Fluktuacje procesów Lévy ego
|
|
- Damian Michałowski
- 6 lat temu
- Przeglądów:
Transkrypt
1 Fluktuacje procesów Lévy ego Mateusz Kwaśnicki (Politechnika Wrocławska) 5 Forum Matematyków Polskich Poznań, 16 maja 2014 r.
2 Błądzenie losowe X n = X n X n 1 i.i.d. (niezależne, o jednakowym rozkładzie) X n = X X n charakteryzacja: X0 = 0 (Xn ) ma niezależne i stacjonarne przyrosty
3 X n = ±1 z pr. 1 2
4 X n [ 1, 1] jednostajnie
5 arc tg( Xn ) [ π2, π2 ] jednostajnie
6 X n = 1 z pr. 5 6, X n = 1 Z n z pr. 1 6, e Z n [0, 1] jednostajnie
7 Procesy Lévy ego charakteryzacja: X0 = 0 (Xt ) ma niezależne i stacjonarne przyrosty (Xt ) ma granice jednostronne i jest prawostronnie ciągły (càdlàg) X t = X t X t X t = a W t + b t + s [0,t] W t proces Wienera X t punktowy proces Poissona X s (rozkład Lévy ego Itō)
8 proces Wienera
9 proces Cauchy ego
10 klasyczny proces ryzyka
11 proces o jednostronnych skokach
12 Supremum i infimum (X t ) błądzenie losowe lub proces Lévy ego X t = sup X s T t : X t = X Tt s [0,t] X t = inf s [0,t] X s T t : X t = X Tt
13 X A T A A
14 Odwracanie X t = X A t X t = X A X t (X ) jest takim samym błądzeniem losowym lub t procesem Lévy ego X A = X A X A T A = A T A (A, X A ) = (T A, X A ) + (T A, X A )
15 X A X A T A T A A
16 Proces drabinowy Twierdzenie Zbiór (T t, X t ) jest zbiorem wartości pewnego dwuwym. błądzenia losowego lub procesu Lévy ego (τ u, ξ u ) jest to tzw. proces drabinowy
17 X A (τ u, ξ u ) T A A
18 Rozbicie na wycieczki trajektorię (t, X t ) można rozbić na wycieczki, tj. odcinki pomiędzy kolejnymi (τ u, ξ u ) dla błądzenia losowego: ciąg i.i.d. wycieczek dla procesu Lévy ego: punktowy proces Poissona wycieczek
19 XA TA A
20 Niezależność wycieczek przyjmujemy, że A jest losowe, niezależne od (X t ) i wybrane z rozkładu o własności braku pamięci: geometrycznego lub wykładniczego Twierdzenie (1) U = max{u : τ u < A} ma rozkład geometryczny lub wykładniczy (2) Wycieczka o numerze U jest niezależna od poprzednich
21 XA (τu, ξu ) wycieczki o numerach < U wycieczka o numerze U TA A
22 Niezależność Wniosek Wektory (T A, X A ) oraz (A T A, X A X A ) są niezależne zatem we wzorze (A, X A ) = (T A, X A ) + (T A, X A ) sumowane są niezależne wektory losowe
23 Wzór Spitzera Twierdzenie (Spitzer, 1956) Dla błądzeń losowych i P(A = n) = (1 q)q n : q n (1 Ee z max(xn,0) ) Ee zx A = exp n n=1 Twierdzenie (Rogozin, 1966) Dla procesów Lévy ego i P(A > t) = e qt : e qt (1 Ee z max(xt,0) ) Ee zx A = exp dt t 0
24 Wzór Baxtera Donskera Twierdzenie (Baxter, Donsker, 1957) Dla procesów Lévy ego i P(A > t) = e qt : Ee zx A = q exp 1 z log(1 + Ψ(s)/q) ds 2π s(s iz) tutaj Ψ(s) to wykładnik Lévy ego Chinczyna: Ee isx t = e tψ(s) gdy X t jest symetryczny: Ee zx A = q exp 1 π 0 z log(1 + Ψ(u)/q) du z 2 + u 2
25 Teoria fluktuacji we Wrocławiu Uniwersytet Ekonomiczny we Wrocławiu: Zbigniew Michna Uniwersytet Wrocławski: Krzysztof Dębicki Zbigniew Palmowski Tomasz Rolski Politechnika Wrocławska: Tomasz Jakubowski Jacek Małecki Michał Ryznar K.
26 Oszacowanie (1/2) Twierdzenie (K., Małecki, Ryznar, 2013) (1) P(M t < x) min 1, 2κ( 1 t, 0)V(x) (2) Gdy ϵ P(X s > 0) 1 ϵ dla s > 0: P(M t < x) min 1 100, c(ϵ)κ( 1 t, 0)V(x) w skrócie: P(M t < x) min 1, κ( 1 t, 0)V(x) Ee zτ u = e uκ(z,0) E inf{u : ξ u > x} = V(x) (τ u, ξ u ) proces drabinowy
27 Miara Lévy ego N t (E) = #{s [0, t] : X s E} EN t (E) = tν(e) ν to miara Lévy ego (X t ) jest scharakteryzowane przez a, b i ν: X t = a W t + b t + X s s [0,t] X t ma całkowicie monotoniczne skoki, jeśli ν(dx) = ν(x)dx oraz ( 1) n ν (n) (x) 0 dla x > 0 ν (n) (x) 0 dla x < 0
28 Oszacowanie (2/2) Twierdzenie (K., Małecki, Ryznar, 2013) Gdy X t jest symetr. i ma całkowicie monotoniczne skoki: P(M t < x) 10 1 min 1, tψ(1/x) można istotnie osłabić założenia przy nieco mocniejszych założeniach można różniczkować względem t
29 Dokładniejsze oszacowanie Twierdzenie (K., Małecki, Ryznar, 2013) Gdy X t jest symetr., ma całkowicie monotoniczne skoki oraz ν(x) jest regularnie zmieniająca się w 0 i z dodatnimi indeksami: c 1 (n) dn t n+1/2 ( 1)n Ψ(1/x) dt P(τ c 2 (n) n x > t) t n+1/2 Ψ(1/x) dla t c 0(n, α) Ψ(1/ x) nieco słabszy wynik gdy Ψ jest wolno zmieniająca się
30 Przestrzenna transformata Laplace a Ee zx A = q 0 e qt Ee zx t dt Twierdzenie (K., Małecki, Ryznar, 2013) Gdy X t jest symetryczny i Ψ (s) > 0 dla s > 0: Ee zx t = 0 Ψ (λ)e tψ(λ) Ψ(λ) exp 1 π z λ 2 + z 2 0 z log λ2 s 2 Ψ(λ) Ψ(s) z 2 + s 2 ds dλ uogólnienie dla procesów niesymetrycznych o całkowicie monotonicznych skokach
31 Jawne wzory (11/11) Twierdzenie (K., Małecki, Ryznar, 2013) Gdy X t jest symetryczny, ma całkowicie monotoniczne skoki i spełnia techniczny warunek: P(X t < x) = 2 Ψ (λ) π 2λΨ(λ) e tψ(λ) F λ (x)dλ gdzie 0 F λ (x) = sin(λx + ϑ λ ) e xs γ λ (ds) oraz ϑ λ [0, π 2 ) i γ λ 0 są dane (pół)jawnie 0
32 Jawne wzory (1/11) Twierdzenie (Lévy, 1937; Hunt, 1956; Dynkin, 1957) Dla procesu Wienera: Dowód: Jeśli to P(W t x) = 2P(W t x) τ x = inf{t : W t x} P(W t x) = P(τ x t) = 2P(τ x t; W t W τx ) = 2P(τ x t; W t x) = 2P(W t x) P. Lévy Théorie de l addition des variables aléatoires Gauthier Villars, Paris, 1937
33 Jawne wzory (2/11) Twierdzenie (Schrödinger, 1915; Smoluchowski, 1915; Cameron, Martin, 1944) Dla procesu Wienera z dryfem, X t = W t + bt: P(X t x) = P(X t x) + e 2bx P( X t x) E. Schrödinger Zur Theorie der Fall und Steigversuche an... Physik. Zeit. 16 (1915) M. Smoluchowski Notiz über die Berechning der Brownsche... Physik. Zeit. 16 (1915) R.H. Cameron, W.T. Martin Transformation of Wiener integrals under... Ann. Math. 45 (1944)
34 Jawne wzory (3/11) Twierdzenie (Darling, 1956) Dla procesu Cauchy ego (ν(x) = 1 π P(X t < x) = 1 x π t λ 2 + x 2 1 exp π 0 1 x 2 ): log(λ/x + s) ds dλ. 1 + s 2 D.A. Darling The maximum of sums of stable random variables Trans. Amer. Math. Soc. 83 (1956)
35 Jawne wzory (4/11) Twierdzenie (Baxter, Donsker, 1957) Dla symetrycznego procesu Poissona (ν = 1 2 δ δ 1): P(X t n) = n gdzie I n to funkcja Bessela t 0 I n (u) u e u du G. Baxter, M. D. Donsker On the distribution of the supremum functional... Trans. Amer. Math. Soc. 85 (1957)
36 Jawne wzory (5/11) Twierdzenie (Gani, Prabhu, 1959; Pyke, 1959) Dla procesu Poissona z dryfem (b < 0, ν = δ 1 ): b t+x b t + x n P(X t x) = e t n=0 b n n! x n (j x) j ( b t + x j) n j 1 j j=0 J. Gani, N.J. Prabhu The time-dependent solution for a storage model... J. Math. Mech. 8 (1959) R. Pyke The supremum and infimum of the Poisson process Ann. Math. Stat. 30(2) (1959)
37 Jawne wzory (6/11) Twierdzenie (Pyke, 1959) Dla odwróconego procesu Poissona z dryfem (b > 0, ν = δ 1 ): bt x (n + x)n 1 (n+x)/b P(X t x) = x e b n n! n=0 R. Pyke The supremum and infimum of the Poisson process Ann. Math. Stat. 30(2) (1959)
38 Jawne wzory (7/11) Tw. (Cramér; Prabhu, 1961; Takács, 1965; Michna, 2011) Dla procesu o dodatnich skokach: P(X t < x)dx = P(X t < x)dx t 0 P(X s dx) E( X t s) + t s N.U. Prabhu On the ruin problem of collective risk theory Ann. Math. Stat. 32(3) (1961) L. Takács On the distribution of the supremum for stochastic... Trans. Amer. Math. Soc 119 (1965) Z. Michna Formula for the supremum distribution of a... arxiv: (2011) ds
39 Procesy stabilne X t stabilny, jeśli X t ma ten sam rozkład, co t 1/α X 1 równoważnie c x 1 α (x < 0) ν(x) = c + x 1 α (x > 0) jest to proces o całkowicie monotonicznych skokach
40 Jawne wzory (8/11) Tw. (Skorochod, 1964; Heyde, 1969; Bingham, 1973) Dla procesu α-stabilnego o ujemnych skokach (α > 1): P(X t x) = F 1/α (t/x 1/α ) gdzie F β to dystrybuanta rozkł. β-stabilnego na (0, ) A.V. Skorokhod Random Processes with Independent Increments Izdat. Nauka, Moscow, 1964 C.C. Heyde On the Maximum of Sums of Random Variables... J. Appl. Probab. 6 (1969) N.H. Bingham Maxima of sums of random variables and suprema... Z. Wahrscheinlichkeit. Verw. Gebiete 26 (1973) Uwaga: P(X t x) = αp(x t x) z zasady odbicia
41 Jawne wzory (9/11) Twierdzenie (Bernyk, Dalang, Peskir, 2008) Dla procesu α-stabilnego o dodatnich skokach (α > 1): 1 P(X t < x) = Γ(αn)Γ( n /α) xαn 1 n=1 V. Bernyk, R.C. Dalang, G. Peskir The law of the supremum of a stable Lévy process... Ann. Probab. 36 (2008) R.A. Doney On Wiener-Hopf factorization and the distribution... Ann. Probab. 15 (1987) P. Graczyk, T. Jakubowski On exit time of stable processes Stoch. Process. Appl. 122(1) (2012)
42 Jawne wzory (10/11) Twierdzenie (Hubalek, Kuznetsov, 2011) Dla prawie wszystkich procesów α-stabilnych: a n,m x m+αn+αϱ (α > 1) n=0 m=0 P(X t < x) = a n,m x m αn (α < 1) n=1 m=0 gdzie ϱ = P(X t > 0) oraz ±1 a n,m = Γ(...)Γ(...) m sin(...) i=1 sin(...) n sin(...) j=1 sin(...) F. Hubalek, A. Kuznetsov A convergent series representation for the density... Elect. Comm. Probab. 16 (2011)
43 Książki E. Spitzer Principles of random walk Van Nostrand, 1964 W. Feller An introduction to probability theory and... (tom II) Wiley, 1971 J. Bertoin Lévy processes Cambridge University Press, 1996 K.-I. Sato Lévy processes and infinitely divisible distributions Cambridge University Press, 1999
44 Wzór Spitzera E. Spitzer A combinatorical lemma and its application to... Trans. AMS 82 (1956) E. Spitzer The Wiener-Hopf equation whose kernel is a... Duke Math. J. 24 (1957)
45 Wzór Fristedta Peczerskiego Rogozina B.A. Rogozin Distribution of certain functionals related to... Teor. Veroyatnost. i Primenen. 11 (1966) E.A. Percheskii, B.A. Rogozin On the joint distribution of random variables... Teor. Veroyatnost. i Primenen. 14 (1969) B.E. Fristedt Sample functions of stochastic processes... Adv. Probab. Rel. Top. 3, Dekker, New York, 1974
46 Wzór Baxtera Donskera G. Baxter, M. D. Donsker On the distribution of the supremum functional... Trans. Amer. Math. Soc. 85 (1957)
47 Wrocław K., T. Kulczycki, J. Małecki, A. Stós Spectral properties of the Cauchy process on... Proc. LMS 101(2) (2010) K. Spectral analysis of subordinate Brownian motions... Studia Math. 206(3) (2011) K., J. Małecki, M. Ryznar Suprema of Lévy processes Ann. Probab. 41(3B) (2013) K., J. Małecki, M. Ryznar First passage times for subordinate Brownian... Stoch. Proc. Appl 123 (2013) K. Rogers functions and fluctuation theory arxiv:
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.
Problem wyboru optymalnej dywidendy z paryskim opóźnieniem dla spektralnie ujemnych procesów Lévy ego
Problem wyboru optymalnej dywidendy z paryskim opóźnieniem dla spektralnie ujemnych procesów Lévy ego Zbigniew Palmowski Wspólna praca z I. Czarna Zagadnienia aktuarialne: teoria i praktyka, Wrocław Ekonomiczny
Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką
z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n
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.
Zadania 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
Mateusz Kwaśnicki ur. 2 września 1983 ul. Lekcyjna 7B-2/6, 51-169 Wrocław e-mail: mateusz.kwasnicki@pwr.wroc.pl http://www.im.pwr.wroc.
Curriculum vitae Informacje osobiste Mateusz Kwaśnicki ur. 2 września 1983 ul. Lekcyjna 7B-2/6, 51-169 Wrocław e-mail: mateusz.kwasnicki@pwr.wroc.pl tel. 71 372-62-02, 607-679-765 http://www.im.pwr.wroc.pl/~kwasnicki
Model Pasywnego Trasera w Lokalnie Ergodycznym Środowisku
w Lokalnie Ergodycznym Środowisku Tymoteusz Chojecki UMCS, Lublin Tomasz Komorowski IMPAN, Warszawa Kościelisko, 10 września 2016, XLV Konferencja Zastosowań Matematyki T. Komorowski, T. Chojecki w Lokalnie
Afiniczne rekursje stochastyczne z macierzami trójkatnymi
Afiniczne rekursje stochastyczne z macierzami trójkatnymi Ewa Damek (Uniwersytet Wrocławski ) (wyniki wspólne z Witoldem Światkowskim, Jackiem Zienkiewiczem - Uniwersytet Wrocławski, Muneya Matsui - Nanzan
Prawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Numeryczne aproksymacje prawdopodobieństwa ruiny
Numeryczne aproksymacje prawdopodobieństwa ruiny Krzysztof Burnecki Aleksander Weron Centrum Metod Stochastycznych im. Hugona Steinhausa Instytut Matematyki i Informatyki Politechnika Wrocławska www.im.pwr.wroc.pl/
Zadania z Procesów Stochastycznych 1
Zadania z Procesów Stochastycznych 1 Definicja Procesem Poissona z parametrem (intensywnością) λ > 0 nazywamy proces stochastyczny N = (N t ) t 0 taki, że N 0 = 0; (P0) N ma przyrosty niezależne; (P1)
Egzamin z matematyki ubezpieczeniowej (MUMIO), semestr zimowy 2013/14
ZESTAW A IMIȨ I NAZWISKO: Egzamin z matematyki ubezpieczeniowej (MUMIO), semestr zimowy 2/4 Data: 224 Egzaminar: Ryszard Szekli INSTRUKCJE: Rozwiązując test zakreślamy literką X POPRAWNE ODPOWIEDZI W TABELCE
Teoria ze Wstępu do analizy stochastycznej
eoria ze Wstępu do analizy stochastycznej Marcin Szumski 22 czerwca 21 1 Definicje 1. proces stochastyczny - rodzina zmiennych losowych X = (X t ) t 2. trajektoria - funkcja (losowa) t X t (ω) f : E 3.
Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych
Publiczna obrona rozprawy doktorskiej Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych Piotr Miłoś Instytut Matematyczny Polskiej Akademii Nauk 23.10.2008 Warszawa Plan 1 Układy
O 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
PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)
PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej
Prognozowalne 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
Algorytmy MCMC i ich zastosowania statystyczne
Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 3 1 Łańcuchy Markowa Oznaczenia
Prawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień
Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień Narzędzia przypomnienie podstawowych definicji i twierdzeń z rachunku prawdopodobienstwa; podstawowe rozkłady statystyczne
Zadania ze Wstępu do Analizy Stochastycznej 1. = 0 p.n.
Zadania ze Wstępu do Analizy Stochastycznej 1 1. Znajdź rozkład zmiennej 5W 1 W 3 + W 7. 2. Dla jakich parametrów a i b, zmienne aw 1 W 2 oraz W 3 + bw 5 są niezależne? 3. Znajdź rozkład wektora losowego
PEWNE ZASTOSOWANIA TEORII DYSTRYBUCJI I RACHUNKU OPERATOROWEGO W TEORII RÓWNAŃ RÓŻNICZKOWYCH
PEWNE ZASTOSOWANIA TEORII DYSTRYBUCJI I RACHUNKU OPERATOROWEGO W TEORII RÓWNAŃ RÓŻNICZKOWYCH WŁADYSŁAW KIERAT Oliver Heaviside w latach 1893-1899 opublikował trzytomową monografię: Elektromagnetic Theory,
Procesy 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
Zadania z Rachunku Prawdopodobieństwa III - 1
Zadania z Rachunku Prawdopodobieństwa III - 1 1. Oblicz funkcję tworzącą momenty zmiennych o następujących rozkładach: a) symetryczny dwupunktowy; b) dwumianowy z parametrami n, p; c) Poissona z parametrem
Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywsitej
Wydział Matematyki Stosowanej Zestaw zadań nr 3 Akademia Górniczo-Hutnicza w Krakowie WEiP, energetyka, I rok Elżbieta Adamus listopada 07r. Granica i ciągłość funkcji Granica funkcji rzeczywistej jednej
Procesy 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
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Geometryczna zbieżność algorytmu Gibbsa
Geometryczna zbieżność algorytmu Gibbsa Iwona Żerda Wydział Matematyki i Informatyki, Uniwersytet Jagielloński 6 grudnia 2013 6 grudnia 2013 1 / 19 Plan prezentacji 1 Algorytm Gibbsa 2 Tempo zbieżności
O procesie Wienera. O procesie Wienera. Procesy stochastyczne Wykład XV, 15 czerwca 2015 r. Proces Wienera. Ruch Browna. Ułamkowe ruchy Browna
Procesy stochastyczne Wykład XV, 15 czerwca 2015 r. Ruch 1 {X t } jest martyngałem dokładnie wtedy, gdy E(X t F s ) = X s, s, t T, s t. Jeżeli EX 2 (t) < +, to E(X t F s ) jest rzutem ortogonalnym zmiennej
Własności porządkowe w modelu proporcjonalnych szans
Własności porządkowe w modelu proporcjonalnych szans Wisła, 8 grudnia 2009 Oznaczenia Wprowadzenie Oznaczenia Porządki stochastyczne Klasy rozkładów czasu życia X F, Y G zmienne losowe o gęstościach f
Krzysztof Kępczyński Zagadnienie paryskiej ruiny w gaussowskim modelu ryzyka
Uniwersytet Wrocław Wydział Matematyki i Informatyki Instytut matematyczny specjalność: zastosowania rachunku prawdopodobieństwa i statystyki Krzysztof Kępczyński Zagadnienie paryskiej ruiny w gaussowskim
Funkcja tworząca momenty (transformata Laplace a)
Dodatek E Funkcja tworząca momenty transformata Laplace a) E.1. Definicja i przykłady Zamieszczamy tu podstawowe informacje o funkcjach tworzących momenty, które stosuje się w wielu zagadnieniach praktycznych,
Nieregularne ścieżki - między determinizmem a losowością
Nieregularne ścieżki - między determinizmem a losowością Rafał Łochowski SGH 6. Forum Matematyków Rafał Łochowski (SGH) Nieregularne ścieżki 6. Forum Matematyków 1 / 21 Problem z nieskończonym wahaniem
Procesy stochastyczne 2.
Procesy stochastyczne 2. Listy zadań 1-3. Autor: dr hab.a. Jurlewicz WPPT Matematyka, studia drugiego stopnia, I rok, rok akad. 211/12 1 Lista 1: Własność braku pamięci. Procesy o przyrostach niezależnych,
Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywistej
Wydział Matematyki Stosowanej Zestaw zadań nr 3 Akademia Górniczo-Hutnicza w Krakowie WEiP, energetyka, I rok Elżbieta Adamus 3 listopada 06r. Granica i ciągłość funkcji Granica funkcji rzeczywistej jednej
Wariacje na temat Twierdzenia Banacha o Indykatrysie i ich zastosowanie
Wariacje na temat Twierdzenia Banacha o Indykatrysie i ich zastosowanie Rafał M. Łochowski Wrocław 2015 Rafał M. Łochowski Twierdzenie o indykatrysie Wrocław 2015 1 / 42 Plan odczytu 1 Twierdzenie Banacha
Modelowanie 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
Recenzja 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
28 maja, Problem Dirichleta, proces Wienera. Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126
Problem Dirichleta, proces Wienera Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 28 maja, 2012 Funkcje harmoniczne Niech będzie operatorem Laplace a w
21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126
Mocna własność Markowa procesu Wienera Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 21 maja, 2012 Mocna własność Markowa W = (W 1,..., W d ) oznaczać
Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, Spis treści
Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, 2012 Spis treści Przedmowa 5 Oznaczenia i konwencje 7 Rozdział I Rozkład wykładniczy i rozkład jednostajny 1. Wprowadzenie
4.1. Lecture 4 & 5. Riemann. f(t)dt. a = t 0 <t 1 < <t n 1 <b= t n (4.1) , n [t i 1,t i ] t i t i 1 (i =1,...,n) f(ξ i )(t i t i 1 ) (4.
Lecture 4 & 5 4 4.1 Riemnn t f(t) [, b] (Riemnn ) f(t)dt [, b] n 1 t 1,...,t n 1 t 0
FUNKCJE ZESPOLONE Lista zadań 2005/2006
FUNKJE ZESPOLONE Lista zadań 25/26 Opracowanie: dr Jolanta Długosz Liczby zespolone. Obliczyć wartości podanych wyrażeń: (2 + ) ( ) 2 4 i (5 + i); b) (3 i)( 4 + 2i); c) 4 + i ; d) ( + i) 4 ; e) ( 2 + 3i)
Statystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie
Własności eksploatacyjne i eksploracyjne algorytmów ewolucyjnych z mutacja. α stabilna. Andrzej Obuchowicz i Przemysław Prętki
Własności eksploatacyjne i eksploracyjne algorytmów ewolucyjnych z mutacja α stabilna Andrzej Obuchowicz i Przemysław Prętki Uniwersytet Zielonogórski IEEE CIS seminarium, Zielona Góra 9.12.2005 1/38 motywacja;
Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009
Rafał M. Łochowski Szkoła Główna Handlowa w Warszawie O pewnym modelu pojawiania się szkód Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009 Modele pojawiania
1 Warunkowe wartości oczekiwane
Warunkowe wartości oczekiwane W tej serii zadań rozwiążemy różne zadania związane z problemem warunkowania.. (Eg 48/) Załóżmy, że X, X, X 3, X 4 są niezależnymi zmiennymi losowymi o jednakowym rozkładzie
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Superdyfuzja. Maria Knorps. Wydział Fizyki Technicznej i Matematyki stosowanej, Politechnika Gdańska
VI Matematyczne Warsztaty KaeNeMów p. 1/2 Superdyfuzja Maria Knorps maria.knorps@gmail.com Wydział Fizyki Technicznej i Matematyki stosowanej, Politechnika Gdańska VI Matematyczne Warsztaty KaeNeMów p.
Bładzenie przypadkowe i lokalizacja
Bładzenie przypadkowe i lokalizacja Zdzisław Burda Jarosław Duda, Jean-Marc Luck, Bartłomiej Wacław Seminarium Wydziałowe WFiIS AGH, 07/11/2014 Plan referatu Wprowadzenie Zwykłe bładzenie przypadkowe (GRW)
I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji.
I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji. Niech x 0 R i niech f będzie funkcją określoną przynajmniej na
Modelowanie 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
Spacery losowe w R d
Politechnika Wrocławska 6 lipca 2010 Błądzenia po kracie Z d Błądzenie losowe (spacer losowy) to podstawowy przykład łańcucha Markowa, obowiązkowo pojawiający się na jednym z pierwszych wykładów o procesach
Dyskretne 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
XI Konferencja Metody Ilościowe w Badaniach Ekonomicznych
Rafał M. Łochowski Szkoła Główna Handlowa w Warszawie O górnym ograniczeniu zysku ze strategii handlowej opartej na kointegracji XI Konferencja Metody Ilościowe w Badaniach Ekonomicznych Zależność kointegracyjna
Ośrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski,
Procesy Stochastyczne, wykład, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 27 luty, 2012 Ośrodkowość procesów Dalej zakładamy, że (Ω, Σ, P) jest zupełną przestrzenią miarową. Definicja.
1.1 Przegląd wybranych równań i modeli fizycznych. , u x1 x 2
Temat 1 Pojęcia podstawowe 1.1 Przegląd wybranych równań i modeli fizycznych Równaniem różniczkowym cząstkowym rzędu drugiego o n zmiennych niezależnych nazywamy równanie postaci gdzie u = u (x 1, x,...,
Stochastyczne równania różniczkowe, studia II stopnia
Stochastyczne równania różniczkowe, studia II stopnia Niech W t (ewentualnie W, W (t)), t oznacza proces Wienera oraz niech W = Niech W = (W, W 2,, W n ) oznacza n-wymiarowy proces Wienera Pokazać, że
1 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
Funkcja tworząca Funkcja charakterystyczna. Definicja i własności Funkcja tworząca momenty
momenty Oprócz omówionych już do tej pory charakterystyk rozkładów bardzo wygodnym i skutecznym narzędziem badanie zmiennej losowej są tzw. transformaty jej rozkładu: funkcje tworzące i funkcje charakterystyczne.
Ważne 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
Najczęściej spotykane rozkłady dyskretne:
I. Rozkład dwupunktowy: Najczęściej spotykane rozkłady dyskretne: Def. Zmienna X ma rozkład dwupunktowy z prawdopodobieostwem 1 przyjmuje tylko dwie wartości, tzn. P(X = x 1 ) = p i P(X = x 2 ) = 1 p =
Odporność statystyk według Ryszarda Zielińskiego a porządki stochastyczne
Odporność statystyk według Ryszarda Zielińskiego a porządki stochastyczne Jarosław Bartoszewicz Uniwersytet Wrocławski Zieliński (1977) wprowadził następującą definicję odporności statystycznej. M 0 =
}, gdzie a = t (n) )(f(t(n) k. ) f(t(n) k 1 ) 1+δ = 0,
Zadania z Procesów Stochastycznych II - 1 1. Niech π n = {t (n), t(n) 1,..., t(n) k n }, gdzie a = t (n) < t (n) 1
MIARY 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.
Dystrybucje, wiadomości wstępne (I)
Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów
Sekantooptyki owali i ich własności
Sekantooptyki owali i ich własności Magdalena Skrzypiec Wydział Matematyki, Fizyki i Informatyki Uniwersytet Marii Curie-Skłodowskiej 19 października 2009r. Informacje wstępne Definicja Owalem nazywamy
Szeregi funkcyjne. Szeregi potęgowe i trygonometryczne. Katedra Matematyki Wydział Informatyki Politechnika Białostocka
Szeregi funkcyjne Szeregi potęgowe i trygonometryczne Małgorzata Wyrwas Katedra Matematyki Wydział Informatyki Politechnika Białostocka Szeregi funkcyjne str. 1/36 Szereg potęgowy Szeregiem potęgowym o
Jądrowe klasyfikatory liniowe
Jądrowe klasyfikatory liniowe Waldemar Wołyński Wydział Matematyki i Informatyki UAM Poznań Wisła, 9 grudnia 2009 Waldemar Wołyński () Jądrowe klasyfikatory liniowe Wisła, 9 grudnia 2009 1 / 19 Zagadnienie
RÓWNANIE LOGISTYCZNE A BŁĄDZENIE LOSOWE NA PROSTEJ I PRAWO ARCUSA SINUSA
Henryk Zawadzki RÓWNANIE LOGISTYCZNE A BŁĄDZENIE LOSOWE NA PROSTEJ I PRAWO ARCUSA SINUSA Wstęp Obserwując typowe trajektorie generowane przez chaotyczne systemy dynamiczne, nawet te teoretycznie najprostsze
Parametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f
Zadanie. W kolejnych latach t =,,,... ubezpieczony charakteryzujący się parametrem ryzyka Λ generuje N t szkód. Dla danego Λ = λ zmienne N, N, N,... są warunkowo niezależne i mają (brzegowe) rozkłady Poissona:
Notatki 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
5 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,
1 Wykład 3 Generatory liczb losowych o dowolnych rozkładach.
Wykład 3 Generatory liczb losowych o dowolnych rozkładach.. Metoda odwracania Niech X oznacza zmienna losowa o dystrybuancie F. Oznaczmy F (t) = inf (x : t F (x)). Uwaga Zauważmy, że t [0, ] : F ( F (t)
1 Szeregi potęgowe. 1.1 Promień zbieżności szeregu potęgowego. Wydział Informatyki, KONWERSATORIUM Z MATEMATYKI, 2008/2009.
Szeregi potęgowe Definicja.. Szeregiem potęgowym o środku w punkcie R nazywamy szereg postaci: gdzie x R oraz c n R dla n = 0,, 2,... c n (x ) n, Przyjmujemy, że 0 0 def =. Liczby c n nazywamy współczynnikami
Estymacja parametru rozkładu Rayleigha i logistycznego w terminach k-tych wartości rekordowych
Estymacja parametru rozkładu Rayleigha i logistycznego w terminach k-tych wartości rekordowych Iwona Malinowska Politechnika Lubelska Dominik Szynal UMCS, Lublin XXXIII Konferencja "STATYSTYKA MATEMATYCZNA
n=0 (n + r)a n x n+r 1 (n + r)(n + r 1)a n x n+r 2. Wykorzystując te obliczenia otrzymujemy, że lewa strona równania (1) jest równa
Równanie Bessela Będziemy rozważać następujące równanie Bessela x y xy x ν )y 0 ) gdzie ν 0 jest pewnym parametrem Rozwiązania równania ) nazywamy funkcjami Bessela rzędu ν Sprawdzamy, że x 0 jest regularnym
Ważną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. u = 0, (6.1) jest operatorem Laplace a. (x,y)
Wykład 6 Funkcje harmoniczne Ważną rolę odgrywają tzw. funkcje harmoniczne. Przyjmujemy następującą definicję. e f i n i c j a Funkcję u (x 1, x 2,..., x n ) nazywamy harmoniczną w obszarze R n wtedy i
poprzez reasekurację proporcjonalną w modelu Jan Matuszewski Uniwersytet Warszawski
Minimalizacja prawdopodobieństwa ruiny poprzez reasekurację proporcjonalną w modelu Sparre Andersena Jan Matuszewski Uniwersytet Warszawski Prezentacja powstała w oparciu o wyniki uzyskane w pracy magisterskiej
WYKŁAD 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
Maszyny wektorów podpierajacych w regresji rangowej
Maszyny wektorów podpierajacych w regresji rangowej Uniwersytet Mikołaja Kopernika Z = (X, Y ), Z = (X, Y ) - niezależne wektory losowe o tym samym rozkładzie X X R d, Y R Z = (X, Y ), Z = (X, Y ) - niezależne
Własności estymatorów regresji porządkowej z karą LASSO
Własności estymatorów regresji porządkowej z karą LASSO Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Warszawski Badania sfinansowane ze środków Narodowego Centrum Nauki przyznanych w ramach finansowania
8 Całka stochastyczna względem semimartyngałów
M. Beśka, Całka Stochastyczna, wykład 8 148 8 Całka stochastyczna względem semimartyngałów 8.1 Całka stochastyczna w M 2 Oznaczmy przez Ξ zbiór procesów postaci X t (ω) = ξ (ω)i {} (t) + n ξ i (ω)i (ti,
Matematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 5.0.00 r. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej µ wariancji oraz momencie centralnym µ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X
4 Kilka klas procesów
Marek Beśka, Całka Stochastyczna, wykład 4 48 4 Kilka klas procesów 4.1 Procesy rosnące i przestrzenie V,, loc Jak poprzednio niech (Ω, F, F, P ) będzie zupełną bazą stochastyczną. Definicja 4.1 Proces
Matematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 0.0.005 r. Zadanie. Likwidacja szkody zaistniałej w roku t następuje: w tym samym roku z prawdopodobieństwem 0 3, w następnym roku z prawdopodobieństwem 0 3, 8 w roku
O pewnych klasach funkcji prawie okresowych (niekoniecznie ograniczonych)
(niekoniecznie ograniczonych) Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza, Poznań Będlewo, 25-30 maja 2015 Funkcje prawie okresowe w sensie Bohra Definicja Zbiór E R nazywamy względnie
zadania 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:
Estymatory regresji rangowej oparte na metodzie LASSO
Estymatory regresji rangowej oparte na metodzie LASSO Wojciech Rejchel UMK Toruń Wisła 2013 Z = (X, Y ), Z = (X, Y ) - niezależne wektory losowe o tym samym rozkładzie P X, X X R m, Y, Y R Z = (X, Y ),
jest ciągiem elementów z przestrzeni B(R, R)
Wykład 2 1 Ciągi Definicja 1.1 (ciąg) Ciągiem w zbiorze X nazywamy odwzorowanie x: N X. Dla uproszczenia piszemy x n zamiast x(n). Przykład 1. x n = n jest ciągiem elementów z przestrzeni R 2. f n (x)
Własność iteracyjności składek ubezpieczeniowych wyznaczonych w oparciu o teorię skumulowanej perspektywy Kahnemana-Tversky
Własność iteracyjności składek ubezpieczeniowych wyznaczonych w oparciu o teorię skumulowanej perspektywy Kahnemana-Tversky ego Marek Kałuszka Michał Krzeszowiec Ogólnopolska Konferencja Naukowa Zagadnienia
Wykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
WYBUCHY ROZWIA ZAŃ NIELINIOWYCH RÓWNAŃ PARABOLICZNYCH: nieliniowe równanie ciep la, model Keller Segela chemotaksji
WYBUCHY ROZWIA ZAŃ NIELINIOWYCH RÓWNAŃ PARABOLICZNYCH: nieliniowe równanie ciep la, model Keller Segela chemotaksji Piotr BILER Instytut Matematyczny, Uniwersytet Wroc lawski, pl. Grunwaldzki 2/4, 50 384
Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa
Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa Wojciech Niemiro 1 Uniwersytet Warszawski i UMK Toruń XXX lat IMSM, Warszawa, kwiecień 2017 1 Wspólne prace z Błażejem Miasojedowem,
2.1 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
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Komputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 6 6.04.08 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 07/08 Własności rozkładu normalnego Centralne twierdzenie graniczne Funkcja charakterystyczna
/ / * ** ***
91 / / * ** *** 93/3/31 : 9/11/0 :. 1385. 1390... :.P51 C61 G1:JEL 139 / 51 Email: kiaee@isu.ac.ir. Email: abrihami@u.ac.ir. Email: sobhanihs@u.ac.ir..7.*..**..*** 136. 1363 30.... Dynamic Sochasic ) (Opimizaion....
POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH
POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH Barbara Popowska bpopowsk@math.put.poznan.pl Politechnika Poznańska http://www.put.poznan.pl/ PROGRAM REFERATU 1. WPROWADZENIE 2. GRAF JAKO MODEL
ODWZOROWANIA JEDNO- I WIELOWARTOŚCIOWE. PODOBIEŃSTWA, RÓŻNICE I PROBLEMY Z TEGO WYNIKAJĄCE.
Wydział Matematyki, Informatyki i Ekonometrii Uniwersytet Zielonogórski ODWZOROWANIA JEDNO- I WIELOWARTOŚCIOWE. PODOBIEŃSTWA, RÓŻNICE I PROBLEMY Z TEGO WYNIKAJĄCE. Joachim Syga III Konferencja Zastosowań