Forelæsningsnoter til Stokastiske Processer E05. Svend-Erik Graversen Revideret af Jan Pedersen Kapitel 12 og Appendix B og G af Jan Pedersen
|
|
- Helge Ludvigsen
- 7 år siden
- Visninger:
Transkript
1 Forelæsigsoter til Stokastiske Processer E5 Sved-Erik Graverse Revideret af Ja Pederse Kapitel 12 og Appedix B og G af Ja Pederse 16. august 25
2 Forord Nærværede otesæt skal bruges i forbidelse med kurset Stokastiske Processer, der udbydes i det Herres År 25. Notere er baseret på et gammelt otesæt af Sved-Erik Graverse. Ja Pederse har revideret Sved-Erik s oter og har ikluderet et ekelt kapitel. Desude har Ja udarbejdet opgavesamlige, der til dels er baseret på opgavesamlige til boge Stokastiske Processer af Palle Schmidt. Kurset Stokastiske Processer har været udbudt mage gage før, og har tidligere beyttet Palle Schmidts bog. Me i år skal kurset for første gag omhadle Stokastisk Itegratio, og det har derfor ikke været muligt at avede Palle s bog.
3 Idhold 1 Grudlæggede defiitioer og eksempler 2 2 Kolmogorov s Kosistessætig 12 3 Modifikatio og Uskelelighed 17 4 Filtre og Stoptider 22 5 Hittig Times 28 6 Lévy Processer 3 7 Wieer processe 34 8 Poisso processe 37 9 Wieerprocesse - vigtige egeskaber love for Lévy processer Tælleprocesser Stokastisk itegratio Idledig Itegratio af simple processer E udvidelse Ito s formel A E vigtig fuktioalligig 73 B Regulære betigede fordeliger 75 C Martigaler 78 C.1 Resultater i diskret tid C.2 Resultater i kotiuert tid D Martigalmodifikatiossætige 84 E Optioal samplig i kotiuert tid 86 F Opkrydsiger 89 G Mooto Klasse Lemma 91 H Opgaver 93 1
4 1 Grudlæggede defiitioer og eksempler E stokastisk proces er fællesbetegelse for det sadsylighedsteoretiske værktøj, der beyttes ved beskrivelse af tilfældige systemer, som udvikler sig i tide, og som til ethvert tidspukt t i e parametermægde T ka beskrives ved et pukt i et tilstadsrum S. Ma taler her om tilstade til tid t. Som eksempler på sådae tilfældige systemer ka f.eks. æves : prise på et fiasielt aktiv, lufttemperature ved e målestatio, kocetratioe af et stof i blodet, osv. Tilstade til et fast tidspukt t modelleres som sædvaligt ved hjælp af e ekel stokastisk variabel X t med værdier i S, og e stokastisk proces er derfor e parametriseret familie af stokastiske variable, dvs. målelige afbildiger, defieret på et fælles sadsylighedsfelt med værdier i samme målelige rum. Helt præcist har vi flg. defiitio. Defiitio 1.1. Lad (Ω, F, P) betege et givet sadsylighedsfelt, T e vilkårlig mægde og (S,B) et måleligt rum. E familie af variable (X t ) t T defieret på (Ω,F,P) kaldes da e stokastisk proces med tidsparametermægde T og tilstadsrum S, hvis X t for ethvert t i T er e (F,B)-målelig afbildig fra Ω id i S. Som ordvalget atyder, opfattes T ormalt som e model for tide, idet et pukt i T tækes at repræsetere et tidspukt. Ma skeler i dee forbidelse mellem e diskret kotra e kotiuert tidsmodel, hvor de diskrete tidsmodel svarer til tidsparametermægder af forme Z + = {,1, }, Z eller mere geerelt delmægder heraf, hvorimod ma i forbidelse med e kotiuert tidsmodel bruger R + = [, ), R eller delmægder af disse. T vil i det følgede æste altid være ete Z + eller R +, og puktet beteges i dee forbidelse begydelsestidspuktet. Me det er værd at uderstrege, at oveståede defiitio itet forlager om T, og i visse avedelser vil T være e mere kompliceret mægde. F.eks. er det i forbidelse med billedaalyse aturligt at vælge R 2 eller e delmægde heraf som parametermægde. Ligeledes er det i visse situatioer aturligt at lade T være e mægde af delmægder af et pæt rum som f.eks. R eller e delmægde heraf. Med de tilladte geeralitet ka praktisk talt alt, hvad vi tidligere har set på, opfattes som e stokastisk proces. F.eks. ka e ekel stokastisk variabel opfattes som e proces med e tidsparametermægde beståede af et pukt. Me som ævt er det væsetligste avedelsesområde for stokastiske processer beskrivelse af tidsudvikliger, hvorfor parametermægder udstyret med e lieær ordig som f.eks. Z + /Z og R + /R er af størst iteresse, da det her giver meig at tale om fortid, fremtid og utid. Ifølge defiitioe ka tilstadsrummet være et vilkårligt måleligt rum, dvs. e mægde udstyret med e σ-algebra. Me i alle de tilfælde vi kommer ud for, vil S være udstyret med e metrik d og σ-algebrae være de tilhørede Borel σ-algebra B(S), dvs. de midste σ-algebra der ideholder alle åbe mægder. Vigtige eksempler er R for et 1 eller pæe delmægder heraf, eller e tællelig mægde udstyret med de diskrete 2
5 metrik, i hvilke Borel σ-algebrae er idetisk med mægde af alle delmægder. Ma taler her ofte om et kotiuert udfaldsrum i modsætig til et diskret udfaldsrum. De ævte eksempler er alle såkaldte polske rum, dvs. der fides e ækvivalet fuldstædig og separabel metrik. Eksistese af e metrik på S sikrer, at det har meig at tale om kotiuitet af fuktioer med værdier i S. Det iteressate ved e stokastisk proces er som for ethvert adet sadsylighedsteoretisk objekt des fordelig, og vi vil u præcisere, hvad vi forstår ved fordelige for e stokastisk proces, og hvorda de specificeres. Som bekedt er fordelige af e reel stokastisk variabel X defieret på et sadsylighedsfelt (Ω, F, P) sadsylighedsmålet P X på R givet ved P X (A) = P X 1 (A) = P(X A) A B(R), dvs. P X er billedmålet P X 1. Tilsvarede er fordelige for e give stokastisk vektor X = (X 1,,X ) sadsylighedsmålet P X 1 på R. Oveståede vil vi u geeralisere til stokastiske processer. Atag at tilstadsrummet S er metrisk og derfor udstyret med Borel σ-algebrae B(S). Idgagsvikle er at opfatte (X t ) t T som e tilfældig fuktio, dvs. fokusere på afbildige Φ X fra Ω id i S T, som seder et ω over i de tilhørede udfaldsfuktio, dvs. Φ X : ω (t X t (ω)) Fuktiosrummet S T udstyres med de såkaldte koordiat σ-algebra B(S) T, defieret som de midste σ-algebra, der gør alle koordiatvariable målelige, dvs. B(S) T := σ(ξ t t T) hvor koordiatvariable hørede til puktet t, ξ t : S T S, er givet ved ξ t ( f) := f(t), f S T. B(S) T er altså pr. defiitio σ-algebrae frembragt af algebrae A (S) T := { {ξ ti B i } t 1,...,t T,B 1,...,B B(S)}. i=1 Da ξ t Φ X = X t for ethvert t T, ses at Φ X : Ω S T er (F,B(S) T )-målelig. Det har derfor god meig at tale om billedmålet P Φ 1 X som et sadsylighedsmål på (S T,B(S) T ). Dette beteges P X. og kaldes processes fordeligsmål eller kort des fordelig. I overesstemmelse med gægs termiologi siges to processer (X t ) t T og (X t ) t T med samme tidsparameter T og samme tilstadsrum S, me muligvis defieret på forskellige sadsylighedsfelter (Ω,F,P) og (Ω,F,P ), derfor at være idetisk fordelte, syoymt ækvivalete, hvis P X. = P X.. Tit udtrykkes dette også ved at sige, at de to processer er versioer af hiade. 3
6 Øvelse 1.2. Læsere opfordres til at vise, at for ehver stokastisk proces (X t ) t T med tilstadsrum S og tidsparametermægde T defieret på et sadsylighedsfelt (Ω, F, P) er (ξ t ) t T opfattet som e stokastisk proces på (S T,B(S) T,P X. ) e versio af (X t ) t T. Dee specielle versio kaldes de kaoiske versio. Keder vi fordeligsmålet P X., keder vi specielt dets værdier på A (S) T, og da P X. ( {ξ ti B i }) = P( {ξ ti φ X B i }) = P( {X ti B i }) i=1 i=1 keder vi derfor ehver sadsylighed af forme P(X t1 B 1,...,X t B ) t 1,...,t T, B 1,...,B B(S), og dermed fordeligsmålet P X. (t 1,...,t ) for (X t1,...,x t ) for alle sæt af tidspukter t 1,...,t T. Dette sadsylighedsmål på (S,B(S) ) er som bekedt givet ved P X. (t 1,...,t )(B) := P((X t1,...,x t ) B) t 1,...,t T, B B(S). P X. bestemmer altså sættet {P X. (t 1,...,t ) t 1,...,t T } også kaldet processes edeligt dimesioale margiale fordeliger. Me da A (S) T er stabil uder edelig geemsit og frembriger σ-algebrae B(S) T, bestemmer sættet af edeligt dimesioale fordeliger omvedt også P X. ; dvs. præciserig af e procesfordelig er e tig og det samme som at agive det tilhørede sæt af edelig dimesioale margiale fordeliger. Specielt har vi, at to processer (X t ) t T og (Y t ) t T er versioer hvis og ku hvis de har samme edeligt dimesioale margiale fordeliger; det vil sige hvis og ku hvis P((X t1,...,x t ) B) = P((Y t1,...,y t ) B) (1.1) for ethvert 1, alle t 1,...,t T og alle B B(S). Da B(S) frembriges af mægder på forme A 1... A, hvor A 1,...,A B(S), har vi ligeledes, at (X t ) t T og (Y t ) t T er versioer hvis og ku hvis P(X t1 A 1,,...,X t A ) = P(Y t1 A 1,...,Y t A ) (1.2) for alle 1, alle t 1,...,t T og alle A 1,...,A B(S). Før vi fortsætter de geerelle itroduktio, idføres ogle vigtige procesegeskaber samt procestyper. Det er værd at bemærke, at betigelsere ku afhæger af fordeligsmålet, dvs. det drejer sig om versiosegeskaber, såda at forstå at hvis e proces opfylder e af betigelsere, så gælder det også ehver versio. Som det er gægs, udertrykkes det uderliggede sadsylighedsfelt i otatioe. Når T er ete R, R +, Z eller Z + idfører vi for t T fortide og fremtide, der er følgede σ-algebraer: Ft X := σ(x s s t,s T) (1.3) F X,t := σ(x s s t,s T). (1.4) i=1 4
7 Eksempel 1.3. S = R, T vilkårlig. E proces (X t ) t T siges at være itegrabel hhv. kvadratisk itegrabel, hvis X t ere alle har edelig middelværdi hhv. edeligt ade momet, dvs. X t L 1 (P) hhv. X t L 2 (P) for alle t T. I givet fald beteger m X ( ) : t E[X t ] og Γ X (, ) : (t,s) Cov(X t,x s ), og kaldes hhv. processes middelværdi - og covariasfuktio. Fuktioe t Γ X (t,t) kaldes variasfuktioe og beteges ofte σ 2 X ( ). Eksempel 1.4. S = R, T vilkårlig. E proces (X t ) t T siges at være Gaussisk, hvis (X t1,...,x t ) for ethvert sæt af tidspukter t 1,...,t i T følger e -dimesioal ormal fordelig. Som bekedt er fordelige for e Gaussisk proces etydigt bestemt ved de tilhørede middelværdi - og covariasfuktio. Eksempel 1.5. S = R 1, T = R + eller R. E proces (X t ) t T siges at være kotiuert (højrekotiuert) i sadsylighed hhv. i L p, hvis t X t er kotiuert (højrekotiuert) i sadsylighed hhv L p. Dvs. X t kovergerer imod X t i sadsylighed hhv. i L p for ethvert t og ehver følge (t ) 1 i T, som kovergerer (fra højre) mod t. For p lig 1 eller 2 omtales L p -kotiuitet ofte som kotiuitet i middel hhv. kvadratisk middel. Til seere brug bemærkes, at hvis {X q q [,] Q} er uiformt itegrabel for alle 1, så gælder (tæk over dette) implikatioe t X t er højrekotiuert i sadsylighed t X t er højrekotiuert i L 1. Eksempel 1.6. S = R 1, T = Z + /Z eller R + /R. E proces (X t ) t T siges at være (stregt) statioær, hvis (X t1,...,x tk ) (X t1 +t,...,x tk +t) for alle t 1,...,t k og t i T. Bemærk at hvis = 1 og (X t ) t T er (stregt) statioær samt kvadratisk itegrabel, så er m X (t) m R og Γ X (t,s) = φ(t s), dvs. m X er kostat, og Γ X afhæger ku af afstade mellem tidspuktere. Reelle kvadratisk itegrable processer (X t ) t T, hvis middelværdi- og covariasfuktio er på dee form, kaldes svagt statioære. Eksempel 1.7. S = R 1, T = Z + eller R +. E proces (X t ) t T siges at have uafhægige tilvækster, hvis X t1,x t2 X t1,...x tk X tk 1 er uafhægige for ethvert sæt af voksede tidspukter t 1,...,t k i T. Hvis yderligere fordelige for X s X t ku afhæger af s t for s t siges (X t ) t T at have uafhægige statioære tilvækster. 5
8 Lad (X t ) t T have uafhægige tilvækster. Dee proces har da uafhægige statioære tilvækster hvis og ku hvis X t X s X t s X for alle s < t med s,t T. Hvis yderligere der gælder X = æste sikkert har (X t ) t T uafhægige statioære tilvækster hvis og ku hvis X t X s X t s for alle s t med s,t T. E simpel overvejelse viser, at betigelse for uafhægige tilvækster ækvivalet ka formuleres på hver af følgede to måder. a) X s X t er uafhægig af fortide set ud fra tid t, dvs. σ-algebrae Ft X, for alle t < s i T. b) Ft X og σ(x u X t u t) er uafhægige for alle t i T. Hvis (X t ) t T har uafhægige / uafhægige statioære tilvækster, så har for alle s T (X s t ) t T := (X t+s X s ) t T samme egeskab, og (Xt s) t T er uafhægig af Fs X. (X t s) t T og (X t X ) t T er edvidere versioer, hvis (X t ) t T har uafhægige statioære tilvækster. Eksempel 1.8. S = R og T = Z + eller R +. E itegrabel proces (X t ) t T siges at være e martigal, hvis E[X s F X t ] = X t P.o. for alle t < s T, og (X t ) t T siges at være e baglæs martigal, hvis E[X s F X,t ] = X t P.o. for alle s < t T, Hvis = erstattes af hhv. taler ma om e super - hhv. submartigal. Eksempel 1.9. S vilkårlig og T = Z + eller R +. E proces (X t ) t T siges at være Markov, hvis fremtide er betiget uafhægig af fortide givet utide Dvs. hvis der for ethvert t og alle begræsede reelle variable Y 1 og Y 2 målelige hhv. med hesy til fremtide F X,t og fortide Ft X gælder E[Y 1 Y 2 σ(x t )] = E[Y 1 σ(x t )] E[Y 2 σ(x t )] P.o. Markov egeskabe ka formuleres på flere måder, som følgede resultat viser. Propositio 1.1. Lad (S,B) være et vilkårligt måleligt rum og T = Z + eller R +. Lad (X t ) t T have tilstadsrum S. Følgede udsag 1)-5) er da ækvivalete. 1) (X t ) t T er Markov. 2) For ethvert t og ehver begræset reel F X,t -målelig variabel Y gælder E[Y F X t ] = E[Y σ(x t )] P.o. (1.5) 6
9 3) For ethvert t og A F X,t gælder E[1 A F X t ] = E[1 A σ(x t )] P.o. 4) for alle t,s med s,t T og alle f bb er E[ f(x t+s ) F X t ] = E[ f(x t+s ) σ(x t )] P.o. 5) For alle t T og t 1,...,t T med t i t samt ehver begræset reel F X,t -målelig variabel Y er E[Y σ(x t1,...,x t,x t )] = E[Y σ(x t )] P.o. Atag yderligere, at T = Z +. Da er 1)-5) ækvivalete med 6)-8), hvor 6) For alle t T og f bb er E[ f(x t+1 ) F X t ] = E[ f(x t+1 ) σ(x t )] P.o. 7) For alle t T, t 1 <...t t og f bb er E[ f(x t+1 ) σ(x,x t1...,x t,x t )] = E[ f(x t+1 ) σ(x t )] P.o. 8) For alle t T, t 1 <...t t og A B er E[1 {Xt+1 A} σ(x,x t1...,x t,x t )] = E[1 {Xt+1 A} σ(x t )] P.o. Bevis. Lad os først vise at 1) og 2) er ækvivalete. Atag at (X t ) er e Markov proces som defieret ovefor, og lad t T og Y være e begræset F X,t -målelig variabel. For at vise 2) skal vi, pr. defiitio af betiget middelværdi, gøre rede for at Me for ethvert sådat A er E[E[Y σ(x t )],A] = E[Y,A] for alle A F X t. E[E[Y σ(x t )],A] = E[E[Y σ(x t )] 1 A ] = E [E [E [Y σ(x t )] 1 A σ(x t )]] = E[E[Y σ(x t )] E[1 A σ(x t )]] = E[E[Y 1 A σ(x t )]] = E[Y 1 A ] = E[Y,A]. Atag omvedt at 2) er opfyldt og lad Y 1 og Y 2 være reelle begræsede variable målelige med hesy til hhv. F X,t og Ft X. Da gælder P-.o. E [Y 1 Y 2 σ(x t )] = E [ E [ Y 1 Y 2 F X t ] σ(xt ) ] E[Y 2 E[Y 1 F X t ] σ(x t )] = E[Y 2 E[Y 1 σ(x t )] σ(x t )] = E[Y 1 σ(x t )] E[Y 2 σ(x t )], hvilket viser 1). Det er klart, at 2) medfører 3), 4) og 5). Omvedt følger 2) fra 3) eller 5) ved at avede det Mootoe Klasse Lemma, og 2) følger fra 4) ved brug af successiv betigig og det Mootoe Klasse Lemma. 7
10 Lad os øjes med at vise at 4) medfører 2). Atag altså at 4) er opfyldt. Vi viser først, ved iduktio i, at (1.5) gælder, år Y er på forme Y = f i (X t+si ) (1.6) i=1 hvor 1, s 1... s med s i T og f i : S R er begræset og målelig. For = 1 er dette ok pr. atagelse, så lad os atage at (1.5) gælder, år Y er forme (1.6) for et fast. For f +1 begræset og målelig samt s +1 > s har vi da [ ] E f +1 (X t+s+1 ) f i (X t+si ) F X i=1 [ =E E [ ] f +1 (X t+s+1 ) Ft+s X ] f i (X t+si ) Ft X i=1 [ =E E [ f +1 (X t+s+1 ) σ(x t+s ) ] ] f i (X t+si ) Ft X i=1 [ ] =E g(x t+s ) f i (X t+si ) F X i=1 hvor vi ved sidste lighedsteg udyttede at E[ f +1 (X t+s+1 ) σ(x t+s )] ka skrives som e fuktio, g, af X t+s. Desude udyttede vi regeregler for betigede middelværdier samt at 4) er opfyldt. Iduktiosatagelse viser u, at [ ] E f +1 (X t+s+1 ) f i (X t+si ) F X =E [ g(x t+s ) i=1 i=1 ] f i (X t+si ) σ(x t ) [ =E E [ f +1 (X t+s+1 ) σ(x t+s ) ] ] f i (X t+si ) σ(x t ) i=1 [ =E E [ ] f +1 (X t+s+1 ) Ft+s X ] f i (X t+si ) σ(x t ) i=1 [ ] =E f +1 (X t+s+1 ) f i (X t+si ) σ(x t ) i=1 som øsket. Lad u t med t T være fast. Lad R være klasse af stokastiske variable Y på forme (1.6) hvor 1, s 1... s med s i T og f i : S R er begræset og målelig. Bemærk at R er e multiplikativ klasse med σ(r) = F X,t. t t t 8
11 Lad H være mægde af F X,t -målelige begræsede stokastiske variable Y der opfylder (1.5). Idet vi har Mooto Koverges og liearitet af betigede middelværdier, opfylder H puktere (1) (3) i Appedix G. Dermed viser det Mootoe Klasse Lemma, at ehver F X,t -målelig begæset stokastisk variabel opfylder (1.5). Dette er det øskede resultat. Det overlades til læsere at overbevise sig om, at (6) (8) er ækvivalete med Markovegeskabe, år T = Z +. Vi skal i dette kursus bruge mege tid på at studere processer med uafhægige tilvækster, dels fordi de er vigtige i sig selv, og dels fordi de udgør et rigt eksempelmateriale for adre vigtige procestyper. Som et første eksempel herpå vises flg. sætig. Tidsparametermægde er ataget kotiuert, me resultatet gælder uædret i det diskrete tilfælde. Sætig Lad tilstadsrummet være S = R. Ehver proces (X t ) t med uafhægige tilvækster er e Markov proces. Hvis processe yderligere er reel (dvs. S = R) gælder følgede. 1) (X t m X (t)) t er e martigal, hvis (X t ) er itegrabel. 2) ((X t m X (t)) 2 σ 2 X (t)) t er e martigal, hvis (X t ) er kvadratisk itegrabel. 3) For alle a R er (exp(ax t )/E[exp(aX t )]) e martigal, hvis (exp(ax t )) er itegrabel. 4) For alle a R er (exp(aix t )/E[exp(aiX t )]) e martigal, hvis E[exp(aiX t )] for alle t R. 5) (X t /t) t> er e baglæs martigal, hvis X = og (X t ) er itegrabel og kotiuert i middel. Bevis. Vi viser først Markovegeskabe ved at eftervise 3) i Propositio 1.1. Me da F X,t = σ(x s X t,x t s > t) = σ(σ(x s X t s > t) σ(x t )) ka vi øjes med at se på A = A 1 A 2, hvor A 1 σ(x s X t s > t) og A 2 σ(x t ), da disse mægder tilsamme udgør et sitstabilt mægdesystem, som frembriger F X,t. Me for et sådat A er 1 A = 1 A1 1 A2, og uafhægighede af A 1 og Ft X viser at Dermed er E [1 A1 F X t ] = P(A 1 ) = E [1 A1 σ(x t )]. E [1 A1 1 A2 F X t ] = E [1 A1 F X t ] 1 A2 = E [1 A1 σ(x t )] 1 A2 = E [1 A1 1 A2 σ(x t )] som øsket. Lad os deræst vise martigalegeskab r. 1. Lad t < s være givet. Ved foryet brug af egeskaber ved betigede middelværdier fås E[X s F X t ] = E[X s X t + X t F X t ] = E[X s X t ]+X t = X t m X (t)+m X (s) 9
12 dvs. E[X s m X (s) F X t ] = X t m X (t), hvilket er det øskede. Martigalegeskab r. 2 vises tilsvarede, thi for t < s er E[(X s m X (s)) 2 F X t ] = E[(X s X t (m X (s) m X (t))+x t m X (t)) 2 F X t ] = E[((X s X t ) (m X (s) m X (t))) 2 ]+(X t m X (t)) 2 = Var(X s X t )+(X t m X (t)) 2. Samme med lighede Var(X s ) = Var(X t )+Var(X s X t ) viser dette egeskab r. 2. Lad deræst a betege et reelt tal, som opfylder betigelse i pukt 3. Ifølge Fubii s sætig er E[exp(aX s )] = E[exp(a(X s X t ))] E[exp(aX t )], for alle t < s, specielt er E[exp(a(X s X t ))] edelig. Me da der yderligere gælder E[exp(aX s ) F X t ] = E[exp(a(X s X t )) exp(ax t ) F X t ] = exp(ax t ) E[exp(a(X s X t )) F X t ] = exp(ax t ) E[exp(a(X s X t ))], er martigalegeskab r. 3 også vist. Beviset for pukt 4) går på æste samme måde blot er der her ige problemer med itegrabilitete, da alt er begræset. Detaljere overlades til læsere. Læg mærke til at der i dette tilfælde er tale om e kompleks martigal. Beviset for pukt 5) er derimod lidt aderledes. Lad < t < s være givet. Vi skal altså vise, at E[X t /t X s,x s1,...,x s ] = X s /s for alle s < s 1 < < s. Me da E[X t X s,x s1,...,x s ] = E[X t X s,x s1 X s,...,x s X s ] = E[X t X s ] ifølge de uafhægige tilvækster, magler vi ku at vise, at E[X t /t X s ] = X s /s eller ækvivalet E[X t X s ] = t/s X s. Kotiuitete i L 1 bevirker, at det er ok at vise dette for t = k s for 1 k. Me da Y i, = X is/ X (i 1)s/ er iid-variable for 1 i og X t = følger dette ved et velkedt symmetriargumet. k i=1 Y i, og X s = Y i, i=1 1
13 Korollar Lad (X t ) t betege e reel proces med uafhægige tilvækter, så at t X t er højrekotiuert i sadsylighed. Da gælder 1) t m X (t) er højrekotiuert, hvis (X t ) er itegrabel og sup{ E[X t ] t [,] Q} < for alle 1. 2) t m X (t) og t σ 2 X (t) er begge højrekotiuerte, hvis (X t) er kvadratisk itegrabel og sup{e[x 2 t ] t [,] Q} < for alle 1. 3) For givet a R er t E[exp(aX t )] højrekotiuert, hvis (exp(ax t )) er itegrabel og sup{e[exp(ax t )] t [,] Q} < for alle 1, Bevis. Følger umiddelbart af Sætig 1.11 og bemærkige sidst i Eksempel 1.5 på side 5. 11
14 2 Kolmogorov s Kosistessætig Lad S være et metrisk rum og T være e ikke-tom mægde. Betragt e stokastisk proces (X t ) t T med tilstadsrum S. For t 1,...,t T lad µ(t 1,...,t ) := P X. (t 1,...,t ) betege fordelige af vektore (X t1,...,x t ). Dermed er µ(t 1,...,t ) bestemt ved µ(t 1,...,t )(A 1 A ) = P(X 1 A 1,...,X t A ) for A 1,...,A B(S) (2.1) og {µ(t 1,...,t ) t 1,...,t T } er familie af edeligt dimesioale margiale fordeliger for (X t ) t T. Ligig (2.1) viser, at dee familie opfylder følgede kosistesbetigelser. Kolmogorov s kosistesbetigelser. For ethvert sæt t 1,...,t T og A 1,...,A B(S) samt ehver permutatio σ af mægde {1,...,} gælder I. µ(t 1,...,t )(A 1 A ) = µ(t σ(1),...,t σ() )(A σ(1) A σ() ) II. µ(t 1,...,t i,...,t )(A 1 A i 1 S A i+1 A ) = µ(t 1,...,t i 1,t i+1,...,t )(A 1 A i 1 A i+1 A ). Betigelse II ka også udtrykkes som egeskabe P X. (t 1,...,t i 1,t i+1,...,t ) = P X. (t 1,...,t ) p, 1 (i) 1, hvor p, 1 (i) er afbildige fra S S 1 bestemt ved (s 1,...,s ) (s 1,...,s i 1,s i+1...,s ), dvs. projektioe der sletter de i te koordiat. Hvis T er lieært ordet, som f.eks. Z + /Z eller R + /R, øjes ma som regel med at specificere µ(t 1,...,t ) for ethvert sæt t 1 < < t af voksede tidspukter, og i dee sammehæg er det derfor ku II i Kolmogorov s kosistesbetigelser, som er iteressat. Lad os u vede bøtte og betragte e familie {µ(t 1,...,t ) t 1,...,t T }, hvor µ(t 1,...,t ) er et sadsylighedsmål på (S,B(S) ). På uværede tidspukt atages ikke, at dee familie er frembragt af e proces som i (2.1). Vi siger, at familie er kosistet, hvis betigelsere I og II ovefor er opfyldt. Hvis T er e delmægde af R, specificerer vi som ævt ku {µ(t 1,...,t ) t 1,...,t T,t 1 < < t }, og siger, at familie er kosistet, hvis betigelse II er opfyldt. Det er u relevat at betragte følgede spørgsmål: Fides der et sadsylighedsfelt (Ω, F, P) og e derpå defieret stokastisk proces (X t ) t T med tidsparametermægde T og tilstadsrum S som opfylder (2.1) for alle t 1,...,t T? Vi har allerede set, at hvis spørgsmålet skal besvares postivt, må vi som miimum kræve, at familie er kosistet. Kolmogorov viste i 1933, at hvis blot S er polsk, er dee betigelse også tilstrækkelig. 12
15 Sætig 2.1. Kolmogorov s Kosistessætig Lad T betege e vilkårlig mægde, S være et polsk rum og lad {µ(t 1,...,t ) t 1,...,t T } være kosistet. Da fides der et sadsylighedsfelt (Ω,F,P) og e derpå defieret stokastisk proces (X t ) t T med tidsparametermægde T og tilstadsrum S, så at P(X t1 A 1,...,X t A ) = µ(t 1,...,t )(A 1 A ) (2.2) for alle t 1,...t T og A 1,...,A B(S). E proces (X t ) t T der opfylder (2.2) for alle t 1,...t T og A 1,...,A B(S) kaldes for e realisatio af {µ(t 1,...,t ) t 1,...,t T }. Hvis T er e delmægde at R, gælder et helt tilsvarede result for e kosistet familie {µ(t 1,...,t ) t 1,...,t T,t 1 < < t }. Sætige udtrykker altså, at så sart vi har defieret et sæt af edeligt dimesioale margiale fordeliger, som ikke ideholder åbebare selvmodsigelser, dvs. er kosistet, så fides der e tilhørede realisatio. Eksistes af processer med e give fordelig er altså ækvivalet med eksistes af et relevat kosistet sæt af edeligt dimesioale fordeliger. Vi vil ikke her gå id i beviset for Kolmogorov s Kosistessætig, me blot æve at det er ok at vise følgede tilsyeladede simplerere udsag (se otere til Målteori for et bevis) For ethvert polsk rum S og ethvert sæt {µ 1}, hvor µ er et sadsylighedsmål på (S,B(S )), så at µ +1 (A S) = µ (A) A B(S ) 1, fides der et sadsylighedsmål P på (S,B(S) ), så at µ = P p 1 for 1, hvor p : S S er givet ved p ((x i ) i 1 ) = (x 1,...,x ) (x i ) i 1 S. Som e vigtig avedelse vil vi se på eksistese af processer med statioære og uafhægige tilvækster. Defiitio 2.2. Lad µ og ν være sadsylighedsmål på (R,B(R)). Foldige af µ og ν er da sadsylighedsmålet ν µ på (R, B(R)) defieret ved (ν µ)(b) := µ(b x)ν(dx), B B(R). Fra et sadsylighedsteoretisk syspukt svarer e foldig til e sum af uafhægige stokastiske variable: Lad X have fordelig ν og µ have fordelig µ; det vil sige P(X A) = ν(a) for A B(R), med e tilsvarede defiitio for Y. Atag at X og Y er uafhægige. Da har X +Y fordelig ν µ; det vil sige P(X +Y B) = (ν µ)(b) for ethvert B B(R). 13
16 Eksempel 2.3. Lad (X t ) t være e reel proces med uafhægige statioære tilvækster og lad os atage X =. Lad ν t være fordelige af X t for ethvert t; det vil sige ν t (A) = P(X t A) for A B(R). Lad os se på familie (ν t ) t. For det første har jo ataget X =, så derfor er ν = δ, hvor δ er puktmålet i. For det adet har vi, at der for alle t,s gælder ν t+s = ν t ν s. (2.3) Det vil sige folder ma ν t og ν s, så fås ν t+s. Lad os vise dette. Bemærk at X t+s = X t + (X t+s X t ) hvor de to stokastiske variable X t og X t+s X t er uafhægige og heholdsvis har fordelig ν t og ν s. Dermed har vi altså, at X t+s har fordelig ν t ν s. Me pr. defiitio har X t+s også fordelig ν t+s, hvilket giver (2.3). Lad os herefter bestemme de edeligt dimesioale margiale fordeliger af (X t ) t. Lad t 1 < < t. Da X t1,x t2 X t1,...,x t X t 1 er uafhægige med X t1 ν t1 og X ti X ti 1 X ti t i 1 ν ti t i 1 for i = 2,...,, ses at (X t1,x t2 X t1,...,x t X t 1 ) har fordelig Defier afbildige T : R R ved og bemærk at ν t1 ν t2 t 1 ν t t 1. T (x 1,...,x ) = (x 1,x 1 + x 2,...,x 1 + +x ) (X t1,...,x t ) = T ((X t1,x t2 X t1,...,x t X t 1 )). Det følger derfor, at (X t1,...,x t ) har fordelig ν t1 ν t2 t 1 ν t t 1 T 1. Eksempel 2.3 motiverer følgede. Defiitio 2.4. Et sæt af sadsylighedsmål (ν t ) t på (R,B(R)) kaldes e foldigssemigruppe, hvis der gælder a) ν = δ (puktmålet i ). b) ν t+s = ν t ν s for alle t,s, E foldigssemigruppe (ν t ) t siges edvidere at være regulær, hvis ν t kovergerer svagt (i fordelig) mod ν for t gåede mod. Eksempel 2.5. Hvis ν t = po(λt) eller ν t = N(µt,σ 2 t) for t, så er (ν t ) e regulær foldigssemigruppe. Der er e tæt sammehæg mellem foldigssemigrupper og processer med statioære uafhægige tilvækster, som følgede resultat viser. 14
17 Sætig ) Lad (X t ) t være e reel stokastisk proces med uafhægige statioære tilvækster og defier ν t = P Xt X. Det vil sige ν t er fordelige af X t X for t. Da er (ν t ) t e foldigssemigruppe. Edvidere er (ν t ) t regulær hvis og ku hvis (X t ) t er kotiuert i sadsylighed. 2) Lad (ν t ) t betege e give foldigssemigruppe. Da fides e reel proces (X t ) t med uafhægige statioære tilvækster, som opfylder at X t har fordelig ν t for ethvert t. Bevis. 1) er stort set vist i eksemplet ovefor; de resterede dele vises i e opgave. 2) Atag at (ν t ) t er e give foldigssemigruppe. Defier for ethvert sæt af tidspukter t 1 < < t i R + µ(t 1,...,t ) := ν t1 ν t2 t 1 ν t t 1 T 1, hvor T er de lieære afbildig i R bestemt ved med ivers U givet ved T (x 1,...,x ) = (x 1,x 1 + x 2,,x 1 + +x ) U (x 1,...,x ) = (x 1,x 2 x 1,...,x x 1 ). Sammelig med Eksempel 2.3. Vi vil vise, at {µ(t 1,...,t ) t 1 < < t } (2.4) udgør et kosistet sæt af edeligt dimesioale margiale mål. Kolmogorov s kosistessætig viser da, at der fides e tilhørede realisatio (X t ) t. Deræst viser vi, at (X t ) t har uafhægige tilvækster og opfylder X =.s. og X t+s X s ν t for alle s,t, (2.5) hvilket betyder, at (X t ) t har de øskede egeskaber. Bevis for at (2.4) er kosistet: Vi skal vise, at for ethvert givet sæt af tidspukter t 1 < < t og ethvert 1 i er µ(t 1,...,t ) p, 1 (i) 1 = µ(t 1,...,t i 1,t i+1,...,t ), hvor p, 1 (i) er afbildige fra R ed på R 1, som dropper de i te koordiat ud. Eller ækvivalet at ν t1 ν t2 t 1 ν t t 1 (p, 1 (i) T ) 1 = ν t1 ν t2 t 1 ν ti 1 t i 2 ν ti+1 t i 1 ν t t 1 T 1 1. Me da U 1 er e bijektio på R 1, er dette ækvivalet med at vise, at ν t1 ν t2 t 1 ν ti 1 t i 2 ν ti+1 t i 1 ν t t 1 (2.6) =ν t1 ν t2 t 1 ν t t 1 (U 1 p, 1 (i) T ) 1. 15
18 Udytter vi u at (U 1 p, 1 (i) T )(x 1,...,x ) = (x 1,...,x i 1,x i + x i+1,x i+2,...,x ) for (x 1,...,x ) R ses, at (2.6) er e kosekves af lighede ν ti+1 t i 1 = ν ti t i 1 ν ti+1 t i. Ifølge Kolmogorov s Kosistessætig fides der derfor e realisatio (X t ) t af familie {µ(t 1,...,t ) t 1 < < t }. Bevis for at (X t ) t har uafhægige tilvækster og opfylder (2.5): Bemærk at for ethvert sæt af tidspukter t 1 < < t er (X t1,x t2 X t1,...,x t X t 1 ) = U (X t1,...,x t ) og dermed har vi P (Xt1,X t2 X t1,...,x t X t 1 ) = µ(t 1,...,t ) U 1 som øsket. = ν t1 ν t2 t 1 ν t t 1 (U T ) 1,= ν t1 ν t2 t 1 ν t t 1 Ehver foldigssemigruppe bestemmer altså e reel stokastisk proces med uafhægige statioære tilvækster, som er i. Vi skal seere ærmere studere de to tilfælde, hvor (ν t ) t er givet ved ete 1) ν t = po(λt) for et λ > eller 2) ν t = N(,σ 2 t) for et σ 2 >, idet 1) leder frem til de såkaldte Poisso proces med itesitet λ og 2) til e stadard Wieer proces med parameter σ 2. Bemærk at de to foldigssemigrupper begge er regulære. 16
19 3 Modifikatio og Uskelelighed I overesstemmelse med det traditioelle sy på sadsylighedsteoretiske objekter er det aturligt at tro, at processer med samme fordelig er lige gode modeller for et givet system. Dette er også rigtigt, hvis tidsparametermægde er edelig eller højst tællelig, thi da vil ethvert udtryk formuleret ved hjælp af é give proces opføre sig som det tilsvarede udtryk formuleret ved hjælp af e versio, dvs. de vil være hædelser på samme tid, og de vil i givet fald have samme sadsylighed. Lad os f.eks. atage at (X t ) t T og (X t ) t T er reelle versioer med tællelig tidsparametermægde. Da er for ethvert c R begge hædelser og {sup t T X t > c} og {sup t T X t > c} P(sup t T X t > c) = P (supx t > c). t T Me hvis T er overtællelig, er tigee mere komplicerede. Atag f.eks. at T = R +, og lad (X t ) t R+ og (X t ) t R + være to ækvivalete modeller for prisudviklige på e aktie. Et oplagt iteressat spørgsmål er her: Hvad er sadsylighede for, at prise ogeside kommer over c-kroer? I modellere er det et spørgsmål om sadsylighede af mægdere {supx t > c} og {supx t > c}. t T t T Her ka der u opstå flere forskellige problemer. Da R + ikke er tællelig, er de to mægder ikke ødvedigvis målelige og ka som såda måske slet ikke tillægges oge sadsylighed, og selv om de ka, behøver sadsylighedere ikke være es. Lad os illustrere dette ved et simpelt eksempel. Eksempel 3.1. Lad (Ω,F,P) være sadsylighedsfeltet ((, ),B((, )),e t dt). Defier herpå tre reelle processer (X t ), (Y t ) og (Z t ) alle med tidsparametermægde R + ved fastsættelse X t (ω) =, Y t (ω) = 1 {t} (ω) og Z t (ω) = 1Ñ(t,ω) for alle t og ω. Her er Ñ := {(x,y) x = y N} for e ikke-borel mægde N (, ). Det ses let, at processere er versioer, for der gælder edog P(X t = Y t = Z t ) = 1 for alle t. Me ikke desto midre er de ret så forskellige. F.eks. har (X t ) lutter kotiuerte udfaldsfuktioer, medes ehver udfaldsfuktio hørede til de to øvrige er diskotiuert i midst et pukt. Betragt edvidere mægdere A X = {sup t X t > 1/2}, A Y = {sup t Y t > 1/2} og A Z = {supz t > 1/2} t Simple overvejelser viser, at A X = /, A Y = Ω og A Z = N, dvs. de to første er målelige, me har forskellig sadsylighed, hvorimod de sidste ed ikke er målelig. 17
20 Versioer og edog modifikatioer (se edefor) ka derfor ikke ødvedigvs opfattes som lige gode modeller, så hvilke er da at foretrække, hvis ma ka vælge mellem forskellige versioer? Set ud fra et modelbygigssyspukt er svaret klart. Ma tager selvfølgelig de model, hvori flest hædelser defieret ved hjælp af processe ka tillægges e sadsylighed, som er etydigt bestemt ved fordelige. Dette betyder, at ma vælger de model, der har de pæeste udfaldsfuktioer, ud fra de kedsgerig, at hvis f.eks. alle udfaldsfuktioer er højrekotiuerte / vestrekotiuerte, så er processe fuldkomme bestemt ved tælleligt mage tidsvariable, og sadsyligheder for hædelser udtrykt ved e såda tællelig familie af variable er klart etydigt bestemt ved processes fordelig. Lad os f.eks. betragte e reel proces (X t ) t med lutter højrekotiuerte udfaldsfuktioer. Da er V X := {ω t X t (ω) voksede} og C X := {ω t X t (ω) kotiuert} givet ved formlere V X = {X s X t } og C X = { X s X t 1/k}. s>t,s,t Q + m 1 k 1 1 s t 1,s,t [,m] Q Heraf ses, at V X og C X er hædelser, og deres sadsyligheder afhæger ku af fordelige. Tilsvarede er for ethvert c R {sup t X t > c} = { sup r, r Q X r > c} dvs. ige e hædelse med e sadsylighed, der ku afhæger af fordelige. Dette giver derfor aledig til flg. teoretiske spørgsmål. Givet et kosistet sæt af edelig dimesioale mål, hvor pæ, mht. regularitet af udfaldsfuktioere, e realisatio fides der da? Spørgsmålet er klart ku relevat i forbidelse med tidsparametermægder, som er udstyret med et ikke trivielt afstadsbegreb som f.eks. R + /R. Me ide vi ser ærmere på dette problemkompleks, idføres to forfiiger af versiosbegrebet. I modsætig til versiosbegrebet har de to ye begreber ku meig for processer, som er defieret på samme sadsylighedsfelt. Defiitio 3.2. Lad (S,B) være et måleligt rum. Lad (X t ) t T og (Y t ) t T betege processer defieret på et sadsylighedsfelt (Ω, F, P) med tidsparametermægde T og tilstadsrum S. (X t ) t T og (Y t ) t T siges da at være modifikatioer, hvis P(X t = Y t ) = 1 for alle t T, og de siges at være uskelelige, hvis der fides et N F med P(N) =, så at X t (ω) = Y t (ω) for alle t T og alle ω N c. 18
21 Da stokastiske variable og vektorer, som er es.o., har samme fordelig, er modifikatioer specielt versioer, hvorimod det modsatte ikke er sadt. Ligeledes er uskelelighed geerelt fiere ed modifikatio, dvs. alt i alt sammehæge uskelelighed modifikatio versio. Som eksemplet ovefor viser, ka selv modifikatioer have helt forskellige udfaldsfuktioer, hvorimod uskelelige processer på ær e ulmægde har idetiske udfaldsfuktioer. Forskelle mellem begrebere modifikatio og uskelelighed som ku kommer frem, hvis T er overtællelig, skyldes, at skøt N t = {X t Y t } er e ulmægde for ethvert t, så behøver t N t ikke at være e ulmægde. Det gælder som bekedt, hvis T er tællelig, og i diskret tid er modifikatio og uskelelighed derfor det samme begreb. Eksemplet ovefor viser imidlertid, at i kotiuert tid er dette ikke altid tilfældet. Lad os u argumetere for, at hvis vi er i kotiuert tid (T = R eller T = R + ), så er processer, der har lutter højrekotiuerte udfaldsfuktioer, modifikatioer hvis og ku hvis de er uskelelige. Lad derfor S være et metrisk rum og (X t ) t T og (Y t ) t T være processer med lutter højrekotiuerte udfaldsfuktioer. Da er { t : X t Y t } = { t Q + : X t Y t }; Hvis (X t ) og (Y t ) er modifikatioer, er hædelse på højre side e ulmægde; det vil sige at vestre side ligeledes har sadsylighed, og derfor er (X t ) og (Y t ) også uskelelige. Mere geerelt har vi, at hvis æste alle udfaldsfuktioer for (X t ) t T og (Y t ) t T er højrekotiuerte, så fides e ulmægde N således at { t : X t Y t } N { t Q + : X t Y t }; og derfor ser vi, at også i dette tilfælde er (X t ) t T og (Y t ) t T uskelelige hvis og ku hvis de er modifikatioer. Alt i alt har vi vist første del af følgede resultat. Propositio 3.3. Lad T = R eller T = R +. Lad S være et metrisk rum. 1) Hvis (X t ) t T og (Y t ) t T har udfaldsfuktioer, der æste alle er højrekotiuerte, så er disse processer uskelelige hvis og ku hvis de er modifikatioer. 2) Hvis (X t ) t T og (Y t ) t T har udfaldsfuktioer, der æste alle er vestrekotiuerte, så er disse processer uskelelige hvis og ku hvis de er modifikatioer. Dette resultat er yderligere med til at uderstrege øsket om at arbejde med pæe realisatioer. Spørgsmålet om eksistes af pæe realisatioer af et givet kosistet sæt af edeligt dimesioale mål er et både stort og vaskeligt eme, og vi vil her øjes med at æve tre vigtige resultater. Som formulerige viser, er der tale om eksistes af modifikatioer og ikke blot versioer, dvs. e give proces med de relevate edeligt dimesioale fordeliger ka modificeres på det samme sadsylighedsfelt, så at de modificerede proces udelukkede har udfaldsfuktioer af de øskede art. De to første resultater vil ikke 19
22 blive bevist her, hvorimod vi seere skal give et udførligt bevis for de sidste sætig. Udsagee omhadler processer med tidsparametermægde R + og tilstadsrum R. Me det er værd at bemærke, at der, hvad agår de to første, gælder tilsvarede resultater i et geerelt polsk rum S, blot skal udskiftes med d(, ), hvor d er e fuldstædig og separabel metrik på S, som frembriger topologie. Lad (X t ) t være e proces med tidsparametermægde T = R +. Vi siger at e udfaldsfuktio t X t (ω) er cadlag (e forkortelse af det fraske Cotiue A Droite, Limite A Gauche ), hvis de er højrekotiuert med græseværdier fra vestre; det vil sige at hvis t og t t, så gælder X t (ω) X t (ω), og hvis t > og t er midre ed t med t t, så gælder at limx t (ω) eksisterer i R. I givet fald lader vi X t (ω) := lim t t,t <t X t (ω) og X t (ω) := X t (ω) X t (ω) for t >. Kolmogorov s Modifikatiossætig. E stokastisk proces (X t ) har e modifikatio med lutter kotiuerte udfaldsfuktioer, hvis der eksisterer positive kostater α,β,γ og C, så at E[ X t X s α ] C t s 1+β for alle t,s R + med t s γ. Chetsov s Modifikatiossætig. E stokastisk proces (X t ), som er højrekotiuert i sadsylighed, har e cadlag modifikatio, dvs. e modifikatio hvor alle udfaldsfuktioer er cadlag, hvis der eksisterer positive kostater α,β,γ og C, så at for alle t 1 < t 2 < t 3 t 1 + γ. E[ X t1 X t2 α X t2 X t3 α ] C t 3 t 1 1+β Martigalmodifikatiossætige. Ehver martigal (X t ), som er højrekotiuert i sadsylighed, har e cadlag modifikatio. Et bevis fides i Appediks D. De basale defiitio på e stokastisk proces sikrer, at tilstade til et vilkårligt fast tidspukt er e målelig variabel. Derimod giver de ige garati for målelighed af tilstade til tid τ, dvs. afbildige X τ : ω X τ(ω) (ω) hvor τ : Ω T. Problemet er ige størst, år T er overtællelig. For er T e højst tællelig tidsparametermægde, så er X τ (F,B(S))-målelig for ehver fuktio τ : Ω T, som opfylder {τ = t} F for alle t i T. Bemærk emlig at X τ = X t 1 {τ=t} t T og år T er højst tællelig, er dee sum målelig. Me dette løser ikke problemet i kotiuert tid, så vi vil derfor idføre et yt begreb. Atag derfor at tidsparametermægde T er udstyret med e σ-algebra B(T). I de vigtige tilfælde R + /R vil B(T) være Borel σ-algebrae. 2
23 Defiitio 3.4. Lad S være et metrisk rum. E proces (X t ) t T med tidsparametermægde T og tilstadsrum S siges at være målelig, hvis (t,ω) X t (ω) er e (B(T) F,B(S))-målelig afbildig fra T Ω id i S. Da simulta målelighed som bekedt medfører separat målelighed, ses, at hvis (X t ) t T er e målelig proces, er t X t (ω) er (B(T),B(S))-målelig for alle ω, dvs. målelige processer har målelige udfaldsfuktioer. Yderligere viser sammesætige ω (τ(ω),ω) X τ(ω) (ω), at for e målelig proces (X t ) t T er X τ målelig for ehver afbildig τ : Ω T, som er (F, B(T))-målelig. Dvs. målelige processer ka meigsfyldt studeres til målelige tidspukter. Alle processer med diskret tid er målelige, hvorimod dette ikke er automatisk i kotiuert tid. Me vi u skal se, at processer med pæe udfaldsfuktioer er målelige. Propositio 3.5. Lad (X t ) t være e reel proces der ete har lutter højrekotiuerte eller vestrekotiuerte udfaldsfuktioer. Så er (X t ) t målelig. Bevis. Lad (X t ) t betege e reel proces med lutter højrekotiuerte udfaldsfuktioer. Defier for ethvert, i 1 og ethvert ω Ω Da X t (ω) := X i/2 (ω) hvis (i 1)/2 t < i/2. {(t,ω) Xt (ω) B} = [(i 1)/2,i/2 [ {X i/2 B} for B B(R) i=1 ses, at (X t ) ere alle er målelige processer, og da højrekotiuitete edvidere sikrer, at lim X t (ω) = X t (ω) for alle (t,ω) R + Ω, følger påstade umiddelbart, da målelighed bevares uder puktvis koverges. Det vestrekotiuerte tilfælde klares aalogt. 21
24 4 Filtre og Stoptider I dette afsit er tidsparametermægde T altid Z + eller R +, og (Ω,F,P) beteger et givet sadsylighedsfelt. Som tidligere ævt, har det i dee situatio meig at tale om fortid, utid og fremtid, idet vi forestiller os T repræseterede de fremadskridede tid. I forlægelse heraf idføres e model for iformatiosmægde, der er til stede til tid t, dvs. opsamlet i tide op til og med t. Som det er sædvae i sadsylighedsteori modelleres e såda iformatiosmægde ved e σ-algebra F t. Til ethvert tidspukt t har vi derfor e del σ-algebra F t i F, og da iformatiosmægde vokser med tide, er det aturligt at forlage, at F t F s for vilkårlige tidspukter t < s i T. Dette formaliseres i begrebet et filter, idet e parametriseret familie (F t ) t T af del σ- algebraer i F kaldes et filter, hvis F t F s for alle t < s i T og i dee forbidelse kaldes (Ω,F,(F t ) t T,P) et filtreret sadsylighedsfelt. Tolkede F t som iformatiosmægde til tid t bliver ( ) F := σ F t aturligt ok e model for de totale iformatio. Iformatiosmægder ka være større og midre, og yderpuktere svarede til ige cotra fuld iformatio til ethvert tidspukt t modelleres ved filtree 1) F t = {/,Ω} for alle t, 2) F t = F for alle t. Vi har allerede mødt filtre i form af det såkaldte aturlige filter (F X t ) t T hørede til e proces (X t ) t T defieret på (Ω,F,P), hvor F X t = σ(x s s t) for alle t T. Kombiatioe af udtrykket tilstade til tid t og iformatiosmægde til stede til tid t leder aturligt til, at vi siger, at e proces (X t ) t T med tilstadsrum S (hvor (S,B) er et måleligt rum) er adapteret (tilpasset) til et filter (F t ) t T, hvis X t er (F t,b)-målelig for alle t T. Bemærk at dette ækvivalet ka beskrives ved iklusioe F X t F t for alle t. Det aturlige filter er derfor det midste filter, hvortil e proces ka være adapteret. I tilfældet med kotiuert tid viser det sig at være iteressat, om et givet filter (F t ) opfylder lighede F t = F t+ for alle t, hvor F t+ := s>t F s for t. t 22
25 Filtret siges i givet fald at være højrekotiuert. Det ses let, at (F t+ ) er det midste højrekotiuerte filter, som ideholder (F t ), idet (F t+ ) er et højrekotiuert filter, og det er midre ed ethvert adet højrekotiuert filter, der ideholder (F t ). Advarsel: Det aturlige filter hørede til e proces med lutter højrekotiuerte eller edog kotiuerte udfaldsfuktioer er ikke ødvedigvis højrekotiuert. Læsere bør overveje, hvad højrekotiuitet af filtret siger om iformatiosmægde. Som bekedt giver et filter aledig til et tilhørede stoptidsbegreb. Me ide vi omtaler dette, idføres e otatio, som trækker e forbidelse mellem filtre og det give sadsylighedsmål. Lad hertil N betege de målelige P-ulmægder, dvs. N = {A F P(A) = }. Et filter (F t ) t T siges da at være P-komplet, hvis N F t for alle t eller ækvivalet N F. Et givet filter (F t ) t T er ofte ikke komplet, me daes et yt filter (F t ) t T ved fastsættelse F t = σ(f t N ) for t, ses umiddelbart, at dette er komplet og edog det midste komplette filter ideholdede (F t ). (F t ) t T kaldes det kompletterede filter hørede til (F t ) t T. E simpel øvelse viser, at kompletterig bevarer højrekotiuitet. Det ka edvidere vises, at i mage iteressate sammehæge er det kompletterede filter højrekotiuert, selvom det opridelige ikke er. Da stoptidsbegrebet i diskret tid er velkedt, vil vi i det følgede udelukkede se på kotiuert tid, dvs. T = R +. Læsere opfordres dog til selv at oversætte og gebevise de relevate resultater i diskret tid. Lad derfor (F t ) t betege et givet filter i (Ω,F,P). Defiitio 4.1. E stokastisk variabel τ : Ω R + { } kaldes e stoptid mht.(f t ) t, hvis {τ t} F t for alle t, og til e stoptid τ tilordes stoptids σ-algebrae F τ := {B F B {τ t} F t for alle t }. τ : Ω R + { } kaldes e udvidet stoptid mht.(f t ) t, hvis {τ < t} F t for alle t, og til e udvidet stoptid τ tilordes σ-algebrae F τ+ := {B F B {τ < t} F t for alle t }. 23
26 Bemærk at τ er e udvidet stoptid mht.(f t ) t, hvis og ku hvis τ er e stoptid mht. (F t+ ) t, samt at F τ+ etop er stoptids σ-algebrae hørede til τ opfattet som stoptid mht. (F t+ ) t. Heraf følger, at hvis τ er e stoptid mht. (F t+ ) t, så er τ e udvidet stoptid mht. (F t ) t. Øvelse 4.2. Eftervis at F τ og F τ+ vitterlig er del σ-algebraer i F og at F τ F τ+ for ehver stoptid τ. Ide vi giver eksempler på stoptider, opsummeres e række vigtige egeskaber ved disse samt de tilhørede σ-algebraer. Resultatere er alle forholdsvis umiddelbare kosekveser af defiitioe. Da det overalt drejer sig om stoptider mht. det samme filter, udertrykkes dette i otatioe. Propositio 4.3. Vi har følgede resultater. 1) Mægde af stoptider (hhv. udvidede stoptider) er stabil uder additio, edelig max og mi samt tællelig sup-daelse. Mægde af udvidede stoptider er edvidere stabil uder tællelig if-daelse, hvorimod et tælleligt ifimum af stoptider geerelt ku er e udvidet stoptid. 2) Ehver kostat variabel, dvs. τ t for et t R +, er e stoptid og F τ = F t og F τ+ = F t+. 3) For ethvert par af stoptider τ 1 og τ 2 er {τ 1 τ 2 }, {τ 1 < τ 2 }, {τ 1 = τ 2 } F τ1 F τ2 = F τ1 τ 2. Dvs.F τ1 F τ2, hvis τ 1 τ 2 puktvis, og τ er målelig mht.f τ for ehver stoptid τ. Påstade 3) gælder ligeledes for udvidede stoptider. 4) For ehver udvidet stoptid τ er F τ+ = σ( F (τ )+ ), og F τ+ = F τ +, hvis τ og τ ere er udvidede stoptider, så at τ τ puktvis. Bevis. De første tre påstade vises i e opgave. Da første halvdel af påstad 4 ikke er helt oplagt gives et bevis her. Lad for e give udvidet stoptid τ A betege σ-algebrae σ( F (τ )+ ). Da τ τ for alle er iklusioe A F τ+ oplagt. Lad derfor B F τ+ være givet og betragt opsplitige Lighedere B = [B {τ = }] [B {τ < }]. 1) B {τ < } {τ < t} = B {τ < t} for t < ; 2) B {τ < } {τ < t} = B {τ < } for t ; 24
27 viser, at B {τ < } F (τ )+ A for alle og dermed B {τ < } A. Specielt er {τ = } = {τ < } c A, og H := {B F B {τ = } A } udgør derfor e del σ-algebra i F. Vi ka u afslutte beviset ved at argumetere for at H F. Pr. defiitio af F er det ok at vise, at H ideholder F for ethvert 1. Me for B F viser lighedere 3) B {τ k} {τ k < t} = / for t k; 4) B {τ k} {τ k < t} = B\(B {τ < k}) for t > k; at Da følger det øskede. B {τ k} F (τ k)+ A for k. B {τ = } = B {τ k} k= Til e give udvidet stoptid τ defieres for ethvert e afbildig τ ved fastsættelse τ := k/2 på {(k 1)/2 τ < k/2 } og τ := på {τ = }. τ ere er da stoptider og for alle 1 er τ < τ +1 τ τ + 1/2 på {τ < }, dvs. specielt kovergerer τ τ puktvis. Det er edvidere værd at bemærke, at samt at A {τ = k/2 } F k/2 for k, 1, A F τ+ ; F τ+ = F τ og F τ = {B F B {τ = k/2 } F k/2 k 1} for alle. Vi kalder (τ ) for de diskrete approximatio af τ. Stoptids σ-algebraere F τ og F τ+ omtales ofte som iformatiosmægde, der er til stede til tid τ, og de ævte egeskaber viser, at de har meget til fælles med de give F t og F t+. Me hvad med tilstade til tid τ for e (F t )-adapteret proces (X t ) er de F τ /F τ+ målelig? Ige er situatioe simpel, hvis tide er diskret eller mere geerelt, hvis τ ku atager tællelig mage værdier, thi her gælder ude videre, at hvis (X t ) er (F t )-adapteret, så er målelig mht.f τ, dvs. specielt er ω X τ(ω) (ω) defieret på {τ < } 25
28 X τ målelig mht.f τ for ehver edelig stoptid τ. I kotiuert tid er situatioe som forvetet mere kompliceret, me edeståede giver e yttig ødvedig og tilstrækkelig betigelse for, at X τ er F τ -målelig på hædelse {τ < }. Lemma 4.4. Lad (S,B) være et måleligt rum og være (Ω,F,(F t ) t,p) et filtret sadsylighedsfelt. Lad (X t ) t betege e (F t ) t -adapteret proces med tilstadsrum S og τ være e vilkårlig (F t )-stoptid. Da er X τ F τ -målelig på {τ < } hvis og ku hvis der for ethvert t gælder, at X τ t er F t -målelig. Bevis. Pr. defiitio af F τ har vi, at X τ er F τ -målelig på {τ < } hvis og ku hvis der for ethvert B B og t gælder {X τ B} {τ t} F t. (4.1) Me bemærk at Edvidere er {X τ B} {τ t} = {X τ t B} {τ t}. (4.2) {X τ t B} {τ > t} = {X t B} {τ > t} F t. Idet der gælder {X τ t B} = [ {X τ t B} {τ > t} ] [ {X τ t B} {τ t} ], ser vi, at højre side af (4.2) tilhører F t hvis og ku hvis {X τ t B} F t. Det vil sige (4.1) er opfyldt for ethvert B B hvis og ku hvis X τ t er F t -målelig. Defiitio 4.5. Lad S være et metrisk rum. E stokastisk proces (X t ) t med tilstadsrum S defieret på et filtreret sadsylighedsfelt (Ω,F,(F t ) t,p) siges at være progressiv målelig mht.(f t ) t, hvis for alle t i R + (s,ω) X s (ω) er målelig mht.(b([,t]) F t,b(s)) som afbildig fra [,t] Ω id i S. Som det æste resultat viser, løser progressiv målelighed geerelt problemet vedrørede målelighed af tilstade til e stoptid. Sætig 4.6. Lad S være metrisk. Lad T være R + og lad (X t ) t betege e stokastisk proces med tilstadsrum S defieret på (Ω,F,(F t ) t,p). Da gælder 1) Hvis (X t ) t er progressiv målelig mht.(f t ) t, er X τ F τ -målelig på {τ < } for ehver stoptid τ; specielt er (X t ) (F t ) t -adapteret. 2) Processe (X t ) t er progressiv målelig mht.(f t ), hvis (X t ) t er (F t ) t -adapteret og har lutter højrekotiuerte / vestrekotiuerte udfaldsfuktioer. 26
29 Bevis. 1) Lad τ og (X t ) være givet. I følge oveståede lemma gælder det om at vise, at X τ t er F t -målelig for alle t. Me da τ t er F t -målelig, følger dette umiddelbart af de progressive målelighed ved at betragte sammesætige ω (τ(ω) t,ω) X τ(ω) t (ω). 2) Lad os af otatiosmæssige grude atage at processe er reel, dvs. S = R. Højrekotiuitete sikrer, at for givet t kovergerer X s (ω) := 1 {} (s) X (ω)+ for ethvert pukt (s, ω) [,t] Ω; og da 1 ]( j 1)t/, jt/] (s) X jt/ (ω) X s (ω) j=1 (s,ω) X s (ω) tydeligvis er målelig mht.(b([,t]) F t,b(s)) for ethvert 1, følger påstade af de puktvise koverges. Det vestrekotiuerte tilfælde klares aalogt. Vi får specielt i teorie om martigaler brug for at have variable X τ defieret for alle ω selv for ikke edelige stoptider τ. Dette ka selvfølgelig gøres på mage måder, me da vi ku får brug for dette i forbidelse med med reelle processer vælges flg. kovetio. For ehver reel proces (X t ) t og ehver ikke-egativ variabel τ med værdier i de udvidede reelle tal defieres X τ (ω) := lim X τ (ω) hvis dee eksisterer i R og X τ (ω) := ellers. Specielt har X τ værdie X τ(ω) (ω) på mægde {τ < }, dvs. der er tale om e udvidelse af de tidligere idførte defiitio. Edvidere ses umiddelbart at X τ er F τ -målelig for ehver stoptid τ og ehver reel (F t )-progressiv målelig proces (X t ) t. 27
30 5 Hittig Times De såkaldte Hittig Times udgør lagt de vigtigste eksempler på stoptider. Lad stadig T være ete Z + eller R + og lad (X t ) betege e stokastisk proces med tid T og tilstadsrum S (der er et metrisk rum), defieret på et filtreret sadsylighedsfelt (Ω,F,(F t ),P). For ethvert B S idføres otatioe T B := if{t > X t B} hvor if(/) =, T B kaldes første Hittig Time til mægde B for processe (X t ) t T. Flg. resultater er vigtige. Propositio 5.1. Der gælder følgede. 1) T B T A hvis A B. 2) T A B = T A T B og T A = if T A. 3) X TA A på {T A < }, hvis alle udfaldsfuktioer er højrekotiuerte. 4) T A = s+t s A på {T A > s}, hvor for ethvert s T s A := if{t > X s+t A}. 5) Lad (X t ) og (Y t ) betege to versioer med tilstadsrum R, som begge har lutter højrekotiuerte udfaldsfuktioer. For ehver åbe mægde U R gælder da T U (X) T U (Y) og X TU (X) 1 {TU (X)< } Y TU (Y) 1 {TU (Y)< }, hvor T U (X) og T U (Y) beteger første Hittig Time til U for hhv.(x t ) og (Y t ). Bevis. Vi viser ku 5). Defier for ethvert 1 T U(X) := if{k/2 > X k/2 U} og tilsvarede TU (Y). Bemærk at de idførte variable er aftagede i. Umiddelbar avedelse af defiitioe viser, at P(T U (X) = k/2 ) = P(X 1/2 / U,,X (k 1)/2 / U,X k/2 U) = P(Y 1/2 / U,,Y (k 1)/2 / U,Y k/2 U) = P(T U (Y) = k/2 ) for alle k, dvs. TU (X) og T U (Y) har samme fordelig for ethvert. Heraf følger påstade vedrørede T U (X) og T U (Y), thi højrekotiuitete og det faktum, at U er åbe, bevirker, at TU (X) T U(X) og TU (Y) T U(Y) puktvis, og dee kovergesform implicerer som bekedt koverges i fordelig. Argumetet vedrørede det adet par går på samme måde. 28
Sandsynlighedsteori 1.2 og 2 Uge 5.
Istitut for Matematiske Fag Aarhus Uiversitet De 27. jauar 25. Sadsylighedsteori.2 og 2 Uge 5. Forelæsiger: Geemgage af emere karakteristiske fuktioer og Mometproblemet afsluttes, og vi starter på afsittet
Læs mereSandsynlighedsteori 1.2
Forelæsigsoter til Sadsylighedsteori.2 Sved Erik Graverse Jauar 2006 Istitut for Matematiske Fag Det Naturvideskabelige Fakultet Aarhus Uiversitet. Mometproblemet. I dette afsit beteger X e stokastisk
Læs mereM Å L T E O R I S A N D S Y N L I G H E D S T E O R I 1. 1 F O R E L Æ S N I N G S N O T E R S V E N D E R I K G R A V E R S E N O G
F O R E L Æ S N I N G S N O T E R T I L M Å L T E O R I O G S A N D S Y N L I G H E D S T E O R I 1. 1 S V E N D E R I K G R A V E R S E N A U G U S T 2 0 0 5 I N S T I T U T F O R M A T E M A T I S K
Læs mereLøsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)
Løsigsforslag til skriftlig eksame i Kombiatorik, sadsylighed og radomiserede algoritmer (DM58) Istitut for Matematik & Datalogi Syddask Uiversitet Madag de 3 Jauar 011, kl. 9 13 Alle sædvalige hjælpemidler
Læs mereDenne kaldes også potensmængden over Ω og betegnes ofte 2 Ω. Notationen beror på, at man via relationen
Idledig. De modere sadsylighedsteori, hvis aksiomatiske basis blev formuleret af russere A.N. Kolmogorov i 1933 i boge Grudbegriffe der Wahrscheilichkeitrechug, er bygget op omkrig et tripel ofte beteget
Læs merecos(t), v(t) = , w(t) = e t, z(t) = e t.
Aalyse Øvelser Rasmus Sylvester Bryder. og. oktober 3 Bevis for Cotiuity lemma Theorem. Geemgås af Michael Staal-Olse. Bevis for Lemma.8 Dee har vi faktisk allerede vist; se Opgave 9.5 fra Uge. Det er
Læs mereDen flerdimensionale normalfordeling
De flerdimesioale ormalfordelig Stokastiske vektorer Ved e stokastisk vektor skal vi forstå e vektor, hvor de ekelte kompoeter er sædvalige stokastiske variable. For de stokastiske vektor Y = Y,..., Y
Læs merevejer (med fortegn). Det vil vi illustrere visuelt og geometrisk for (2 2)-matricer og (3 3)-matricer i enote 6.
enote 5 enote 5 Determiater I dee enote ser vi på kvadratiske matricer. Deres type er altså for 2, se enote 4. Det er e fordel, me ikke absolut ødvedigt, at kede determiatbegrebet for (2 2)-matricer på
Læs merer n E[ X n ]/n! for alle r > 0 ifølge monoton konvergens, giver potensrækketeori, at ( ) er ækvivalent med, at ρ n E[ X n ]/n!
Mometproblemet. Lad i dette afsit X betege e stokastisk variabel med mometer af ehver orde. Mometfølge (E[X ]) er derfor e vel defieret reel talfølge bestemt ved fordelige, og spørgsmålet om, de omvedt
Læs mereMatematik A. Studentereksamen. Forberedelsesmateriale. Forsøg med digitale eksamensopgaver med adgang til internettet.
Matematik A Studetereksame Forsøg med digitale eksamesopgaver med adgag til iterettet Forberedelsesmateriale Vejledede opgave Forår 0 til stx-a-net MATEMATIK Der skal afsættes 6 timer af holdets sædvalige
Læs mereSupplerende noter II til MM04
Supplerede oter II til MM4 N.J. Nielse 1 Uiform koverges af følger af fuktioer Vi starter med følgede defiitio: Defiitio 1.1 Lad S være e vilkårlig mægde og (X, d et metrisk rum. E følge (f af fuktioer
Læs mereDe reelle tal. Morten Grud Rasmussen 5. november Se Sætning 3.6 og 3.7 for forskellige formuleringer af egenskaben og dens negation.
De reelle tal Morte Grud Rasmusse 5. ovember 2015 Ordede mægder Defiitio 3.1 (Ordet mægde). pm, ăq kaldes e ordet mægde såfremt: For alle x, y P M gælder etop ét af følgede: x ă y, x y, y ă x @x, y, z
Læs mereantal gange krone sker i første n kast = n
1 Uge 15 Teoretisk Statistik, 5. april 004 1. Store tals lov Eksempel: møtkast Koverges i sadsylighed Tchebychevs ulighed Sætig: Store tals lov. De cetrale græseværdisætig 3. Approksimatio af sadsyligheder
Læs mereTalfølger og -rækker
Da Beltoft og Klaus Thomse Aarhus Uiversitet 2009 Talfølger og -rækker Itroduktio til Matematisk Aalyse Zeos paradoks om Achilleus og skildpadde Achilleus løber om kap med e skildpadde. Achilleus løber
Læs mereProjekt 4.8 De reelle tal og 1. hovedsætning om kontinuerte funktioner
Projekter: Kapitel 4 Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Kotiuitet og kotiuerte fuktioer Ord som kotiuert og kotiuerlig
Læs mereHovedpointer fra SaSt
Hovedpoiter fra SaSt Marti Nørgaard Peterse 13. februar 2018 Følgede geemgår udvalgte begreber fra E Itroduktio til Sadsylighedsregig af M. Sørese (9. udgave), Itroductio to Likelihood-based Estimatio
Læs mereNogle Asymptotiske Resultater. Jens Ledet Jensen Matematisk Institut, Aarhus Universitet. 1 Indledning 1
Nogle Asymptotiske Resultater Jes Ledet Jese Matematisk Istitut, Aarhus Uiversitet Idhold Idhold i Idledig 2 Resultater i et geerelt set-up 7 2. Eksistes af et kosistet estimat............... 7 2.2 Asymptotisk
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Repetitio: Normalfordelige Ladmåliges fejlteori Lektio Trasformatio af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/udervisig/lf13 Istitut for Matematiske Fag Aalborg Uiversitet
Læs merePraktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags.
Praktisk ifo Liste med rettelser og meigsforstyrrede trykfejl i DS på Absalo. Statistisk aalyse af e ekelt stikprøve: kedt eller ukedt varias Sadsylighedsregig og Statistik (SaSt) Helle Sørese Projekt
Læs mereElementær Matematik. Polynomier
Elemetær Matematik Polyomier Ole Witt-Hase 2008 Køge Gymasium Idhold 1. Geerelle polyomier...1 2. Divisio med hele tal....1 3. Polyomiers divisio...2 4. Polyomiers rødder....4 5. Bestemmelse af røddere
Læs mereProgram. Middelværdi af Y = t(x ) Transformationssætningen
Program Statistik og Sadsylighedsregig 2 Trasformatio af kotiuerte fordeliger på R, flerdimesioale kotiuerte fordeliger, mere om ormalfordelige Helle Sørese Uge 7, osdag I formiddag: Opfølgig på trasformatiossætige
Læs mereAsymptotisk optimalitet af MLE
Kapitel 4 Asymptotisk optimalitet af MLE Lad Y 1, Y 2,... være uafhægige, idetisk fordelte variable med værdier i et rum (Y,K). Vi har givet e model (ν θ ) θ Θ for fordelige af Y 1 (og dermed også for
Læs mereMotivation. En tegning
Motivatio Scatter-plot at det mådelige salg mod det måedlige reklamebudget. R: plot(salg ~ budget, data = salg) Økoometri Lektio Simpel Lieær Regressio salg 400 450 500 550 20 25 30 35 40 45 50 budget
Læs mereGeorg Mohr Konkurrencen Noter om uligheder. Søren Galatius Smith
Georg Mohr Kokurrece Noter om uligheder Søre Galatius Smith. juli 2000 Resumé Kapitel geemgår visse metoder fra gymasiepesum, som ka bruges til at løse ulighedsopgaver, og ideholder ikke egetligt yt stof.
Læs mereVelkommen. Program. Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R. Praktiske ting og sager
Program Statistik og Sadsylighedsregig 2 Sadsylighedstætheder og kotiuerte fordeliger på R Helle Sørese Uge 6, madag Velkomme I dag: Praktiske bemærkiger Hvad skal vi lave på SaSt2? Sadsylighedstætheder
Læs mereMeningsmålinger KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017
Meigsmåliger KLADDE Thomas Heide-Jørgese, Rosborg Gymasium & HF, 2017 Idhold 1 Meigsmåliger 2 1.1 Idledig................................. 2 1.2 Hvorda skal usikkerhede forstås?................... 3 1.3
Læs mereRegularitetsbetingelserne i simple modeller
Kapitel 7 Regularitetsbetigelsere i simple modeller I dette kapitel vil vi udersøge forskellige modeller med uafhægige, idetisk fordelte variable, rækkede fra det trivielle til det gaske geerelle. Målet
Læs mereAnalyse 1, Prøve maj 2009
Aalyse, Prøve 5. maj 009 Alle hevisiger til TL er hevisiger til Kalkulus (006, Tom Lidstrøm). Direkte opgavehevisiger til Kalkulus er agivet med TLO, ellers er alle hevisiger til steder i de overordede
Læs mereog Fermats lille sætning
Projekter: Kaitel 0. Projekt 0. Modulo-regig, restklassegruer og Fermats lille sætig Projekt 0. Modulo-regig, restklassegruere ( { 0 }, ) og Fermats lille sætig Vi aveder moduloregig og restklasser mage
Læs mereOm Følger og Rækker. Nyttige Grænseværdier. Nyttige Rækker. Carsten Lunde Petersen. lim. lim = 0. lim (1 + x n n )n = e x. n n n.
IMFUFA Carste Lude Peterse Om Følger og Ræer Nyttige Græseværdier lim = 1 lim! = x = 0! lim lim (1 + x ) = e x! lim = e 1 Nyttige Ræer 1 p < p > 1 1 log p ( + 1) < p > 1 x = = x 1 x for x < 1 og Z, diverget
Læs mereBaggrundsnote til sandsynlighedsregning
Baggrudsote til sadsylighedsregig Kombiatorik. Multiplikatiospricippet E mægde beståede af forskellige elemeter kaldes her e -mægde. Elemetere i e m-mægde og elemetere i e -mægde ka parres på i alt m forskellige
Læs merehvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i
Normalfordeliger For at e stokastisk variabel X ka være ormalfordelt, skal X agive værdie af e eller ade målig, f.eks. tid, lægde, vægt, beløb osv. Notatioe er: Xi ~ N( μ, σ hvor i er observatiosummeret,
Læs mereog Fermats lille Projekt 0.4 Modulo-regning, restklassegrupperne sætning ..., 44, 20,4,28,52,... Hvad er matematik? 3 ISBN
Projekt 0.4 Modulo-regig, restklassegruppere sætig ( p 0, ) og Fermats lille Vi aveder moduloregig og restklasser mage gage om dage, emlig år vi taler om tid, om hvad klokke er, om hvor lag tid der er
Læs mereDiskrete og kontinuerte stokastiske variable
Diskrete og kotiuerte stokastiske variable Beroulli Biomial fordelig Negativ biomial fordelig Hypergeometrisk fordelig Poisso fordelig Kotiuerte stokastiske variable Uiform fordelig Ekspoetial fordelig
Læs mereDeskriptiv teori: momenter
Kapitel 13 Deskriptiv teori: mometer Vi vil i dette og det følgede kapitel idføre e række begreber der bruges til at beskrive sadsylighedsmål på (R, B). Samtlige begreber udspriger i e eller ade forstad
Læs mereProjekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning
Hvad er matematik? Projekter: Kaitel 9 Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Sætig : Regeregler
Læs mereTankegangskompetence. Kapitel 9 Algebraiske strukturer i skolen 353
Takegagskompetece Hesigte med de følgede afsit er først og fremmest at skabe klarhed over de mere avacerede regeregler i skole og give resultatet i de almee form, der er karakteristisk for algebra. Vi
Læs mereIntroduktion til uligheder
Itroduktio til uligheder, marts 0, Kirste Rosekilde Itroduktio til uligheder Dette er e itroduktio til ogle basale uligheder om det aritmetiske geemsit, det geometriske geemsit, det harmoiske geemsit og
Læs mere1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens... 2
Idhold 1 Pukt- og itervalestimatio 2 1.1 Puktestimatorer: Cetralitet(bias) og efficies.................... 2 2 Kofidesiterval 3 2.1 Kofidesiterval for adel................................ 4 2.2 Kofidesiterval
Læs mereMatematikkens mysterier - på et obligatorisk niveau. 7. Ligninger, polynomier og asymptoter
Matematikkes mysterier - på et obligatorisk iveau af Keeth Hase 7. Ligiger, polyomier og asymptoter Hvad er e asymotote? Og hvorda fides de? 7. Ligiger, polyomier og asymptoter Idhold 7.0 Idledig 7.1 Udsag
Læs mereSætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n
Ladmåliges fejlteori Lektio 3 Estimatio af σ Dobbeltmåliger Geometrisk ivellemet Lieariserig - rw@math.aau.dk Istitut for Matematiske Fag Aalborg Uiversitet Repetitio: Middelværdi og Varias Sætig: Middelværdi
Læs mereProjekt 1.3 Brydningsloven
Projekt 1.3 Brydigslove Når e bølge, fx e lysbølge, rammer e græseflade mellem to stoffer, vil bølge ormalt blive spaltet i to: Noget af bølge kastes tilbage (spejlig), hvor udfaldsvikle u er de samme
Læs mereNoter om kombinatorik, Kirsten Rosenkilde, februar Kombinatorik
Noter om ombiatori, Kirste Roseilde, februar 008 Kombiatori Disse oter er e itrodutio til ombiatori og starter helt fra bude, så e del af det idledede er siert edt for dig allerede, me der ommer også hurtigt
Læs mere9. Binomialfordelingen
9. Biomialfordelige 9.. Gekedelse Hvert forsøg ka ku resultere i to mulige udfald; succes og fiasko. I modsætig til poissofordelige er atallet af forsøg edeligt. 9.. Model X : Stokastisk variabel, der
Læs mereIntroduktion til uligheder
Itroduktio til uligheder Dette er e itroduktio til ogle basale uligheder om det aritmetiske geemsit, det geometriske geemsit, det harmoiske geemsit og det kvadratiske geemsit. Først skal vi ved fælles
Læs mereNoter om polynomier, Kirsten Rosenkilde, Marts Polynomier
Noter om polyomier, Kirste Rosekilde, Marts 2006 1 Polyomier Disse oter giver e kort itroduktio til polyomier, og de fleste sætiger æves ude bevis. Udervejs er der forholdsvis emme opgaver, mes der til
Læs mereNoter om kombinatorik, Kirsten Rosenkilde, februar 2008 1. Kombinatorik
Noter om ombiatori, Kirste Roseilde, februar 008 Kombiatori Disse oter er e itrodutio til ombiatori og starter helt fra bude, så e del af det idledede er siert edt for dig allerede, me der ommer også hurtigt
Læs mereBjørn Grøn. Analysens grundlag
Bjør Grø Aalyses grudlag Aalyses grudlag Side af 4 Idholdsfortegelse Kotiuerte og differetiable fuktioer 3 Differetial- og itegralregiges udviklig 5 3 Hovedsætiger om differetiable fuktioer 8 Opgaver til
Læs mereGamle eksamensopgaver. Diskret Matematik med Anvendelser (DM72) & Diskrete Strukturer(DM504)
Gamle eksamesopgaver Diskret Matematik med Avedelser (DM72) & Diskrete Strukturer(DM504) Istitut for Matematik& Datalogi Syddask Uiversitet, Odese Alle sædvalige hjælpemidler(lærebøger, otater etc.), samt
Læs mereAsymptotisk estimationsteori
Kapitel 5 Asymptotisk estimatiosteori De fleste eksperimeter har e idbygget størrelse, som regel kaldet eller N. Dette repræseterer typisk atallet af foretage måliger, atallet af udersøgte idivider, atallet
Læs mereUdtrykkelige mængder og Cantorrækker
Udtrykkelige mægder og Catorrækker Expressible sets ad Cator series Matematisk speciale Simo Bruo Aderse 20303870 Vejleder: Simo Kristese Istitut for Matematik Aarhus Uiversitet 208 Abstract This thesis
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 29. september Økonometri 1: F7 1
Økoometri 1 Iferes i de lieære regressiosmodel 9. september 006 Økoometri 1: F7 1 Dages program Opsamlig af hemmeopgave om Mote Carlo eksperimeter Mere om hypotesetest: Ekelt lieær restriktio på koefficieter
Læs mere13. februar Resumé: En statistisk analyse resulterer ofte i : Et estimat ˆ θ med en tilhørende se( ˆ θ )
3. februar 003 Epidemiologi og biostatistik. Uge, torag d. 3. februar 003 Morte Frydeberg, Istitut for Biostatistik. Type og type fejl Nogle specielle metoder: Test i RxC tabeller Test i x tabeller Fishers
Læs merex-klasserne Gammel Hellerup Gymnasium
SANDSYNLIGHEDSREGNING OG KOMBINATORIK x-klassere Gammel Hellerup Gymasium Idholdsfortegelse SANDSYNLIGHEDSREGNING... 3 SANDSYNLIGHEDSFELT... 3 DE STORE TALS LOV... 4 Sadsyligheder og frekveser:... 4 STOKASTISK
Læs mereFormelskrivning i Word 2. Sådan kommer du i gang 4. Eksempel med skrivning af brøker 5. Brøker skrevet med småt 6. Hævet og sænket skrift 6
Dee udgave er til geemkig på ettet. Boge ka købes for kr. 5 hos EH-Mat. E y og udvidet udgave med title»symbol- og formelskrivig«er udkommet september 00. Se mere om de her. Idholdsfortegelse Formelskrivig
Læs mereFUNKTIONER del 1 Funktionsbegrebet Lineære funktioner Eksponentialfunktioner Logaritmefunktioner Rentesregning Indekstal
FUNKTIONER del Fuktiosbegrebet Lieære fuktioer Ekspoetialfuktioer Logaritmefuktioer Retesregig Idekstal -klassere Gammel Hellerup Gymasium November 08 ; Michael Szymaski ; mz@ghg.dk Idholdsfortegelse FUNKTIONSBEGREBET...
Læs mere29. januar Epidemiologi og biostatistik Forelæsning 2 Uge 1, torsdag 2. februar 2006 Michael Væth, Afdeling for Biostatistik.
Epidemiologi og biostatistik Forelæsig Uge 1, torsdag. februar 006 ichael Væth, Afdelig for Biostatistik. Sammeligig af to middelværdier sikkerhedsitervaller statistisk test Sammeligig af to proportioer
Læs mereKvantemekanik 4 Side 1 af 11 Energi og tid. Hamiltonoperatoren
Kvateekaik 4 Side 1 af 11 ergi og tid Hailtooperatore Af KM3 fregik det, at ehver observabel er repræseteret ved e operator, f.eks. jf. udtryk (3.1) og (3.). Ispireret af det klassiske udtryk for kietisk
Læs mereBachelorprojekt for BSc-graden i matematik
D E T N A T U R V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T Bachelorprojekt for BSc-grade i matematik Mikkel Abrahamse & Sue Precht Reeh Ekstremal grafteori Vejleder:
Læs mereStatistiske Modeller 1: Notat 1
Statistiske Modeller : Notat Jes Ledet Jese 9. august 005 Idhold Kast med k-sidet terig Betigig i multiomialfordelig 3 3 Fordelig af X + X - frembrigede fuktio 4 4 Maksimerig af log-likelihood 5 5 Afledede
Læs mereEksempel 10.1 En autoregressiv proces af orden 1 (ofte blot kaldet en AR(1)- proces) pårhar et opdateringsskema (10.1) med funktionen. for y R.
Kapitel 0 Markovkæder Vi vil i det følgede studere processer Y 0, Y, Y 2,... med værdier irgivet på forme Y = f (Y +ǫ for =, 2,... (0. Her erǫ,ǫ 2,... e følge af iid støjvariable med middelværdi 0, alle
Læs mereKvadratisk 0-1 programmering. David Pisinger
Kvadratisk - programmerig David Pisiger 27-8 MAX-CUT problemet Givet e ikke-orieteret graf G = (V, E) er MAX-CUT problemet defieret som MAX-CUT = {< G > : fid et sit S, T i grafe G som maksimerer atal
Læs mereIntroduktion til Statistik
Itroduktio til Statistik 4. udgave Susae Ditlevse og Helle Sørese Susae Ditlevse, susae@math.ku.dk Helle Sørese, helle@math.ku.dk Istitut for Matematiske Fag Købehavs Uiversitet Uiversitetsparke 5 2100
Læs mereRESEARCH PAPER. Nr. 2, En model for lagerstørrelsen som determinant for købs- og brugsadfærden for et kortvarigt forbrugsgode.
RESEARCH PAPER Nr., 005 E model for lagerstørrelse som determiat for købs- og brugsadfærde for et kortvarigt forbrugsgode af Jørge Kai Olse INSTITUT FOR AFSÆTNINGSØKONOMI COPENHAGEN BUSINESS SCHOOL SOLBJERG
Læs mereStikprøvefordelinger og konfidensintervaller
Stikprøvefordeliger og kofidesitervaller Stikprøvefordelige for middelværdi De Cetrale Græseværdi Sætig Egeskaber Ved Estimatore Kofidesitervaller t-fordelige Estimator og estimat E stikprøve statistik
Læs mereLys og gitterligningen
Fysik rapport: Lys og gitterligige Forfatter: Bastia Emil Jørgese.z Øvelse blev udført osdag de 25. jauar 202 samme med Lise Kjærgaard Paulse 2 - Bastia Emil Jørgese Fysik rapport (4 elevtimer), februar
Læs mereTermodynamik. Indhold. Termodynamik. Første og anden hovedsætning 1/18
ermodyamik. Første og ade hovedsætig /8 ermodyamik Idhold. Isoterme og adiabatiske tilstadsædriger for gasser...3 3. ermodyamikkes. hovedsætig....5 4. Reversibilitet...6 5. Reversibel maskie og maksimalt
Læs mereRenteformlen. Erik Vestergaard
Reteformle Erik Vestergaard 2 Erik Vestergaard www.matematikfysik.dk Erik Vestergaard, 2010. Billeder: Forside: istock.com/ilbusca Side 4: istock.com/adresrimagig Desude ege illustratioer. Erik Vestergaard
Læs mereDagens forelæsning. Claus Munk. kap. 1-3. Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro
Dages forelæsig Grudlæggede itroduktio til obligatioer Claus Muk kap. - 3 Betaligsrækker og låeformer Det daske obligatiosmarked Effektive reter 2 Obligatioer Grudlæggede Itro Obligatioer Grudlæggede Itro
Læs mereClaus Munk. kap. 1-3
Claus Muk kap. 1-3 1 Dages forelæsig Grudlæggede itroduktio til obligatioer Betaligsrækker og låeformer Det daske obligatiosmarked Pris og kurs Effektive reter 2 1 Obligatioer Grudlæggede Itro Debitor
Læs mere30. august Epidemiologi og biostatistik. Forelæsning 3 Uge 2, torsdag d. 8. september 2005 Michael Væth, Afdeling for Biostatistik.
30. august 005 Epidemiologi og biostatistik. Forelæsig 3 Uge, torag d. 8. september 005 Michael Væth, Afdelig for Biostatistik. Mere om kategoriske data Test for uafhægighed I RxC tabeller Test for uafhægighed
Læs mere24. januar Epidemiologi og biostatistik. Forelæsning 1 Uge 1, tirsdag. Niels Trolle Andersen, Afdelingen for Biostatistik.
Epidemiologi og biostatistik. Forelæsig Uge, tirsdag. Niels Trolle Aderse, Afdelige for Biostatistik. Geerelt om kurset: - Formål - Forelæsiger - Øvelser - Forelæsigsoter - Bøger - EpiBasic: http://www.biostat.au.dk/teachig/software
Læs mereAnvendt Statistik Lektion 3. Punkt- og intervalestimater Konfidensintervaller Valg af stikprøvestørrelse
Avedt Statistik Lektio 3 Pukt- og itervalestimater Kofidesitervaller Valg af stikprøvestørrelse Pukt- og itervalestimater: Motivatio Motiverede eksempel: I e udersøgelse er adele af rygere 0.27. Det aslås
Læs mereUndersøgelse af numeriske modeller
Udersøgelse af umeriske modeller Formål E del af målsætige med dette delprojekt er at give kedskab til de begræsiger, fejl og usikkerheder, som optræder ved modellerig. I de forbidelse er følgede udersøgelse
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab
Statistik ved Bachelor-uddaelse i folkesudhedsvideskab Græseværdisætiger Det hadler om geemsit Statistikere elsker geemsit Det er oplagt e god ide at tage geemsit. Hvis jeg f.eks skal gætte på vægte af
Læs mereNoter om Kombinatorik 2, Kirsten Rosenkilde, februar
Noter om Kombiatori, Kirste Roseilde, februar 008 1 Kombiatori Disse oter itroducerer ogle cetrale metoder som ofte beyttes i ombiatoriopgaver, og ræver et grudlæggede edsab til ombiatori (se fx Kombiatori
Læs mereSprednings problemer. David Pisinger
Spredigs problemer David Pisiger 2001 Idledig Jukfood A/S er e amerikask kæde af familierestaurater der etop er ved at etablere sig i Damark. E massiv reklamekampage med de to slogas vores fritter er de
Læs mereUge 37 opgaver. Opgave 1. Svar : Starter med at definere sup (M) og inf (M) :
Uge 37 opgaver Opgave Svar : a) Starter med at defiere sup (M) og if (M) : Kigge u på side 3 i kompedie og aveder aksiom (.3) Kotiuitetsaksiomet A = x i x 2 < 2 Note til mig selv : Har søgt på ordet (iequalities)
Læs mereDagens program. Estimation: Kapitel Eksempler på middelrette og/eller konsistente estimator (de sidste fra sidste forelæsning)
Dages program Estimatio: Kapitel 9.4-9.7 Eksempler på middelrette og/eller kosistete estimator (de sidste fra sidste forelæsig) Ko desiterval for store datasæt kap. 9.4 Ko desiterval for små datasæt kap.
Læs mereDATV: Introduktion til optimering og operationsanalyse, 2007. Bin Packing Problemet
DATV: Itroduktio til optimerig og operatiosaalyse, 2007 Bi Packig Problemet David Pisiger, Projektopgave 2 Dette er de ade obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig og operatiosaalyse.
Læs mereStatistik 8. gang 1 KONFIDENSINTERVALLER. Konfidensintervaller: kapitel 11. Valg og test af fordelingsfunktion
Statistik 8. gag 1 KONIDENSINTERVALLER Kofidesitervaller: kapitel 11 Valg og test af fordeligsfuktio Statistik 8. gag 11. KONIDENS INTERVALLER Et kofides iterval udtrykker itervallet hvori de rigtige værdi
Læs mereØkonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 15. februar 2006
Dages program Økoometri De multiple regressiosmodel 5. februar 006 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.-3.3+appedix E.-E.) Defiitio og motivatio Fortolkig af parametree
Læs mereDATV: Introduktion til optimering og operationsanalyse, 2007. Følsomhed af Knapsack Problemet
DATV: Itroduktio til optimerig og operatiosaalyse, 2007 Følsomhed af Kapsack Problemet David Pisiger, Projektopgave 1 Dette er de første obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig
Læs mereStatistik Lektion 7. Hypotesetest og kritiske værdier Type I og Type II fejl Styrken af en test Sammenligning af to populationer
Statistik Lektio 7 Hpotesetest og kritiske værdier Tpe I og Tpe II fejl Strke af e test Sammeligig af to populatioer 1 Tri I e Hpotesetest E hpotesetest består af 5 elemeter: I. Atagelser Primært hvilke
Læs mereSandsynlighedsregning
Sadsylighedsregig E ote om sadsylighedsregig. Via basal sadsylighedsregig gøres læsere klar til forstå biomialfordelige. Herik S. Hase, Sct. Kud Versio 5.0 Opgaver til hæftet ka hetes her. PDF Facit til
Læs mereRettevejledning til HJEMMEOPGAVE 1 Makro 1, 2. årsprøve, foråret 2007 Peter Birch Sørensen
Rettevejledig til HJEMMEOPGAVE Makro, 2. årsprøve, foråret 2007 Peter Birch Sørese Opgave... Udsaget er forkert. De omtalte skatteomlægig må atages at øge beskæftigelse p.gr.a. e positiv substitutioseffekt
Læs mereMikroøkonomi, matematik og statistik Eksamenshjemmeopgave 14. 20. december 2007
Mikroøkoomi, matematik og statistik Eksameshjemmeopgave 14. 20. december 2007 Helle Buzel, Tom Egsted og Michael H.J. Stæhr 14. december 2007 R E T N I N G S L I N I E R F O R E K S A M E N S H J E M M
Læs mereProjekt 3.2 Anlægsøkonomien i Storebæltsforbindelsen. Indhold. Hvad er matematik? 1 ISBN
Projekt 3.2 Alægsøkoomie i Storebæltsforbidelse Dette projekt hadler, hvorda økoomie var skruet samme, da ma byggede storebæltsforbidelse. Store alægsprojekter er æste altid helt eller delvist låefiasieret.
Læs mereIndre, ydre, rand og afslutning 2.2. Åbne og afsluttede mængder 2.3. Topologiske begreber. Ækvivalente metrikker 2.4.
MATEMATIK 2~ MATEMATISK ANALYSE 1984-85 Kapitel I. METRISKE RUM 1. Metriske rum. Normerede rum. 1. 1. Metrik 1.2. Normeret rum 1. 3. Kugler i et metrisk rum 1.4. Kovergete følger Opgaver til 1 r. 1.1 r.
Læs mere- et værktøj til fejlrettende QR-koder. Projekt 0.3 Galois-legemerne. Indhold. Hvad er matematik? A, i-bog
Projekt 0.3 Galois-legemere GF é ëp û - et værktøj til fejlrettede QR-koder Idhold De karakteristiske egeskaber ved de tre mest almidelige talsystemer, og... De kommutative, associative og distributive
Læs mereStatistiske test. Efteråret 2010 Jens Friis, AAU. Hjemmeside :
Statistiske test Efteråret 00 Jes Friis, AAU Hjemmeside : http://akaaudk/jfj Kotiuerte fordeliger Defiitio: Tæthedsfuktio E sadsylighedstæthedsfuktio på R er e itegrabel fuktio f : R [0; [ hvor f d = Defiitio:
Læs mereNotater til Analyse 1
Alyse 1 Jørge Vesterstrøm Forår 2004 Notter til Alyse 1 Idhold Forord 1 1. Om dobbeltsummer 1 2. Eksistes f e ikke målelig mægde 2 3. Bevis for e del f Prop. 3.15 3 4. Riem-itegrlet og trppefuktioer 4
Læs mereDe Platoniske legemer De fem regulære polyeder
De Platoiske legemer De fem regulære polyeder Ole Witt-Hase jauar 7 Idhold. Polygoer.... Nogle topologiske betragtiger.... Eulers polyedersætig.... Typer af et på e kugleflade.... Toplasvikle i e regulær
Læs mereSupplement til Kreyszig
Supplemet til Kreyszig Forelæsigsoter til Matematik F Idholdsfortegelse side 1. Numerisk itegratio. Fejlvurderig af trapez og Simpso algoritmere 1. Dekompoerig af brøker (Laplace trasformatio) 3. Permutatioer
Læs mereForslag til besvarelser af opgaver m.m. i ε-bogen, Matematik for lærerstuderende
Forslag til besvarelser af opgaver m.m. i ε-boge, Matematik for lærerstuderede Dette er førsteudgave af opgavebesvarelser udarbejdet i sommere 008. Dokumetet ideholder forslag til besvarelser af de fleste
Læs mereMOGENS ODDERSHEDE LARSEN. Fourieranalyse
MOGENS ODDERSHEDE LARSEN Fourieraalyse. udgave 7 FORORD Dette otat giver e kort idførig i teorie for fourierrækker og fouriertrasformatio. Det forudsættes i dette otat, at ma har rådighed over matematiklommeregere
Læs mereAnalyse 1, Prøve maj Lemma 2. Enhver konstant funktion f : R R, hvor f(x) = a, a R, er kontinuert.
Alyse, Prøve. mj 9 Alle hevisiger til TL er hevisiger til Klkulus 6, Tom Lidstrøm. Direkte opgvehevisiger til Klkulus er givet med TLO, ellers er lle hevisiger til steder i de overordede fsit. Hevises
Læs mereBranchevejledning. ulykker indenfor. lager. området. Branchearbejdsmiljørådet for transport og engros
Brachevejledig ulykker idefor lager området Brachearbejdsmiljørådet for trasport og egros Baggrud Udersøgelser på lager- og trasportområdet har vist, at beskrivelse af hædelsesforløbet ved udfyldelse
Læs mereModul 14: Goodness-of-fit test og krydstabelanalyse
Forskigsehede for Statistik ST01: Elemetær Statistik Bet Jørgese Modul 14: Goodess-of-fit test og krydstabelaalyse 14.1 Idledig....................................... 1 14.2 χ 2 -test i e r c krydstabel.............................
Læs mereEstimation ved momentmetoden. Estimation af middelværdiparameter
Statistik og Sadsylighedsregig 1 STAT kapitel 4.2 4.3 Susae Ditlevse Istitut for Matematiske Fag Email: susae@math.ku.dk http://math.ku.dk/ susae Estimatio ved mometmetode Idimellem ka det være svært (eller
Læs mere