Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁ SKÁ PRÁCE. Libor Ku era. Stabilní rozd lení a finan ní aplikace
|
|
- Olga Novotná
- před 4 lety
- Počet zobrazení:
Transkript
1 Uiverzita Karlova v Praze Matematicko-fyzikálí fakulta BAKALÁ SKÁ PRÁCE Libor Ku era Stabilí rozd leí a fia í aplikace Katedra pravd podobosti a matematické statistiky Vedoucí bakalá ské práce: Prof. Lev Klebaov DrSc. Studií program: Matematika fia í matematika 007
2 Prohlašui že sem svou bakaláskou práci apsal samostat a výhrad s použitím citovaých prame. Souhlasím se zapováím práce. V Praze de 6. ervece 007 Libor Kuera
3 Obsah Úvod...5 Stabilí rozdleí.. Základí vlastosti stabilích rozdleí Defiice stability Jié defiice stability Parametrizace stabilích rozdleí Hustoty a distribuí fukce Pravdpodobosti chvost rozdleí momety a kvatily Souet stabilích áhodých velii Simulace Obecá cetrálí limití vta a oblasti pitažlivosti... Použití stabilích rozdleí v ekoomii.. Píos stabilích rozdleí v modelovaí fiaích dat Píklady aproximace pomocí stabilích rozdleí...4 Použitá literatura...8 3
4 Název práce: Stabilí rozdleí a fiaí aplikace Autor: Libor Kuera Katedra: Katedra pravdpodobosti a matematické statistiky Vedoucí bakaláské práce: Prof. Lev Klebaov DrSc. vedoucího: klebaov@karli.mff.cui.cz Abstrakt: Stabilí rozdleí byla avržea pro modelováí ady fyzikálích a ekoomických systém. V ekoomické oblasti se edá pedevším o systémy geeruící statistická data charakteristická šikmostí výrazou špiatostí a hodotami výzam se odlišuícími od vtšiy ostatích hodot. U tchto dat tedy selhává možost použití cetrálí limití vty a ásled Gaussova rozdleí ebo eich rozptyl asto eí koeý. V práci uvádím základí defiice vlastosti a typy parametrizace stabilích rozdleí. Dále poté uvádím píklady použití stabilích rozdleí pi modelovái fiaích dat. Klíová slova: stabilí rozdleí tžké chvosty obecá cetrálí limití vta Title: Stable distributios ad fiacial applicatios Author: Libor Kuera Departmet: Departmet of probability ad mathematical statistics Supervisor: Prof. Lev Klebaov DrSc. Supervisor s address: klebaov@karli.mff.cui.cz Abstract: The Stable distributios have bee proposed as a model for may types of physical ad ecoomic systems. I sphere of ecoomy i the first place are systems which geerate statistic data which are characteristic of a skewess a marked kurtosis ad values which are highly differet from the other maority values. A ability of usig a cetral limit theorem ad cosecutively Gauss distributio fails i ivestigatio ito these data because their variace is ofte ifiite. I my study I refer to the basic defiitios properties ad types of the parametrizatios of the stable distributios. Otherwise I refer to the examples of usig the stable distributios as a model for data of fiace. Keywords: stable distributio heavy tails geeralized cetral limit theorem 4
5 Úvod Stabilí rozdleí tvoí velkou skupiu rozdleí do které patí rovž Gaussovo Cauchyho a Lévyho rozdleí. Tuto tídu poprvé charakterizoval Lévy. Obecé stabilí rozdleí e popsáo tymi parametry: parametr vyadue špiatost šikmost škálu a polohu. Problém tchto rozdleí spoívá v tom že krom kolika rozdleí eexistue edotá formule pro zápis eich hustoty pravdpodobosti a distribuí fukce. Výpoetí problémy které z toho plyuly a bráily tak praktické aplikaci tchto rozdleí byly edávo vyešey. Stabilí rozdleí byla avržea pro modelováí ady fyzikálích a ekoomických systém. V ekoomické oblasti se edá pedevším o systémy geeruící statistická data charakteristická šikmostí výrazou špiatostí a hodotami výzam se odlišuícími od vtšiy ostatích hodot. 5
6 Stabilí rozdleí.. Základí vlastosti stabilích rozdleí V ásleduícím textu vycházím z publikací [] a [5]. Stabilí rozdleí sou velikou skupiou pravdpodobostích rozdleí která pipouští šikmost a tžké chvosty a maí moho velmi zaímavých matematických vlastostí. Tato skupia byla popsáa Paulem Lévym v eho aalýze sout ezávislých ste rozdleých áhodých velii v roce 90. Problém tchto rozdleí spoívá v tom že krom Gaussova Cauchyho a Lévyho rozdleí eexistue formule pro zápis eich hustoty pravdpodobosti a distribuí fukce. V souasé dob iž existuí spolehlivé poítaové programy které poítaí hustoty distribuí fukce a kvatily stabilích rozdleí. S tmito programy e možé používat stabilí modely pi ešeí rzých praktických problém. Stabilí rozdleí byla avržey ako model pro moho typ fyzikálích a ekoomických systém. Existue kolik dvod pro užití stabilích rozdleí k popisu systému. Prvím z ich e existece vážých teoretických argumet pro oekáváí e-gaussova stabilího modelu. Druhým dvodem e obecá cetrálí limití vta která tvrdí že ediá etriviálí limita ormovaého soutu ezávislých ste rozdleých áhodých velii e stabilí rozdleí. Argumetue se tím že které pozorovaé hodoty sou soutem moha malých velii (cea akcie šum v komuikaím systému atd.) a z tohoto dvodu by ml být k popsáí takového systému použit stabilí model. Tetí dvod pro modelováí se stabilím rozdleím e empirický - velmi rozsáhlé možiy dat vykazuí tžké chvosty a šikmost. Takové možiy sou edokoale popsáy Gaussovým rozdleím ale mohou být dobe popsáy stabilím rozdleím. Pesvdivý empirický dkaz tchto rys v kombiaci s obecou cetrálí limití vtou se používá k ospravedlí použití stabilích model. 6
7 .. Defiice stability Dležitou vlastostí Gaussových áhodých velii e že souet dvou z ich e opt Gaussova áhodá veliia. Jedím z dsledku této vlastosti e že pokud X X X ~ N ( µ ) a b R+ potom σ pro uritá d ax + bx = cx + d (.) c R + d R. Popsáo slovy rovice (.) íká že tvar X e pi sítáí zachová až a mítko a posuutí. Defiice. Náhodá veliia e stabilí ebo stabilí v širším smyslu estliže pro ste rozdleé X X X a pro a b R + platí (.) pro urité c R + d R. Náhodá veliia e strikt stabilí ebo stabilí v užším smyslu estliže (.) platí pro d = 0 a akákoliv a b. Náhodá veliia X e symetricky stabilí pokud e stabilí a symetricky rozdleá kolem 0 t. X = d X. Dv áhodé veliiy X a Y sou steého typu pokud existuí kostaty A > 0 B R pro které X = d AY + B. Defiici stability poté mžeme peformulovat a: ax + bx e steého typu ako X. (.)). Slovo stabilí se používá proto že tvar rozdleí e pi sítáí zachová (viz Existuí ti pípady kdy záme pesý zápis pro hustotu rozdleí a sme schopi si ovit že Gaussovo Cauchyho a Lévyho rozdleí sou stabilí. Píklad. Gaussovo rozdleí. Náhodá veliia X má Gaussovo rozdleí ( X ~ N( µ σ ) ) pokud má eí hustota tvar ( x µ ) f ( x) = exp < x <. πσ σ Distribuí fukce F ( x) = P( X x) = Φ(( x µ ) / σ ) kde Φ (z) e pravdpodobost že stadardizovaá ormálí áhodá veliia e meší ebo rova z. 7
8 Píklad.3 Cauchyho rozdleí. Náhodá veliia X má Chauchyho rozdleí X ~ Cauchy( γ δ ) pokud má eí hustota tvar = γ f ( x) < < + ( x ) x. π γ δ Píklad.4 Lévyho rozdleí. Náhodá veliia X má Lévyho rozdleí X ~ Lévy( γ δ ) pokud má eí hustota tvar f γ γ x) = exp δ < x < / π ( x δ ) ( x δ ) (. 3 Obrázek. zázorue graf tchto tí hustot. Gaussovo a Cauchyho rozdleí sou symetrické kivky zvoovitého tvaru. Hlavím rozdílem mezi imi e to že Cauchyho rozdleí má mohem tžší chvosty ak e patré z tabulky.. Pro Gaussovo rozdleí e pouze malá pravdpodobost výskytu hodot vtších ež 3 arozdíl od rozdleí Cauchyho kde tato pravdpodobost abývá ezaedbatelých hodot. Ve vzorcích dat z tchto dvou rozdleí bude v prmru stokrát více hodot vtších ež ti ve vzorku z Cauchyho rozdleí ež z Gaussova rozdleí. To e dvod pro se stabilím rozdleím íká s tžkými chvosty. Narozdíl od Gaussova a Cauchyho rozdleí e Lévyho rozdleí výzam šikmé eho hustota e eulová pro x > 0 a má dokoce ešt tžší chvost ež Cauchyho rozdleí. Obecá stabilí rozdleí pipouští rzé stup tžkosti chvost a rzé stup šikmosti. c P( X > c) Gauss Cauchy Lévy Tabulka. Porováí pravdpodobostí chvost stadardizovaého Gaussova Cauchyho a Lévyho rozdleí Krom Gaussova Cauchyho a Lévyho rozdleí eexistue žádé uzaveé vyádeí pro obecé stabilí hustoty a e epravdpodobé že která další stabilí 8
9 rozdleí maí uzaveý tvar pro svoe hustoty. Zolotarev ukázal že v kterých pípadech sou hustoty a distribuí fukce stabilích rozdleí vyáditelé za pomoci rzých speciálích fukcí. Existuí tabulky a pesé výpoetí algoritmy pro distribuí fukci ormovaého Gaussova rozdleí které se bž používaí v ormálích modelech. V souasé dob máme poítaové programy které poítaí quatities of iterest pro stabilí rozdleí takže e mžeme využít pi ešeí praktických problém. Obrázek.: N(0) Cauchyho(0) a Lévyho (0) hustoty rozdleí.3. Jié defiice stability Existuí další ekvivaletí defiice stability áhodých velii. Dv z ich zde zmííme. Dá se dokázat vzáemá ekvivalece tchto defiic. Defiice.5 Nedegeerovaá áhodá veliia X e stabilí estliže pro > N existuí kostaty c > 0 a d R takové že X + X X = c X + d d kde X... X X sou ezávislé a ste rozdleé ako X. Náhodá veliia X e strikt stabilí práv tehdy když d = 0 pro N. 9
10 Dá se dokázat že ediou možou volbou kostaty c e / c = pro aké (0]. Jakkoliv sou tyto defiice užiteé emžeme e použít k pesé parametrizaci stabilích rozdleí. Nekokrétší zpsob popisu všech stabilích rozdleí e pomocí charakteristické fukce ebo Fourierovy trasformace. Fukce sg použitá íže e defiováa ako sg( u ) = 0 u < 0 u = 0 u > 0. Ve vztahu uvedeém íže budeme pro pípad = výraz 0.log0 vždy iterpretovat ako 0. Defiice.6 Náhodá veliia X e stabilí práv tehdy když X = d az + b kde 0 < β a > 0 b R a Z e áhodá veliia s charakteristickou fukcí π exp u iβ ta ( sig( u)) ( ) E exp iuz = ( ( )) = (.) exp u + iβ sig u log u π Tato rozdleí sou symetrická kolem 0 pokud β = 0 a b = 0. V tomto pípad má charakteristická fukce Z edodušší tvar Φ ( u) = exp{ a }.. Gaussovo rozdleí ( µσ ) u N e stabilí s parametry = β = 0 b = µ a = σ / Cauchyho ( γ δ ) rozdleí e stabilí s parametry = β = 0 a = γ b = δ a Lévyho ( γ δ ) rozdleí e stabilí s parametry = / β = a = γ b = δ. Pro áhodou veliiu X s rozdleím s distribuí fukcí F(x) e charakteristická fukce defiováa ako Φ ( u ) = E exp( iux ) = exp( iux ) df( x). Fukce ( u) užiteých matematických vlastostí. Φ popisue rozdleí X a má moho 0
11 .4. Parametrizace stabilích rozdleí Defiice.6 íká že k popisu obecého stabilího rozdleí potebueme tyi parametry: idex stability ebo-li charakteristický expoet (0] parametr β škálový parametr γ > 0 a parametr polohy δ R. Parametry šikmosti [ ] sou omezey v itervalech (0] [ ] β γ 0 a δ R. Obec e γ > 0 avšak γ = 0 bude kdy použito k ozaeí degeerovaého rozdleí kocetrovaého v δ. Jelikož a β ozauí typ rozdleí mohou být považováy za parametry tvaru. Existuí mohoeté parametrizace stabilích rozdleí které sou píiou moha edorozumí. Rzorodost parametrizací e zapíia kombiací historického vývoe a umerických problém které byly aalyzováy užitím speciálích tvar stabilích rozdleí. V rzých situacích máme dobrý dvod použít rozdílé parametrizace. Pro umerický výpoet ebo aproximaci dat e vhodší iá parametrizace ež pro získáí edoduchých algebraických vlastostí rozdleí. Pro studii aalytických vlastostí strikt stabilích rozdleí e také vhodá odlišá parametrizace. Nyí popíšeme dva typy parametrizací. Ve vtši literatury se ozaeí S ( σ β µ ) používá pro tídy stabilích rozdleí. My budeme používat modifikovaé ozaeí tvaru S ( β γ δ ;k) ze tí dvod. Za prvé obvyklé ozaeí specifikue ako rzé ale pev daé. Ve statistických aplikacích sou všechy tyi parametry ( β γ δ ) ezámé a potebueme e odhadout. Nové ozaeí toto zdrazue. Za druhé škálový parametr eí smrodatou odchylkou (dokoce ai v pípad Gaussova rozdleí) a parametr polohy eí obec rove stedí hodot proto používáme obecé symboly: γ pro škálový parametr a δ pro parametr polohy. Za tetí by ml být asý rozdíl mezi typy parametrizace což e splo parametrem k ež ám ozaue daý typ. Defiice.7 Náhodá veliia X e S ( β γ δ ;0) pokud X d π γ Z β ta + δ = γ Z + δ = (.3)
12 kde Z( β ) Z = e dáo vztahem (.). X má charakteristickou fukci π exp{ γ u [ + iβ (ta )(sg u)( γ u )] + iδ u} E exp{ iux } = (.4) exp{ γ u[ + iβ (sg u) log( γ u )] + iδ u} =. π Pokud e rozdleí stadardizováo t. škálový parametr γ = a parametr polohy δ = 0 užívá se symbolu S ( β;0) ako zkratky pro S ( β 0;0). Defiice.8 Náhodá veliia X e S ( β γ δ ;) pokud X d kde Z( β ) γ Z + δ = γ Z + ( δ + β γ logγ ) π = Z = e dáo vztahem (.). X má charakteristickou fukci (.5) π exp{ γ u [ iβ (ta )(sg u)] + iδ u} E exp{ iux } = (.6) exp{ γ u[ + iβ (sg u) log u ] + iδ u} =. π Pro stadardizovaé stabilí rozdleí se používá zkráceé ozaeí S ( β;). Ozaeí Pozameeme že pro β = 0 sou tyto dv parametrizace idetické. S S se používá ako zkratka pro symetrické -stabilí rozdleí. Pro daý škálový parametr γ e S S( γ ) = S( 0 γ 0;0) = S ( 0 γ 0; ). Pro = e S ( 0 γ δ ;0) = S(0 γ δ ;) Gaussovým rozdleím se stedí hodotou δ a rozptylem γ (viz defiice charakteristické fukce). Doporuue se používat parametrizaci z defiice.7 pro umerické výpoty a statistické odvozováí se stabilími rozdleími. Má totiž eedodušší tvar pro charakteristickou fukci která e spoitá ve všech parametrech. Pokud e ( X δ ) X ~ S( β γ δ ;0) potom e ~ S( β 0;0). γ Pokud ovšem komu vyhovue edoduchý tvar charakteristické fukce a dobré algebraické vlastosti e pro výhodší použít parametrizaci z defiice.8. Pro své vlastosti se stala epoužívaší parametrizací a s eí pomocí se dokazuí rzá fakta o stabilích rozdleích. Hlaví evýhodou této parametrizace
13 e to že poloha modusu eí ohraieá v okolí = ; pro X ~ S( β γ δ ;) a β > 0 e modus v limit pro rove + a pro e rove. V tchto dvou parametrizacích maí parametry β a γ steé hodoty. Liší se pouze hodota parametru δ. Ozame δ 0 hodotu parametru pro S ( β γ δ ;0) δ pro S ( β γ δ ;). Potom a π π δ + βγ ta δ 0 βγ ta δ = = 0 δ (.7) δ + log = β γ γ δ 0 β γ logγ =. π π.5. Hustoty a distribuí fukce Pestože pro hustotu obecého stabilího rozdleí eexistue pesý pedpis víme moho o teoretických vlastostech hustot tchto rozdleí. Následuící vtu uvádím bez dkazu. Vta.9 diferecovatelou hustotou. Všecha edegeerovaá stabilí rozdleí sou spoitá s ekoe Abychom odlišili hustoty a distribuí fukce daé rzými parametrizacemi bude f ( x β γ δ ; k) ozaovat hustotu a F( x β γ δ ; k) distribuí fukci S( β γ δ ; k) rozdleí (pro stadardizovaé rozdleí f ( x β; k) a F( x β; k) ). Jelikož všecha stabilí rozdleí mohou vzikout posuutím a zmou mítka (zma škálového parametru) z kterého rozdleí typu Z ~ S( β;0) budeme se hloubi zabývat rozdleími tohoto typu. Defiiím oborem stabilích rozdleí e bu celá reálá osa ebo e eí ást (polopímka). Druhá možost astává pouze pro < a β = ±. Pesé meze dává ásleduící lemma. 3
14 Lemma.0 Defiií obor stabilího rozdleí pi rzé parametrizaci e dá π [ δ γ ta + ) < β = π def. obor f ( x β γ δ ;0) = ( δ + γ ta ] < β = ( + ) iak Hodota [ δ + ) < β = def. obor f ( x β γ δ ;) = ( δ ] < β = ( + ) iak ta π se pi práci se stabilími rozdleími vyskytue asto. Proto se vyplatí popsat podrobi eí chováí. Obrázek.5 ukazue že pro ta π + pro ta π a pro = eí ta π defiováa. Nespoitost v = e pro ás kdy velice epíemá pi práci se stabilími rozdleími. Platí však že pro β = a se defiií obor v lemma.0 zvtšue a R. Obrázek.5 Graf ta π ako fukce 4
15 Jiým základím faktem o stabilích rozdleích e reflexiví vlastost. Tvrzeí. Reflexiví vlastost. Pro akákoliv a β Z ~ S( β; k) k = 0 platí d Z( β ) = Z( β ). Proto hustota a distribuí fukce áhodé veliiy Z ( β ) spluí f ( x β; k) = = f ( x β; k) a F( x β; k) = F( x β; k). Pedpokládeme prv pípad β = 0. Potom z reflexiví vlastosti získáváme f ( x 0; k) = f ( x0; k) takže hustota a distribuí fukce sou symetrické kolem 0. Pokud sižueme hodotu mí se hustota ze tí hledisek: vrchol se posouvá vzhru oblasti kolem vrcholu klesaí rychlei a chvosty se stávaí tžšími. Pokud e β > 0 rozdleí e zešikmeé s pravým chvostem tžším ež > pro dostate velké x > 0. Pokud e β = íkáme levým: P( X x) > P( X < x) že rozdleí e úpl zešikmeé doprava. Z reflexí vlastosti vyplývá že pro β < 0 e tžší levý chvost a pro β = e rozdleí úpl zešikmeé doleva. Pro = mluvíme o estadardizovaém ormálím rozdleí. π Pozameeme že ta = 0 ve vzorci (.) takže charakteristická fukce abývá kladých hodot a proto e v tomto pípad rozdleí vždy symetrické bez ohledu a d hodotu β ( Z( β ) = Z(0) ). Obec pro se všecha stabilí rozdleí stávaí rozdleími symetrickými a β ztrácí a svém výzamu..6. Pravdpodobosti chvost rozdleí momety a kvatily Pro = má Gaussovo rozdleí dobe pochopitelé asymptotické vlastosti a chvostech rozdleí. Stru zde probereme chvosty stabilích rozdleí pro <. Výraz h ( x) ~ g( x) pro x a pro ás bude zameat že lim h( x) / g( x) =. x a Následuící vtu uvádím bez dkazu. 5
16 Vta. Aproximace chvost. Nech X ~ S( β γ δ ;0)0 < < < β. Potom pro x platí P( X > x) f ( x β γ δ ;0) ~ ~ γ c γ c ( + β ) x ( + β ) x ( +) π kde c = si Γ( ) / π. Použitím reflexe dostáváme že vlastosti ižšího chvostu sou podobé: Pro β < e P X < x c ) x ( ) ~ γ ( β a f ( x β γ δ ;0) ~ ( +) ~ γ c ( β ) x. Pro všecha < a β > sou pravdpodobosti a hustoty vyššího chvostu rozdley asymptoticky podle mociého rozdleí (Pokud e β = pravé stray ve vt. sou rovy 0. V tchto pípadech esou pravdpodobosti chvost asymptoticky rozdleé podle mociého rozdleí). Paretova rozdleí sou tídou pravdpodobostích záko daých pes pravou straou ve vt.. Poem stabilího Paretova pravidla se používá pro rozlišeí mezi rychlým poklesem u Gaussova rozdleí a chováím Paretových rozdleí v pípadech kdy e <. Obec platí že rozdleí má tžké chvosty estliže sou eho chvosty tžší ež chvosty expoeciálího rozdleí. Pro < má stabilí rozdleí ede ( < β = ± ) ebo oba koce (všechy ostatí pípady) rozdley asymptoticky podle mociého rozdleí s tžkými chvosty. Jedím z dsledk tžkých chvost e že e vždy existuí všechy momety stabilích rozdleí. Ve vtši statistických úloh se k popisu rozdleí používaí prví momet EX a rozptyl Var( X ) EX = EX ( ). Ty se však ehodí k popisu stabilích rozdleí ebo výraz pro stedí hodotu daý itegrálem mže divergovat. Namísto toho e kdy užiteé použít ásteé absolutí momety: E X p p = x f ( x) dx kde p R. Pro 0 < < e p E X koeé pro 0 < p < a p E X = + pro p. Z tohoto dvodu e pro 0 < < E X = EX = + a stabilí rozdleí emaí koeý druhý momet a rozptyl. Pokud e < pak E X < a stedí 6
17 hodota X existue (viz íže). Pro e E X = + a stedí hodota eí defiováa. Tvrzeí.3 Pro < e stedí hodota X ~ S( β γ δ ; k) k = 0 rova π µ = EX = δ = δ 0 βγ ta k Uvažme co se stae se stedí hodotou áhodé veliiy X ~ S( β;0) pro. Pestože modus rozdleí zstae blízko 0 stedí hodota bude rova µ = β ta π. Pokud e β = 0 rozdleí e symetrické a stedí hodota e vždy 0. Jestliže e β > 0 stedí hodota kovergue k + ebo i pes árst obou chvost vzrstá pravý rychlei. Vzhledem k reflexi platí že pro β < 0 µ. Pokud dosáhe sou oba chvosty píliš tžké aby itegrál EX = x f ( x) dx kovergoval. Naproti tomu si rozdleí S ( β;) udržue stedí hodotu rovou 0 ímž e dosažeo posuem celého rozdleí pro. Napíklad pro < < e F ( 0 ;) = / a F ( 0 ;) pro. V tomto pípad e vtšia pravdpodobosti alevo od 0 a pouze malé možství e apravo avšak stedí hodota e stále rova 0 vzhledem k velmi pomalému poklesu pravého chvostu. Toto chováí e v podstat steé pro β > 0. Pozameeme zde že parametr šikmosti β eí obec zámým parametrem šikmosti. Druhý zmiovaý eí totiž defiová pro žádé e-gaussovo stabilí rozdleí protože ai tetí momet ai rozptyl tchto rozdleí eexistue. Tabulky kvatil stadardizovaého ormálího rozdleí sou uvedey ve th vtši pravdpodobostích a statistických kih. Nech z λ e λ kvatil t. z λ e hodota pro íž e P ( Z < z ) λ. Bž se používá hodota z. 96 : Pro λ = = X ~ N( µ σ ) e kvatil rove µ. 96σ a kvatil e rove µ +. 96σ. Kvatily se používaí k vyísleí rizika ap. v Gaussov modelu cey aktiva obsahue iterval ( µ. 96σ µ +. 96σ ) 95 % rozdleí cey aktiva. 7
18 Kvatily stadardizovaého stabilího rozdleí se používaí obdob. Potíž e v tom že pro rzé hodoty a β se od sebe kvatily liší. Pro ozaeí λ -kvatilu rozdleí S ( β;0) se používá symbolu z ( β ) a platí P ( Z < z ( β )) λ = λ. Needodušším zpsobem ak alézt hodoty tchto kvatil e použití vhodého softwaru. Dalším zpsobem e alezeí edotlivých hodot v tabulkách. Kvatily stabilích rozdleí se od kvatil Gaussova rozdleí liší ve dvou vcech. Za prvé pokud eí stabilí rozdleí symetrické t. β 0 pak esou ai eho kvatily symetrické. Za druhé vzhledem ke škálovému parametru záleží a použité parametrizaci rozdleí. Pro S ( β γ δ ;0) e vše asé. Jié parametrizace bychom mli pevést a parametrizaci S ( β γ δ ;0) použitím (.7). λ.7. Souet stabilích áhodých velii Jedou ze základích vlastostí stabilích rozdleí e že souet -stabilích áhodých velii e -stabilí. Parametry pro souet ezávislých áhodých velii sou uvedey íže. Pokud sou sítace závislé e výsledý souet stabilí ale pesé vyádeí e mohem složitší a závisí a daé závislosti. Jako v pedchozích pípadech záleží výsledky a typu použité parametrizace. U tchto výsledk e základí vlastostí to že výsledé souty maí steý parametr. Tvrzeí.6 Parametrizace S ( β γ δ ;0) má ásleduící vlastosti: (a) Pokud e X ~ S( β γ δ ;0) potom pro akákoliv a 0 b R ax + b ~ S( (sg a) β a γ aδ + b;0). (b) Charakteristické fukce hustoty a distribuí fukce sou spole spoité ve všech tyech parametrech ( β γ δ ). (c) Pokud X S( β γ ;0) a X S( β γ ;0) sou ezávislé ~ δ ~ δ áhodé veliiy pak X + X ~ S( β γ ;0) kde δ βγ + βγ β = γ = γ + γ γ + γ 8
19 π δ + δ + ta δ = δ + + δ π [ βγ β γ β γ ] [ βγ logγ β γ logγ β γ logγ ] =. Vzorec γ γ + γ = v (c) e zevšeobecím pravidla pro souet rozptyl ezávislých áhodých velii: σ σ + = σ. To platí pro ob ámi zmiovaé parametrizace. Pozameeme že pidáváme -tou mociu škálového parametru. Tvrzeí.7 Parametrizace S ( β γ δ ;) má ásleduící vlastosti: (a) Pokud e X ~ S( β γ δ ;) potom pro akákoliv a 0 b R (b) S( (sg a) β a γ aδ + b;) ax + b ~ S((sg a) β a γ aδ + b βγ a log a ;) π =. Charakteristické fukce hustoty a distribuí fukce sou spoité mimo bod = ale espoité v =. (c) Pokud X S( β γ ;) a X S( β γ ;) sou ezávislé β γ β = ~ δ ~ δ áhodé veliiy pak X + X ~ S( β γ ;) kde + β γ δ δ γ + γ γ = γ + γ δ = δ +. ásti (a) ve výše uvedeých tvrzeích ukazuí že γ a δ sou obecými parametry škály a polohy pro parametrizaci typu 0 avšak e pro pípad = pi parametrizaci typu. Pro kde Idukcí dostaeme vzorec pro souet stabilích áhodých velii: X ~ S( β γ δ ; k) =... ezávislé a w... w libovolé e souet γ = β = = = w γ w + w X w X ~ S( β γ δ ; ) (.8) X k β (sg w ) w γ a γ 9
20 δ = π w δ + ta βγ β w γ w + δ ta βγ logγ β w γ log w γ π w δ w δ π β w γ log w k = 0 k = 0 = k = k = =. Pozameeme že pokud e β = 0 pro pak β = 0 a δ = w δ. Dležitým pípadem e škálová vlastost stabilích rozdleí. Pokud sou edotlivé sítace ezávislé a ste rozdleé ~ S( β γ δ ; k) potom kde X X / X ~ S( β γ δ ; ) (.9) k δ π δ + γβ ta ( = δ + γβ log π δ / ) k k = 0 = 0 = k =. Jiou formulací defiice.5 e: Tvar rozdleí soutu áhodých velii e te samý ako maí sítaá rozdleí. Zdrazme že žádé ié rozdleí tuto vlastost emá. Výše uvedeými vlastostmi lieárích kombiací áhodých velii se stabilím rozdleím mžeme popsat striktí stabilitu. Tvrzeí.8 Nech X ~ S( β γ δ ; k) pro k = 0. Potom platí: k (a) Pro e X strikt stabilí práv tehdy když π δ = δ 0 βγ ta = 0. (b) Pro = e X strikt stabilí práv tehdy když β = 0. Zde e základí rozdíl mezi pípady kdy = a ostatími. Pokud e = sou strikt stabilí pouze symetrická rozdleí a parametr polohy mže být v tomto pípad libovolý. V pípadech kdy mže být β libovolé pokud e vhod 0
21 vole parametr polohy. Jiými slovy: z akéhokoliv stabilího rozdleí s mžeme posuutím vytvoit rozdleí strikt stabilí. Pokud e = e každé symetrické stabilí rozdleí strikt stabilí a žádým posuutím emžeme z esymetrického -stabilího rozdleí vytvoit strikt stabilí rozdleí..8. Simulace V ásleduícím textu vycházím z publikací [3] a [4]. V této ásti bude U U U ozaovat ezávislé R (0 ) rozdleé áhodé veliiy. V kolika speciálích pípadech záme zpsob ak geerovat stabilí áhodé veliiy. Pro Gaussovo rozdleí: X X = µ + σ = µ + σ logu logu cos π U si π U (.0) X a X sou dv ezávislé N ( µ σ ) rozdleé áhodé veliiy. Teto postup e zám ako Box-Mullerv algoritmus. Pro Cauchyho rozdleí: X má Cauchyho ( γ δ ) rozdleí. Pro Lévyho rozdleí: X má Lévyho ( ) δ X = γ ta( π ( U / )) + δ (.) X = γ + δ (.) Z γ rozdleí pokud Z ~ N(0). Pro obecé stabilí rozdleí existue metoda popsaá Chambersem k simulaci akékoliv stabilí áhodé promé. Následuící vtu uvádím bez dkazu. Vta.9 ezávislé áhodé veliiy Simulace stabilích áhodých promých. Nech Θ a W sou stedí hodotou 0 <. Potom: π π Θ ~ R W e expoeciál rozdleá se
22 (a) Symetrická áhodá veliia si( ) Θ / Z = ( cos Θ) ta Θ cos má ( 0;0) S( 0; ) ( ) W S = rozdleí. ( )/ Θ =. (b) V esymetrickém pípad pro akékoliv β defiume ( β ta( π / ) ) θ = 0 arcta / pro. Potom ( ( ) ) ( θ + Θ ) si( θ0 + Θ) cos 0 / ( cosθ cos Θ) W 0 Z = π W cos Θ π + Θ ta Θ log β β π π + βθ má S ( β;) rozdleí. / =. Náhodé veliiy Θ a W získáme sado z ezávislých R (0) rozdleých áhodých velii U a U položeím Θ = π U a W = logu..9. Obecá cetrálí limití vta a oblasti pitažlivosti Klasická cetrálí limití vta íká že ormovaý souet ezávislých ste rozdleých áhodých velii s koeým rozptylem kovergue k ormálímu rozdleí. Pesi: ech X X... sou ezávislé ste rozdleé áhodé X 3 veliiy se stedí hodotou µ a rozptylem σ. Potom ám klasická cetrálí limití vta íká že pro výbrový prmr X = ( X +... X ) + / X d µ Z ~ N σ / Teto vztah mžeme pepsat a tvar ( 0) pro. a d N ( X... + X ) b Z ~ ( 0) kde = /( σ ) a b = µ /σ. a + pro (.3)
23 Obecá cetrálí limití vta íká že pokud vyecháme pedpoklad koeého rozptylu e ediou výsledou limitou stabilí rozdleí. Následuící vtu uvádím bez dkazu. Vta.0 Obecá cetrálí limití vta. Nech X X... e posloupost X 3 ezávislých ste rozdleých áhodých velii. Potom existuí kostaty a 0 b R a edegeerovaá áhodá veliia Z s vlastostí > a ( X X ) b Z práv tehdy když Z e -stabilí pro aké 0 <. d sout. Následuící defiice e užiteá pi zkoumáí kovergece ormovaých Defiice. Náhodá veliia X e v oblasti pitažlivosti Z práv tehdy když existuí kostaty a 0 b R s vlastostí > a d ( X X ) b Z kde X X... sou ezávislé áhodé veliiy ste rozdleé ako X. DA(Z) e X 3 možia všech áhodých velii které sou v oblasti pitažlivosti Z. Vta.0 íká že ediá možá rozdleí s oblastmi pitažlivosti sou rozdleí stabilí. 3
24 Fiaí aplikace stabilích rozdleí.. Píos stabilích rozdleí v modelovaí fiaích dat V ásleduícím textu vycházím z publikace []. Moho metod používaých v moderích fiacích velmi spoléhá a pedpoklad že rozdleí soutu áhodých velii se blíží Gaussovu rozdleí pestože se asové ady pozorovaé ve fiacích asto liší od Gaussova modelu v tom že eich rozdleí maí tžké chvosty a mohou být asymetrické. V takových pípadech e vhodost Gaussova modelu dosti diskutabilí. asto se argumetue tím že výosy z fiaích aktiv sou kumulovaým výsledkem obrovského možství iformací a idividuálích rozhodutí která astávaí tém spoit v ase. Proto e pi výskytu tžkých chvost pirozeé pedpokládat že se pibliž ídí podle stabilího e-gaussova rozdleí. Ostatím leptokurtickým rozdleím (Studetovo t Weibullovo atd.) chybí atraktivost cetrálí limití vty. Stabilí rozdleí sou úspš používáa k aproximaci akciových výos difereích dluhopisových výos smých kurz výos z ce komodit a výos z realit... Píklady aproximace pomocí stabilích rozdleí V této ásti budou aplikováy probraé metody a fiaí data. Vzhledem k omezeému rozsahu práce [] e použita pouze eda metoda piblížeí Koutrouvelisovo regresí piblížeí které poskytue vysokou pesost pi rozumé výpoetí dob. Empirickou aalýzu zaeme s evýzamším píkladem Dow Joes Idustrial Average (DJIA) idex. Možia dat pokrývá asový iterval od. úora 987 do 9. prosice 994 a porovává 000 deích výos. Teto iterval zahrue evtší propad v historii Wall Street eré podlí 9. ía stabilí rozdleí ( =.64) vykazue as lepší aproximaci DJIA výos ež Gaussovo rozdleí. Jeho lepší kvalita e evíce zetelá a chvostech rozdleí. Aby byla aše aalýza spolehlivší porovali sme vhodost obou typ rozdleí pomocí Aderso-Darligovy a Kolmogorovovy testové statistiky. S prv 4
25 meovaou mžeme zacházet ako s vážeou Kolmogorovovou statistikou která pikládá vtší váhu rozdílm a chvostech rozdleí. Pestože pro stabilí rozdleí esou zámy žádé asymptotické výsledky mžeme aproximaci p-hodot pro testy vhodosti získat pomocí metody Mote Carlo. Neprve e odhadut vektor parametr θˆ pro daý vzorek velikosti a testová statistika se spoítá s pihlédutím k tomu že vzorek e rozdle podle F (x; θˆ ) ímž obdržíme hodotu d. Poté geerueme vzorek délky F (x; θˆ ) rozdleých promých. Odhademe vektor parametr ˆ θ pro teto simulovaý vzorek a spoteme testovou statistiku s pihlédutím k tomu že vzorek e rozdle podle F ( x; ˆ θ ). Simulace se opakue do té doby dokud eí dosažeo požadovaého stup pesosti. Odhad p-hodoty e získá ako pomr potu testových statistik eichž hodota e vtší ebo rova d vi potu všech testových statistik. Pro vhodost aproximace DJIA výos -stabilím rozdleím sou hodoty Aderso Darligovy a Kolmogorovovy statistiky a Píslušé aproximovaé p-hodoty spoteé a základ 000 simulovaých vzork sou 0.0 a 0.5 což ám dovolue pipustit -stabilí rozdleí ako model DJIA výos. Hodoty testových statistik pro Gaussovo rozdleí vedou k p-hodotám meším ež což ás vede k zamítutí Gaussova modelu pro modelováí DJIA výos. Parametry: aproximace stabilím rozdleím aproximace Gaussovo rozdleím Testy: Aderso-Darlig Kolmogorov aproximace stabilím rozdleím (p-hodota) (0.0) (0.5) aproximace Gaussovo rozdleím (p-hodota) (<0.005) (<0.005) Tabulka.: Aproximace výos DJIA idexu v období od. úora 987 do 9. prosice 994. Testové statistiky a píslušé p-hodoty vypoítaé z 000 simulovaých vzork. Te samý postup aplikueme a 635 deích výos akcií firmy Boeig z období od. ervece 997 do 3. prosice stabilí rozdleí aproximue daá data velice dobe z ehož vyplývaí velice malé hodoty Aderso- 5
26 Darligových (0.3756) a Kolmogorovových (0.45) testových statistik. Píslušé aproximovaé p-hodoty spoteé ako v pedchozím pípad a základ 000 simulovaých vzork sou 0.8 a 0.8 což ám dovolue pipustit -stabilí rozdleí ako model výos akcií firmy Boeig. Na druhé stra hodoty testových statistik pro Gaussovo rozdleí vedou k p-hodotám meším ež což ás vede k zamítutí Gaussova modelu. Parametry: aproximace stabilím rozdleím aproximace Gaussovo rozdleím Testy: Aderso-Darlig Kolmogorov Aproximace stabilím rozdleím (p-hodota) (0.08) (0.8) Aproximace Gaussovo rozdleím (p-hodota) (<0.005) (<0.005) Tabulka.: Aproximace výos akcií firmy Boeig v období od. ervece 997 do 3. prosice 003. Testové statistiky a píslušé p-hodoty vypoítaé z 000 simulovaých vzork. Stabilí rozdleí se zdaí být Tailor-cut pro výosy DJIA idexu a akcií firmy Boeig. Ale fugue ste dobe pro ostatí výosy z aktiv? Bohužel e. Tém pro všechy výosy z aktiv poskytuí stabilí rozdleí lepší aproximaci ež Gaussovo rozdleí v mohých pípadech však testové statistiky a p-hodoty azauí že ai stabilí ai Gaussovo rozdleí esou pro daá data dostate vhodá. To e apíklad vidt v tabulce.3 kde e uvedeo porováí tchto rozdleí pro 4444 deích výos ze smého kurzu apoského yeu vi americkému dolaru (JPY-USD) v období od. prosice 978 do 3. leda 99. Empirické rozdleí emá chvosty rozdleé podle mociého rozdleí a vzdáleé chvosty sou stabilím rozdleím do zaé míry adhodoceé. Pro maažery rizika kteí maí averzi vi riziku to ovšem mže být výhodé pokud stabilí rozdleí adhodotí riziko a poskyte tak vyšší limit ztrát. Nicmé bychom pro mohé možiy dat mli a základ porováí avrhout iá vhodší rozdleí (hyperbolická zkráceá stabilí). 6
27 Parametry: Aproximace stabilím rozdleím Aproximace Gaussovo rozdleím Testy: Aderso-Darlig Kolmogorov Aproximace stabilím rozdleím (p-hodota) (<0.005) (<0.005) Aproximace Gaussovo rozdleím (p-hodota) (<0.005) (<0.005) Tabulka.3: Aproximace výos ze JPY/USD smého kurzu v období od. prosice 978 do 3. leda 99. Testové statistiky a píslušé p-hodoty. 7
28 Použitá literatura [] Borak S. Härdle W. Wero R. (005) Stable distributios SFB 649 Discussio Paper [] Klebaov L. B. (003): Heavy tailed distributios MATFYZPRESS Praha. [3] Nola J. P. (005): Stable Distributios workig paper. [4] Uchaiki V. V. Zolotarev V. M. (999): Chace ad stability VSP Moskva. [5] Zolotarev V. M. (986): Oe-dimesioal stable distributios America Mathematical Society Providece. 8
12. N á h o d n ý v ý b ě r
12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých
VíceEKONOMETRIE 9. přednáška Zobecněný lineární regresní model
EKONOMETRIE 9. předáška Zobecěý lieárí regresí model Porušeí základích podmíek klasického modelu Metoda zobecěých emeších čtverců Jestliže sou porušey ěkteré podmíky klasického modelu. E(u),. E (uu`) σ
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
VíceIntervalové odhady parametrů některých rozdělení.
4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
Více4. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
VícePři sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
3. Náhodý výběr Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých realizací
Více14. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
Více6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.
6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola
Vícejako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých
9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
Víceprocesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze
limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí
VícePřednáška 7, 14. listopadu 2014
Předáška 7, 4. listopadu 204 Uvedeme bez důkazu klasické zobecěí Leibizova kritéria (v ěmž b = ( ) + ). Tvrzeí (Dirichletovo a Abelovo kritérium). Nechť (a ), (b ) R, přičemž a a 2 a 3 0. Pak platí, že.
VíceDeskriptivní statistika 1
Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr
Více3. Lineární diferenciální rovnice úvod do teorie
3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se
Více8 DALŠÍ SPOJITÁ ROZDLENÍ PRAVDPODOBNOSTI
8 DALŠÍ SPOJITÁ ROZDLENÍ PRAVDPODOBNOSTI a ke tudiu kapitoly: 30 iut Cíl: Po protudováí tohoto odtavce budete ut: charakterizovat další typy pojitých rozdleí:, Studetovo, Ficher- Sedocorovo - - Výklad:
VícePřednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti
Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou
Více3. Charakteristiky a parametry náhodných veličin
3. Charateristiy a parametry áhodých veliči Úolem této apitoly je zavést pomocý aparát, terým budeme dále popisovat pomocí jedoduchých prostředů áhodé veličiy. Taovýmto aparátem jsou tzv. parametry ebo
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,
Více7. Odhady populačních průměrů a ostatních parametrů populace
7. Odhady populačích průměrů a ostatích parametrů populace Jak sme zišťovali v kapitole. e možé pro každou populaci sestroit možství parametrů, které i charakterizue. Pro účely základího pozáí e evýzaměší
Víceodhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.
10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé
VíceAnalýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály
Aalýza a zpracováí sigálů 3. Číselé řady, jejich vlastosti a základí operace, áhodé sigály Diskrétí sigál fukce ezávislé proměé.!!! Pozor!!!! : sigáleí defiová mezi dvěma ásledujícími vzorky ( a eí tam
VíceP2: Statistické zpracování dat
P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu
VícePro orientaci v této problematice jsme se seznámili s nkolika novými pojmy:
Ig. Marta Ltschmaová Statsta I., cveí 8 LIMITNÍ VTY Lmtí vty jsou tvrzeí, terá jsou dležtá pro pops pravdpodobostích model v pípad rostoucího potu áhodých pous.. ro oretac v této problematce jsme se sezáml
VíceUžitečné zdroje příkladů jsou: Materiály ke cvičením z Kalkulu 3 od Kristýny Kuncové:
Užitečé zdroje příkladů jsou: Materiály ke cvičeím z Kalkulu 3 od Kristýy Kucové: http://www.karli.mff.cui.cz/~kucova/historie8. php K posloupostem řad a fukcí Ilja Čerý: Iteligetí kalkulus. Olie zde:
VíceFunkce. RNDr. Yvetta Bartáková. Gymnázium, SOŠ a VOŠ Ledeč nad Sázavou
Fukce RNDr. Yvetta Bartáková Gymázium, SOŠ a VOŠ Ledeč ad Sázavou Limita poslouposti a fukce VY INOVACE_0 9_M Gymázium, SOŠ a VOŠ Ledeč ad Sázavou A) Limita poslouposti Říkáme, že posloupost a je kovergetí,
VíceKomplexní čísla. Definice komplexních čísel
Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují
Vícez možností, jak tuto veličinu charakterizovat, je určit součet
6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p
Více8. Analýza rozptylu.
8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,
VíceStatistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter.
Statistika Cíle: Chápat pomy statistický soubor, rozsah souboru, statistická edotka, statistický zak, umět sestavit tabulku rozděleí četostí, umět zázorit spoicový diagram a sloupcový diagram / kruhový
VícePravděpodobnostní model doby setrvání ministra školství ve funkci
Pravděpodobostí model doby setrváí miistra školství ve fukci Základí statistická iferece Data Zdro: http://www.msmt.cz/miisterstvo/miistri-skolstvi-od-roku-848. Ke statistickému zpracováí byla vzata pozorováí
VíceCvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu
Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý
VíceÚvod do zpracování měření
Laboratorí cvičeí ze Základů fyziky Fakulta techologická, UTB ve Zlíě Cvičeí č. Úvod do zpracováí měřeí Teorie chyb Opakujeme-li měřeí téže fyzikálí veličiy za stejých podmíek ěkolikrát za sebou, dostáváme
Více8. Zákony velkých čísel
8 Zákoy velkých čísel V této část budeme studovat velm často užívaá tvrzeí o součtech posloupost áhodých velč Nedříve budeme vyšetřovat tvrzeí azývaá souhrě ako slabé zákoy velkých čísel Veškeré úvahy
Vícezákladním prvkem teorie křivek v počítačové grafice křivky polynomiální n
Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky
VíceNMAF063 Matematika pro fyziky III Zkoušková písemná práce 17. ledna 2019
Jméo: Příklad 2 3 Celkem bodů Bodů 0 8 2 30 Získáo 0 Uvažujte posloupost distribucí {f } + = D (R defiovaou jako f (x = ( δ x m, kde δ ( x m začí Diracovu distribuci v bodě m Najděte limitu f = lim + f
VícePravděpodobnostní modely
Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k
Více8.2.1 Aritmetická posloupnost
8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž
Více2. Náhodná veličina. je konečná nebo spočetná množina;
. Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité
VíceŘešení písemné zkoušky z Matematické analýzy 1a ZS ,
Řešeí písemé zkoušky z Matematické aalýzy a ZS008-09,0..009 Příklad : Spočtěte itu poslouposti 75 + 60 ) 75 60 + ) 0 + ) 0 +) 70 ) 70. 5 bodů) Řešeí:Ozačíme a : 75 + 60 75 60,dále b : + ) 0 + ) 0,akoečě
Více6. Posloupnosti a jejich limity, řady
Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme
Více6. FUNKCE A POSLOUPNOSTI
6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat
VíceÚvod do lineárního programování
Úvod do lieárího programováí ) Defiice úlohy Jedá se o optimalizaí problémy které jsou popsáy soustavou lieárích rovic a erovic. Kritéria optimalizace jsou rovž lieárí. Promé v této úloze abývají reálých
VíceIterační metody řešení soustav lineárních rovnic
Iteračí metody řešeí soustav lieárích rovic Matice je: diagoálě domiatí právě tehdy, když pozitivě defiití (symetrická matice) právě tehdy, když pro x platí x, Ax a ij Tyto vlastosti budou důležité pro
VíceBudeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)
Předáša 7 Derivace a difereciály vyšších řádů Budeme poračovat v ahrazováí fuce f(x v oolí bodu a polyomy, tj hledat vhodé ostaty c ta, aby bylo pro malá x a f(x c 0 + c 1 (x a + c 2 (x a 2 + c 3 (x a
Více1.3. POLYNOMY. V této kapitole se dozvíte:
1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí
VícePRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2
SP3 Neparametrcké testy hypotéz PRAVDĚPODOBNOST A STATISTIKA Neparametrcké testy hypotéz čast Lbor Žák SP3 Neparametrcké testy hypotéz Lbor Žák Neparametrcké testy hypotéz - úvod Neparametrcké testy statstckých
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
Více8. Odhady parametrů rozdělení pravděpodobnosti
Pozámky k předmětu Aplikovaá statistika, 8 téma 8 Odhady parametrů rozděleí pravděpodobosti Zaměříme se a odhad středí hodoty a rozptylu a to dvěma způsoby Předpokládejme, že máme áhodý výběr X 1,, X z
Více1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL
Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a
Více8.2.1 Aritmetická posloupnost I
8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu
VíceObsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad...
Obsah 1 Mocié řady 1 1.1 Defiice a vlastosti mociých řad.................... 1 1. Rozvoj fukce do mocié řady...................... 5 1.3 Aplikace mociých řad........................... 10 1 Kapitola 1
VíceSpojitost a limita funkcí jedné reálné proměnné
Spojitost a limita fukcí jedé reálé proměé Pozámka Vyšetřeí spojitosti fukce je možo podle defiice převést a výpočet limity V dalším se proto soustředíme je problém výpočtu limit Pozámka Limitu fukce v
VíceMATEMATICKÁ INDUKCE. 1. Princip matematické indukce
MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost
Vícei 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky
Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí
Více1 Základní pojmy a vlastnosti
Základí pojmy a vlastosti DEFINICE (Trigoometrický polyom a řada). Fukce k = (a cos(x) + b si(x)) se azývá trigoometrický polyom. Řada = (a cos(x) + b si(x)) se azývá trigoometrická řada. TVRZENÍ (Ortogoalita).
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
VícePosloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b
Najděte itu Poslouposti a číselé řady ) + Protože + = + x ) + + =, je + + + + ) + = = 0 + + Najděte itu 3 si! + Protože je si! a 3 = 0, je 3 si! = 0 Najděte itu + a + a + + a + b + b, a
VíceCvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu
Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia
Více1.1. Definice Reálným vektorovým prostorem nazýváme množinu V, pro jejíž prvky jsou definovány operace sčítání + :V V V a násobení skalárem : R V V
Předáška 1: Vektorové prostory Vektorový prostor Pro abstraktí defiici vektorového prostoru jsou podstaté vlastosti dvou operací, sčítáí vektorů a ásobeí vektoru (reálým číslem) Tyto dvě operace musí být
VíceNMAF061, ZS Zápočtová písemná práce VZOR 5. ledna e bx2 x 2 e x2. F (b) =
NAF61, ZS 17 18 Zápočtová písemá práce VZOR 5. leda 18 Jedotlivé kroky při výpočtech stručě, ale co ejpřesěji odůvoděte. Pokud používáte ějaké tvrzeí, ezapomeňte ověřit splěí předpokladů. Jméo a příjmeí:
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VíceMatematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
VíceNMAF061, ZS Zápočtová písemná práce skupina A 16. listopad dx
NMAF06, ZS 07 08 Zápočtová písemá práce skupia A 6. listopad 07 Jedotlivé kroky při výpočtech stručě, ale co ejpřesěji odůvoděte. Pokud používáte ějaké tvrzeí, ezapomeňte ověřit splěí předpokladů. Jméo
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
Víceveličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou
1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i
VíceDefinice obecné mocniny
Defiice obecé mociy Zavedeí obecé mociy omocí ity číselé oslouosti lze rovést ěkolika zůsoby Níže uvedeý zůsob využívá k defiici eoeciálí fukce itu V dalším budeme otřebovat ásledující dvě erovosti: Lemma
VíceIterační výpočty projekt č. 2
Dokumetace k projektu pro předměty IZP a IUS Iteračí výpočty projekt č. 5..007 Autor: Václav Uhlíř, xuhlir04@stud.fit.vutbr.cz Fakulta Iformačích Techologii Vysoké Učeí Techické v Brě Obsah. Úvodí defiice.....
VíceMatematika I, část II
1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího
VíceIAJCE Přednáška č. 12
Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích
Vícen-rozměrné normální rozdělení pravděpodobnosti
-rozměré ormálí rozděleí pravděpodobosti. Ortogoálí a pozitivě defiití symetrické matice. Reálá čtvercová matice =Ha i j L řádu se azývá ortogoálí, je-li regulárí a iverzí matice - je rova traspoovaé matici
VíceZimní semestr akademického roku 2015/ listopadu 2015
Cvičeí k předmětu BI-ZMA Tomáš Kalvoda Katedra aplikovaé matematiky FIT ČVUT Matěj Tušek Katedra matematiky FJFI ČVUT Obsah Cvičeí Zimí semestr akademického roku 2015/2016 20. listopadu 2015 Předmluva
VíceNMAF063 Matematika pro fyziky III Zkoušková písemná práce 25. ledna x 1 n
Jméo: Příklad 3 Celkem bodů Bodů 8 0 30 Získáo [8 Uvažujte posloupost distribucí f } D R defiovaou jako f [δ kde δ a začí Diracovu distribuci v bodě a Najděte itu δ 0 + δ + této poslouposti aeb spočtěte
VíceSprávnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).
37 Metrické vlastosti lieárích útvarů v E 3 Výklad Mějme v E 3 přímky p se směrovým vektorem u a q se směrovým vektorem v Zvolme libovolý bod M a veďme jím přímky p se směrovým vektorem u a q se směrovým
VíceI. TAYLORŮV POLYNOM. Taylorovy řady některých funkcí: Pro x R platí: sin(x) =
Taylorovy řady ěkterých fukcí: I. TAYLORŮV POLYNOM Pro R platí: si) = 2+ = ), cos) = 2 2+)! = ), 2)! e = =.! Pro, : log + ) = = ) Pro, ) a a R: + ) a = a ) =, kde ) a = a a ) a 2) a +).!. Nalezěte Taylorův
VíceSEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU
SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU Matematické modelováí (KMA/MM Téma: Model pohybu mraveců Zdeěk Hazal (A8N18P, zhazal@sezam.cz 8/9 Obor: FAV-AVIN-FIS 1. ÚVOD Model byl převzat z kihy Spojité modely v biologii
VíceDERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM
Difereciálí počet fukcí jedé reálé proměé - - DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ ÚVODNÍ POZNÁMKY I derivace podobě jako limity můžeme počítat ěkolikerým způsobem a to kokrétě pomocí: defiice vět o algebře
VíceVaR analýza citlivosti, korekce
VŠB-TU Ostrava, Ekoomická fakulta, katedra fiací.-. září 008 VaR aalýza citlivosti, korekce Fratišek Vávra, Pavel Nový Abstrakt Práce se zabývá rozbory citlivosti ěkterých postupů, zahrutých pod zkratkou
VíceMATICOVÉ HRY MATICOVÝCH HER
MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem
VícePevnost a životnost - Hru III 1. PEVNOST a ŽIVOTNOST. Hru III. Milan Růžička, Josef Jurenka, Zbyněk Hrubý.
evost a životost - Hr III EVNOT a ŽIVOTNOT Hr III Mila Růžička, Josef Jreka, Zbyěk Hrbý zbyek.hrby@fs.cvt.cz evost a životost - Hr III tatistické metody vyhodocováí dat evost a životost - Hr III 3 tatistické
Více11. přednáška 16. prosince Úvod do komplexní analýzy.
11. předáška 16. prosice 009 Úvod do komplexí aalýzy. Tři závěrečé předášky předmětu Matematická aalýza III (NMAI056) jsou věováy úvodu do komplexí aalýzy. Což je adeseá formulace eboť časový rozsah ám
VíceZobrazení čísel v počítači
Zobraeí ísel v poítai, áklady algoritmiace Ig. Michala Kotlíková Straa 1 (celkem 10) Def.. 1 slabika = 1 byte = 8 bitů 1 bit = 0 ebo 1 (ve dvojkové soustavě) Zobraeí celých ísel Zobraeí ísel v poítai Ke
VíceFUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL
Difereciálí počet fukcí jedé reálé proměé - 6. - PRVNÍ DIFERENCIÁL TAYLORŮV ROZVOJ FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL PŘÍKLAD Pomocí věty o prvím difereciálu ukažte že platí přibližá rovost
VíceKatedra pravděpodobnosti a matematické statistiky. χ 2 test nezávislosti
Katedra pravděpodobosti a matematické statistiky Oborový semiář χ 2 test ezávislosti Petr Míchal 27 listopadu 2017 Situace 2 X {1,, I}, Y {1,, J} Jsou X a Y ezávislé? K dispozici máme áhodý vyběr (X 1,
VíceZnegujte následující výroky a rozhodněte, jestli platí výrok, nebo jeho negace:
. cvičeí Příklady a matematickou idukci Dokažte:.! . Návody:. + +. + i i i i + + 4. + + + + + + + + Operace s možiami.
VíceInterval spolehlivosti pro podíl
Iterval polehlivoti pro podíl http://www.caueweb.org/repoitory/tatjava/cofitapplet.html Náhodý výběr Zkoumaý proce chápeme jako áhodou veličiu určitým ám eámým roděleím a měřeá data jako realiace této
Více1 PSE Definice základních pojmů. (ω je elementární jev: A ω (A ω) nebo (A );
1 PSE 1 Náhodý pokus, áhodý jev. Operace s jevy. Defiice pravděpodobosti jevu, vlastosti ppsti. Klasická defiice pravděpodobosti a její použití, základí kombiatorické vzorce. 1.1 Teoretická část 1.1.1
VíceNEPARAMETRICKÉ METODY
NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost
VíceŘADY Jiří Bouchala a Petr Vodstrčil
ŘADY Jiří Bouchala a Petr Vodstrčil Text byl vytvoře v rámci realizace projektu Matematika pro ižeýry 2. století (reg. č. CZ..07/2.2.00/07.0332), a kterém se společě podílela Vysoká škola báňská Techická
Víceje číselná posloupnost. Pro všechna n položme s n = ak. Posloupnost
Číselé řady Defiice (Posloupost částečých součtů číselé řady). Nechť (a ) =1 je číselá posloupost. Pro všecha položme s = ak. Posloupost ( s ) azýváme posloupost částečých součtů řady. Defiice (Součet
VíceIntegrace hodnot Value-at-Risk lineárních subportfolií na bázi vícerozměrného normálního rozdělení výnosů aktiv
3. meziárodí koferece Řízeí a modelováí fiačích rizik Ostrava VŠB-U Ostrava, Ekoomická fakulta, katedra Fiací 6.-7. září 006 tegrace hodot Value-at-Risk lieárích subportfolií a bázi vícerozměrého ormálího
VíceČíselné charakteristiky náhodných veličin
Číselé charakteristiky áhodých veliči Motivace Doposud jsme pozali fukcioálí charakteristiky áhodých veliči (apř. distribučí fukce, pravděpodobostí fukce, hustota pravděpodobosti), které plě popisují pravděpodobostí
Víceij m, velikosti n je tvořen (n m) rozměr-ným polem dat x 11 ... x 12 ... x 22 x n1 ... x n2 7.1 Druhy korelačních koeficientů
1 7 KORELACE Pro vyádřeí itezity vztahů ezi složkai ξ ξ -rozěrého áhodého vektoru 1 ξ se používá korelačích koeficietů Data tvoří áhodý výběr z -rozěrého rozděleí áhodého vektoru ξ Neuvažue se obyčeě a
VíceKapitola 5 - Matice (nad tělesem)
Kapitola 5 - Matice (ad tělesem) 5.. Defiice matice 5... DEFINICE Nechť T je těleso, m, N. Maticí typu m, ad tělesem T rozumíme zobrazeí možiy {, 2,, m} {, 2,, } do T. 5..2. OZNAČENÍ Možiu všech matic
Více