13 Markovprocesser med transitionssemigruppe
|
|
- Jacob Bundgaard
- 5 år siden
- Visninger:
Transkript
1 13 Markovprocesser med transitionssemigruppe I nærværende kapitel vil vi antage at tilstandsrummet er polsk, hvilket sikrer, at der findes regulære betingede fordelinger. Vi skal se på eksistensen af Markovprocesser Diskret tid Lad K(A x), defineret for x og A B(), være en Markovkerne og (X n ) n 1 betegne en proces med tilstandsrum defineret på et sandsynlighedsfelt (Ω,F,P). Definition Vi siger, at (X n ) n 1 er en (homogen) Markovkæde med transitionsfunktion K, hvis der for n = 1,2,... gælder E[1 {Xn+1 A} X 1,...,X n ] = K(A X n ) P n.o. (13.1) for ethvert A B(). Lad ν(a) := P(X 1 A) være defineret for A B(). Da kaldes ν for processens begyndelsesfordeling. Man kan ækvivalent formulere (13.1) som egenskaben P(X n+1 A X 1 = x 1,...,X n = x n ) = K(A x n ) (13.2) for P (X1,...,X n )-næsten alle (x 1,...,x n ). Ordet homogen hentyder til, at Markovkernen K er en regulær betinget fordeling af X n+1 givet X n for ethvert n. Eksempel Markovkæder med transitionsfunktion har I i rigt mål mødt i et tidligere kursus: Antag at er højst tællelig samt at P = {p i j } i, j er en overgangsmatrix. Det vil sige, at p i j 0 for alle i, j samt at rækkesummerne er 1, altså j p i j = 1 for ethvert i. Da definerer K(A i) := j A p i j en Markovkerne og (X n ) n 1 er en homogen Markovkæde med transitionsfunktion K hvis og kun hvis processen er en Markovkæde med overgangsmatrix P, som defineret i Hoffmann s kursus. Eksempel (AR(1)-processen). Antag at X n+1 = θx n +ε n+1 hvor θ R og X 1,ε 2,ε 3,... er uafhængige med ε n N(0,1). Da er transitionsfunktionen K( x) = N(θx,1). Det vil sige 1 K(A x) = exp( 1 2π 2 (y θx)2 )dx, x R,A B(R). A Det er nu relevant at undersøge følgende spørgsmål: (1) Hvordan ser de endeligt dimensionale marginale fordelinger ud for en Markovkæde med transitionsfunktion K? 74
2 (2) Lad ν være en fordeling på. Findes der en Markovkæde med transitionsfunktion K og begyndelsesfordeling ν? Vi vil besvare spørgsmål (2) positivt ved at henvise til Kolmogorov s konsistenssætning. Lad os derfor definere et sandsynlighedsmål π n på B( n ) for n 1 på følgende måde: Lad π 1 (A) := ν(a), A B(); og for n = 2,3,... lad π n (A) := 1 A (x 1,...,x n )K(dx n x n 1 )K(dx n 1 x n 2 ) K(dx 2 x 1 )ν(dx 1 ), A B( n ). Overvej her, at π n (A) er veldefineret for et vilkårligt A B( n ). (Dette følger ved først at kigge på produktmængder og derefter benytte et Monoton Klasse-argument). For produktmængder har vi π 2 (A 1 A 2 ) = K(A 2 x 1 )π 1 (dx 1 ), A 1,A 2 B(); A 1. π n+1 (A 1 A n A n+1 ) = K(A n+1 x n )π n (d(x 1,...,x n )), A 1 A n (13.3) hvor det sidste lighedstegn gælder for A 1,...,A n+1 B(). ammenhængen mellem π n og π n+1 er med andre ord π n+1 (A) = 1 A (x 1,...,x n,x n+1 )K(dx n+1 x n )π n (d(x 1,...,x n )), A B( n+1 ). n (13.4) Proposition Lad ν være en fordeling på og definér {π n n 1} som ovenfor. Lad (X n ) n 1 være en proces med tilstandsrum. Følgende udsagn er da ækvivalente: (1) (X n ) n 1 er en homogen Markovkæde med transitionsfunktion K; (2) For ethvert n 1 har (X 1,...,X n ) fordeling π n ; det vil sige P((X 1,...,X n ) A) = π n (A), A B( n ). Bemærkning Antag at (X n ) n 1 er en homogen Markovkæde med transitionsfunktion K og begyndelsesfordeling ν. Med baggrund i definitionen af π n skriver man ofte P(X 1 dx 1,...,X n dx n ) = ν(dx 1 )K(dx 2 x 1 ) K(dx n 1 x n 2 )K(dx n x n 1 ). Hvis situation er som i Eksempel 13.2, er for alle i 1,...i n. P(X 1 = i 1,X 2 = i 2,...,X n = i n ) = ν({i 1 })p i1 i 2 p i2 i 3 p in 1 i n 75
3 Bevis for Propositionen. Antag (1). Pr definition, se ligning (13.2), er P Xn+1 (X 1,...,X n )(A (x 1,...,x n )) := K(A x n ) (13.5) en regulær betinget fordeling af X n+1 givet (X 1,...,X n ). Lad os ved induktion vise at (X 1,...,X n ) har fordeling π n. For n = 1 er dette ok pr. definition af π 1. Antag derfor at (X 1,...,X n ) har fordeling π n. Ifølge ligningerne (B.2) og (13.5) gælder P((X 1,...,X n ) A 1 A n,x n+1 A n+1 ) = K(A n+1 x n )π n (d(x 1,...,x n )) A 1 A n og ved sammenligning med (13.3) ses at P((X 1,...,X n ) A 1 A n,x n+1 A n+1 ) = π n+1 ( A 1 A n A n+1 ) for A 1,...,A n+1 B. Det vil sige at π n+1 stemmer overens med fordelingen for (X 1,...,X n+1 ) på produnktmængder, og derfor har (X 1,...,X n+1 ) fordeling π n+1. Antag omvendt at (2) er opfyldt. Ligningerne (B.2) og (13.3) viser, at (13.5) er en regulær betinget fordeling af X n+1 givet (X 1,...,X n ), hvilket er det ønskede. Vi kan herefter besvare spørgsmål (2). Proposition Lad ν være en fordeling på og K være en Markovkerne. Da findes en homogen Markovkæde med tilstandsrum og transitionsfunktion K. Bevis. Lad sandsynlighedsmålene π n være defineret som ovenfor. Vi vil gøre rede for at disse sandsynlighedsmål er konsistente. Kolmogorov s konsistenssætning sikrer da, at der findes en tilhørende realisation, og Proposition 13.4 viser, at denne realisation er Markov. Men π n erne er konsistente, idet der gælder π n+1 (A ) = K( x n )π n (d(x 1,...,x n )) = 1π n (d(x 1,...,x n )) = π n (A) for A B( n ) Kontinuert tid A Lad (X t ) t 0 betegne en stokastisk proces med tilstandstrum. Lad os først undersøge sammenhængen mellem de regulære betingede fordelinger i en Markovproces. Proposition (Chapman-Kolmogorov) Lad (X t ) t 0 være en Markovproces og P s,t (A x), defineret for A B() og x, være en regulær betinget fordeling af X t givet X s for s t. Lad 0 s t u og A B(). Da gælder P su (A x) = P tu (A y)p st (dy x) (13.6) for P Xs -næsten alle x. 76 A
4 Bevis. Da P st ( ) er en regulær betinget fordeling af X t givet X s, er P st (A X s ) = E[1 {Xt A} X s ] n.s. (13.7) for ethvert A B(). Et Monoton Klasse-argument viser, at der for f bb() mere generelt gælder f(y)p st (dy X s ) = E[ f(x t ) X s ] n.s. (13.8) Ligning (13.7) (hvor t erstattes af u) viser sammen med sædvanlige regneregler for betingede middelværdier at Markovegenskaben medfører P su (A X s ) = E[E[1 {Xu A} F X t ] X s ] n.s. E[1 {Xu A} F X t ] = E[1 {Xu A} X t ] = P tu (A X t ) n.s. så specielt er P su (A X s ) = E[P tu (A X t ) X s ]. (13.9) Til sidst benyttes (13.8) til at slutte P su (A X s ) = P tu (A y)p su (dy X s ) n.s., hvilket er det ønskede. Lad os herefter overbevise os om, at hvis vi har givet P st ( ) som opfylder (13.6), så findes også en Markov proces som har P st ( ) som tilhørende betinget fordeling. Vi vil antage, at P st ( ) opfylder (13.6) for alle x (og ikke bare næsten alle x som ovenfor), og derfor indføres følgende. Definition Lad P st (A x) defineret for A B() og x være en Markovkerne for ethvert s t. Antag yderligere at der gælder P tt ( x) = δ x for ethvert x og alle t 0; P su (A x) = P tu (A y)p st (dy x), hvor den sidste ligning gælder for ethvert x, ethvert A B() og alle 0 s t u. Da kaldes {P st : 0 s t} for en transitionssemigruppe. Lad i det følgende {P st : 0 s t} være en transitionssemigruppe. 77
5 Definition En proces (X t ) t 0 kaldes en Markovproces med transitionssemigruppe {P st : 0 s t}, hvis der gælder E[1 {Xt A} F X s ] = P st(a X s ) P n.o. (13.10) for alle 0 s t og ethvert A B(). andsynlighedsmålet ν defineret ved ν(a) := P(X 0 A) for A B() kaldes for processens begyndelsesfordeling. Betingelsen (13.10) kan ækvivalent formuleres som P(X t A X s1 = x 1,...X sn = x n,x s = x) = P st (A x) for alle n 1, alle 0 s 1 s n s t og P (Xs1,...,X s n,x s)-næsten alle (x 1,...,x n,x). om i det diskrete tilfælde kan man nu finde de endeligt dimensionale marginale fordelinger for en Markovproces med transitionssemigruppe {P st : 0 s t}. Desuden kan man ved hjælp af Kolmogorovs konsistenssætning vise, at en sådan proces eksisterer. Vi vil blot formulere resultatet og overlade beviset til læseren. Proposition Lad ν være en fordeling på. Der findes da en Markovproces med transitionssemigruppe {P st : 0 s t} og begyndelsesfordeling ν. Ligning (13.10) udtaler sig om den betingede fordeling af en indikatorfunktion. Lad os generalisere dette som i Proposition For f bb() og 0 s t lad (P st f)(x) := f(y)p st (dy x) for x. Man kan da ved hjælp af Monoton Klasse vise dels at x (P st f)(x) er målelig og dels at hvis (X t ) t 0 er en Markovproces med transitionssemigruppe {P st : 0 s t}, så gælder E[ f(x t ) F X s ] = (P st f)(x s ) P n.o. Antag P st er på formen P st (A x) = P t s (A x), hvor {P t ( ) : t 0} er en familie af Markovkerner, som opfylder P 0 ( x) = δ x for ethvert x ; P s+t (A x) = P t (A y)p s (dy x), hvor den sidste ligning gælder for ethvert x, ethvert A B() og alle s,t 0. Vi siger da, at (X t ) t 0 er en homogen Markovproces med transitionssemigruppe {P t : t 0}, hvis E[1 {Xt A} F X s ] = P t s(a X s ) P n.s. for alle 0 s t og ethvert A B(). Der er mange eksempler på Markovprocesser med en tilhørende transitionssemigruppe. om eksempel kan nævnes, at en proces der løser en stokastisk differentialligning typisk er Markov og har en transitionssemigruppe. Man har imidlertid kun i de mest simple situationer pæne analytiske repræsentationer af transitionssemigruppen. Her er nogle eksempler. 78
6 1. Lad (ν t ) t 0 være en foldningssemigruppe og sæt P t (A x) := ν t (A x). Da er en Lévy proces med transitionssemigruppe (ν t ) t 0 ligeledes Markov med transitionssemigruppe {P t : t 0}. 2. Ornstein-Uhlenbeck processen har en Gaussisk transitionssemigruppe. om service over for personer med kenskab til Finansiering kan ligeledes nævnes, at en Cox- Ingersoll-Ross model har en nogenlunde pæn transitionssemigruppe, som i øvrigt er angivet i den oprindelige artiklen af de tre nævnte herrer. 3. Markovprocesser med kontinuert tid og diskret tilstandsrum. 79
Statistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte
Læs merestandard normalfordelingen på R 2.
Standard normalfordelingen på R 2 Lad f (x, y) = 1 x 2 +y 2 2π e 2. Vi har så f (x, y) = 1 2π e x2 2 1 2π e y2 2, og ved Tonelli f dm 2 = 1. Ved µ(a) = A f dm 2 defineres et sandsynlighedsmål på R 2 målet
Læs mereFor nemheds skyld: m = 2, dvs. interesseret i fordeling af X 1 og X 2. Nemt at generalisere til vilkårligt m.
1 Uge 11 Teoretisk Statistik 8. marts 2004 Kapitel 3: Fordeling af en stokastisk variabel, X Kapitel 4: Fordeling af flere stokastiske variable, X 1,,X m (på en gang). NB: X 1,,X m kan være gentagne observationer
Læs merePlan. Markovkæder Matematisk modelling af kølængde, yatzy, smittespredning og partikelbevægelser. Materiale mm.
Institut for Matematiske Fag Plan Markovkæder Matematisk modelling af kølængde, yatzy, smittespredning og partikelbevægelser Helle Sørensen Eftermiddagen vil være bygget om 3 4 eksempler: A. B. Random
Læs mereEksamen 2014/2015 Mål- og integralteori
Eksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål Ved bedømmelsen indgår de spørgsmål med samme vægt
Læs mere1 Palm teori. Palm teori 1
Palm teori 1 1 Palm teori Lad X = {X(t)} t 0 være en stokastisk proces defineret på et måleligt rum (Ω, F), og lad T = {T n } n N0 være en voksende følge af ikke-negative stokastiske variable herpå. Vi
Læs mereMarkovkæder med endeligt tilstandsrum
Kapitel 9 Markovkæder med endeligt tilstandsrum En følge af stokastiske variable {X t } = {X 0, X 1, X 2,...} kaldes en stokastisk proces. Vi kan nemlig tænke på de stokastiske variable som tilstanden
Læs mereMomenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål
Hvad vi mangler fra onsdag Momenter som deskriptive størrelser Sandsynlighedsmål er komplicerede objekter de tildeler numeriske værdier til alle hændelser i en σ-algebra. Vi har behov for simplere, deskriptive
Læs mereHvad vi mangler fra onsdag. Vi starter med at gennemgå slides fra onsdag.
Hvad vi mangler fra onsdag Vi starter med at gennemgå slides 34-38 fra onsdag. Slide 1/17 Niels Richard Hansen MI forelæsninger 6. December, 2013 Momenter som deskriptive størrelser Sandsynlighedsmål er
Læs merePunktmængdetopologi. Mikkel Stouby Petersen. 1. marts 2013
Punktmængdetopologi Mikkel Stouby Petersen 1. marts 2013 I kurset Matematisk Analyse 1 er et metrisk rum et af de mest grundlæggende begreber. Et metrisk rum (X, d) er en mængde X sammen med en metrik
Læs mereAnalyse 2. Gennemgå bevis for Sætning Supplerende opgave 1. Øvelser. Sætning 1. For alle mængder X gælder #X < #P(X).
Analyse 2 Øvelser Rasmus Sylvester Bryder 3. og 6. september 2013 Gennemgå bevis for Sætning 2.10 Sætning 1. For alle mængder X gælder #X < #P(X). Bevis. Der findes en injektion X P(X), fx givet ved x
Læs mereHvad skal vi lave i dag?
p. 1/1 Hvad skal vi lave i dag? Repeterer lidt om diskrete sv. Standardfordelinger (binomial, Poisson, geometrisk) Stokastiske vektorer Diskrete stokastiske vektorer p. 2/1 Repetition Heltallige sv er
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder
Læs mere1 Beviser for fornyelsessætningen
Hvordan beviser man fornyelsessætningen? 1 1 Beviser for fornyelsessætningen I dette notat skal vi diskutere, hvorman man kan bevise fornyelsessætningen. Vi vil starte med at se på tilfældet, hvor ventetidsfordelingen
Læs mereKalkulus 2 - Grænseovergange, Kontinuitet og Følger
Kalkulus - Grænseovergange, Kontinuitet og Følger Mads Friis 8. januar 05 Indhold Grundlæggende uligheder Grænseovergange 3 3 Kontinuitet 9 4 Følger 0 5 Perspektivering 4 Grundlæggende uligheder Sætning
Læs mere8 Regulære flader i R 3
8 Regulære flader i R 3 Vi skal betragte særligt pæne delmængder S R 3 kaldet flader. I det følgende opfattes S som et topologisk rum i sportopologien, se Definition 5.9. En åben omegn U af p S er således
Læs mereReeksamen 2014/2015 Mål- og integralteori
Reeksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål. Ved bedømmelsen indgår de spørgsmål med samme vægt.
Læs mereSandsynlighedsregning 11. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 11. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@imm.dtu.dk Dagens nye emner afsnit 6.3 (og 6.4 Betingede
Læs mereNoget om en symmetrisk random walks tilbagevenden til udgangspunktet
Random Walk-kursus 2014 Jørgen Larsen 14. oktober 2014 Noget om en symmetrisk random walks tilbagevenden til udgangspunktet Dette notat giver et bevis for at en symmetrisk random walk på Z eller Z 2 og
Læs mereSide 9 sætningen: Kolmogorov s konsistensætning Tue Tjur, Institut for Matematisk Statistik
Side 9 sætningen: Kolmogorov s konsistensætning Tue Tjur, Institut for Matematisk Statistik Advarsel: I denne artikel gives udtryk for holdninger til sandsynlighedsregningens grundlag. Disse er forfatterens
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Kontinuerte fordelinger Ventetider i en Poissonproces Beskrivelse af kontinuerte fordelinger: - Median og kvartiler - Middelværdi - Varians Simultane fordelinger 1 Ventetider i en Poissonproces
Læs mereEn martingalversion af CLT
Kapitel 11 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske
Læs mereSandsynlighedsregning Stokastisk variabel
Sandsynlighedsregning Stokastisk variabel I eksperimenter knyttes ofte en talværdi til hvert udfald. S s X(s) R Definition: En stokastisk variabel X er en funktion defineret på S, der antager værdier på
Læs meret a l e n t c a m p d k Matematiske Metoder Anders Friis Anne Ryelund 25. oktober 2014 Slide 1/42
Slide 1/42 Hvad er matematik? 1) Den matematiske metode 2) Hvad vil det sige at bevise noget? 3) Hvor begynder det hele? 4) Hvordan vælger man et sæt aksiomer? Slide 2/42 Indhold 1 2 3 4 Slide 3/42 Mængder
Læs mere= λ([ x, y)) + λ((y, x]) = ( y ( x)) + (x y) = 2(x y).
Analyse 2 Øvelser Rasmus Sylvester Bryder 17. og 20. september 2013 Supplerende opgave 1 Lad λ være Lebesgue-målet på R og lad A B(R). Definér en funktion f : [0, ) R ved f(x) = λ(a [ x, x]). Vis, at f(x)
Læs mereIntegration m.h.t. mål med tæthed
Integration m.h.t. mål med tæthed Sætning (EH 11.7) Lad ν = f µ på (X, E). For alle g M + (X, E) gælder at gdν = g f dµ. Bevis: Standardbeviset: 1) indikatorfunktioner 2) simple funktioner 3) M + -funktioner.
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. MI 2007 Obligatorisk opgave 4
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. MI 2007 Obligatorisk opgave 4 Sættet består af 3 opgaver med ialt 15 delopgaver. Besvarelsen vil blive forkastet, medmindre der er gjort et
Læs mereGEOMETRI-TØ, UGE 8. X = U xi = {x i } = {x 1,..., x n }, U α, U α = α. (X \ U α )
GEOMETRI-TØ, UGE 8 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imf.au.dk. Opvarmningsopgave 1. Lad X være en mængde og T familien af alle delmængder
Læs mereWigner s semi-cirkel lov
Wigner s semi-cirkel lov 12. december 2009 Eulers Venner Steen Thorbjørnsen Institut for Matematiske Fag Århus Universitet Diagonalisering af selvadjungeret matrix Lad H være en n n matrix med komplekse
Læs mereMM501 forelæsningsslides
MM501 forelæsningsslides uge 40, 2010 Produceret af Hans J. Munkholm bearbejdet af JC 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen s.445-8 dx Eksempler
Læs mereGult Foredrag Om Net
Gult Foredrag Om Net University of Aarhus Århus 8 th March, 2010 Introduktion I: Fra Metriske til Topologiske Rum Et metrisk rum er en mængde udstyret med en afstandsfunktion. Afstandsfunktionen bruges
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Lineære transformationer, middelværdi og varians Helle Sørensen Uge 8, onsdag SaSt2 (Uge 8, onsdag) Lineære transf. og middelværdi 1 / 15 Program I formiddag: Fordeling
Læs mereGEOMETRI-TØ, UGE 3. og resultatet følger fra [P] Proposition 2.3.1, der siger, at
GEOMETRI-TØ, UGE 3 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imf.au.dk. Opvarmningsopgave 1. Lad γ : (α, β) R 2 være en regulær kurve i planen.
Læs mereHvad skal vi lave i dag?
p. 1/2 Hvad skal vi lave i dag? Eksempler på stokastiske variable. Ventetid på krone ved møntkast. Antal plat ved n kast. Antal radioaktive henfald. Ventetiden på en flyulykke. Udtrækning af tal i et interval.
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en
Læs mereSandsynlighedsregning 6. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 4.2, 4.3 og 4.4 Poissonprocessen/eksponentialfordelingen
Læs mereSandsynlighedsregning 6. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfn@dtu.dk Dagens emner: Afsnit 4.2, 4.3 og 4.4 Poissonprocessen/eksponentialfordelingen
Læs mereKompleks Funktionsteori
Kompleks Funktionsteori Formelræs Holomorfe funktioner Sætning. (Caucy-Riemans ligninger). Funktionen f : G C, f = u+iv er holomorf i z 0 = x 0 + iy 0 hvis og kun hvis i punktet (x 0, y 0 ). du dx = dv
Læs mereTeoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.
Teoretisk Statistik, 9 marts 2005 Empiriske analoger (Kap. 3.7) Normalfordelingen (Kap. 3.12) Opsamling på Kap. 3 nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. 1 Empiriske analoger Betragt
Læs mereSkriftlig eksamen - med besvarelse Topologi I (MM508)
INSTITUT FOR MATEMATIK OG DATALOGI SYDDANSK UNIVERSITET, ODENSE Skriftlig eksamen - med besvarelse Topologi I (MM508) Mandag d. 14. januar 2007 2 timer med alle sædvanlige hjælpemidler tilladt. Opgavesættet
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Kontinuerte fordelinger Simultane fordelinger Kovarians og korrelation Uafhængighed Betingede fordelinger - Middelværdi og varians - Sammenhæng med uafhængighed 1 Figur 1: En tæthedsfunktion
Læs mereOm hypoteseprøvning (1)
E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;
Læs mereFortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.
Foldning af sandsnlighedsmål Lad µ og ν være to sandsnlighedsmål på (R, B). Fortolkning Lad φ : R R være φ(, ) = + for (, ) R. Lad X og Y være to reelle stokastiske variable defineret på (Ω, F, P). Definition
Læs mereErgodeteori for markovkæder på generelle tilstandsrum.
KØBNHAVNS UNIVRSITT STATISTIK 2B AFDLING FOR Søren Feodor Nielsen TORTISK STATISTIK 28 februar 2002 rgodeteori for markovkæder på generelle tilstandsrum 1 Introduktion 11 Monte Carlo integration Monte
Læs mereSupplerende opgaver. S1.3.1 Lad A, B og C være delmængder af X. Vis at
Supplerende opgaver Analyse Jørgen Vesterstrøm Forår 2004 S.3. Lad A, B og C være delmængder af X. Vis at (A B C) (A B C) (A B) C og find en nødvendig og tilstrækkelig betingelse for at der gælder lighedstegn
Læs mereAgenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede
Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater
Læs mereLineær Algebra, TØ, hold MA3
Lineær Algebra, TØ, hold MA3 Lad mig allerførst (igen) bemærke at et vi siger: En matrix, matricen, matricer, matricerne. Og i sammensætninger: matrix- fx matrixmultiplikation. Injektivitet og surjektivitet
Læs mereBorel-σ-algebraen. Definition (EH 1.23)
Borel-σ-algebraen Definition (EH 1.23) Borel-σ-algebraen B k på R k er σ-algebraen frembragt af de åbne mængder O k. Andre frembringersystemer for B k : De afsluttede mængder. De åbne kasser I k (k = 1,
Læs mereSandsynlighedsregning Oversigt over begreber og fordelinger
Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)
Læs mereDesignMat Uge 1 Repetition af forårets stof
DesignMat Uge 1 Repetition af forårets stof Preben Alsholm Efterår 008 01 Lineært ligningssystem Lineært ligningssystem Et lineært ligningssystem: a 11 x 1 + a 1 x + + a 1n x n = b 1 a 1 x 1 + a x + +
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag SaSt2 (Uge 6, onsdag) Middelværdi og varians 1 / 18 Program I formiddag: Tætheder og fordelingsfunktioner kort resume
Læs mereMM501/MM503 forelæsningsslides
MM501/MM503 forelæsningsslides uge 50, 2009 Produceret af Hans J. Munkholm 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen dx Eksempler = et udtryk, der indeholder
Læs mereLineære normale modeller (1) udkast. 1 Flerdimensionale stokastiske variable
E6 efterår 999 Notat 8 Jørgen Larsen 22. november 999 Lineære normale modeller ) udkast Ved hjælp af lineær algebra kan man formulere og analysere de såkaldte lineære normale modeller meget overskueligt
Læs mereIntegration m.h.t. mål med tæthed
Integration m.h.t. mål med tæthed Sætning (EH 11.7) Lad ν = f µ på (X, E). For alle g M + (X, E) gælder at gdν = g f dµ. Bevis: Standardbeviset: 1) indikatorfunktioner 2) simple funktioner 3) M + -funktioner.
Læs merehvor a og b er konstanter. Ved middelværdidannelse fås videre
Uge 3 Teoretisk Statistik. marts 004. Korrelation og uafhængighed, repetition. Eksempel fra sidste gang (uge ) 3. Middelværdivektor, kovarians- og korrelationsmatrix 4. Summer af stokastiske variable 5.Den
Læs mereProgram. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning Sandsynlighedstætheder og kontinuerte fordelinger på R Varians og middelværdi Normalfordelingen Susanne Ditlevsen Uge 48, tirsdag Tætheder og fordelingsfunktioner
Læs mereEn martingalversion af CLT
Kapitel 9 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske variable,
Læs mereANALYSE 1. Uge 7, 4. juni juni, 2007
ANALYSE 1 Uge 7, 4. juni - 10. juni, 2007 Forelæsninger Mandag 4. juni Formålet med denne dags forelæsninger er at etablere en overgang til emnet metriske rum, hvis hovedformål er at udvide begreber som
Læs mereVektorfelter langs kurver
enote 25 1 enote 25 Vektorfelter langs kurver I enote 24 dyrkes de indledende overvejelser om vektorfelter. I denne enote vil vi se på vektorfelternes værdier langs kurver og benytte metoder fra enote
Læs mereEksamen i Diskret Matematik
Eksamen i Diskret Matematik Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet 15. juni, 2015. Kl. 9-13. Nærværende eksamenssæt består af 12 nummererede sider med ialt 17 opgaver. Tilladte hjælpemidler:
Læs mereRettevejledning til eksamen i Kvantitative metoder 1, 2. årsprøve 2. januar 2007
Rettevejledning til eksamen i Kvantitative metoder 1,. årsprøve. januar 007 I rettevejledningen henvises der til Berry and Lindgren "Statistics Theory and methods"(b&l) hvis ikke andet er nævnt. Opgave
Læs mereOverheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.
Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.
Læs mereHvad skal vi lave i dag?
p. 1/15 Hvad skal vi lave i dag? Definition af sandsynlighedsrum. Egenskaber ved Sandsynlighedsmål. (Kap. 3). Fødselsdagsproblemet (supplerende eksempel 3.1). Betingede sandsynligheder og uafhængighed
Læs mereMM502+4 forelæsningsslides
MM502+4 forelæsningsslides uge 11+12 1, 2009 Produceret af Hans J. Munkholm, delvis på baggrund af lignende materiale udarbejdet af Mikael Rørdam 1 I nærværende forbindelse er 11 + 12 23 1 Egenskaber for
Læs mereMat H /05 Note 2 10/11-04 Gerd Grubb
Mat H 1 2004/05 Note 2 10/11-04 Gerd Grubb Nødvendige og tilstrækkelige betingelser for ekstremum, konkave og konvekse funktioner. Fremstillingen i Kapitel 13.1 2 af Sydsæters bog [MA1] suppleres her med
Læs mereStokastisk integration med anvendelser
tokastisk integration med anvendelser Frank Hansen 23. januar 24 Indhold 1 Mål og integralteori 3 1.1 Målrum........................................ 3 1.2 Mål og udvidelse af mål..............................
Læs mereGruppeteori. Michael Knudsen. 8. marts For at motivere indførelsen af gruppebegrebet begynder vi med et eksempel.
Gruppeteori Michael Knudsen 8. marts 2005 1 Motivation For at motivere indførelsen af gruppebegrebet begynder vi med et eksempel. Eksempel 1.1. Lad Z betegne mængden af de hele tal, Z = {..., 2, 1, 0,
Læs mereKomplekse tal og algebraens fundamentalsætning.
Komplekse tal og algebraens fundamentalsætning. Michael Knudsen 10. oktober 2005 1 Ligningsløsning Lad N = {0,1,2,...} betegne mængden af de naturlige tal og betragt ligningen ax + b = 0, a,b N,a 0. Findes
Læs mereMASO Uge 5. Topologi i euklidiske rum. Jesper Michael Møller. Uge 5. Formålet med MASO. Department of Mathematics University of Copenhagen
MASO Uge 5 Topologi i euklidiske rum Jesper Michael Møller Department of Mathematics University of Copenhagen Uge 5 Formålet med MASO Oversigt Åbne og afsluttede mængder Det indre, det ydre, afslutningen,
Læs mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 30. maj 2016 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side af 7 sider Skriftlig prøve, den: 0. maj 206 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret
Læs mereBetingning med en uafhængig variabel
Betingning med en uafhængig variabel Sætning Hvis X er en reel stokastisk variabel med første moment og Y er en stokastisk variabel uafhængig af X, så er E(X Y ) = EX. Bevis: Observer at D σ(y ) har formen
Læs mereProgram. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag I formiddag: Tætheder og fordelingsfunktioner kort resume fra i mandags og et par eksempler mere om sammenhængen
Læs mere5.3 Konvergens i sandsynlighed Konvergens i sandsynlighed 55. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås
5.3. Konvergens i sandsynlighed 55 BEVIS: Lad φ 1, φ 2,... og φ være de karakteristiske funktioner for X 1, X 2,... og X. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås φ X,v
Læs mereModul 2: Sandsynlighedsmodeller og diskrete stokastiske variable
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable 2.1 Sandsynlighedsbegrebet............................... 1 2.1.1
Læs mereReeksamen i Diskret Matematik
Reeksamen i Diskret Matematik Første studieår ved Det Teknisk-Naturvidenskabelige Fakultet 23. august, 2016, 9.00-13.00 Dette eksamenssæt består af 11 nummerede sider med 16 opgaver. Alle opgaver er multiple
Læs mereMASO Uge 1. Relle tal Følger. Jesper Michael Møller. 10. september Department of Mathematics University of Copenhagen
MASO Uge 1 Relle tal Jesper Michael Møller Department of Mathematics University of Copenhagen 10. september 2018 Oversigt Relle tal Notation Tal Største og mindste element, mindste overtal og største undertal
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:
Læs mereStatistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen
Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager
Læs mereLandmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3
Landmålingens fejlteori Repetition - Kontinuerte stokastiske variable Lektion 4 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 29. april
Læs mereAnalyse 2. Bevis af Fatous lemma (Theorem 9.11) Supplerende opgave 1. Øvelser
Analyse 2 Øvelser Rasmus Sylvester Bryder 24. og 27. september 203 Bevis af Fatous lemma (Theorem 9.) Hvis (u j ) j er en følge af positive, målelige, numeriske funktioner (dvs. med værdier i [, ]) over
Læs mereOpgaver i sandsynlighedsregning
Afdeling for Teoretisk Statistik STATISTIK Institut for Matematiske Fag Preben Blæsild Aarhus Universitet 9. januar 005 Opgaver i sandsynlighedsregning Opgave Lad A og B være hændelser således at P(A)
Læs mereModulpakke 3: Lineære Ligningssystemer
Chapter 4 Modulpakke 3: Lineære Ligningssystemer 4. Homogene systemer I teknikken møder man meget ofte modeller der leder til systemer af koblede differentialligninger. Et eksempel på et sådant system
Læs mereTeoretisk Statistik, 16. februar Generel teori,repetition
1 Uge 8 Teoretisk Statistik, 16. februar 2004 1. Generel teori, repetition 2. Diskret udfaldsrum punktssh. 3. Fordelingsfunktionen 4. Tæthed 5. Transformationer 6. Diskrete vs. Kontinuerte stokastiske
Læs mereImplicit givne og inverse funktioner
Implicit givne og inverse funktioner Morten Grud Rasmussen 1 11. april 2016 1 Implicit givne funktioner I lineær algebra har vi lært meget om at løse lineære ligningsystemer og om strukturen af løsningsmængden.
Læs mereAarhus Universitet 5. februar Meddelelse 2
fdeling for Teoretisk Statistik IOSTTISTIK Institut for Matematiske Fag Preben læsild arhus Universitet 5. februar 2003 Meddelelse 2 Forelæsningerne i uge 6 (3-7.2) Ved forelæsningen den 4.2 gav Frank
Læs mereTØ-opgaver til uge 46
TØ-opgaver til uge 46 Først laver vi en liste over de ligninger med mere i [ITP], der skal bruges: [1]: Ligning (2.5) på side 4. [2]: Sætning 3.1, ligning (3.3) på side 7. [3]: Sætning 3.1, ligning (3.4)
Læs mereAfgør for hver af følgende rækker om den er divergent, betinget konvergent eller absolut konvergent. 2 n. n=1 2n (n + 1)2 1 = 2(n + n+1
Analyse Reeksamen 00 Rasmus Sylvester Bryder 5. august 0 Opgave Afgør for hver af følgende rækker om den er divergent, betinget konvergent eller absolut konvergent. ( ) n n +3n+7 n= n + For alle n N vil
Læs mereRepetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable
Normal fordelingen Normal fordelingen Egenskaber ved normalfordelingen Standard normal fordelingen Find sandsynligheder ud fra tabel Transformation af normal fordelte variable Invers transformation Repetition
Læs mereSupplement til kapitel 4 Om sandsynlighedsmodeller for flere stokastiske variable
IMM, 00--6 Poul Thyregod Supplement til kapitel 4 Om sandsynlighedsmodeller for flere stokastiske variable Todimensionale stokastiske variable Lærebogens afsnit 4 introducerede sandsynlighedsmodeller formuleret
Læs mereFordybelsesprojekt Matematik 2, forår 2005 Potensrækker
Fordybelsesprojekt Matematik 2, forår 2005 Potensrækker Arne Jensen 7. 11. marts 2005 1 Indledning I forbindelse med kurset i Reelle og Komplekse Funktioner afholdes et fordybelsesprojekt med et omfang
Læs mereDesignMat Den komplekse eksponentialfunktion og polynomier
DesignMat Den komplekse eksponentialfunktion og polynomier Preben Alsholm Uge 8 Forår 010 1 Den komplekse eksponentialfunktion 1.1 Definitionen Definitionen Den velkendte eksponentialfunktion x e x vil
Læs merePrøveeksamen MR1 januar 2008
Skriftlig eksamen Matematik 1A Prøveeksamen MR1 januar 2008 Tilladte hjælpemidler Alle sædvanlige hjælpemidler er tilladt (lærebøger, notater, osv.), og også elektroniske hjælpemidler som lommeregner og
Læs mereSandsynlighedsregning: endeligt udfaldsrum (repetition)
Program: 1. Repetition: sandsynlighedsregning 2. Sandsynlighedsregning fortsat: stokastisk variabel, sandsynlighedsfunktion/tæthed, fordelingsfunktion. 1/16 Sandsynlighedsregning: endeligt udfaldsrum (repetition)
Læs mereNanostatistik: Stokastisk variabel
Nanostatistik: Stokastisk variabel JLJ Nanostatistik: Stokastisk variabel p. 1/29 Repetition Ω: udfaldsrummet: alle de mulige udfald af et experiment P(A): ss for hændelsen A = frekvens i uafhængige gentagelser
Læs mereUge 10 Teoretisk Statistik 1. marts 2004
1 Uge 10 Teoretisk Statistik 1. marts 004 1. u-fordelingen. Normalfordelingen 3. Middelværdi og varians 4. Mere normalfordelingsteori 5. Grafisk kontrol af normalfordelingsantagelse 6. Eksempler 7. Oversigt
Læs mereSandsynlighedsregning
Mogens Bladt www2.imm.dtu.dk/courses/02405 28. September, 2007 Stokastiske variable Betragt 3 kast med en mønt. Så er udfaldsrummet Ω = {(p, p, p), (p, p, k), (p, k, p), (p, k, k), (k, p, p), (k, p, k),
Læs mereSandsynlighedsregning 10. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 6.1 og 6.2 Betingede diskrete
Læs mereSandsynlighedsregning 10. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 6.1 og 6.2 Betingede diskrete
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R Helle Sørensen Uge 6, mandag SaSt2 (Uge 6, mandag) Tætheder og kont. fordelinger 1 / 19 Program Velkommen I dag:
Læs mereANALYSE 1, 2014, Uge 5
ANALYSE, 204, Uge 5 Afleveringsfrist for Prøve 2 er Tirsdag den 20/5 kl 0:5. Forelæsninger Tirsdag Vi går videre med Afsnit 4 om uniform konvergens af Fourierrækker, hvor hovedsætningen er Sætning 4.3.
Læs mere