) wynika (1.1). Denicja 1.5 Niech F = F X jest dystrybuant zmiennej losowej X. Uogólnion dystrybuant odwrotn nazywamy funkcj Uogólniona dystrybuanta odwrotna gdy» korzystamy ze standartowej denicji Zauwa»my,»e V ar α (X) = F 1 (α). F 1 (y) = inf{x : F X (x) y} F 1 : [0, 1] IR {, + } + = inf, = inf IR. Lemat 1.2 Niech F = F X jest dystrybuant zmiennej losowej X. 1. F 1 jest niemaj ca i lewostronnie ciagªa. 2. Jesli F jest ci gªa wtedy i tylko wtedy gdy F 1 jest ±ci±le rosn ca na [0, 1]. 3. Je±li F jest ±ci±le rosn ca wtedy i tylko wtedy gdy F 1 jest ci gªa na [0, 1]. Niech < F 1 < +. Wówczas 4. F (x) y wtedy i tylko wtedy gdy F 1 (y) x. 5. F 1 (F (x)) x 6. F (F 1 (y)) y 7. Je±li F jest ±ci±le rosn ca, to F 1 (F (x)) = x 8. Je±li F jest ci gla, tof (F 1 (y)) = y. Zobacz [4].
4 Rozdziaª 2 Wielowymiarowe rozkªady Niech A oznacza macierz. Przez A = A T b dzie rozumieli macierz transponowan. Dziaªania na macierzach w SAS s w Dodatku na ko«cu Wielowymiarowy rozkªad normalny. Denicja 2.1 Wektor X = (X 1, X 2,..., X p ) ma niezdegenorowany rozkªad normaly (gausowski) X N(µ, Σ) je±li EX = µ IR p, Σ = E(X µ)(x µ) T dla macierz kowariancji det Σ 0 za± g sto± x IR p ( 1 f(x) = Exp 1 ) (2π) p/2 Σ 1/2 2 (x µ)t Σ 1 (x µ). Aby wygenerowa dane z danego rozkªadu normalnego N(µ, Σ) korzystamy z twierdzenia Fishera. Mianowicie znajdujemy pierwiastek macierzy Σ, ( rozkªad Cholesky) czyli macierz A = Σ tak,»e A A = Σ. Niech Z bedzie wektorem losowym Z = (Z 1, Z 2,..., Z p ), Z i N(0, 1) oraz Z i s niezale»ne dla i = 1,..., p. Zauwa»my,»e Z N(0, I p ), gdzie I p jest macierz jednostkow. Wówczas wektor losowy Y = A Z + µ ma rozkªad gausowski z macierz korelacji Σ, Y N(µ, Σ). Rzeczywi±cie E(Y µ)(y µ) = EA ZZ A = A I p A = Σ, EY = µ. Pozostaªe wªasno±ci wektorów gausowskich na wykªadzie Statystyka matematyczna. Przykªad Ustawienie "seed" oznacza,»e liczby pseudolosowe losowe startuj od tego punktu. Ci g liczb -procedura zostaªa stworzona przez Matsumoto and Nishimura (1998). Ci g liczb ma okres Funkcja "normal" generuje liczb, wektor, lub macierz liczb losowych o rozkªadzie N(0, 1) w zale»no±ci jaki obiekt jest argumentem "normal" Nastepujacy program generuje wektor o dªugo±ci 10 liczb losowych
5 5 c = j(10,1,0); b = normal(c); print b; "Repeat function" wygeneruje te same obiekty. Skªadnia REPEAT( matrix, nrow, ncol) proc iml; x={ 1 2, 3 4} ; y=repeat(x,2,3); print y; Generowanie macierzy losowej i tworzenie pliku danych z macierzy proc iml ; n = 10; /*deklarowanie macierzy*/ sigma = { 4 2, 2 3 }; mu = {1, 0}; p = nrow(sigma); m = repeat(t(mu),n) ; g =root(sigma); z =normal(repeat(0,n,p)) ; /*albo mo»na z =normal(j(n,p,0)) ; */ ymatrix = z*g + m ; /* przepisanie danych z macierzy do pliku*/ create newdata from ymatrix; append from ymatrix; close newdata; proc print data = newdata; Rysowanie danych wygenerowanych proc gplot data=newdata; plot col1*col2="star"; run; Lub procedura ods graphics on; proc kde data=newdata; bivar col1 col2 / plots=all; run; ods graphics off;
6 Werykacja hipotezy o normalno±ci rozkªadu Testowanie normalno±ci wielowymiarowego rozkªadu normalnego. Program odwo- ªuje si do odlegªo±ci Mahalanobisa. Mianowice Mardia-test jest oparty na mierze sko±no±ci (zakªadamy,»e obie caªki istniej ) gdzie X, Y s niezale»ne oraz kurtozie β 1,p = E ( (X µ) T Σ 1 (Y µ) ) 3 β 2,p = E ( (X µ) T Σ 1 (X µ) ) 2. Dla wektorów losowych X, Y wielowymiarowego rozkªadu normalnego, jesli X, Y s niezale»ne wówczas β 1,p = 0 za± β 2,p = p(p + 2). Zakªadamy,»e mamy ci g niezale»nych wektorów o jednakowym rozkªadzie Y 1, Y 2,..., Y n dla których istnieje macierz kowariancji Σ. Mamy nastepuj ce estymatory β 1,p = 1 n 2 n n i=1 g 3 ij za± gdzie β 2,p = 1 n n i=1 g 2 ii, g ij = (Y i Y ) T S 1 n (Y j Y ). W przypadku gdy wektory losowe Y 1, Y 2,..., Y n N(µ, Σ) macierz losowa S n jest estymatorem Σ najwi kszej wiarogodno±ci (obci»onym), czyli S n = n 1 n S, za± S jest nieobci»onym estymatorem Σ, czyli gdzie S = 1 n 1 n (Y i Y)(Y i Y), i=1 Y = 1 n n Y i. Przykªad Mamy macierz danych (Rao 1948) dotycz cy wagi korków do win. Dla jednego drzewa mamy cztery pomiary wagi korka w zale»nosci od strony ±wiata. Poni»szy program wylicza macierz kowariancji oraz macierz odwrton do kowariancji. i=1
7 7 proc iml ; y ={ , , , , , , , , , , , , , , , , , , , , , , , , , , , } ; n = nrow(y) ; p = ncol(y) ; dfchi = p*(p+1)*(p+2)/6 ; q = i(n) - (1/n)*j(n,n,1); s = (1/(n))*t(y)*q*y ; s_inv = inv(s) ; g_matrix = q*y*s_inv*t(y)*q; beta1hat = ( sum(g_matrix#g_matrix#g_matrix) )/(n*n); beta2hat =trace( g_matrix#g_matrix )/n ; kappa1 = n*beta1hat/6 ; kappa2 = (beta2hat - p*(p+2) ) /sqrt(8*p*(p+2)/n) ; pvalskew = 1 - probchi(kappa1,dfchi) ; pvalkurt = 2*( 1 - probnorm(abs(kappa2)) );
8 8 print s ; print s_inv ; print "TESTS:"; print "Based on skewness:" beta1hat kappa1 pvalskew ; print " Based on kurtosis" beta2hat kappa2 pvalkurt; run; Drugi sposób to odwoªanie si do gotowej procedury data cork; input north east south west; datalines; ; run;
9 9 proc calis data = cork kurtosis; title1 "Output 1.1"; title2 "Computation of Mardia's Kurtosis"; lineqs north = e1, east = e2, south = e3, west = e4; std e1=eps1, e2=eps2, e3=eps3, e4=eps4; run ; Procedura proc calis z opcj/a kurtosis wy±wietla szereg parametrów zwi zanych z kurtoz, w tym Standardow kurtoz Mardii (Mardia based kappa) κ 1 = β 2,p p(p + 2) 1 = κ 1( β 2,p ). razy suma kurtoz jednowymiaro- Mean scaled univariate kurtosis κ 2, równa 1 wych 3p Adjusted mean scaled kurtosis κ 3, równa 1 jednowymiarowych 3p razy suma poprawionych kurtoz Do werykacji hipotezy badany wektor cech ma rozkªad normalny sªu»y porównanie parametru κ i z warto±ci krytyczn 2 p+2 w naszym przypadku 1/3. Mo»emy równie» posªu»y si asymptotycznym rozkªadem κ 1. Mianowicie Mardia w swojej pracy pokazaª,»e dla β 2,p zachodzi centralne twierdzenie graniczne β 2,p p(p + 2) 8p(p + 2)/n N(0, 1). Zatem asymptotyczny rozkªad κ 1 te» jest normalny. W powy»szym przykªadzie dla ka»dej statystyki jest prawd,»e κ i 1/3 zatem nie ma podstaw do odrzucenia hipotezy zerowej. Na koniec wprowadzamy jeszcze jedn procedur która umo»liwia obliczenie macierzy kowariancji oraz korelacji proc corr data = cork cov; run;
10 Skªadowe gªówne rozkªadów gausowskich Analiza skªadowych gªównych to w zasadzie analiza wektorów wªasnych i warto±ci wªasnych macierzy Σ. Niezwykle przydatna procedura proc princomp data=cork; run; podaje warto±ci wªasne i wektory wªasne w badanym przykªadzie. Jedna skªadowa gªówna wyja±nia prawie caª zmienno± modelu 89%. Skªada si ona z niemal identycznych informacji z ka»dej ze skªadowych wektora obserwacji. Druga skªadowa gªówna (razem z pierwsz ) wyja±nia 96% procent modelu. Wektor wªasny, czyli druga skªadowa gªówna istotnie rozró»nia dane z east i west i z tych danych buduje informacje. St d badany model mo»na sprowadzi do dwóch danych Rozkªady sferyczne i eliptyczne Wektor X = (X 1, X 2,..., X p ) b dzie wektorem losowym. Niech L(X) oznacza rozkªad wektora X. Denicja 2.2 Mówimy,»e X ma rozkªad sferyczny jesli dla ka»dej macierzy ortogonalnej U, czyli takiej,»e UU T = I p zachodzi L(UX) = L(X), czyli równo± zachodzi dla rozkªadów. Przykªad wektora o rozkªadzie sferycznym Z N(0, I p ). Rozkªad L(X) oznacza b d¹ dystrybuant wektora X, czyli F X bad¹ miar, czyli transport miary P przez X. Zatem dla dowolego zbioru borelowskiego A B(IR p ) ν X (A) = P (X A). Zauwa»my,»e dla dowolej funkcji dodatkniej f : IR p IR mamy Ef(X) = f(u)ν X (u). IR p Równo± rozkªadów jest równowa»na z faktem,»e funkcje charakterystyczne s sobie równe. Funkcj charakterystyczn deniujemy wzorem t IR p φ X (t) = Ee it X, t X =< t, X >= p t j X j. Zauwa»my jeszcze jedn prost wªasno± dla wektora losowego losowej X i λ > 0 Niech a = < a, a >, gdzie a R p. φ λx (t) = Ee it λx = Ee iλt X = φ X (λt). (2.1)
11 11 Twierdzenie 2.1 Nast puj ce warunki s równowa»ne 1. Wektor losowy X ma rozkªad sferyczny 2. Istnieje funkcja mierzalna ψ : IR IR (generator rozkªadu sferycznego) taka,»e ψ(t t) = φ X (t). 3. Dla ka»dego wektora a IR p L(a X) = L( a X 1 ), Dowód. 1 = 2. Niech wektor X ma rozkªad sferyczny. Niech U odwzorowanie ortogonalne. Wówczas z zaªo»enia dla t IR p φ X (t) = φ UX (t) = Ee it UX = Ee i(u t) X = φ X (U t). Bior c dowolny obrót U otrzymujemy,»e φ X jest fukcj staª dla wektorów o tej samej dªugo±ci i zale»y jedynie od dªugo±ci wektora t. Zatem mo»emy zdeniowa funkcj ψ ψ(a) = φ X (t), a = t t = t 2. 2 = 3. Niech e 1 = (1, ) bedzie wektorem jednostkowym w IR p. Zauwa»my,»e z zaªo»enia dla u IR Równie» z zaªo»enia dla t IR p φ X1 (u) = Ee iux1 = Ee i(ue1) X = φ X (ue 1 ) = ψ(u 2 ) (2.2) φ t X(u) = Ee iut X = φ X (ut) = ψ(u 2 t t) = ψ(u 2 t 2 ) Korzystaj c z (2.2) otrzymujemy φ t X(u) = φ X1 (u t ) = φ t X1 (u), co ko«czy dowód implikacji. 2 = 3. Niech U dowolne przeksztaªcenie ortogonalne. Wówczas Z zaªo»enia bior c a = U t otrzymamy φ UX (t) = Ee it UX = Ee i(u t) X. Ee i(u t) X = φ a X(1) = φ a X1 (1) = Ee i U t X 1. Poniewa» U jest ortogonalne,to Ut = t. Zatem Znowu korzysataj c z zaªo»enia co ko«czy dowód twierdzenia. φ UX (t) = Ee i t X 1. φ UX (t) = φ X (t)
12 12 Lemat 2.2 Niech X, Y niezale»ne wektory losowe. Niech dana jest funkcja mierzalna f : IR IR IR taka,»e zmienna losowa E f(x, Y) <. Wówczas gdzie E[f(X, Y) Y ] = g(y ), g(y) = E[f(X, y). Na S p 1 wprowadzimy miar powierzchniow unormowan ν(s p 1 ) = 1, czyli a dν(a) = 1 a da, S p 1 e it ω p 1 S p 1 e it gdzie ω p 1 jest miar powierzchniow sfery S p 1, czyli ω p 1 = 2 πp/2 Γ(p/2). Zauwa»my,»e dla dowolnego t IR p funkcja t a dν(a), S p 1 e it zale»y jedynie od t. Prowadzi to do denicji Ω p ( t 2 ) = S p 1 e it a dν(a). (2.3) Funkcja Ω p jest zwi zana z funkcj Bessela. Mianowicie niech k liczba caªkowita. Funkcj Bessla nazywamy funkcj postaci, por. [5] J k (t) = 1 2π 2π 0 e it sin θ e ikθ dθ, Zachodzi lemat, Lemat 3.1 [5] dla dowolnego k 0 t IR. J k (t) = (t/2) k 1 e its (1 s 2 ) (2k 1)/2 ds, Γ((2k + 1)/2)Γ(1/2) 1 t IR. Powy»sza formuªa pozwala rozpatrywa funkcje Bessela dla k > 1/2. Wówczas dla dowolnego t IR p, niech s = t > 0 wówczas (dowód str. 154 [5]) S p 1 e it a dν(a) = ω p 2 ω p e isu (1 u 2 ) (p 3)/2 du = Γ(p/2) (s/2) J Γ(p/2) (p 2)/2(s) = (p 2)/2 ( t /2) J (p 2)/2( t ). (p 2)/2
13 13 Twierdzenie 2.3 Nast puj ce warunki s równowa»ne 1. Wektor losowy X ma rozkªad sferyczny 2. L(X) = L(RS), gdzie S jest rozkªadem jednostajnym na sferze S p 1 IR p, R jest zmienn losow dodatni. Ponadto R oraz S s niezale»ne. Dowód 2 = 1. Korzystaj c z Lematu 2.2 otrzymamy gdzie korzystamy z (2.3), czyli St d φ RS (t) = Ee irt S = E(E[e irt S R]) = EΩ p (R 2 t 2 ), Ω p (r 2 t 2 ) = Ee irt S. φ RS (t) = EΩ p (R 2 t 2 ) = EΩ p (R 2 t t). Zatem pokazli±my,»e funkcja charakterystyczna zale»y wyª cznie od iloczynu skalarnego t t. Z twierdzenia 2.1 punkt 2 wynika teza twierdzenia. 1 = 2. Konstruujemy wektory losowe R, S niezale»ne i takie,»e L(R) = L( X ), za± S ma rozkªad jednostajny na S p 1 i sprawdzamy rozkªad wektora RS. Denicja 2.3 Wektor losowy X ma rozkªad eliptyczny je±li istnieje macierz A, wektor µ oraz wektor Y o rozkªadzie sferycznym tak,»e L(X) = L(AY + µ). Poniewa» rozkªad sferyczny Y jest jednoznaczenie okre±lony przez generator ψ (Twierdzenie 2.1 (2)) zatem rozkªad X jest jednoznacznie okre±lony przez ψ oraz przez macierz A i µ. Zauwa»my,»e macierz korelacji dla X jest równa Σ = AA. Korzystaj c z rozkªadu Choleskiego rozkªad X jest jednoznacznie okre±lony przez trójk (µ, Σ, ψ) i oznaczamy go przez X E p (µ, Σ, ψ). Wektor o rozkªadzie normalnym X N(µ, Σ) ma rozkªad eliptyczny. Mianowicie L(X) = L( ΣZ + µ), gdzie Z N(0, I p ). W rodzinie generowanej przez rozkªady eliptyczne miara ryzyka jest subaddytywna. Twierdzenie 2.4 Niech X = (X 1, X 2,..., X p ) ma rozkªad eliptyczny. Rozwa»my sto»ek p M = {L : L = λ 0 + λ j X j, λ j IR}. Wówczas dla ka»dego L 1, L 2 M V ar α (L 1 + L 2 ) V ar α (L 1 ) + V ar α (L 2 ). (2.4)
14 14 Dowód. Z twierdzenia 2.3 wynika,»e istnieje macierz A, wektor µ oraz wektor Y o rozkªadzie sferycznym tak,»e L(X) = L(AY + µ). Wystarczy teraz udowodni,»e dla dowolnych wektorów t 1, t 2 V ar α (t 1AY + t 2AY) V ar α (t 1AY) + V ar α (t 1AY). Z twierdzenia 2.1 Y ma rozklad sferyczny L(t 1AY + t 2AY) = L((t 1 + t 2 ) AY) = L((A t 1 + A t 2 ) Y) = L( A t 1 + A t 2 Y 1 ) Ponadto dla i = 1, 2 Zatem L(t iay) = L((A t i ) Y) = L( A t i Y 1 ). V ar α (t 1AY + t 2AY) = V ar α ( A t 1 + A t 2 Y 1 ) = A t 1 + A t 2 V ar α (Y 1 ). oraz V ar α (t iay) = V ar α ( A t i Y 1 ) = A t i V ar α (Y 1 ). Wystarczy teraz zauwa»y,»e dla dowolnych A, t 1, t 2 co daje (2.4). A t 1 + A t 2 A t 1 + A t 2
15 Rozdziaª 3 Oczekiwana warto± zagro»ona Niech X b dzie zmienn losow tak,»e E X < o dystrybuancie F X, Oczekiwana warto± zagro»ona-expected shortfall na poziomie ufno±ci α [0, 1) deniujemy ES α = 1 1 α 1 α q u (F X )du = 1 1 α 1 gdzie q u (F X ) jest kwantylem F X. Z denicji wynika,»e ES α V ar α (X). α V ar u (X)du, Lemat 3.1 Niech zmienna losowa X ma ci gªa dystrybuant F = F X. Wówczas gdzie ES α = E[X; X V ar α(x)], 1 α E[X; X V ar α (X)] = {X V ar α(x)} XdP. Uwaga. Z denicji warunkowej warto±ci oczekiwanej wynika,»e E[X X V ar α (X)] = 1 XdP. 1 α {X V ar α(x)} Dowód. Je±li U U(0, 1) czyli je±li zmienna losowa U ma rozkªad jednostajny na odcinku (0, 1), to uogólniona dystrybuanta odwrotna F 1 = F 1 X zªo»ona z U ma rozkªad F X, czyli P (F 1 (U) a) = F X (a). Powy»szy fakt wynika z lematu 1.2. Zatem E(X; X V ar α (X)) = E(F 1 (U); F 1 (U) V ar α (X)). Z lematu 2.1 (2) = E(F 1 (U); F 1 (U) F 1 (α)) E(F 1 (U); F 1 (U) F 1 (α)) = E(F 1 (U) : U α) = 1 α F 1 (u)du co ko«czy dowód. Podamy teraz twierdzenie Van Zwet, czyli Mocne prawo wielkich liczb dla statystyk pozycyjnych
16 16 Twierdzenie 3.2 Mocne prawo wielkich liczb dla statystyk pozycyjnych Niech X, X 1, X 2,... ci g niezale»nych zmiennych losowych o rozkladzie F X oraz niech E X <. Wówczas lim n 0 1 [n(1 α)] n j=[nα] L j,n = ES α = 1 1 α 1 α V ar u (X)du pr. na pewno, gdzie L 1,n L 2,n L n,n oznaczaj statystyki pozycyjne dla L 1, L 2,..., L n oraz [n(1 α)] oznacza najwiesz liczb caªkowit mniejsz od n(1 α). Zauwa»my,»e bior c za α = 0 otrzymujemy Mocne Prawo wielkich Liczb 1 lim n 0 n n 1 L j,n = lim n n n L j = 1 Zachodzi twierdzenie C. Acerbi, D. Tasche V ar u du = EL pr. na pewno. Twierdzenie 3.3 Oczekiwana warto± zagro»ona-expected shortfall na poziomie ufno±ci α (0, 1) jest koherentn miar ryzyka. Dowód. Niech (X 1, X 2 ) wektor losowy. Chcemy pokaza,»e ES α (X 1 + X 2 ) ES α (X 1 ) + ES α (X 2 ). Niech (L 1, L 1 ),... (L n, L n ) ci g wektorów o rozkªadzie ªacznym (X 1, X 2 ). Wówczas Y i = L i + L i ci g niezale»nych zmiennych losowych. zauwa»my,»e n Y i:n = sup{y i1 + Y im, 1 i 1 < < i m n} i=m sup{l i1 + L im, 1 i 1 < < i m n}+sup{ L i1 + L im, 1 i 1 < < i m n}. Przechodz c do granicy dla m = [nα] i n i korzystaj c z Twierdzenia 3.2 otrzymujemy nasze twierdzenie.
17 Rozdziaª 4 Twierdzenie o reprezentacji miar koherentnych Niech X b dzie zbiorem zmiennych losowych mierzalnych i ograniczonych. Niech M zbiór miar sko«czenie addytywnych, nieujemnych, unormowanych na Ω, czyli je±li P M to P (Ω) = 1. Do denicji caªki wzgl. tych miar deniujemy korzystaj c z tw. Hahna-Banacha. [1] Twierdzenie 4.1 Funkcjonaª ρ : X IR jest koherentn miar ryzyka wtedy i tylko wtedy gdy istnieje podzbiór Q zbioru M miar sko«czenie addytywnych unormowanych na Ω taki,»e ρ(x) = sup E P X = sup XdP, X X. P Q P Q Ω Przypadek Ω zbior sko«czny n elementowy. Wowczas ka»d inwestycj X (stop straty z inwestycji) X : Ω IR mo»na uto»sami z wektorem t X IR n. Zatem mamy wzajemn odpowiednio± zmiennych losowych na Ω oraz wektorów w przestrzeni IR n. Dlatego miar probabilistyczn P na Ω mo»emy równie» z wektorem a P = (a 1,..., a n ) z sympleksu = n, czyli 0 a i 1, n a i = 1. i=1 Zauwa»my,»e E P X =< l X, a P >= l X a P. Z drugiej strony a to a wyznacza miar P a jak wy»ej. W tym przypadku twierdzenie ma nast puj c posta Twierdzenie 4.2 Niech Ω zbior sko«czny n elementowy. Funkcjonaª ρ : X IR jest koherentn miar ryzyka wtedy i tylko wtedy gdy istnieje podzbiór Q zbioru n taki,»e ρ(x) = sup E Pa X = sup < l X, a >, X X. a Q a Q Dowód. Szkic. Je±li Q jest podzbiorem, to funkcjonaª ρ Q : IR n IR
18 18 taki,»e ρ Q (X) = sup l X a P, a Q X X w sposób oczywisty speªnia warunki miary koherentnej, gdy» dziedziczy te wªasno±ci z wªasno±ci supremum. W drug stron zaªó»my,»e dany jest funkcjonaª ρ : IR n IR speªniaj cy warunki Denicji 1.2. Udowodnimy,»e dla ka»dego l IR n gdzie ρ(l) l (4.1) n l = (l l) 1//2 = oznacza norm euklidesow, co oznacza ci gªo±. Po pierwsze z warunku dodatniej jednorodno±ci dla wektora zerowego 0 IR n i dla dowolnej liczby dodatniej λ l 2 j ρ(0) = ρ(λ0) = λρ(0), czyli ρ(0) = 0. Zauwa»my,»e aby pokaza (4.1) wystarczy udowodni (4.1) dla 1/2 x S n 1 = {x IR n : x = 1} gdy» (4.1) jest prawdziwa dla x = 0. Je±li za± l 0, to x = l/ l S n 1. Wów zas je±li (4.1) zachodzi dla x S n 1 to ( ) l ρ l l l i z didatniej jednorodno±ci ρ otrzymujemy (4.1) dla dowolnego l IR n. Poniewa» wektor staªy c = (c,..., c) oznacza zmienn losow staªa zatem z translacyjnej niezmienniczo±ci i poniewa» ρ(0) = 0 zatem ρ(c) = ρ(0 + c) = ρ(0) + c = c, czyli dla wektora staªego 1 = (1,..., 1) IR n Poniewa» dla dowolnego x S n 1 ρ(1) = 1. x (porównujemy po wszystkich wspóªrz dnych) zatem z monotoniczno±ci x 1 i z powy»szych rezultatów ρ(x) 1.
19 Analogicznie dla dowolnego x S n 1 ρ(x) 1. Zatem dla dowolego x S n 1 ρ(x) x = Niech teraz l 0 dowolny ustalonty wektor taki,»e ρ(l 0 ) = 1. Deniujemy zbiór U = U(l 0 ) = {l IR n : ρ(l) < ρ(l 0 )}. Zbiór U jest otwarty (ρ jest funkcj ci gªa) i l 0 nie nale»y do tego zbioru. Korzystaj c z dodatniej jednorodno±ci ρ oraz z subaddytywno±ci pokazujemy,»e U jest wypukªy. Korzystaj c za± z twierdzenia Hahna Banacha o oddzielaniu (Twierdzenie Kreina) istnieje hiperpªaszczyzna (funkcjonaª, wektor q) oddzielaj ca zbiór U od wektora l 0, czyli dla dowolnego l U q l < q l 0. Poniewa» 0 U (bo ρ(0) = 0 < q l 0 ) zatem istnieje q 0 = q 0 (l 0 ) = λq tak,»e Zatem dla dowolnego l U Mo»na pokaza,»e q 0. Wówczas dla mo»emy udowodni,»e Rzeczywi±cie je±li ρ(l) = b to Zatem (l 0 = l b1 + 1) St d q 0 l 0 = ρ(l 0 ) = 1. q 0 l < q 0 l 0 = 1. Q = {q 0 : ρ(l 0 ) = 1} ρ(l) = ρ Q (l) = sup l a. a Q ρ(l b1 + 1) = 1. ρ Q (l) b + 1 = ρ Q (l b1 + 1) 1. ρ Q (l) ρ(l). Wystarczy teraz udowoni,»e dla dowolnego l i q 0 Q Je±li ρ(l) < b to czyli St d poniewa» q 0 (q 0 1 = 1) co dowodzi (4.2) co ko«czy dowód. Jaka jest reprezentacja ES α? [1] q 0 l ρ(l). (4.2) ρ(l b1 + 1) = ρ(l) b + 1 < 1. q 0 (l b1 + 1) < 1. q 0 l < b
20 Rozdziaª 5 Alokacja kapitaªu Lemat 5.1 Niech U zbiór otwarty w IR p \{0}. Niech dana jest funkcja ró»niczkowalna f : U IR dodatnio jednorodna, czyli dla h > 0 oraz t, ht U zachodzi f(ht) = hf(t). Wówczas f(t) =< t, f(t) >. Dowód. Pochodna kierunkowa w kierunku u IR p, u = 1 dla funkcji f C 1 (U) w punkcie x R p f(x + au) f(x) D u f(x) = lim = u f. a 0 a St d je±li x 0, to wstawiaj c u = x/ x otrzymamy czyli Ostatecznie f(x + ax/ x ) f(x) lim = x f/ x a 0 a (1 + a/ x )f(x) f(x) lim = x f/ x. a 0 a f(x)/ x = x f/ x co ko«czy dowód. Dany jest wektor stóp strat X = (X 1,..., X p ). Przez X(t) = p t j X j rozumiemy losow warto± inwestycji. Dla ujemej t j rozumiemy jako pozycje krótkie. Niech M taki sto»ek, dla ktorego zbiór inwestycji U IR p \ {0} {X(t) : t U} M. Niech na M zadana bedzie miara ryzyka ρ. Wówczas deniujemy funkcje na zbiorze t U r ρ (t) = ρ(x(t)).
21 21 Denicja 5.1 Gradientow alokacj kapitaªu dla funkcji ryzyka ρ nazywamy r ρ. Wyznaczy gradientow alokacj kapitaªu dla V ar i.es Twierdzenie 5.2 (Tasche 2000) Zaªó»my,»e wektor losowy X = (X 1,..., X p ) ma rozkªad ª czny. Niech ρ = V ar α. Wówczas AC j = AC j (V ar α ) := r ρ(t) t j = E[X j X(t) = q α (X(t))]. (5.1) Zaªó»my ponadto,»e w otoczeniu punktu t istnieje dystrybuanta odwrotna absolutnie ci gªa zmiennej losowej X(t) oraz g sto± f X(t) > 0. Je±li ρ = ES α to AC j = AC j (ES α ) := r ρ(t) t j = E[X j X(t) q α (X(t))]. (5.2) Problem wyznaczy rozkªady warunkowe. Dowód. Poka»emy,»e z (5.1) wynika (5.2). Mianowicie z denicji ES r ESα (t) = 1 1 t j 1 α α = 1 1 α 1 α r V aru (t) du t j E[X j X(t) = q u (X(t))]du Dokonajmy zamiany zmiennych v = q u (X(t)) = F 1 X(t) (u). Wówczas u = F X(t)(v) co ko«czy dowód. (Wniosek 6.27 [4]) r ESα (t) = 1 1 E[X j X(t) = v]f X(t) (v)dv t j 1 α q α(x(t) Wniosek 5.3 Niech ρ b dzie miar ryzyka dodatnio jednorodn i translacyjnie niezmiennicza. Przyjmijmy Eulerowsk zasad alokacji. r ρ (X(t)) = p t j r ρ (t) t j = Wówczas dla rozkªadów eliptycznych je±li µ = 0 X E p (µ, Σ, ψ). p t j AC j to d AC i k=1 = Σ ikt k AC d j k=1 Σ. jkt k
22 22 Dowód Niech X = µ + AY gdzie Y ma rozkªad sferyczny. Z dodatniej jednorodno±ci i translacyjnie niezmienniczo±ci oraz Twierdzenia 2.1(3) r ρ (t) = ρ(x(t) = ρ( p t j X j ) = ρ(t µ + t AY) = t µ + ρ((t A)Y) = t µ + ρ( t A Y 1 ) = t µ + t A ρ(y 1 ) = t µ + t Σtρ(Y 1 ). Poniewa» µ = 0 zatem r ρ (t) = Σt t Σt ρ(y 1). co ko«czy dowód. Problemy. Wyznaczy gradienotw alokacj kapitaªu dla V ar i ES rozkªadów modelowanych rodzinami kopuª. H. Cossette, M. P. Côté, E. Marceau, K. Moutanabbir Multivariate distribution dened with Farlie Gumbel Morgenstern copula and mixed Erlang marginals: Aggregation and capital allocation. Insurance: Mathematics and Economics 52 (2013)
23 Rozdziaª 6 Twierdzenie Sklara i kopuªy Denicja funkcji kopuªy. Twierdzenie Skalara. Poni»ej elementarne wªasno±ci. Kopuªy umo»liwiaj modelowanie wielowymiarowych rozkªadów ª cznych przy niewielkiej próbce. Dopasowujemy do danych surowych rozkªady brzegowe F 1, F 2 (np. normalny, Wiebulla, gamma, chi-kwadrat nie koniecznie z tej samej rodziny). Bierzemy rodziny kopuª C θ : Gumbela, Claytona, Franka i zakªadamy,»e rozkªad ª czny jest postaci F (L1,L 2)(x 1, x 2 ) = P (L 1 x 1, L 2 x 2 ) = C θ (F 1 (x 1 ), F 2 (x 2 )). zakªadamy tutaj,»e rozkªady brzegowe mniej podlegaj " zmianie" ni» rozkªady ª czne. Generujemy dane z rozkªadu (L 1, L 2 ) w nast puj cy sposób, je±li pary (ξ 1i, ξ 2i ) s wygenerowane z rozkªadu C θ (proc copula, simulate statement, marginals uniform), to pary (l 1i, l 2i ) sa wygenerowane z rozkªadu F (L1,L 2), gdzie l ji = F j (ξ i ), j = 1, 2 i = 1,... n. Maj c zatem "peªn informacj " czyli rozkªad ª czny analizujemy portfele (zmienne losowe postaci) P (s) = sl 1 + (1 s)l 2. Ponadto analizujemy zachowanie V ar[p (s)] oraz E[P (s)] w zale»no±ci od parametru θ, skªadu portfela czyli 0 s 1 orazi w zale»no±ci rodziny kopuª. Twierdzenie 6.1 Niech C b dzie funkcj kopuªy. Wówczas dla t = (t 1,..., t n ) max{ n t j + 1 n, 0} C(t) min{t 1,..., t n }. Dowód. Niech zmienne losowe U j maj rozkªad jednostajny na odcinku (0, 1). Wówczas dla ka»dego i zachodzi 1 j n {U j t j } {U i t i }.
24 24 Zatem je±li C jest dystrybuant wektora losowego (U 1,..., U n ), to dla t = (t 1,..., t n ) C(t) t i dla ka»dego i co ko«czy dowód prawej nierówno±ci. Z denicji C(t) = P {U j t j } = 1 P Zatem C(t) 1 1 j n n P (U j > t j ) = 1 1 j n {U j > t j }. n (1 t j ) = 1 n + n t j. To ko«czy dowód. Korzystaj c z twierdzenie Sklara dla dowolnej dystrybuanty F wektora losowego X = (X 1, X 2,..., X n ) zachodzi max{ n F j (t j ) + 1 n, 0} F (t) min{f 1 (t 1 ),..., F n (t n )}. gdzie F i oznacza dystrybuant X i oraz t = (t 1,..., t n ). Denicja 6.1 (Wspóªczynnik korelacji Kendall'a (tau Kendall'a)) Niech (X 1, X 2 ) dwuwymiarowy wektor losowy za± ( X 1, X 2 ) niezale»na kopia. Wówczas ( ρ τ (X 1, X 2 ) = Esign (X 1 X 1 )(X 2 X ) 2 ). Funkcja sign jest funkcj znaku czyli przyjmuje warto±ci 1, 0, 1. Denicja 6.2 (Wspóªczynnik korelacji Spearman'a. Niech (X 1, X 2 ) dwuwymiarowy wektor losowy za± F 1 i F 2 rozkªady brzegowe (dystrybuanty). Wówczas ρ S (X 1, X 2 ) = ρ(f 1 (X 1 ), F 2 (X 2 )), gdzie ρ liniowy wspóªczynnik korelacji. Zauwa»my,»e ρ S jest liniowym wspóªczynnik korelacji dla jedynej funkcji kopuªy C dla wektora losowego (F 1 (X 1 ), F 2 (X 2 )) o ile F 1 i F 2 rozkªady brzegowe s ci gªe. Twierdzenie 6.2 Niech (X 1, X 2 ) dwuwymiarowy wektor losowy za± F 1 i F 2 rozkªady brzegowe s ci gªe. Wówczas ρ τ (X 1, X 2 ) = 4 ρ S (X 1, X 2 ) = C(u 1, u 2 )dc(u 1, u 2 ) 1. (C(u 1, u 2 ) u 1 u 2 ) du 1 du 2.
25 25 Dowód Z denicji ρ τ (X 1, X 2 ) = P ((X 1 X 1 )(X 2 X 2 ) > 0) P ((X 1 X 1 )(X 2 X 2 ) < 0). St d poniewa» rozkªady brzegowe s ci gªe Istotnie St d P ((X 1 X 1 )(X 2 X 2 ) < 0) = 1 P ((X 1 X 1 )(X 2 X 2 ) > 0). P ((X 1 X 1 )(X 2 X 2 ) = 0) P ((X 1 X 1 ) = 0) + P ((X 2 X 2 ) = 0) = 0. ρ τ (X 1, X 2 ) = 2P ((X 1 X 1 )(X 2 X 2 ) > 0) 1. St d je±li F oznacza rozkªad rozª czny to ρ τ (X 1, X 2 ) = 4P (X 1 < X 1, X 2 < X 2 ) 1 = [ 4E P (X 1 < X 1, X 2 < X 2 X 1, X ] 2 ) 1 = 4 P (X 1 < x 1, X 2 < x 2 )df (x 1, x 2 ) 1. Z twierdzenia Sklara dostajemy tez. W SAS mo»emy wyznaczy cztery wspóªczynniki korelacji (empiryczne), lub inczej mówi c mamy cztery naturalne estymatory wspóªczynników korelacji. Niestety SAS oblicza "trudniejszy parametr" tzw.tau-b Kendalla. Dla danych cork rozdziaª 2 ods graphics on; title 'Measures of Association for a Physical Fitness Study'; proc corr data=cork pearson spearman kendall hoeffding plots=matrix(histogram); var north east south west; run; ods graphics off; Parametr tau Kendalla mo»emy policzy "samodzielnie". Trzeba obliczy ilo± par zgodnych znakiem do ilo±ci par niezgodnych znakiem. Mianowicie potrzeba wyznaczy 2 ρ τ = sign(x t,1 x s,1 )(x t,2 x s,2 ). n(n 1) 1 t<s n Z drugiej strony dla kopuªy Gumbella dla kopuªy Claytona ρ(c Gu θ ) = 1 1 θ. ρ(c Cl θ ) = θ θ + 2. St d mo»na wyestymowa (wykalibrowa str 221 [4]) parametry kopuª dla danych. Opracowa z "heplu SAS" procedur z opcjami. The COPULA Procedure Zobacz w [3] teori i kopuª.
26 Rozdziaª 7 Oszacowania dla ryzyka Niech ρ miara ryzyka. Niech X = (X 1,..., X d ) wektor strat. Niech dana jest funkcja mierzalna Ψ : IR p IR. Podstawowym problemem w mierzeniu ryzyka jest rozwi zanie nastepuj cego problemu. Dla ρ, zadanych rozkªadów brzegowych F i,i = 1,..., p oraz funkcji Ψ znale¹ oszacowania dla inf{ρ(ψ(x)) : X j F j, j = 1,..., p} oraz Najcz ±ciej rozwa»ane funkcje Ψ, t IR p dla portfela sup{ρ(ψ(x)) : X j F j, j = 1,..., p}. Ψ(t) = p t j (7.1) dla reasekuracji "stop loss" na poziomie k p Ψ(t) = ( t j k) + dla reasekuracji "excess of loss" na poziomach k j p Ψ(t) = (t j k j ) + Problem dla ρ = V ar α, zadanych rozkªadów brzegowych F i,i = 1,..., p oraz funkcji Ψ postaci (7.1) znale¹ oszacowania dla p inf{v ar α ( X j ) : X j F j, j = 1,..., p} oraz sup{v ar α ( p X j ) : X j F j, j = 1,..., p}. Mo»na jeszcze bardziej zaw zi problem do sytuacji gdy rozkªad ª czny jest modelowany za pomoc rodziny kopuª. Metodami Monte Carlo rozwi za powy»szy problem. W sposób efektywny mo»emy rozwi za powy»szy problem dla kowariancji. W tym celu korzystamy z
27 27 Lemat 7.1 (Formuªa Hofdinga) Niech dany jest wektor losowy (X 1, X 2 ) o dystrybuancie F oraz rozkªadach brzegowych F 1, F 2. Wówczas cov(x 1, X 2 ) = (F (x 1, x 2 ) F 1 (x 1 )F (x 2 ))dx 1 dx 2, Dowód. Niech ρ(x 1, X 2 ) oznacza kowariancj wektora losowego oraz niech ρ min = inf{ρ(x 1, X 2 ) : X i F i }. ρ max = sup{ρ(x 1, X 2 ) : X i F i }. Denicja 7.1 Zmienne losowe X 1,..., X d o rozkªadach brzegowych F 1,..., F d s wspólniemonotoniczne (komonotoniczne) je±li rozkªad ªaczny F F (x 1,..., x d ) = min{f 1 (x 1 ),..., F d (x d )}. Twierdzenie 7.2 (Charakteryzacja komonotonicznych zmiennych losowych) Zmienne losowe X 1,..., X d o rozkªadach brzegowych F 1,..., F d s wspólniemonotoniczne (komonotoniczne) wtedy i tylko wtedy gdy istnieje zmienna losowa Z oraz funkcje v j niemalej ce j = 1,..., d takie,»e Ponadto L(X 1,..., X d ) = L(v 1 (Z),..., v d (Z)). V ar α (X 1 + X d ) = V ar α (X 1 ) + + V ar α (X d ). (7.2) Dwód (7.2) wynika z faktu,»e dla zmiennych losowych komonotonicznych jest jedno ¹ródªo losowo±ci. Denicja 7.2 Zmienne losowe X 1, X 2 o rozkªadach brzegowych F 1, F 2 s przeciwmonotoniczne (ang. countermonotonic) je±li rozkªad ªaczny F F (x 1, x 2 ) = max{f 1 (x 1 ) + F 2 (x 2 ) 1, 0}. Twierdzenie 7.3 (Charakteryzacja przeciwmonotonicznych zmiennych losowych) Zmienne losowe X 1, X 2 o rozkªadach brzegowych F 1, F 2 s przeciwmonotoniczne wtedy i tylko wtedy gdy istnieje zmienna losowa Z oraz funkcje v j niemalej ca i nierosn ca j = 1, 2 takie,»e L(X 1, X 2 ) = L(v 1 (Z), v 2 (Z)). Twierdzenie 7.4 Je±li zmienne losowe X 1 i X 2 s przeciwmonotoniczne to ρ min = ρ(x 1, X 2 ) Je±li zmienne losowe X 1 i X 2 s wspólniemonotoniczne to ρ max = ρ(x 1, X 2 ) Problematyka z tego rozdziaªu jest analogiczna do problematyki transportu, zob [6] Tematyka ta zwi zana jest równie» z kopuªami zob. [3] np. dla ustalonych zmiennych losowych X oraz Y (czyli mamy ustalone rozkªady brzegowe F i G) znale¹ minimum wyra»enia min{e X Y α : X F, Y G}.
28 Rozdziaª 8 Centralne twierdzenie graniczne Denicja 8.1 Zmienna losowa X ma rozkªad stabilny je±li dla ci gu niezale»nych kopii X 1, X 2 zmiennej X i dowolych c 1, c 2 > 0 istniej b > 0 oraz a R takie,»e F c1x 1+c 2X 2 = F bx+a, czyli L(c 1 X 1 + c 2 X 2 ) = L(bX + a). Rozkªady stabilne s caªkowicie scharakteryzowane przez funkcje charakterystyczne. Rozkªady s scharakteryzowane przez cztery parametry γ, α, c oraz β. Poniewa» gªównym parametrem jest α (0, 2] zatem w skrócie b dziemy je oznacza G α. Wa»nym przykªadem s rozkªady α-stabilne α (0, 2] których funkcja characterystyczna jest dana wzorem φ(t) = e iγt c t α, t IR gdzie c > 0 i γ IR. Nietrudno pokaza,»e je±li X 1, X 2,... jest ci giem niezale»nych zmiennych losowych o rozkªadzie stabilnym G α, to z denicji istniej dwa ci gi a n i b n > 0 tak,»e zachodzi F ξn (y) = G α (y) gdzie F ξn jest dystrybuant zmiennej losowej Z drugiej strony zachodzi twierdzenie ξ n = S n a n b n, S n = n X j. Twierdzenie 8.1 Je±li dany jest ci g niezale»nych zmiennych losowych X 1, X 2,... o jednakowym rozkªadzie oraz ci gi a n i b n tak,»e F ξn (y)) G(y), n, do pewnej dystrybuanty G, to wówczas G = G α ma rozkªad stabilny.
29 29 Przykªad Je±li X, X 1, X 2,... s niezale»ne o rozkªadzie Cauchy, to Zatem S n = n X j otrzymujemy φ Sn/n(t) = φ X (t) = e t. n φ Xj/n(t) = n e t /n = e t. W konsekwencji F Sn/n(t) = F X (t). Model Craméra Lundberga. Dany jest ci g {X j } nieujemnych niezale»nych zmiennych losowych o jednakowym rozkªadzie (oznaczaj cy roszczenia). Niech ponadto µ = EX < oraz σ 2 = V arx <. Niech N(t) b dzie procesem Poissona o intensywno±ci λ niezale»nym od {X j }. Proces N(t) modeluje proces ilo±ci roszcze«w czasie [0, t]. Ogólny proces roszcze«modeluje proces S(t) = { N(t) X j N(t) > 0 0 N(t) = 0 Twierdzenie 8.2 W modelu Cramer-Lundberga N(t) ES(t) = E X j = µλt. Jesli t to N(t) X j ES(t) V ars(t) N(0, 1), gdzie zbie»no± jest wg. rozkªadu. Trajektorie procesu Poissona data poisson; t=0; p=0; lambda=5; delta=0.01; output; do i = 1 to 1000; t =t+delta; p = p+ rand('poisson',delta*lambda); x=lambda*t; output; end; run; Symbol value=none interpol=sms line=1 width=2;
30 30 title"trajectory Poisson"; proc gplot data=poisson; plot p*t x*t /overlay ; run; Centralne twierdzenie graniczne w modelu Cramera-Lunberga. Proces Poissona ma intensywno± λ = 10, rozkªady roszcze«maja rozkªad gamma z a = 16. Przeanalizuj wykresy dla maªych n data central; lambda=10; a=16; n=20000; do i = 1 to n; poss=rand('poisson',lambda); s=0; do k=1 to poss; s = Rand('gamma',a)+s; end; z=(s-a*poss)/sqrt(poss*a); output; end; title 'Limit distribution '; proc univariate data=central; var z; histogram / midpoints=-3 to 3 by 0.5 normal vaxis = axis1 name = 'MyHist'; inset n mean(5.3) std='std Dev'(5.3) skewness(5.3) / pos = ne header = 'Summary Statistics'; axis1 label=(a=90 r=0); run;
31 Rozdziaª 9 Obszary przyci gania dla maksimum Niech {X j } ci g niezale»nych zmiennych losowych o jednakowym rozkªadzie F. Niech M 1 = X 1 za± M n = max{x 1, X 2,..., X n }. Zauwa»my,»e Interesuj nas mo»liwe granice P (M n x) = P (X 1,..., X n x) = F n (x). c 1 n (M n d n ) H. (9.1) Analogicznie jak dla CTG wa»n rol pelni rozkªady stabilne tutaj wa»n rol peªni max-stabilne. Denicja 9.1 Niezdegeneroana zmienna losowa ma rozkªad max-stabilny je±li dla niezale»nych kopii X czyli X 1, X 2,... istniej ci gi c n > 0 oraz d n tak,»e L(max{X 1,...X n }) = L(c n X + d n ). Twierdzenie 9.1 Jesli istnieje granica w równaniu (9.1), to H jest Fréchet α > 0 Weibull α > 0 Gumbell Φ α (x) = Ψ α (x) = { 0 dla x 0 exp( x α ) dla x > 0. { exp( ( x) α ) dla x 0 1 dla x > 0. Λ(x) = exp( e x ), x IR. (9.2) (9.3) Zwykle rozkªad Weibulla podaje si dla ustalonego α > 0 oraz dla x 0 wzorem F (x) = 1 e xα, (9.4) St d wida,»e jest rozkªad Weibulla jest uogólnieniem rozkªadu wykªadniczego. W tej wersji mamy twierdzenie je±li X ma rozkªad Fréchet wtedy i tylko wtedy gdy 1/X ma rozkªad Weibulla ze wzoru (9.4). Rzeczywi±cie P (1/X a) = P (X 1/a) = 1 P (X < 1/a)
32 32 i korzysatj c z powy»szych formuª dla rozkªadu Frécheta i weibulla otrzymuje wzór (9.4) odpowiednio (9.2). Ponadto je±li X ma rozkªad dany wzorem (9.4) wtedy i tylko wtedy gdy X ma rozkªad (9.3). W programie SAS 9.3 mamy dost pne wszystkie te rozkªady. Rozkªad Gumbella Λ(x) = exp( e (x µ)/σ ), x IR, gdzie µ parametr poªo»enia rozkladu za± σ parametr skali. Rozkªady Fréchet i Weibulla s wzajemnie odpowiadaj ce. Dlatego w SAS 9.3 rozkªad Weibulla { 0 ( dla x θ Φ α (x) = exp ( ) x θ α ) σ dla x > θ. Przyklad Niech X j jest ci giem niezale»nych zmiennych losowych o rozkªadzie wykªadniczym z parametrem λ = 1. Sprawdzi,»e data makaron; do to 40; a=0; do i = 1 to 100; b=rand('exponential'); if b>a then a=b; c=a; end; max=c; output; end; run; title 'Limit distribution '; proc univariate data=makaron; var max; histogram / gumbel midpoints=0 to 40 by 1 ; run; P (M n ln n x) Λ(x) = exp( e x ). Na koniec zobaczmy,»e graniczne rozkªady mo»emy zapisa w postaci { exp( (1 + ξx) H ξ (x) = 1/ξ ) dla ξ 0 exp( e x ) dla ξ = 0, gdzie 1 + ξx > 0. Czyli dla ξ > 0, x > 1/ξ za± dla ξ < 0 x < 1/ξ. Pokaza,»e funkcja H ξ (x) jest ci gªa dla x 0 przy ξ 0.
33 33 Mo»emy otrzyma rodzin trzy parametrow H ξ,µ,σ = H ξ ((x µ)/σ). Korzystaj c z twierdzenia 9.1 otrzymamy wówczas,»e F nale»y do obszaru przyci - gania F MDA(H ξ,µ,σ ) = MDA(H ξ ).
34 Rozdziaª 10 Uogólniony rozkªad Pareto- analiza rozkªadów ogonów Dla zmiennej losowej X z dystrybuant F wprowadzmy F u (x) = P (X u x X > u) = gdzie x F jest prawym punktem kranscowym F, czyli F (x + u) F (u), 0 x x F u, 1 F (u) Denicja 10.1 Uogólniony rozkªad Pareto jest dany za pomoc dystrybuanty { 1 (1 + ξx/β) 1/ξ dla ξ 0 G ξ,β = 1 exp( x/β) dla ξ = 0. β > 0 i x 0 gdy ξ 0 za± dla ξ < 0, 0 x β/ξ. Sprawd¹ wzory w SAS support: Table Distributions and Parameters Twierdzenie 10.1 Pickands-Balkema-de Haan Istnieje mierzalna dodatnia funkcja β taka,»e lim sup F u (x) G ξ,β(u) (x) = 0. u x F 0 x x F u wtedy i tylko wtedy gdy F MDA(H ξ ).
35 Rozdziaª 11 Analiza macierzowa w SASprzypomnienie proc iml ; /*tworzenie macierzy*/ A ={ 2 1, 0 3 } ; /*transponowanie macierzu */ B=t(A); /*dziaªania na macierzach*/ E=B*A; F=E-B+A; /*odwracanie macierzy*/ C=inv(A); /*licza wierszy i kolumn*/ wie = nrow(a); kol= ncol(a); /*wyznacznik i ±lad*/ trace_a = trace(a); det_a = det(a); /* pierwiastek macierzy dodatnio okreslonej*/ D=root(E); /*tworzenie specjalnych macierzy np jedynek*/ J=j(3,3,1); /*tworzenie macierzy jednostkowej */ K=i(3); /*drukowanie macierzy*/ print D; run; Š czenie macierzy. Sprawd¹ nast puj ce operacje A B oraz A//B. proc iml ;
36 36 A ={ 2 1, 0 3 } ; B ={ 5-1, 2-3 } ; C=A B; D=A//B; print C ; print D ; run; Tworzenie pliku SAS z macierzy proc iml; ymatrix = { 2 4 8, 3 9 1, 9 4 8, 1 1 1, 2 7 8}; create newdata from ymatrix; append from ymatrix; close newdata; proc print data = newdata;
37 Literatura [1] Hans Föllmer, Alexander Schied Stochastic Finance An Introduction in Discrete Time Second Revised and Extended Edition Walter de Gruyter Berlin New York [2] Ravindra Khattree, Dayanand N. Naik, Applied Multivariate Statistics with SAS software SAS Institute Inc. and John Wiley & Sons, Second edition [3] R.B. Nelsen, An introduction to copulas Springer 2006 [4] A. McNeil, R. Frey, P. Embrechtes Quantitive Risk Management Princeton University Press 2005 [5] E.M. Stein, G. Weiss Fourier analysis on Euclidean spaces Princeton University Press [6] C. Villani Topics in optimal Transportation Graduate Studies in Mathematics vol. 58 AMS 2003 [7] Van Zwet, W.R. (1980) A strong law for linear functions of order statistics. Ann. Probab. 8,
1.1. Koherentne miary ryzyka. Denicja 1.1 Zbiór zmiennych losowych jest sto»kiem M je±li staªe nale» do M oraz je±li L 1, L 2 M to L 1 + L 2 M.
Rozdziaª 1 Miary ryzyka 1.1. Koherentne miary ryzyka Denicja 1.1 Zbiór zmiennych losowych jest sto»kiem M je±li staªe nale» do M oraz je±li L 1, L 2 M to L 1 + L 2 M. Elementy zbioru M b dziemy rozumieli
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoWykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoRozwini cia asymptotyczne dla mocy testów przybli»onych
Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22
Bardziej szczegółowoAM II /2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium
AM II.1 2018/2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium Normy w R n, iloczyn skalarny sprawd¹ czy dana funkcja jest norm sprawd¹, czy dany zbiór jest kul w jakiej± normie i oblicz norm wybranego
Bardziej szczegółowoStacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa
Bardziej szczegółowo4. Punkt wyjścia. Dane ubezpieczeniowe ubezpieczeń samochowych. C. Zadania do wykonania: Korzystając z technologii kopuł i GLM zamodelować
Rozdział 1 Miary ryzyka Konieczność stosowania miar ryzyka wynika z uwarunkowań prawnych. W rozdziale 1 poznamy główne miary ryzyka i ich własności. Dalej materiał możemy podzielić z punktu widzenia zadań.
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 szczegółowoMetody dowodzenia twierdze«
Metody dowodzenia twierdze«1 Metoda indukcji matematycznej Je±li T (n) jest form zdaniow okre±lon w zbiorze liczb naturalnych, to prawdziwe jest zdanie (T (0) n N (T (n) T (n + 1))) n N T (n). 2 W przypadku
Bardziej szczegółowoZbiory i odwzorowania
Zbiory i odwzorowania 1 Sposoby okre±lania zbiorów 1) Zbiór wszystkich elementów postaci f(t), gdzie t przebiega zbiór T : {f(t); t T }. 2) Zbiór wszystkich elementów x zbioru X speªniaj cych warunek ϕ(x):
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;
EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie
Bardziej szczegółowoStrategie 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 szczegółowoRyzyko inwestycji na rynku kawy i kakao. Optymalny portfel ze wzgl du na VAR i ES. Joanna Dunaj
Ryzyko inwestycji na rynku kawy i kakao. Optymalny portfel ze wzgl du na VAR i ES. Joanna Dunaj 22 czerwca 2015 Spis tre±ci Wst p 4 1 Analiza danych 5 1.1 Informacje o surowcach................................
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoModele z czasem dyskretnym
Rozdziaª 1 Modele z czasem dyskretnym 1.1. Wprowadzenie- rynki dyskretne Dynamika aktywu bazowego i warunki pozyskania pieni dza-opis probabilistyczny Niech cena akcji w chwili pocz tkowej wynosi S 0 =
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowodet A := a 11, ( 1) 1+j a 1j det A 1j, a 11 a 12 a 21 a 22 Wn. 1 (Wyznacznik macierzy stopnia 2:). = a 11a 22 a 33 +a 12 a 23 a 31 +a 13 a 21 a 32
Wyznacznik Def Wyznacznikiem macierzy kwadratowej nazywamy funkcj, która ka»dej macierzy A = (a ij ) przyporz dkowuje liczb det A zgodnie z nast puj cym schematem indukcyjnym: Dla macierzy A = (a ) stopnia
Bardziej szczegółowoTwierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski
Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej
Bardziej szczegółowoCiaªa i wielomiany. 1 Denicja ciaªa. Ciaªa i wielomiany 1
Ciaªa i wielomiany 1 Ciaªa i wielomiany 1 Denicja ciaªa Niech F b dzie zbiorem, i niech + (dodawanie) oraz (mno»enie) b d dziaªaniami na zbiorze F. Denicja. Zbiór F wraz z dziaªaniami + i nazywamy ciaªem,
Bardziej szczegółowoZadania. 4 grudnia k=1
Zadania 4 grudnia 205 Zadanie. Poka»,»e dla dowolnych liczb zespolonych z,..., z n istnieje zbiór B {,..., n}, taki,»e n z k π z k. k B Zadanie 2. Jakie warunki musz speªnia ci gi a n i b n, aby istniaªy
Bardziej szczegółowoPodstawy matematyki dla informatyków
Podstawy matematyki dla informatyków Wykªad 6 10 listopada 2011 W poprzednim odcinku... Zbiory A i B s równoliczne (tej samej mocy ), gdy istnieje bijekcja f : A 1 1 B. Piszemy A B lub A = B. na Moc zbioru
Bardziej szczegółowo1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci
Zebraª do celów edukacyjnych od wykªadowców PK, z ró»nych podr czników Maciej Zakarczemny 1 Przypomnienie wiadomo±ci ze szkoªy ±redniej Rozwi zywanie prostych równa«i nierówno±ci dotycz cych funkcji elementarnych,
Bardziej szczegółowoMetodydowodzenia twierdzeń
1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych
Bardziej szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoLiniowe zadania najmniejszych kwadratów
Rozdziaª 9 Liniowe zadania najmniejszych kwadratów Liniowe zadania najmniejszych kwadratów polega na znalezieniu x R n, który minimalizuje Ax b 2 dla danej macierzy A R m,n i wektora b R m. Zauwa»my,»e
Bardziej szczegółowoPrzeksztaªcenia liniowe
Przeksztaªcenia liniowe Przykªady Pokaza,»e przeksztaªcenie T : R 2 R 2, postaci T (x, y) = (x + y, x 6y) jest przeksztaªceniem liniowym Sprawdzimy najpierw addytywno± przeksztaªcenia T Niech v = (x, y
Bardziej szczegółowoA = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy.
Logika i teoria mnogo±ci, konspekt wykªad 12 Teoria mocy, cz ± II Def. 12.1 Ka»demu zbiorowi X przyporz dkowujemy oznaczany symbolem X obiekt zwany liczb kardynaln (lub moc zbioru X) w taki sposób,»e ta
Bardziej szczegółowo1 Poj cia pomocnicze. Przykªad 1. A A d
Poj cia pomocnicze Otoczeniem punktu x nazywamy dowolny zbiór otwarty zawieraj cy punkt x. Najcz ±ciej rozwa»amy otoczenia kuliste, tj. kule o danym promieniu ε i ±rodku x. S siedztwem punktu x nazywamy
Bardziej szczegółowoIndeksowane rodziny zbiorów
Logika i teoria mnogo±ci, konspekt wykªad 7 Indeksowane rodziny zbiorów Niech X b dzie przestrzeni zbiorem, którego podzbiorami b d wszystkie rozpatrywane zbiory, R rodzin wszystkich podzbiorów X za± T
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoInterpolacja funkcjami sklejanymi
Interpolacja funkcjami sklejanymi Funkcje sklejane: Zaªó»my,»e mamy n + 1 w zªów t 0, t 1,, t n takich,»e t 0 < t 1 < < t n Dla danej liczby caªkowitej, nieujemnej k funkcj sklejan stopnia k nazywamy tak
Bardziej szczegółowoMateriaªy do Repetytorium z matematyki
Materiaªy do Repetytorium z matematyki 0/0 Dziaªania na liczbach wymiernych i niewymiernych wiczenie Obliczy + 4 + 4 5. ( + ) ( 4 + 4 5). ( : ) ( : 4) 4 5 6. 7. { [ 7 4 ( 0 7) ] ( } : 5) : 0 75 ( 8) (
Bardziej szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowo1 Granice funkcji wielu zmiennych.
AM WNE 008/009. Odpowiedzi do zada«przygotowawczych do czwartego kolokwium. Granice funkcji wielu zmiennych. Zadanie. Zadanie. Pochodne. (a) 0, Granica nie istnieje, (c) Granica nie istnieje, (d) Granica
Bardziej szczegółowoZdzisªaw Dzedzej, Katedra Analizy Nieliniowej pok. 611 Kontakt:
Zdzisªaw Dzedzej, Katedra Analizy Nieliniowej pok. 611 Kontakt: zdzedzej@mif.pg.gda.pl www.mif.pg.gda.pl/homepages/zdzedzej () 5 pa¹dziernika 2016 1 / 1 Literatura podstawowa R. Rudnicki, Wykªady z analizy
Bardziej szczegółowoZbiory ograniczone i kresy zbiorów
Zbiory ograniczone i kresy zbiorów Def.. Liczb m nazywamy ograniczeniem dolnym a liczb M ograniczeniem górnym zbioru X R gdy (i) x m; (ii) x M. Mówimy,»e zbiór X jest ograniczony z doªu (odp. z góry) gdy
Bardziej szczegółowoMacierze i Wyznaczniki
Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja 1. Tablic nast puj cej postaci a 11 a 12... a 1n a 21 a 22... a 2n A =... a m1 a m2... a mn nazywamy macierz o m wierszach i n kolumnach,
Bardziej szczegółowoXVII Warmi«sko-Mazurskie Zawody Matematyczne
1 XVII Warmi«sko-Mazurskie Zawody Matematyczne Kategoria: klasa VIII szkoªy podstawowej i III gimnazjum Olsztyn, 16 maja 2019r. Zad. 1. Udowodnij,»e dla dowolnych liczb rzeczywistych x, y, z speªniaj cych
Bardziej szczegółowoFunkcje jednej zmiennej. Granica, ci gªo±. (szkic wykªadu)
Funkcje jednej zmiennej Granica, ci gªo± (szkic wykªadu) opracowaªa Gra»yna Ciecierska 1 Granica funkcji Denicja Niech 0 R, r > 0 Otoczeniem punktu 0 o promieniu r nazywamy przedziaª ( 0 r, 0 +r) Otoczeniem
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )
Bardziej szczegółowoFunkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej
Funkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej Uniwersytet Jagiello«ski 9 maja 2012 Kilka wst pnych sªów: Kowariancja i korelacja Grube
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoPRZYPOMNIENIE Ka»d przestrze«wektorow V, o wymiarze dim V = n < nad ciaªem F mo»na jednoznacznie odwzorowa na przestrze«f n n-ek uporz dkowanych:
Plan Spis tre±ci 1 Homomorzm 1 1.1 Macierz homomorzmu....................... 2 1.2 Dziaªania............................... 3 2 Ukªady równa«6 3 Zadania 8 1 Homomorzm PRZYPOMNIENIE Ka»d przestrze«wektorow
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 1 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 1 1 / 28 Kontakt Dr Šukasz
Bardziej szczegółowoMacierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja
Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy
Bardziej szczegółowoZagadnienia na wej±ciówki z matematyki Technologia Chemiczna
Zagadnienia na wej±ciówki z matematyki Technologia Chemiczna 1. Podaj denicj liczby zespolonej. 2. Jak obliczy sum /iloczyn dwóch liczb zespolonych w postaci algebraicznej? 3. Co to jest liczba urojona?
Bardziej szczegółowoELEMENTARNA TEORIA LICZB. 1. Podzielno±
ELEMENTARNA TEORIA LICZB IZABELA AGATA MALINOWSKA N = {1, 2,...} 1. Podzielno± Denicja 1.1. Niepusty podzbiór A zbioru liczb naturalnych jest ograniczony, je»eli istnieje taka liczba naturalna n 0,»e m
Bardziej szczegółowoMacierz A: macierz problemów liniowych (IIII); Macierz rozszerzona problemów liniowych (IIII): a 11 a 1m b 1 B = a n1 a nm b n
Plan Spis tre±ci 1 Problemy liniowe 1 2 Zadania I 3 3 Formy biliniowe 3 3.1 Odwzorowania wieloliniowe..................... 3 3.2 Formy biliniowe............................ 4 4 Formy kwadratowe 4 1 Problemy
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
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 szczegółowoPrzekroje Dedekinda 1
Przekroje Dedekinda 1 O liczbach wymiernych (tj. zbiorze Q) wiemy,»e: 1. zbiór Q jest uporz dkowany relacj mniejszo±ci < ; 2. zbiór liczb wymiernych jest g sty, tzn.: p, q Q : p < q w : p < w < q 3. 2
Bardziej szczegółowoZadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej
Zadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej Denicja 1. Niech X = R n b dzie przestrzeni unormowan oraz d(x, y) = x y.
Bardziej szczegółowoMacierze i Wyznaczniki
dr Krzysztof yjewski Mechatronika; S-I.in». 5 pa¹dziernika 6 Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja. Tablic nast puj cej postaci a a... a n a a... a n A =... a m a m...
Bardziej szczegółowoWykªad 4. Funkcje wielu zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 4. Funkcje wielu zmiennych. Zbiory na pªaszczy¹nie i w przestrzeni.
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoMacierze. Dziaªania na macierzach. 1. Niech b d dane macierze , D = , C = , B = 4 12 A = , F = , G = , H = E = a) Obliczy A + B, 2A 3B,
Macierze Dziaªania na macierzach Niech b d dane macierze A = E = [ 2 3 0 3 2 3 2 0 [ 0 8, B = 4 2, F = [ 2 3, C = 3 2 2 3 0 0 0 4 0 6 3 0, G =, D = 0 2 0 2 0 3 0 3 0 2 0 0 2 2 0 0 5 0 2,, H = 0 0 4 0 0
Bardziej szczegółowoEkonometria Finansowa II EARF. Michał Rubaszek
Ekonometria Finansowa II EARF Michał Rubaszek 1 Cele - Zapoznanie z charakterystykami szeregów finansowych - Omówienie jednowymiarowych metod liczenia VaR - Omówienie wielowymiarowych metod liczenia VaR
Bardziej szczegółowoLiniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach
Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach Teoria obowi zuje z wykªadu, dlatego te» zostan tutaj przedstawione tylko podstawowe denicje, twierdzenia i wzory. Denicja 1. Równanie
Bardziej szczegółowoFunkcje, wielomiany. Informacje pomocnicze
Funkcje, wielomiany Informacje pomocnicze Przydatne wzory: (a + b) 2 = a 2 + 2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) 3 = a 3 + 3a 2 b + 3ab 2 + b 3 (a b) 3 = a 3 3a 2 b + 3ab 2 b 3 a 2 b 2 = (a + b)(a
Bardziej szczegółowoElementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo
Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4
Bardziej szczegółowoRyzyko inwestycji na dwóch wybranych rynkach. Optymalny portfel ze względu na VAR i ES. Paweł Karyś
Ryzyko inwestycji na dwóch wybranych rynkach. Optymalny portfel ze względu na VAR i ES. Paweł Karyś 11 czerwca 2015 Spis treści 1 Wstęp 2 2 Opis wybranych rynków 3 2.1 WIG20...............................................
Bardziej szczegółowoMierzalne liczby kardynalne
czyli o miarach mierz cych wszystko Instytut Matematyki Uniwersytetu Warszawskiego Grzegorzewice, 26 stycznia 2007 Ogólny problem miary Pytanie Czy na pewnym zbiorze X istnieje σ-addytywna miara probabilistyczna,
Bardziej szczegółowo1 0 Je»eli wybierzemy baz A = ((1, 1), (2, 1)) to M(f) A A =. 0 2 Daje to znacznie lepszy opis endomorzmu f.
GAL II 2012-2013 A Strojnowski str1 Wykªad 1 Ten semestr rozpoczniemy badaniem endomorzmów sko«czenie wymiarowych przestrzeni liniowych Denicja 11 Niech V b dzie przestrzeni liniow nad ciaªem K 1) Przeksztaªceniem
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoNumeryczne zadanie wªasne
Rozdziaª 11 Numeryczne zadanie wªasne W tym rozdziale zajmiemy si symetrycznym zadaniem wªasnym, tzn. zadaniem znajdowania warto±ci i/lub wektorów wªasnych dla macierzy symetrycznej A = A T. W zadaniach
Bardziej szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowoRozdziaª 10: Portfel inwestycyjny
Rozdziaª 10: Portfel inwestycyjny MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 10) Portfel inwestycyjny 1 / 31 Wprowadzenie Wkªad Markowitza, laureata nagrody Nobla z ekonomii w 1990 r., do teorii
Bardziej szczegółowoAlgorytmy zwiazane z gramatykami bezkontekstowymi
Algorytmy zwiazane z gramatykami bezkontekstowymi Rozpoznawanie j zyków bezkontekstowych Problem rozpoznawania j zyka L polega na sprawdzaniu przynale»no±ci sªowa wej±ciowego x do L. Zakªadamy,»e j zyk
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoStatystyka i eksploracja danych
Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Statystyka i eksploracja
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 szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) W modelu rezerwy R n = u + n (W 1 + + W n ) wiemy,»e W i s iid o rozkªadzie geometrycznym na 0, 1, 2,...
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowopunkcie. Jej granica lewostronna i prawostronna w punkcie x = 2 wynosz odpowiednio:
5.9. lim x x +4 f(x) = x +4 Funkcja f(x) jest funkcj wymiern, która jest ci gªa dla wszystkich x, dla których mianownik jest ró»ny od zera, czyli dla: x + 0 x Zatem w punkcie x = funkcja ta jest okre±lona
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoistnienie elementu neutralnego dodawania (zera): 0 K a K a + 0 = a, istnienie elementu neutralnego mno»enia (jedynki): 1 K a K a 1 = a,
Ciaªo Denicja. Zbiór K z dziaªaniami dodawania + oraz mno»enia (których argumentami s dwa elementy z tego zbioru, a warto±ciami elementy z tego zbioru) nazywamy ciaªem, je±li zawiera co najmniej dwa elementy
Bardziej szczegółowoZadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj
Bardziej szczegółowoMatematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie
Bardziej szczegółowoMIARY ZALEŻNOŚCI OPARTE NA KOPULACH
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 246 2015 Współczesne Finanse 3 Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie Wydział Matematyczno-Przyrodniczy.
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 szczegółowoZADANIA. Maciej Zakarczemny
ZADANIA Maciej Zakarczemny 2 Spis tre±ci 1 Algebra 5 2 Analiza 7 2.1 Granice iterowane, granica podwójna funkcji dwóch zmiennych....... 7 2.2 Caªki powierzchniowe zorientowane...................... 8 2.2.1
Bardziej szczegółowo1 Lista 6 1. LISTA Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci Obliczenia zrobi dla TT -PL97m oraz i = 4%.
1. LISTA 6 1 1 Lista 6 1.1 Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci 3000. Obliczenia zrobi dla TT -PL97m oraz i = 4%. 1.2 Obliczy JSN dla nast puj cej renty dla (30)-latka: je±li»yje
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowoJAO - J zyki, Automaty i Obliczenia - Wykªad 1. JAO - J zyki, Automaty i Obliczenia - Wykªad 1
J zyki formalne i operacje na j zykach J zyki formalne s abstrakcyjnie zbiorami sªów nad alfabetem sko«czonym Σ. J zyk formalny L to opis pewnego problemu decyzyjnego: sªowa to kody instancji (wej±cia)
Bardziej szczegółowoa) f : R R R: f(x, y) = x 2 y 2 ; f(x, y) = 3xy; f(x, y) = max(xy, xy); b) g : R 2 R 2 R: g((x 1, y 1 ), (x 2, y 2 )) = 2x 1 y 1 x 2 y 2 ;
Zadania oznaczone * s troch trudniejsze, co nie oznacza,»e trudne.. Zbadaj czy funkcjonaª jest dwuliniowy, symetryczny, antysymetryczny, dodatniookre±lony: a) f : R R R: f(x, y) = x y ; f(x, y) = 3xy;
Bardziej szczegółowoTablice wzorów z probabilistyki
Akademia Górniczo - Hutnicza im. Stanisªawa Staszica Wydziaª Elektrotechniki, Automatyki, Informatyki i In»ynierii Biomedycznej Kierunek: Automatyka i robotyka Tablice wzorów z probabilistyki Prowadz cy:
Bardziej szczegółowoAlgebra Liniowa 2. Zadania do samodzielnych wicze«wydziaª Elektroniki, I rok Karina Olszak i Zbigniew Olszak
Algebra Liniowa 2 Zadania do samodzielnych wicze«wydziaª Elektroniki, I rok Karina Olszak i Zbigniew Olszak Podobie«stwo macierzy, diagonalizacja macierzy 1. Znale¹ macierze przeksztaªcenia liniowego T
Bardziej szczegółowoEstymacja parametru gªadko±ci przy u»yciu falek splajnowych
Estymacja parametru gªadko±ci przy u»yciu falek splajnowych Politechnika Gda«ska Wydziaª Fizyki Technicznej i Matematyki Stosowanej Wisªa, 3-7.12.2012 Przestrze«Biesowa Przestrze«Biesowa B s p,q, 1 p,
Bardziej szczegółowoProjekt dyplomowy in»ynierski
Politechnika Gdańska Wydział Fizyki Technicznej i Matematyki Stosowanej Katedra: Analizy Matematycznej i Numerycznej Kierunek: Matematyka Specjalno± : Matematyka Finansowa Rodzaj studiów: stacjonarne Aleksandra
Bardziej szczegółowoRozkªady i warto± oczekiwana
Rozkªady i warto± oczekiwana Piotr Wilkin Zmienne losowe i rozkªady. Wst p Zmienn losow nazywamy zmienn X przyjmuj c dowolne warto±ci z pewnego zbioru D, która speªnia wªasno± y D P (X = y) = (innymi sªowy
Bardziej szczegółowoInformacje pomocnicze
Funkcje wymierne. Równania i nierówno±ci wymierne Denicja. (uªamki proste) Wyra»enia postaci Informacje pomocnicze A gdzie A d e R n N (dx e) n nazywamy uªamkami prostymi pierwszego rodzaju. Wyra»enia
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoCzy funkcja zadana wzorem f(x) = ex e x. 1 + e. = lim. e x + e x lim. lim. 2 dla x = 1 f(x) dla x (0, 1) e e 1 dla x = 1
II KOLOKWIUM Z AM M1 - GRUPA A - 170101r Ka»de zadanie jest po 5 punktów Ostatnie zadanie jest nieobowi zkowe, ale mo»e dostarczy dodatkowe 5 punktów pod warunkiem rozwi zania pozostaªych zada«zadanie
Bardziej szczegółowo