Stochastické diferenciální rovnice
|
|
- Hana Doležalová
- před 5 lety
- Počet zobrazení:
Transkript
1 KDM MFF UK, Praha Aplikace matematiky pro učitele
2 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací Model pro nemoc s rychlým šířením a krátkou dobou léčby. Příkladem takovéto nemoci je chřipka. Předpokládáme konstantní velikost populace N, která je rozdělena do tří skupin: x t... zdraví jedinci, kteří mohou být nakaženi, y t... nakažení jedinci, kteří mohou šířit danou nemoc, z t... jedinci, kteří nemohou nemoc šířit ani nemohou být znovu nakaženi.
3 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací Tento model je popsán následující diferenciální rovnicí: dx t = βx t y t dt dy t = βx t y t dt γy t dt dz t = γy t dt. kde β značí intenzitu přenosu nemoci a 1 γ je intenzita léčby (tj. γ popisuje střední dobu trvání nemoci).
4 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací subpopulations subpopulations time time Průběh epidemie s parametry β = , γ = 0.45 (levý obrázek) a β = , γ = 0.25 (pravý obrázek).
5 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací Tento model je zobecňením předchozího modelu. Uvažujeme obecnější formu intenzity šíření nemoci β a vakcinační funkci ϑ(.). Model je popsán následující diferenciální rovnicí: dx t = β(z t )[x t ϑ(z t )] + y t dt dy t = β(z t )[x t ϑ(z t )] + y t dt γy t dt dz t = γy t dt.
6 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací Lze ukázat, že z je řešením rovnice: z = N X (z), kde X (z) = [ x 0 + z 0 { u β(u) 0 ϑ(u) exp β(s)ds γ γ exp { z } 0 β(u)du γ du } ].
7 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací subpopulations subpopulations time time Průběh epidemie s různou vakcinační strategíı. Levý obrázek ukazuje vývoj s ϑ(z) = z, pravý obrázek s ϑ(z) = z. Celkově 363 vakcinovaných jedinců v prvním případě a 443 jedinců v druhém připadě.
8 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací maximum of Y number of removals in time t= number of vaccinated people number of vaccinated people Na obrazcích je znázorněn efekt vakcinace (modrá čára) a předvakcinace (černá čára) vzhledem k maximálnímu počtu nakažených jedinců (obrázek vlevo) a celkovému počtu nakažených jedinců (obrázek vpravo).
9 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací Pro určení optimální vakcinační strategie zvolme následující penalizační funkci: kde f = c(y T + z T ) + c 0 ϑ 0 + c 1 ϑ 1, y T + z T... počet lidí, kteří byli infikováni do času T, ϑ 0... počet jedinců, kteří dostali vakcínu před začátkem epidemie, ϑ 1... počet jedinů navakcinovaných během časového intervalu (0, T ), c... penalizace za jednoho nakaženého jedince, c 0, c 1... penalizace za předvakcinaci, resp. vakcinaci, jednoho jedince.
10 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací V našem případě hladáme optimální lineární vakcinační strategii, tj. ϑ(z) = v 0 + v 1 z.
11 f f Deterministické modely epidemíı Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací v1 5 1e+05 4e+05 3e+05 2e+05 v0 10 v1 5 1e+05 4e+05 3e+05 2e+05 v0 0 0e e+00 Na obrazcích je znázorněna penalizační funkce f v závislosti na volbě koeficientů lineární vakcinace v 0 a v 1. Vlevo jsou zvoleny penalizační koeficienty c 0 = a c 1 = , vpravo c 0 = c 1 = 0.5.
12 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) Nechť (Ω, F, P) je pravděpodobnostní prostor, pak množinu náhodných veličin (X (t), t 0) definovaných na tomto pravděpodobnostním prostoru nazveme náhodným procesem. Na náhodný proces lze také nahĺıžet jako na zobrazení popřípadě X (t, ω) : R + Ω R, X (., ω) : Ω R R+. X (., ω) se nazýva trajektorie procesu X.
13 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) Wienerův proces (Brownův pohyb) W t je náhodný proces s následujícímy vlastnostmi: W 0 = 0 skoro jistě, Wienerův proces má nezávislé přírůstky, rozdělení Wienerova procesu v čase t je N(0, t), Wienerův proces má spojité trajektorie.
14 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan)
15 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) Stochastický integrál b a X (t)dw (t) si lze velmi zjednodušeně představit jako limitu n 1 lim 0 i=0 X (t i )(W (t i+1 ) W (t i )) kde a = t 0 < t 1 <... < t n = b a t i+1 t i =.
16 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) Stochastický proces X t je řešením stochastické diferenciální rovnice dx t = b(x t )dt + σ(x t )dw t, X 0 = x 0, pokud t t X t = x 0 + b(x s )ds + σ(x s )dw s. 0 0
17 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) dx t = β(z t )Y t [X t ϑ(z t )] + dt + β(z t )Y t [X t ϑ(z t )] + dw t, dy t =β(z t )Y t [X t ϑ(z t )] + dt γy t dt (1) β(z t )Y t [X t ϑ(z t )] + dw t, dz t =γy t dt,
18 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) ssubpopulation time Pět realizací řešení stochastické diferenciální rovnice (1).
19 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) Histogram of Ymax Histogram of Tmax Density Density Ymax Na levém obrázku je znázorněn histogram a odhad hustoty maximálního počtu nakažených jedinců, vpravo je histogram a odhad hustoty času kulminace epidemie. Tmax
20 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) Histogram of Z[, deleni + 1] Density Z[, deleni + 1] Histogram celkového počtu nakažených jedinců během epidemie.
21 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) K určení optimální vakcinační strategie zvolme následující penalizační funkci: kde f = E[c(Y T + Z T ) + c 0 ϑ 0 + c 1 V 1 + c 2 T ep ], Y T + Z T... počet lidí, kteří byli infikováni do časut, ϑ 0... počet jedinců, kteří dostali vakcínu před začátkem epidemie, V 1... počet jedinů navakcinovaných během časového intervalu (0, T ), T ep... délka časového intervalu, po který bylo nakaženo více než 5% populace, c... penalizace za jednoho nakaženého jedince, c 0, c 1... penalizace za předvakcinaci, resp. vakcinaci, jednoho jedince, c 2... penalizace za každý den, po který bylo nakaženo více než 5% populace.
22 f f Deterministické modely epidemíı Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) v v0 400 v v Penalizační funkce f = E[Z ϑ ϑ 1 Z T ep ] (levý obrázek) a f = E[Z ϑ ϑ 1 Z 150 ] (pravý obrázek).
23 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) Mějme populaci, jejíž velikost se v čase mění. Sledujeme vývoj nemoci s více pathogeny, kde očekáváme, že žadný jedinec nemůže být infikován více než jedním pathogenem nemoci. N t... počet jedinců v populaci v čase t, X t... počet zdravých jedincu v čase t, Y k t... počet jedinců, kteří jsou nakaženi k-tým pathogenem sledované nemoci v čase t, b, b k... intenzity rození v populaci, b k < b, k, d(n t ), α k... intenzity vymírání populace, β k... intenzita přenosu k-tého pathogenu.
24 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) dx t =X t (b d(n t ) + dyt j =Yt j d k=1 d k=1 ) β k Yt k dt N t d+1 b k Yt k dt + B 1.k (X t, Yk 1,..., Y k d )dw t k, k=1 ( b b j d(n t ) α j + β jx t N t d+1 + k=1 ) dt B j+1.k (X t, Y 1 k,..., Y d k )dw k t, j = 1,..., d,
25 Stochastický model s vakcinací Model s více patogeny (Allen, Kirupaharan) Průběh epidemie s jedním patogenem (levý obrázek) a se dvěma patogeny (pravý obrázek).
26 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model
27 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model kde dxt 0 = ρ(t, ω)xt 0 dt, X0 0 = 1 m dxt i = µ i (t, ω)dt + σ ij (t, ω)dwt i, X0 i = x 0. j=1 X 0... vývoj hodnoty bezrizikového aktiva X i, i = 1,..., m... vývoj hodnoty rizikového aktiva
28 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model Označíme θ t = (θ 0 t, θ 1 t,..., θ n t ) portfólio v čase t. Pak hodnota tohoto portfólia V t je dána rovnicí dv t = θ t dx t = θ 0 t dx 0 t + = θ 0 t ρ(t, ω)x 0 t dt + V 0 = θ n θ0x i i. i=1 n θtdx i t i i=1 n θtµ i i (t, ω)dt + i=1 m σ ij (t, ω)dw i j=1 t
29 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model Velmi často se pro modelování ceny finančních aktiv používá Geometrický Brownův pohyb. Tento proces je dán rovnicí: dx t = µx t dt + σx t dw t, X 0 = x 0. Lze ukázat, že X t = x 0 exp } {(µ σ2 2 )t + σw t s.j.
30 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model Označme a Tedy p t = (µ σ2 2 )t + σw t r t = p t+1 p t = ln X t+1 ln X t N E(r t ) = ) (µ σ2, var(r t ) = σ 2. 2 ) (µ σ2 2, σ2.
31 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model Z odhadů dostaneme r = n t=1 r t, s 2 r = 1 n 1 ˆσ = n (r t r) 2, t=1 s 2r, ˆµ = r + ˆσ2 2.
32 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model cena cena cas cas
33 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model Odhad modelu: dx t = X t dt X t dw t, X 0 =
34 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model cena cas
35 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model Uvažujme model trhu: dxt 0 = ρxt 0 dt, X0 0 = 1, dxt 1 = µxt 1 dt + σxt 1 dw t, X0 1 = x 0 > 0, kde T... čas splatnosti, K... prováděcí cena.
36 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model (Fischer Black a Myron Scholes 1973). Spravedlivá cena call opce je p = x 0 φ(η σ T ) Ke ρt φ(η 1 2 σ T ), kde ( η = σ 1 T 1 2 ln x ) 0 K + ρt a φ je distribuční funkce normovanéno normálního rozdělení. Nobelova cena pro R. Mertona a M. Scholese 1997.
37 Model Trhu Geometrický Brownův pohyb Evropská opce, Black-Scholes model Uvažujme call opci na unci zlata s dobou splatnosti jeden rok, tedy a s prováděcí cenou K = 1850 ($/unci). Použijme model odhadnutý na předchozích slidech, tedy model geometrického Brownova pohybu s parametry µ = a σ = , ale s počáteční podmínkou X 0 = (tedy s cenou ze dne ). Uvažujeme-li roční výnos u bezrizikového aktiva 3%, pak cena Evropské call opce je $.
Matematicko-fyzikální fakulta Univerzity Karlovy
Oceňování finančních derivátů ve spojitém čase Václav Kozmík Matematicko-fyzikální fakulta Univerzity Karlovy 4. 10. 2010 Úvod Stochastický kalkulus Wienerův proces stochastické procesy Itoovo lemma změna
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VícePŘEDNÁŠKA 9 KŘIVKOVÝ A PLOŠNÝ INTEGRÁL 1. DRUHU
PŘEDNÁŠKA 9 KŘIVKOVÝ A PLOŠNÝ INTEGRÁL 1. DRUHU 6.1 Křivkový integrál 1. druhu Definice 1. Množina R n se nazývá prostá regulární křivka v R n právě tehdy, když existuje vzájemně jednoznačné zobrazení
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceKapitola 12: Soustavy diferenciálních rovnic 1. řádu
Kapitola 12: Soustavy diferenciálních rovnic 1. řádu Základní pojmy Definice: Rovnice tvaru = f(t, x, y) = g(t, x, y), t I nazýváme soustavou dvou diferenciálních rovnic 1. řádu. Řešením soustavy rozumíme
VíceNěkdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?
Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VícePřemysl Bejda.
premyslbejda@gmail.com 2010 Obsah 1 2 3 Obchodovatelnost Cena rizika Obsah 1 2 3 Obchodovatelnost Cena rizika Obsah 1 2 3 Obchodovatelnost Cena rizika Itôovo lemma Lemma (Itôovo) Necht X t je stochastický
VíceMartin Chudoba. Seminář - Stochastické modelování v ekonomii a financích KPMS MFF UK. dluhopisů pomocí. Black-Scholesova modelu. M.Chudoba.
Martin Chudoba s Seminář - Stochastické modelování v ekonomii a financích KPMS MFF UK 18.10.2010 Uvažujeme bezkupónový dluhopis vyplácející jednotku v čase T Za předpokladu konstantní úrokové míry r pro
VíceZáklady teorie odhadu parametrů bodový odhad
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Odhady parametrů Úkolem výběrového šetření je podat informaci o neznámé hodnotě charakteristiky základního souboru
Více1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.
VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceOptimální řízení pro geometrický Brownův pohyb
1/39 Optimální řízení pro geometrický Brownův pohyb Lenka Slámová Katedra pravděpodobnosti a matematické statistiky Matematicko fyzikální fakulta Univerzity Karlovy Stochastické modelování v ekonomii a
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceStatistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I
Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I Příklad Tahová síla papíru používaného pro výrobu potravinových sáčků je důležitá charakteristika kvality. Je známo, že síla
VíceDiferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36
Diferenciální rovnice a jejich aplikace Zdeněk Kadeřábek (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Obsah 1 Co to je derivace? 2 Diferenciální rovnice 3 Systémy diferenciálních rovnic
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VíceKapitola 8: Dvojný integrál 1/26
Kapitola 8: vojný integrál 1/26 vojný integrál - osnova kapitoly 2/26 dvojný integrál přes obdélník definice výpočet (Fubiniova věta pro obdélník) dvojný integrál přes standardní množinu definice výpočet
Více1/15. Kapitola 12: Soustavy diferenciálních rovnic 1. řádu
1/15 Kapitola 12: Soustavy diferenciálních rovnic 1. řádu 2/15 Vsuvka: Vlastní čísla matic Definice: Bud A čtvercová matice a vektor h 0 splňující rovnici A h = λ h pro nějaké číslo λ R. Potom λ nazýváme
VíceModely CARMA. 22. listopadu Matematicko fyzikální fakulta Univerzity Karlovy v Praze. Modely CARMA. Úvod. CARMA proces. Definice CARMA procesu
Matematicko fyzikální fakulta Univerzity Karlovy v Praze ÚTIA AV ČR 22. listopadu 2010 u Obsah Definice u u u Motivace Známe. Umíme používat, odhadovat jejich koeficienty atd. Co když ale data nemají konstantní
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
VíceKatedra matematiky Fakulta aplikovaných věd Západočeská Univerzita v Plzni. Matematické Modelování
Katedra matematiky Fakulta aplikovaných věd Západočeská Univerzita v Plzni Semestrální práce z předmětu Matematické Modelování Radek Slíva student 3. ročníku FAV obor MA A02019 12. července 2005 Obsah
VíceLWS při heteroskedasticitě
Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených
VíceRovnovážné modely v teorii portfolia
3. září 2013, Podlesí Obsah Portfolio a jeho charakteristiky Definice portfolia Výnosnost a riziko aktiv Výnosnost a riziko portfolia Klasická teorie portfolia Markowitzův model Tobinův model CAPM - model
VícePřijímací zkouška na navazující magisterské studium 2014
Přijímací zkouška na navazující magisterské studium 24 Příklad (25 bodů) Spočtěte Studijní program: Studijní obor: Matematika Finanční a pojistná matematika Varianta A M x 2 dxdy, kde M = {(x, y) R 2 ;
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
Více1.1 Existence a jednoznačnost řešení. Příklad 1.1: [M2-P1] diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu
[M2-P1] KAPITOLA 1: Diferenciální rovnice 1. řádu diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu G(x, y, y, y,..., y (n) ) = 0 y (n) = F (x, y, y,..., y (n 1) ) Příklad 1.1:
VíceMatematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace
Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VícePojistná matematika. Úmrtnostní tabulky, komutační čísla a jejich použití. Silvie Kafková
Úmrtnostní tabulky, komutační čísla a jejich použití 2015 Osnova 1 Délka života 2 Intenzita úmrtnosti 3 Úmrtnostní Tabulky 4 Komutační čísla Obsah 1 Délka života 2 Intenzita úmrtnosti 3 Úmrtnostní Tabulky
VíceNumerická řešení stochastické diferenciální rovnice
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘKÁ PRÁCE Štěpán Masák Numerická řešení stochastické diferenciální rovnice Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské
Více12. Křivkové integrály
12 Křivkové integrály Definice 121 Jednoduchou po částech hladkou křivkou v prostoru R n rozumíme množinu bodů [x 1,, x n ], které jsou dány parametrickými rovnicemi x 1 = ϕ 1 t), x 2 = ϕ 2 t), x n = ϕ
Více9. Vícerozměrná integrace
9. Vícerozměrná integrace Aplikovaná matematika II, NMAF072 M. Rokyta, KMA MFF UK LS 2016/17 9.1 Elementy teorie míry Poznámka Na R n definujeme systém tzv. měřitelných množin, M n, který má následující
VíceKapitola 10: Diferenciální rovnice 1/14
Kapitola 10: Diferenciální rovnice 1/14 Co je to diferenciální rovnice? Definice: Diferenciální rovnice je vztah mezi hledanou funkcí y(x), jejími derivacemi y (x), y (x), y (x),... a nezávisle proměnnou
VíceTestování statistických hypotéz
Testování statistických hypotéz 1 Testování statistických hypotéz 1 Statistická hypotéza a její test V praxi jsme nuceni rozhodnout, zda nějaké tvrzeni o parametrech náhodných veličin nebo o veličině samotné
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceDefinice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:
Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé
VíceUčební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice študenti MFF 15. augusta 2008 1 7 Diferenciální rovnice Požadavky Soustavy lineárních diferenciálních rovnic prvního řádu lineární
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Normální rozdělení a centrální limitní věta Vilém Vychodil KMI/PRAS, Přednáška 9 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 9) Normální rozdělení
VíceVYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová
VYBRANÁ ROZDĚLENÍ SPOJITÉ NÁH. VELIČINY Martina Litschmannová Opakování hustota pravděpodobnosti f(x) Funkce f(x) je hustotou pravděpodobností (na intervalu a x b), jestliže splňuje následující podmínky:
VíceApriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
Více22 Základní vlastnosti distribucí
M. Rokyta, MFF UK: Aplikovaná matematika IV kap. 22: Základní vlastnosti distribucí 5 22 Základní vlastnosti distribucí 22.1 Temperované distribuce Definice. O funkci ϕ C (R m ) řekneme, že je rychle klesající
VíceNáhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek
Náhodná veličina Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 10. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 71 Obsah 1 Náhodná veličina 2 Diskrétní náhodná veličina 3
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceMinikurz aplikované statistiky. Minikurz aplikované statistiky p.1
Minikurz aplikované statistiky Marie Šimečková, Petr Šimeček Minikurz aplikované statistiky p.1 Program kurzu základy statistiky a pravděpodobnosti regrese (klasická, robustní, s náhodnými efekty, ev.
Více9. Vícerozměrná integrace
9. Vícerozměrná integrace Tomáš Salač Ú UK, FF UK LS 2017/18 Tomáš Salač ( Ú UK, FF UK ) 9. Vícerozměrná integrace LS 2017/18 1 / 29 9.1 Elementy teorie míry Poznámka Na R n definujeme systém tzv. měřitelných
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
VíceŘešení. Označme po řadě F (z) Odtud plyne, že
Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme
Vícejevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.
Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment
VíceInverzní Laplaceova transformace
Inverzní Laplaceova transformace Modelování systémů a procesů (MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 6. přednáška MSP čtvrtek 30. března
VíceFakt. Každou soustavu n lineárních ODR řádů n i lze eliminací převést ekvivalentně na jednu lineární ODR
DEN: ODR teoreticky: soustavy rovnic Soustava lineárních ODR 1 řádu s konstantními koeficienty je soustava ve tvaru y 1 = a 11 y 1 + a 12 y 2 + + a 1n y n + b 1 (x) y 2 = a 21 y 1 + a 22 y 2 + + a 2n y
VíceUčební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
VíceKristýna Kuncová. Matematika B3
(7) Křivky a křivkový integrál Kristýna Kuncová Matematika B3 Kristýna Kuncová (7) Křivky a křivkový integrál 1 / 39 y Kristýna Kuncová (7) Křivky a křivkový integrál 2 / 39 y Kristýna Kuncová (7) Křivky
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
VíceRadek Hendrych. Stochastické modelování v ekonomii a financích. 18. října 2010
Sochasické modelování v ekonomii a financích 18. října 21 Program 1 2 3 4 Úroková míra R, T ) Uvažujme bezrizikový bezkuponový dluhopis s mauriou T a nominální hodnoou 1 $, jeho cenu v čase budeme nadále
Více7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
Více8. Normální rozdělení
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, 2 ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) 2 e 2 2, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá
VíceFinancial calculus Chapter 6 Bigger models
Financial calculus Chapter 6 Bigger models Tomáš Hanzák Katedra pravděpodobnosti a matematické statistiky MFF UK Praha Seminář Stochastické modelování v ekonomii a financích 1.11. 2010 Tomáš Hanzák Financial
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
VíceMatematika 2 LS 2012/13. Prezentace vznikla na základě učebního textu, jehož autorem je doc. RNDr. Mirko Rokyta, CSc. J. Stebel Matematika 2
Matematika 2 13. přednáška Obyčejné diferenciální rovnice Jan Stebel Fakulta mechatroniky, informatiky a mezioborových studíı Technická univerzita v Liberci jan.stebel@tul.cz http://bacula.nti.tul.cz/~jan.stebel
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Bodové odhady a intervaly spolehlivosti Vilém Vychodil KMI/PRAS, Přednáška 10 Vytvořeno v rámci projektu 963/011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 10) Bodové odhady a intervaly
VíceVlastnosti odhadů ukazatelů způsobilosti
Vlastnosti odhadů ukazatelů způsobilosti Jiří Michálek CQR při Ústavu teorie informace a automatizace AV ČR v Praze Úvod Ve výzkumné zprávě č 06 Odhady koeficientů způsobilosti a jejich vlastnosti viz
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 4
Pravděpodobnost a statistika (BI-PST) Cvičení č. 4 J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení technické v Praze ZS 2014/2015
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceDerivace funkce. Přednáška MATEMATIKA č Jiří Neubauer
Přednáška MATEMATIKA č. 9-11 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Šotová, J., Doudová, L. Diferenciální počet funkcí jedné proměnné Motivační příklady
Více8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceÚvodní informace. 17. února 2018
Úvodní informace Funkce více proměnných Přednáška první 17. února 2018 Obsah 1 Úvodní informace. 2 Funkce více proměnných Definiční obor Limita a spojitost Derivace, diferencovatelnost, diferenciál Úvodní
VíceMATEMATICKÁ STATISTIKA
MATEMATICKÁ STATISTIKA 1. Úvod. Matematická statistika se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného procesu, se snažíme popsat
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
VíceZápo tová písemná práce. 1 z p edm tu 01RMF varianta A
Zápo tová písemná práce. 1 z p edm tu 1MF varianta A tvrtek 19. listopadu 215, 13:215:2 ➊ (5 bod ) Nech f (x), g(x) L 1 () a f (x) dx = A, x f (x) dx = µ, Vypo ítejte, emu se rovná z( f g)(z) dz. g(x)
VíceNumerické řešení diferenciálních rovnic
Numerické řešení diferenciálních rovnic Omezení: obyčejné (nikoli parciální) diferenciální rovnice, Cauchyho počáteční úloha, pouze jedna diferenciální rovnice 1. řádu 1/1 Numerické řešení diferenciálních
VíceÚvod do analýzy časových řad
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2... } se nazývá stochastický
VíceBayesovské metody. Mnohorozměrná analýza dat
Mnohorozměrná analýza dat Podmíněná pravděpodobnost Definice: Uvažujme náhodné jevy A a B takové, že P(B) > 0. Podmíněnou pravěpodobností jevu A za podmínky, že nastal jev B, nazýváme podíl P(A B) P(A
VíceSpojité deterministické modely I 1. cvičná písemka
Spojité deterministické modely I 1. cvičná písemka I. část 1.ajděteoecnéřešenírovnice tx xttg x t. 2.Rozhodnětezdapočátečníúloha x t 3 x xjejednoznačněřešitelná.odpověď zdůvodněte. 3. ajděte první tři
VíceOd Náhodné Procházky Ke Spojitým Modelům. Silvie Kafková. 1.prosince 2014, FIMA
Od Náhodné Procházky Ke Spojitým Modelům Silvie Kafková 1.prosince 2014, FIMA Obsah 1 Motivace 2 3 Aplikace náhodné procházky 4 Jednoduchý model ceny akcie Motivace Obsah 1 Motivace 2 3 Aplikace náhodné
Více18 Fourierovy řady Úvod, základní pojmy
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 18: Fourierovy řady 7 18 Fourierovy řady 18.1 Úvod, základní pojmy Otázka J. Fouriera: Lze každou periodickou funkci napsat jako součet nějakých "elementárních"
VíceGreenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice
Greenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice Jan Tomeček Tento stručný text si klade za cíl co nejrychlejší uvedení do teorie Greenových funkcí pro obyčejné diferenciální
VíceMatematika 4 FSV UK, LS Miroslav Zelený
Matematika 4 FSV UK, LS 2017-18 Miroslav Zelený 13. Diferenční rovnice 14. Diferenciální rovnice se separovanými prom. 15. Lineární diferenciální rovnice prvního řádu 16. Lineární diferenciální rovnice
Více12 Obyčejné diferenciální rovnice a jejich soustavy
12 Obyčejné diferenciální rovnice a jejich soustavy 121 Úvod - opakování Opakování z 1 ročníku (z kapitoly 5) Definice 121 Rovnice se separovanými proměnnými je rovnice tvaru Návod k řešení: Pokud g(c)
VíceVariační počet 2. Prof. RNDr. Olga Krupková, DrSc. Autorizovaný zápis přednášek (letní semestr 2004/2005) Zapsal Jan Šustek
Prof. RNDr. Olga Krupková, DrSc. Autorizovaný zápis přednášek (letní semestr 2004/2005) Zapsal Jan Šustek Obsah Seznam použitých symbolů a konvencí.............................................. 2 0. Opakování.........................................................................
Více15. T e s t o v á n í h y p o t é z
15. T e s t o v á n í h y p o t é z Na základě hodnot náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Rozeznáváme dva základní typy testů:
VíceZměna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
VíceMatematické modelování elmg. polí 3. kap.: Elmg. vlnění
Matematické modelování elmg. polí 3. kap.: Elmg. vlnění Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/ Text byl
Více5. B o d o v é o d h a d y p a r a m e t r ů
5. B o d o v é o d h a d y p a r a m e t r ů Na základě hodnot náhodného výběru z rozdělení určitého typu odhadujeme parametry tohoto rozdělení, tak aby co nejlépe odpovídaly hodnotám výběru. Formulujme
VícePRIMITIVNÍ FUNKCE. Primitivní funkce primitivní funkce. geometrický popis integrály 1 integrály 2 spojité funkce konstrukce prim.
PRIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí
Více11. přednáška 10. prosince Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah
11. přednáška 10. prosince 2007 Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah F (x, y, y, y,..., y (n) ) = 0 mezi argumentem x funkce jedné
VíceMATEMATIKA III. Olga Majlingová. Učební text pro prezenční studium. Předběžná verze
Fakulta strojního inženýrství Univerzity J. E. Purkyně v Ústí nad Labem Pasteurova 7 Tel.: 475 285 511 400 96 Ústí nad Labem Fax: 475 285 566 Internet: www.ujep.cz E-mail: kontakt@ujep.cz MATEMATIKA III
Více