3. fejezet. Lineáris folyamatok Zaj folyamatok. 1. Az ε(t) folyamat független érték zaj, ha a várható értéke 0 és
|
|
- Sarolta Fábiánné
- 4 évvel ezelőtt
- Látták:
Átírás
1 18
2 3. fejezet Lineáris folyamatok 3.1. Zaj folyamatok 1. Az ε(t) folyamat független érték zaj, ha a várható értéke 0 és ε(t)-k független, azonos eloszlású valószín ségi változók. 2. Az ε(t) folyamat fehér zaj, ha Eε(t) = 0, és ε(t)-k azonos eloszlásúak minden t-re és korrelálatlanok (de nem feltétlen függetlenek). A fehér zaj autokovariancia-függvénye R(0) = σ 2, R(τ) = 0 (τ 1). A független érték zaj er sen, a fehér zaj gyengén vagy másodrendben stacionárius. Továbbá ϕ(λ) = 1 2π τ= e iλτ R(τ) = 1 σ2 R(0) = 2π 2π, tehát a Fourier-transzformált konstans, így a spektrálmértéke minden frekvenciára azonos súlyt helyez. Innen ered az elnevezés, hiszen fehér fény ugyanígy áll el az összes lehetséges különböz szín komponensb l. 19
3 20 FEJEZET 3. LINEÁRIS FOLYAMATOK 3.2. Autoregressziós folyamatok Els rend autoregresszió, AR(1) : X(t) = αx(t 1) + σ ε ε(t). Az ε(t)-k független, azonos eloszlású valószín ségi változók, általában N(0, 1)-ek, de eloszlásuk lehet persze más is. Általában (de nem mindig) EX(t) = 0 és amennyiben oksági a megoldás, azaz X(t 1) és ε(t) függetlenek, akkor D 2 X(t) = α 2 D 2 X(t 1) + σ 2 εd 2 ε(t) (a függetlenség miatt a szórásnégyzetek összeadódnak). Ha létezik stacionárius megoldás, akkor D 2 X(t) = D 2 X(t 1)-b l következik, hogy σ 2 X = α2 σ 2 X +σ2 ε, azaz σ2 X = σ2 ε 1 α 2 > 0. Így α 1 esetén nincs stacionárius megoldás (nem lenne véges vagy nem lenne pozitív a szórásnégyzet). Állítás Ha α < 1, akkor létezik stacionárius megoldás. (Ezt egyel re higgyük el, ellenkez esetben láttuk, hogy nem létezik.) R(k) = cov(x(t), X(t + k)) = cov(x(t), α X(t + k 1) + σ ε(t + k)) = = α cov(x(t), X(t + k 1)) = α R(k 1), ami kielégíti a zaj nélküli rekurziót (az pedig exponenciális sebességgel lecseng). Mivel R(0) = D 2 X(t) = σ 2 X, így R(k) = σ 2 X α k = αk 1 α 2 σ2 ε, és r(k) = R(k) R(0) = αk.
4 3.2. AUTOREGRESSZIÓS FOLYAMATOK 21 Ha ε(t) standard normális eloszlású, akkor X(0) N(0, σx 2 ), és az autokorreláció-függvény által az összes véges dimenziós eloszlás adott. A parciális autokorreláció-függvény (PACF) α k = 1 ϱ(k) = 0 k 2. Ezt k = 2-re könnyen láthatjuk, ugyanis ε(t) független zaj mellett a parciális autokovarianciára 0-t kapunk: ϱ(2) = cov(x(t + 2), X(t) X(t + 1)) = = cov(αx(t + 1), X(t) X(t + 1)) + cov(ε(t + 2), X(t) X(t + 1)) = = α E [ X(t + 1) E(X(t + 1) X(t + 1)) ][ X(t) E(X(t) X(t + 1)) ] + 0 mert ε(t + 2) és X(t) függetlenek (feltételesen is), a feltételes várható értékeket tekintve pedig könnyen láthatóan 0-t kapunk, így ez tovább = α = 0. Továbbá k > 2-re ugyanígy a rekurziós egyenlet miatt a feltételre mérhet lesz X(t + k 1). [!! Szept. 22-i megjegyzések hiányoznak: lineáris folyamatok] Most tegyük fel, hogy α < 1, és iteráljuk az AR(1) els rend autoregressziós egyenletet. X(t) = αx(t 1) + ε(t) X(t) = α(αx(t 2) + ε(t 1)) + ε(t)... X(t) = α s+1 X(t s 1) + [α s ε(t s) αε(t 1) + ε(t)],
5 22 FEJEZET 3. LINEÁRIS FOLYAMATOK ahol az utolsó egyenl ség jobb oldalában az els maradéktag exponenciális sebességgel lecseng, a szögletes zárójelen belüli pedig egy lineáris folyamathoz hasonlít. Így X(t) s α u ε(t u) = α s+1 X(t s 1), erre a négyzet várható értéke ( 2 s E X(t) α u ε(t u)) = α 2s+2 E ( X(t s 1) 2) 0, ha EX 2 (t) < K minden t-re, ami persze teljesül, ha X(t) stacionárius s folyamat. Ezzel α u ε(t u) s X(t) L 2 -ben, tehát legyen ez az L 2 -beli határérték a megoldás X(t) = α u ε(t u). (Ez stacionárius is.) Állítás Ha α < 1, ε(t) i.i.d. zaj, továbbá E(ε(t) 2 ) <, akkor az AR(1) egyenletnek létezik stacionárius megoldása. Bizonyítás: 1) Az ε(t)-r l feltehet, hogy negatív értékre is értelmezett, hiszen ha nem így lenne, akkor a Kolmogorov-alaptétel szerint kiegészíthetjük függetlenül ugyanazon eloszlásból. 2) A α u ε(t u) független tagú összeg konvergens L 2 -ben és 1 valószín séggel is. Ugyanis L 2 -ben nyilván Cauchy, ezért konvergens, az 1 valószín ség konvergenciához pedig a független tagok miatt elég a második momentumok konvergenciáját látni 1. Így X(t) = α u ε(t u) jóldeniált. 3) X(t) kielégíti az AR(1) egyenletet: [ ] X(t + 1) = α u ε(t + 1 u) = α α v ε(t + 1 v 1) + ε(t + 1) = 1 A Kolmogorov-Hincsin-tétel szerint ha EXn 2 <, akkor X n 1 valószín séggel konvergens. A feltétel a mi esetünkben Eα 2u ε 2 (t u) végességét jelenti, ami az α < 1-b l és Eε(t) 2 végességéb l rögtön következik. Ugyanis v=0 α 2u ε 2 (t u) = 1 1 α 2 Eε 2 (t u) <.
6 3.2. AUTOREGRESSZIÓS FOLYAMATOK 23 = α α v ε(t v) + ε(t + 1) = αx(t) + ε(t + 1) v=0 4) Az így deniált X(t) eloszlása eltolásinvariáns (stacionárius eloszlású): X(t) = α u ε(t u) X(t + h) = α u ε(t + h u), mivel ε(t) és ε(t+h) eloszlásban megegyeznek, ezért mint sorozatok is. Ezzel minden t 1,..., t k -ra teljesül, hogy X(t 1 ),..., X(t k ) X(t 1 +h),..., X(t k + h). Ezzel igazoltuk, hogy X(t) stacionárius. Megjegyzés Az ε(t) fehér zajról: várható értéke 0, minden t-re ε(t) azonos eloszlású, és corr(ε(t), ε(t + h)) = 0. Továbbá R(0) = σε 2 és R(t) = 0, ha t > 0. A Fourier-transzformált ϕ(λ) = 1 2π e iλt R(t) = 1 2π σ2 ε minden λ t= ( π, π)-re (csak a t = 0 tag marad meg). Azaz a spektrál-s r ségfüggvénye λ-tól független konstans (tehát az el állításában minden frekvencia azonos amplitúdóval vesz részt, mint a fehér fénynél). AR(1)-re ϕ(λ) = 1 2π t= e iλt R(t) = 1 2π [ = 1 2π R(0) e iλt α t + t=0 = 0 t= ] e iλt α t 1 t=0 e iλt R(t)+ 1 2π [ = σ2 X 2π e iλt R(t) R(0) = t=0 1 1 α e + 1 iλ 1 α e 1 iλ σ 2 ε 2π(1 α 2 ) 1 αeiλ + 1 αe iλ 1 αe iλ 2 1 αe iλ 2 = ] =
7 24 FEJEZET 3. LINEÁRIS FOLYAMATOK = 1 2π σ 2 ε 1 α αeiλ αe iλ + αe iλ + αe iλ α 2 1 αe iλ 2 = = σ2 ε 2π 1 1 αe iλ 2, tehát a fehér zajhoz képest lényeges a különbség az AR(1)-nél. Példa Nézzünk egy példát nem Gauss-féle fehér zajból generált AR(1)-re. Legyen P (ε(t) = 1 2 ) = P (ε(t) = 0) = 1 2 minden t-re. Az X(t) = 1 2X(t 1) + ε(t) egyenlet stacionárius megoldása ( ) u 1 ( ) u+1 1 ε(t u) = 2ε(t u). 2 2 A 2ε(t u) egy véletlen 0-1 sorozat. Az 1 2 hatványaival szorozva tetsz leges [0, 1]-beli számot el állít, és mivel minden 0-1 sorozat "egyenl en valószín ", ezért a [0, 1]-belieken egyenletes lesz az el állított számok eloszlása. Tehát a stacionárius eloszlás U(0, 1) lesz. Ebb l látszik, hogy a zaj eloszlása nem sokat mond a stacionárius eloszlásról, hiszen ebb l a diszkrét ε(t)-b l abszolút folytonos eloszlású X(t)-t kaptunk. El rejelzés: E(X(t) X(t 1)) = 1 2 X(t 1) + 1 4, mert a zaj nem 0 várható érték (ez lineáris). A hátrafelé predikció pedig E(X(t 1) X(t)), ha például a mai értéket ismerjük, de a tegnapit elfelejtették regisztrálni. Az egyenlet kétszereséb l 2X(t) 2ε(t) = X(t 1), így X(t 1) = 2X(t) mod(1) a stacionárius esetben. E(X(t 1) X(t)) = 2X(t) mod(1), ami nem lineáris, tehát a legjobb és a legjobb lineáris becslés (predikció) nem esik egybe. Általában E(X(t) X(t 1)) = E(X(t) F t ), tehát az AR(1) folyamat Markov-folyamat. Ez tovább = E(αX(t 1) + ε(t) X(t 1)) = αx(t 1),
8 3.2. AUTOREGRESSZIÓS FOLYAMATOK 25 ha a megoldás a zaj jöv jét l független. (ε(t) az X(t 1)-t l független, és a feltételhez vett további múltbéli tagok nem változtatnak: ε független és αx(t 1) mérhet marad a feltételre nézve). Ekkor a legjobb lineáris el rejelzés a legjobb el rejelzés Másodrend autoregresszió (AR(2)) A másodrend autoregressziós folyamat az alábbi egyenletet elégíti ki: X(t) = α 1 X(t 1) + α 2 X(t 2) + σ ε ε(t), azaz X(t) α 1 X(t 1) α 2 X(t 2) = σ ε ε(t). Ennek megfelel en az ún. karakterisztikus polinom x 2 α 1 x α 2. A stacionárius megoldás létezésének szükséges és elégséges feltétele, hogy a karakterisztikus polinom gyökei az egységkörön belül legyenek. (A közönséges rekurzió is akkor stabilis, ha a gyökök az egységkörön belül vannak.) [Ábra] A gyökök összege α 1, ebb l rögtön következik, hogy 2 < α 1 < 2. Ezen kívül a karakterisztikus polinomnak (ha gyökei valósak) az 1 illetve -1 helyen felvett értékeinek pozitívnak kell lenniük (pozitív f együttható miatt felfelé néz parabola), amib l adódik, hogy α 2 + α 1 < 1, α 2 α 1 < 1. Így az (α 1, α 2 ) síkon ez utóbbi három egyenl tlenség által meghatározott háromszögön belül lesznek a gyökök. Az autokovarianciafüggvény R(k) = α 1 R(k 1)+α 2 R(k 2), illetve az autokorreláció-függvény r(k) = α 1 r(k 1)+α 2 r(k 2). A parciális autokorreláció-függvényre pedig ϱ(1) = α 1 1 α 2, ϱ(2) = α 2 és ϱ(k) = 0, ha k 3. (Általában is igaz, hogy az els p nem nulla.)
9 26 FEJEZET 3. LINEÁRIS FOLYAMATOK Legjobb el rejelzés: E(X(t) F t ) E(X(t) X(t 1)), azaz X(t) nem Markov-tulajdonságú. Ehelyett E(X(t) F t ) = E(α 1 X(t 1)+α 2 X(t 2)+σε(t) F t ) = α 1 X(t 1)+α 2 X(t 2), azaz a legjobb el rejelzés lineáris. Ebben felhasználtuk hogy X(t) független a zaj jöv jét l, azaz oksági a megoldás p-edrend autoregressziós folyamat, (AR(p)) Legyen ε(t) független érték zaj, (pl. speciálisan Gauss-féle fehér zaj), és X(t) elégítse ki az X(t) = α 1 X(t 1) + α 2 X(t 2) α p X(t p) + σ ε ε(t) egyenletet. Ekkor X(t) p-edrend autoregressziós folyamat. Az egyenletet átrendezve: p p X(t) α k X(t k) = X(t k) α k = σ ε(t) k=1 Ennek a karakterisztikus polinomja p P (x) = α k x p k, ahol α 0 = 1, α k = α k. Tétel Az AR(p) egyenletnek pontosan akkor létezik eloszlását tekintve egyértelm, stacionárius megoldása, megfelel X(0) = X 0,..., X(p 1) = X p 1 indítással, ha az így deniált karakterisztikus polinom komplex gyökei az egységkörön belül vannak 2. Ez a Gauss esetben er sen sta- 2 idáig még nem szükséges a Gauss-tulajdonság
10 3.2. AUTOREGRESSZIÓS FOLYAMATOK 27 cionárius is. Nem stacionáriusan indított AR(p) folyamat pedig exponenciális sebességgel stacionarizálódik, más szóval a folyamat geometrikusan ergodikus. Megjegyzés Szokás még a P (x) = p α k x k polinomot is tekinteni. Erre P (x) = x p P ( 1 x ), és a tétel feltétele úgy módosul, hogy ennek gyökei az egységkörön kívül vannak. Deníció B az eltolás vagy visszaléptetés operátor (backward shift), ha sít. BX(t) = X(t 1), B 2 X(t) = X(t 2)... Megjegyzés Ezzel is felírható az autoregressziós egyenlet: ( p ) α k B k X(t) = ε(t). Innen ( p ) 1 X(t) = α k B k ε(t) formálisan és valóban is, ha az inverzoperátor létezik. Operátorok függvényét pedig Taylor-sorokkal deniálhatjuk, és akkor létezik az inverz, ha a függvény konvergenciasugara nagyobb, mint az operátor spektrálsugara. Tekintsük az p 1 α k x k = δ k x k
11 28 FEJEZET 3. LINEÁRIS FOLYAMATOK Taylor sorfejtést. Ez alapján ( p ) 1 X(t) = α k B k ε(t) = δ k B k ε(t) = δ k ε(t k). Annak a megállapítására, hogy ez mikor lesz konvergens, alkalmazzuk a spektrálsugár feltételt, mely szerint az operátor spektrálsugara kisebb, mint a Taylor sor konvergenciasugara. Ebb l az következik, hogy a stacionárius megoldás létezésének feltétele, hogy a polinom gyökeinek az egységkörön belül kell lenniük. Err l szól a következ állítás. Állítás δ k ε(t k) pontosan akkor konvergens, ha a karakterisztikus polinom gyökei az egységkörön belül vannak. Ekkor X(t) független lesz a zaj jöv jét l, továbbá mivel X(t + h) megkapható ε h (t) = ε(t + h)- val is X(t + h) = δ k ε h (t k) így stacionárius megoldását adja az egyenletnek. 3 A spektrál-s r ségfüggvény a fenti karakterisztikus polinommal kifejezve a σ 2 ε 1 2π 1 P (e iλ ) 2 alakot ölti. Állítás Stacionárius esetben a következ k igazak az autokovariancia-függvényre: 1. R(0) = α 1 R(1) α p R(p) + σ 2 ε. 2. R(τ) = α 1 R(τ 1) α p R(τ p), ahol τ 1. 3 Az AR(p) folyamat nem Markov, de beágyazható úgy, mint egy p-dimenziós Markov-folyamat els komponense, amivel szintén igazolható a stacionárius megoldás létezése ("egységkörös" tétel).
12 3.2. AUTOREGRESSZIÓS FOLYAMATOK 29 Bizonyítás: Tudjuk, hogy R(τ) = R( τ). Tegyük fel, hogy EX(t) = 0, ekkor R(0) = E(X(0) 2 ) = E ( X(0) (α 1 X( 1) α p X( p) + σε 2 ε(0) )). Innen 1. rögtön adódik E(X(0)X( τ)) = R( τ) = R(τ), valamint E(X(0) ε(0)) = σε 2 miatt. Hasonlóan R(τ) = E (X(0)X(τ)) = E ( X(0) ( α 1 X(τ 1) α p X(τ p) + σε 2 ε(τ) )), de itt most E (X(0)ε(τ)) = 0, mert a zaj jöv jét l független a folyamat. Ezzel 2. is megvan. Deníció Az állításban szerepl egyenletek az ún. Yule-Walkeregyenletek. Ha az els p autokovariancia adott, akkor a többi számolható, és ugyanígy igaz ez az autokorrelációra is: r(τ) = α 1 r(τ 1)+...+α p r(τ p) τ > p-re. Ezen rekurzió alapján az R # k mátrix utolsó sora k > p mellett az el z p sor lineáris kombinációja éppen az α 1,..., α p együtthatókkal. Ezért a parciális autokorreláció-függvényre ϱ(τ) = 0, ha τ > p. Az AR(p) folyamat el rejelzése a következ módon végezhet : X t = α 1 X t α p X t p + σ ε t, ezek szerint E(X t X t 1, X t 2,...) = α 1 X t α p X t p + E(σε t X t 1, X t 2,...),
13 30 FEJEZET 3. LINEÁRIS FOLYAMATOK ahol ez az utolsó tag 0, mert a zaj jöv je független a folyamat múltjától (és Eε(t) = 0). A hiba szórásnégyzete D 2 (X t E(X t X t 1, X t 2,...)) = D 2 (σ ε ε t ) = σ 2 ε, és ez a legkisebb hibájú (hibaszórású) el rejelzés Folytonos idej autoregresszió Most pedig lássuk az AR(p) folyamat megfelel jét folytonos id ben. Az el z deníció analógiájára tekintsük a következ általánosított dierenciálegyenletet, ami formálisan a következ képpen néz ki: X (p) (t) + a 1 X (p 1) (t) a p 1 X (t) + a p X(t) = η(t), ahol η(t) fehér zaj - de ez utóbbi fogalmat technikai nehézsége miatt nem deniáljuk folytonos id ben. Általánosított függvény (disztribúció) értelemben az egyenlet ahol η = dw (t) dt (ϕ, X (p) + a 1 X (p 1) a p X) = (ϕ, η), a Wiener-folyamat deriváltja. Természetesen ez utóbbit is disztribúció értelemben értjük 4, hisz a Wiener-folyamat a szokásos analízisbeli értelemben seholsem dierenciálható. A szokásos dierenciálalakba átírva: dx (p 1) (t) = ( ) a 1 X (p 1) (t) a 2 X (p 2)... a p X(t) dt + dw (t). 4 Folytonos függvénynek létezik deriváltja disztribúciós értelemben, és a Wiener-folyamat trajektóriái 1 valószín séggel folytonosak.
14 3.2. AUTOREGRESSZIÓS FOLYAMATOK 31 Amennyiben a P (x) = x p + a 1 x p a p karakterisztikus polinom gyökei a komplex sík bal félsíkjában helyezkednek el, akkor létezik stacionárius megoldás. Speciálisan az AR(1) folyamatot Ornstein-Uhlenbeck-folyamatnak hívják, amely ekkor a dx(t) = αx(t)dt + σdw (t)(α > 0) sztochasztikus dierenciálegyenletet elégíti ki. Ez diúziós folyamat is, így Markov, és létezik folytonos trajektóriájú modikációja. Az egyenlet megoldása explicite megadható: X(t) = e αt t 0 e αs σdw (s) = Bizonyítás: Itô-formulával, mely szerint, ha t dx(t) = a(t)dt + b(t)dw (t), 0 e α(t s) σdw (s) akkor az összetett függvény deriváltja ( df(t, X(t)) = f t(t, X(t)) + f x(t, X(t)) a(t) + 1 ) 2 f xx(t, X(t)) b 2 (t) dt+ +f x(t, X(t))b(t)dW (t) Esetünkben a(t) = a és b(t) = σ konstansok. Legyen f(t, x) = e at x, és X(t) = f(t, Y (t)). Ekkor e at X(t) = Y (t) ebb l pedig ( ) dy (t) = d e at X(t) = a e at X(t) + e at dx(t) =
15 32 FEJEZET 3. LINEÁRIS FOLYAMATOK = a e at X(t) + e at ax(t)dt + e at σdw (t) = = e at σdw (t). Tehát erre alkalmazzuk az Itô-formulát. Tekintve a deriváltakat, az f xx = 0, így ez a tag kiesik. Továbbá az Y -ra vonatkozó formulában nincs dt-s tag, ezért az f x(t, Y (t)) a(t) szintén 0, mert a(t) pont ez a dt-s tag lenne. Ami így marad: ez pedig a konkrét függvényre felírva Innen f t(t, Y (t))dt + f x(t, Y (t))b(t)dw (t), a e at Y (t) dt + e }{{}} at {{ e at } σdw (t). X(t) 1 dx(t) = ax(t)dt + σdw (t)(a < 0), ami a kívánt dierenciálegyenlet, illetve ha α-val volt felírva, akkor a megoldásban is a = α-t helyettesítünk, azaz X(t) = e αt t e αs σdw (s) α > 0. 0 Megjegyzés A fentit diszkretizálva X ( ) k = e a k n n k n 0 e as σdw (s) =
16 3.2. AUTOREGRESSZIÓS FOLYAMATOK 33 = e a n e a k 1 n k 1 n ahol ε(k) N(0, 1 n ). Tehát ) X 0 e as σdw (s) + e a k n k n k 1 n e as }{{} 1 ( ) k 1 = e a n X + σ ε(k), n ( k n = e a n X ( k 1 n ) + σ ε(k). σdw (s) = Ez azt jelenti, hogy a folyamat diszkretizáltja egy diszkrét idej autoregresszió Vektor Autoregresszió Egy folyamat fejl dése nem csak endogén hatások eredménye, hanem exogén tényez k is szolgáltatnak hajtóer t az evolúciójához. Ezek az exogén tényez k maguk is id függ ek, és kölcsönhatásban is állhatnak a gerjesztett folyamattal, az visszahat fejl désükre. Tehát több egyidej leg zajló folyamatot kell feltételeznünk és vizsgálnunk. X 1 (t) X(t) vektor érték id sor vagy folyamat:.. X k (t) Stacionaritása (er s) ugyanúgy deniálható, mint az egy dimenziósé. EX(t) = µ(t) vektor Σ(t) = E(X(t) µ(t))(x(t) µ(t)) T Gyengén stacionárius:µ(t) = µ, Σ(t) = Σ Ugyanúgy létezik spektrálreprezentáció: X(t) = π π eiλt dφ(λ).
17 34 FEJEZET 3. LINEÁRIS FOLYAMATOK φ( ) vektor érték ortogonális sztochasztikus mérték. Autokovariancia függvény komponensenként: R i,i (τ) Keresztkovariancia függvény: R i,j (τ) = cov(x i (t), X j (t + τ)) A keresztkovariancia függvény nem páros és nem pozitív szemidenit, keresztkorreláció a 0-ban nem feltétlen 1. VAR(p) folyamat: X(t) = A 1 X(t 1) A p X(t p) + ε(t) ahol A i k k-s valós mátrix, ε(t) komponensenként fehér zaj id invariáns Σ ε szórásmátrixszal. A B backshift=visszaléptetés operátorral: ahol Π(B) = I k A 1 B... A p B p (B)X(t) = ε(t) Állítás A VAR(p) modell stabil, és így létezik stacionárius megoldás, ha a det(i k A 1 z... A p z p ) = 0 egyenlet gyökei az egységkörön kívül fekszenek, azaz, ha az
18 3.3. MOZGÓÁTLAG FOLYAMATOK 35 A 1 A 2... A p I n I n 0 (np) (np)-s mátrix sajátértékei az egységkörön belül helyezkednek el Mozgóátlag folyamatok Deníció Legyen ε(t) független érték zaj, vagy fehér zaj - gyakran Gauss fehér zaj (GWN, Gaussian white noise). Ekkor az X(t) = β 0 ε(t) + β 1 ε(t 1) β q ε(t q) folyamatot q-rend mozgóátlag folyamatnak nevezzük. Jelölés: MA(q). Megjegyzés Az M A(q) folyamatok mindig er sen/gyengén stacionáriusak. Megjegyzés Vegyük észre, hogy ha β i = 1 q + 1 minden i-re, akkor a folyamat jelenlegi értéke a zaj jelenének és q-lépésig visszatekint múltjának átlaga. Megjegyzés A lineáris folyamatok -rend mozgóátlag folyamatok. Az X(t) mozgóátlag folyamat autokovariancia-függvénye Eε(t) = 0, D 2 ε(t) = 1 mellett
19 36 FEJEZET 3. LINEÁRIS FOLYAMATOK R(τ) = E (X(t)X(t + τ)) = = β 0 E (ε(t)x(t + τ))+β 1 E (ε(t 1)X(t + τ))+...+β q E (ε(t q)x(t + τ)) = β 0 Eε(t) β τ ε(t + τ τ) +0+β }{{} 1 Eε(t 1) β τ+1 ε(t+τ (τ +1)) csak ett l nem független... + β q τ ε(t q + τ) β q ε(t + τ q) = β 0 β τ + β 1 β τ β q τ β q, amely alakot Wold-felbontásnak hívunk. Megjegyzés R(τ) valóban nem függ t-t l (eltolásinvariáns), tehát X(t) másodrendben (azaz gyengén) stacionárius. Ezért ha ε(t) fehér zaj, akkor gyengén stacionárius; független érték re 5 er sen is stacionárius. Megjegyzés Az autokorreláció függvénynek pontosan az els q tagja nem 0. Tétel (Wold, 1954.). 1. Ha az R(τ) függvényre a Wold-felbontás teljesül, akkor létezik olyan M A(q) folyamat, amelynek autokovariancia függvénye R(τ), és együtthatói pont a Wold-felbontás β-i. 2. Ha X(t) stacionárius Gauss-folyamat, EX(t) = 0 és R(τ) = 0 (τ > q), akkor X(t) M A(q) folyamat. Megjegyzés ϱ(t) általában végtelen sok tagból áll, és nehezen számolható (Box-Jenkins, 1976.). Igaz, hogy ϱ(t) exponenciális sebességgel tart 0-hoz. 5 fehér zaj deníciójában benne van, hogy azonos eloszlású
20 3.3. MOZGÓÁTLAG FOLYAMATOK 37 A parciális autokorreláció és autokorreláció egymás duálisai a mozgóátlag, illetve az autoregressziós modellben. X(t) karakterisztikus polinomja Q(x) = β 0 +β 1 x+...+β q x q. Ezzel az MA egyenlet X(t) = Q(B)ε(t), ahol BX(t) = X(t 1) a már látott backshift operátor. Így ha az δ j x j végtelen sor konvergens, akkor j=0 (Q(B)) 1 = δ j B j, j=0 1 Q(x) = és ezzel pedig ε(t) felírható δ j X(t j) alakban 6, azaz X(t)-nek van AR( ) el állítása. j=0 Tétel A mozgóátlag folyamat pontosan akkor invertálható, azaz pontosan akkor van AR( ) el állítása, ha karakterisztikus polinomjának gyökei az egységkörön kívül vannak. Másképp fogalmazva pontosan ekkor konvergens δ j X(t j). j=0 Megjegyzés Ebben is tetten érhet az AR(p) es az M A(q) folyamatok közötti dualitás. Állítás Az M A(q) folyamat spektrál-s r ségfüggvénye létezik, és 6 Elvileg végtelen sokáig visszanyúlhatunk a múltba. A folyamatot saját múltjából el állítani jó, hiszen a folyamat múltja meggyelhet, míg a zajé nem.
21 38 FEJEZET 3. LINEÁRIS FOLYAMATOK ϕ(λ) = σ2 ε 2π Q ( e iλ) 2. Megjegyzés A mozgóátlag simít ARM A(p, q) folyamatok Deníció Legyen ε(t) független érték zaj, vagy fehér zaj - gyakran Gauss fehér zaj, GWN. Ekkor a p α k X(t k) = q β m ε(t m) m=0 egyenlet megoldása az ARM A(p, q) folyamat. Az autoregressziós illetve a mozgóátlag tagok karakterisztikus polinomjait jelölje rendre P (x) illetve Q(x). Tétel Ha a P (x) gyökei az egységkörön belül helyezkednek el, akkor létezik X(t) stacionárius ARM A folyamat, és ennek létezik M A( ) el állítása. Ha továbbá Q(x) gyökei az egységkörön kívül helyezkednek el, akkor X(t)-nek létezik AR( ) el állítása is. A stacionárius ARM A(p, q) folyamat autokovariancia függvénye szintén karakterizálható és e szerint gyorsan lecseng, vagyis az ARM A(p, q) rövid emlékezet. Az MA( ) el állításhoz a (z) = Q(z) racionális törtfüggvényt kell sorbafejteni, míg a P (z) sorbafejtése az AR( ) el állítást adja. P (z) Q(z)
22 3.5. ARIM A FOLYAMATOK 39 Állítás Az ARM A(p, q) folyamat spektrál-s r ségfüggvénye: ( ϕ(λ) = σ2 ε 2π ) Q e iλ 2 P (e iλ ) ARIM A folyamatok Nem mindig van stacionárius folyamatunk, azonban gyakran dierenciálással azt kaphatunk bel le. Deníció Az X(t) folyamatot ARIM A(p, 1, q) folyamatnak nevezzük, ha az Y (t) = X(t) X(t 1) = (1 B)X(t) ARMA folyamat. (Egyszeres dierenciálással lineáris trend tüntethet el.) Az X(t) folyamat ARIM A(p, d, q), ha a d-szeres dierenciáltja, (1 B) d X(t) ARMA folyamat. (d-szeres dierenciálással d-edfokú trend tüntethet el.) Wold-felbontás stacionárius folyamatokra Az MA nem egyszer en egy modell, hanem ezzel minden stacionárius folyamat közelíthet, a következ értelemben. Deníció X(t) lineárisan determinált id sor, ha értéke megegyezik a múltra vonatkozó lineáris predikciójával. "Durván" szólva: X(t) φ i X(t i) = 0. i=1 7 d lehet nem egész szám is, ami nem egészrend dierenciálást eredményez. Err l csak a következ félévben ejtünk szót.
23 40 FEJEZET 3. LINEÁRIS FOLYAMATOK Tétel Wold felbontás. Legyen D 2 X(t) <. Tetsz leges X(t) stacionárius id sor felírható X(t) = alakban, ahol ψ 0 = 1 és ψj 2 < j=0 ψ j Z(t j) + V (t) j=0 Z(t) W N(0, σ 2 ) cov(z(s), V (t)) = 0 s, t V (t) ún. determinált folyamat. Megjegyzés Ha X(t) - -b l jön, Z(t) megadható, mint X(s)-ek s<t lineáris kombinációinak határértéke. A Wold felbontásban X(t) = ψ j U(t j) + V t j=0 X(t) változékonyságát id -lokalizáltan bontjuk fel, a varianciát a ψj 2 súlyoknak megfelel en elosztva. Alternatív felbontásként felmerül, hogy id ben "globálisan", nem id höz köt d együtthatókkal és id ben adott függvényekkel is elvégezhet -e ilyen felbontás? Azaz
24 3.6. WOLD-FELBONTÁS STACIONÁRIUS FOLYAMATOKRA 41 X(t) = A j h j (t), ahol h j -k adott valós függvények egy készlete, míg az A j -k véletlen együtthatók. Els nek a színusz és koszínusz hullámok adnak egy természetes választási lehet séget. Azonban szükség lehet egy lokalizált és lecseng függvénycsaládra, amelyet nyújtással és eltolással transzformálva kapunk elegend en gazdag függvénykészletet. Az els választás adja a spektrálfelbontást, míg a második a wavelet felbontást.
Autoregressziós folyamatok
Autoregressziós folyamatok.. Példa.. Az ε(t) folyamat függetle érték zaj, ha a várható értéke és ε(t)-k függetle, azoos eloszlású valószí ségi változók.. Az ε(t) folyamat fehér zaj, ha Eε(t) =, és ε(t)-k
RészletesebbenIdo sorok. Egyetemi elo adás. Márkus László. February 27, 2019
Ido sorok Egyetemi elo adás Márkus László February 27, 2019 Márkus László Ido sorok February 27, 2019 1 / 88 Definíció Valószínűségi változók egy X 1,X 2,...,X t,... sorozatát idősornak hívjuk, ha az indexparaméter
RészletesebbenMozgóátlag folyamatok
Mozgóátlag folyamatok 3.. Deníció. Legyen ε(t független érték zaj, vagy fehér zaj - gyakran Gauss fehér zaj (GWN, Gaussian white noise. Ekkor az X(t = β ε(t + β ε(t +... + β q ε(t q folyamatot q-rend mozgóátlag
RészletesebbenDIFFERENCIAEGYENLETEK
DIFFERENCIAEGYENLETEK Példa: elsőrendű állandó e.h. lineáris differenciaegyenlet Ennek megoldása: Kezdeti feltétellel: Kezdeti feltétel nélkül ha 1 és a végtelen összeg (abszolút) konvergens: / 1 Minden
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
Részletesebben4. fejezet. Nemlineáris folyamatok Egy nemlineáris fehér zaj
4 4. fejezet Nemlineáris folyamatok 4.. Egy nemlineáris fehér zaj Mostantól nemlineáris modelleket fogunk vizsgálni. Ezek els ránézésre lineárisnak is t nhetnek, mert el fordulhat, hogy az els két momentum
RészletesebbenMegoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1
Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =
RészletesebbenVéletlen bolyongás. 2. rész. Márkus László jegyzete alapján Tóth Tamás december 10.
2. rész 2012. december 10. Határeloszlás tételek a bolyongás funkcionáljaira 1 A bolygó pont helyzete: EX i = 0, D 2 X i = EX 2 = 1 miatt i ES n = 0, D 2 S n = n, és a centrális határeloszlás tétel (CHT)
Részletesebben1. Példa. A gamma függvény és a Fubini-tétel.
. Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenTovábblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás,
Matematikai statisztika. elıadás, 9.5.. Továbblépés Ha nem fogadható el a reziduálisok korrelálatlansága: Lehetnek fel nem tárt periódusok De más kapcsolat is fennmaradhat az egymáshoz közeli megfigyelések
RészletesebbenModellek és Algoritmusok - 2.ZH Elmélet
Modellek és Algoritmusok - 2.ZH Elmélet Ha hibát elírást találsz kérlek jelezd: sellei_m@hotmail.com A fríss/javított változat elérhet : people.inf.elte.hu/semsaai/modalg/ 2.ZH Számonkérés: 3.EA-tól(DE-ek)
Részletesebben3. előadás Stabilitás
Stabilitás 3. előadás 2011. 09. 19. Alapfogalmak Tekintsük dx dt = f (t, x), x(t 0) = x 0 t (, ), (1) Jelölje t x(t; t 0, x 0 ) vagy x(.; t 0, x 0 ) a KÉF megoldását. Kívánalom: kezdeti állapot kis megváltozása
RészletesebbenTaylor-polinomok. 1. Alapfeladatok. 2015. április 11. 1. Feladat: Írjuk fel az f(x) = e 2x függvény másodfokú Maclaurinpolinomját!
Taylor-polinomok 205. április.. Alapfeladatok. Feladat: Írjuk fel az fx) = e 2x függvény másodfokú Maclaurinpolinomját! Megoldás: A feladatot kétféle úton is megoldjuk. Az els megoldásban induljunk el
RészletesebbenAlapfogalmak. Trendelemzés Szezonalitás Modellek. Matematikai statisztika Gazdaságinformatikus MSc október 29. 1/49
Matematikai statisztika Gazdaságinformatikus MSc 8. előadás 2018. október 29. 1/49 alapfogalmak Elméleti idősor - valószínűségi változók egy indexelt {X t, t T } családja, avagy időtől függő véletlen mennyiség.
RészletesebbenParciális dierenciálegyenletek
Parciális dierenciálegyenletek 2009. május 25. A félév lezárásaként néhány alap-deníciót és alap-példát szeretnék adni a Parciális Dierenciálegynletek (PDE) témaköréb l. Épp csak egy kis izelít t. Az alapfeladatok
RészletesebbenVektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27
Vektorterek Wettl Ferenc 2015. február 17. Wettl Ferenc Vektorterek 2015. február 17. 1 / 27 Tartalom 1 Egyenletrendszerek 2 Algebrai struktúrák 3 Vektortér 4 Bázis, dimenzió 5 Valós mátrixok és egyenletrendszerek
Részletesebben0,424 0,576. f) P (X 2 = 3) g) P (X 3 = 1) h) P (X 4 = 1 vagy 2 X 2 = 2) i) P (X 7 = 3, X 4 = 1, X 2 = 2 X 0 = 2) j) P (X 7 = 3, X 4 = 1, X 2 = 2)
Legyen adott a P átmenetvalószín ség mátrix és a ϕ 0 kezdeti eloszlás Kérdés, hogy miként lehetne meghatározni az egyes állapotokban való tartózkodás valószín ségét az n-edik lépés múlva Deniáljuk az n-lépéses
RészletesebbenDIFFERENCIÁLEGYENLETEK. BSc. Matematika II. BGRMA2HNND, BGRMA2HNNC
BSC MATEMATIKA II. MÁSODRENDŰ LINEÁRIS DIFFERENCIÁLEGYENLETEK BSc. Matematika II. BGRMAHNND, BGRMAHNNC MÁSODRENDŰ DIFFERENCIÁLEGYENLETEK Egy explicit közönséges másodrendű differenciálegyenlet általános
RészletesebbenMatematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
Részletesebben1. Komplex függvények dierenciálhatósága, Cauchy-Riemann egyenletek. Hatványsorok, elemi függvények
1. Komplex függvények dierenciálhatósága, Cauchy-Riemann egyenletek. Hatványsorok, elemi függvények 1.1. Dierenciálhatóság 1.1. deníció. Legyen a z 0 pont az f(z) függvény értelmezési tartományának torlódási
RészletesebbenSzinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28
Szinguláris értékek Wettl Ferenc 2015. április 3. Wettl Ferenc Szinguláris értékek 2015. április 3. 1 / 28 Tartalom 1 Szinguláris érték 2 Alkalmazások 3 Norma 4 Mátrixnorma Wettl Ferenc Szinguláris értékek
RészletesebbenYule és Galton-Watson folyamatok
Dr. Márkus László Yule és ok 2015. március 9. 1 / 36 Yule és ok Dr. Márkus László 2015. március 9. Yule folyamat Dr. Márkus László Yule és ok 2015. március 9. 2 / 36 A független stacionárius növekmény
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@cs.elte.hu 2016/2017. tavaszi félév Bevezetés Célok: véletlen folyamatok modellezése; kísérletekb l, felmérésekb
RészletesebbenUtolsó el adás. Wettl Ferenc BME Algebra Tanszék, Wettl Ferenc (BME) Utolsó el adás / 20
Utolsó el adás Wettl Ferenc BME Algebra Tanszék, http://www.math.bme.hu/~wettl 2013-12-09 Wettl Ferenc (BME) Utolsó el adás 2013-12-09 1 / 20 1 Dierenciálegyenletek megoldhatóságának elmélete 2 Parciális
Részletesebben2. SZÉLSŽÉRTÉKSZÁMÍTÁS. 2.1 A széls érték fogalma, létezése
2 SZÉLSŽÉRTÉKSZÁMÍTÁS DEFINÍCIÓ 21 A széls érték fogalma, létezése Azt mondjuk, hogy az f : D R k R függvénynek lokális (helyi) maximuma (minimuma) van az x 0 D pontban, ha van olyan ε > 0 hogy f(x 0 )
RészletesebbenFolytonos rendszeregyenletek megoldása. 1. Folytonos idejű (FI) rendszeregyenlet általános alakja
Folytonos rendszeregyenletek megoldása 1. Folytonos idejű (FI) rendszeregyenlet általános alakja A folytonos rendszeregyenletek megoldásakor olyan rendszerekkel foglalkozunk, amelyeknek egyetlen u = u(t)
RészletesebbenIdősorok elemzése november 14. Spektrálelemzés, DF és ADF tesztek. Idősorok elemzése
Spektrálelemzés, DF és ADF tesztek 2017. november 14. SPEKTRÁL-ELEMZÉS Példa - BKV villamosenergia-terhelési görbéje Figure: BKV villamosenergia-terhelési görbéje, negyedóránkénti mérések (2 hét adatai,
RészletesebbenVéletlen bolyongás. Márkus László március 17. Márkus László Véletlen bolyongás március / 31
Márkus László Véletlen bolyongás 2015. március 17. 1 / 31 Véletlen bolyongás Márkus László 2015. március 17. Modell Deníció Márkus László Véletlen bolyongás 2015. március 17. 2 / 31 Modell: Egy egyenesen
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 5. A JELFELDOLGOZÁS ALAPJAI: JELEK
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 5. A JELFELDOLGOZÁS ALAPJAI: JELEK Dr. Soumelidis Alexandros 2018.10.18. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérések
RészletesebbenLagrange és Hamilton mechanika
Lagrange és 2010. október 17. Lagrange és Tartalom 1 Variáció Lagrange egyenlet Legendre transzformáció Hamilton egyenletek 2 3 Szimplektikus sokaság Hamilton mez Hamilton és Lagrange egyenletek ekvivalenciája
RészletesebbenMátrixfüggvények. Wettl Ferenc április 28. Wettl Ferenc Mátrixfüggvények április / 22
Mátrixfüggvények Wettl Ferenc 2016. április 28. Wettl Ferenc Mátrixfüggvények 2016. április 28. 1 / 22 Tartalom 1 Diagonalizálható mátrixok függvényei 2 Mátrixfüggvény a Jordan-alakból 3 Mátrixfüggvény
Részletesebbenminden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.
Függvények határértéke és folytonossága Egy f: D R R függvényt korlátosnak nevezünk, ha a függvényértékek halmaza korlátos. Ha f(x) f(x 0 ) teljesül minden x D esetén, akkor x 0 -at a függvény maximumhelyének
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
RészletesebbenFraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk
Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér
RészletesebbenDifferenciálegyenlet rendszerek
Differenciálegyenlet rendszerek (A kezdeti érték probléma. Lineáris differenciálegyenlet rendszerek, magasabb rendű lineáris egyenletek.) Szili László: Modellek és algoritmusok ea+gyak jegyzet alapján
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenAutoregresszív és mozgóátlag folyamatok. Géczi-Papp Renáta
Autoregresszív és mozgóátlag folyamatok Géczi-Papp Renáta Autoregresszív folyamat Az Y t diszkrét paraméterű sztochasztikus folyamatok k-ad rendű autoregresszív folyamatnak nevezzük, ha Y t = α 1 Y t 1
RészletesebbenSztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
Részletesebben3. Lineáris differenciálegyenletek
3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra
RészletesebbenAutoregresszív és mozgóátlag folyamatok
Géczi-Papp Renáta Autoregresszív és mozgóátlag folyamatok Autoregresszív folyamat Az Y t diszkrét paraméterű sztochasztikus folyamatok k-ad rendű autoregresszív folyamatnak nevezzük, ha Y t = α 1 Y t 1
RészletesebbenItô-formula. A sztochasztikus folyamatok egyik legfontosabb formulája. Medvegyev Péter Matematika tanszék
Itô-formula A sztochasztikus folyamatok egyik legfontosabb formulája Medvegyev Péter Matematika tanszék 2008 Medvegyev (Corvinus Egyetem) Itô-formula 2008 1 / 39 Az Itô-formula Theorem Ha F kétszer folytonosan
Részletesebben7-8-9. előadás Idősorok elemzése
Idősorok elemzése 7-8-9. előadás 2015. október 19-26. és november 2. Idősor fogalma sokasági szemlélet: elméleti idősor - valószínűségi változók egy indexelt {Y t, t T } családja, avagy időtől függő véletlen
RészletesebbenLineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31
Lineáris leképezések Wettl Ferenc 2015. március 9. Wettl Ferenc Lineáris leképezések 2015. március 9. 1 / 31 Tartalom 1 Mátrixleképezés, lineáris leképezés 2 Alkalmazás: dierenciálhatóság 3 2- és 3-dimenziós
RészletesebbenLineáris algebra 2. Filip Ferdinánd december 7. siva.banki.hu/jegyzetek
Lineáris algebra 2 Filip Ferdinánd filipferdinand@bgkuni-obudahu sivabankihu/jegyzetek 2015 december 7 Filip Ferdinánd 2016 februar 9 Lineáris algebra 2 1 / 37 Az el adás vázlata Determináns Determináns
Részletesebben4. Laplace transzformáció és alkalmazása
4. Laplace transzformáció és alkalmazása 4.1. Laplace transzformált és tulajdonságai Differenciálegyenletek egy csoportja algebrai egyenletté alakítható. Ennek egyik eszköze a Laplace transzformáció. Definíció:
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
RészletesebbenVégeselem modellezés alapjai 1. óra
Végeselem modellezés alapjai. óra Gyenge alak, Tesztfüggvény, Lagrange-féle alakfüggvény, Stiness mátrix Kivonat Az óra célja, hogy megismertesse a végeselem módszer (FEM) alkalmazását egy egyszer probléma,
Részletesebben1. Számsorok, hatványsorok, Taylor-sor, Fourier-sor
. Számsorok, hatványsorok, Taylor-sor, Fourier-sor Vizsgálja meg a következő végtelen sorokat konvergencia szempontjából. Tétel. (Cauchy-féle belső konvergenciakritérium) A a n végtelen sor akkor és csakis
RészletesebbenFunkcionálanalízis. n=1. n=1. x n y n. n=1
Funkcionálanalízis 2011/12 tavaszi félév - 2. előadás 1.4. Lényeges alap-terek, példák Sorozat terek (Folytatás.) C: konvergens sorozatok tere. A tér pontjai sorozatok: x = (x n ). Ezen belül C 0 a nullsorozatok
RészletesebbenPolinomok maradékos osztása
14. előadás: Racionális törtfüggvények integrálása Szabó Szilárd Polinomok maradékos osztása Legyenek P, Q valós együtthatós polinomok valamely x határozatlanban. Feltesszük, hogy deg(q) > 0. Tétel Létezik
RészletesebbenMBNK12: Permutációk (el adásvázlat, április 11.) Maróti Miklós
MBNK12: Permutációk el adásvázlat 2016 április 11 Maróti Miklós 1 Deníció Az A halmaz permutációin a π : A A bijektív leképezéseket értjünk Tetsz leges n pozitív egészre az {1 n} halmaz összes permutációinak
RészletesebbenMátrix-exponens, Laplace transzformáció
2016. április 4. 2016. április 11. LINEÁRIS DIFFERENCIÁLEGYENLET RENDSZEREK ÉS A MÁTRIX-EXPONENS KAPCSOLATA Feladat - ismétlés Tegyük fel, hogy A(t) = (a ik (t)), i, k = 1,..., n és b(t) folytonos mátrix-függvények
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
RészletesebbenBevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek
Bevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek Algebra Tanszék B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E
Részletesebben1. Számsorok, hatványsorok, Taylor-sor, Fourier-sor
. Számsorok, hatványsorok, Taylor-sor, Fourier-sor Vizsgálja meg a következ végtelen sorokat konvergencia szempontjából. Tétel. (Cauchy-féle bels konvergenciakritérium) A a n végtelen sor akkor és csakis
RészletesebbenLNM folytonos Az interpoláció Lagrange interpoláció. Lineáris algebra numerikus módszerei
Legkisebb négyzetek módszere, folytonos eset Folytonos eset Legyen f C[a, b]és h(x) = a 1 φ 1 (x) + a 2 φ 2 (x) +... + a n φ n (x). Ekkor tehát az n 2 F (a 1,..., a n ) = f a i φ i = = b a i=1 f (x) 2
Részletesebben1.9. B - SPLINEOK B - SPLINEOK EGZISZTENCIÁJA. numerikus analízis ii. 34. [ a, b] - n legfeljebb n darab gyöke lehet. = r (m 1) n = r m + n 1
numerikus analízis ii 34 Ezért [ a, b] - n legfeljebb n darab gyöke lehet = r (m 1) n = r m + n 1 19 B - SPLINEOK VOLT: Ω n véges felosztás S n (Ω n ) véges dimenziós altér A bázis az úgynevezett egyoldalú
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
Részletesebben3. el adás: Determinánsok
3. el adás: Determinánsok Wettl Ferenc 2015. február 27. Wettl Ferenc 3. el adás: Determinánsok 2015. február 27. 1 / 19 Tartalom 1 Motiváció 2 A determináns mint sorvektorainak függvénye 3 A determináns
RészletesebbenSzinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35
Szinguláris értékek Wettl Ferenc 2016. április 12. Wettl Ferenc Szinguláris értékek 2016. április 12. 1 / 35 Tartalom 1 Szinguláris érték 2 Norma 3 Mátrixnorma 4 Alkalmazások Wettl Ferenc Szinguláris értékek
RészletesebbenKalkulus I. gyakorlat, megoldásvázlatok
Kalkulus I. gyakorlat, megoldásvázlatok Fizika BSc I/.. Ábrázoljuk a következ halmazokat a síkon! a {, y R : + y < }, b {, y R : + y < }, c {, y R : + y
RészletesebbenDierenciálhatóság. Wettl Ferenc el adása alapján és
205.0.9. és 205.0.26. 205.0.9. és 205.0.26. / Tartalom A dierenciálhatóság fogalma Pontbeli dierenciálhatóság Jobb és bal oldali dierenciálhatóság Folytonosság és dierenciálhatóság Deriváltfüggvény 2 Dierenciálási
RészletesebbenTartalom. Állapottér reprezentációk tulajdonságai stabilitás irányíthatóság megfigyelhetőség minimalitás
Tartalom Állapottér reprezentációk tulajdonságai stabilitás irányíthatóság megfigyelhetőség minimalitás 2018 1 Állapottér reprezentációk tulajdonságai Általánosan egy lineáris, SISO dinamikus rendszer
RészletesebbenLineáris egyenletrendszerek
Lineáris egyenletrendszerek 1 Alapfogalmak 1 Deníció Egy m egyenletb l álló, n-ismeretlenes lineáris egyenletrendszer általános alakja: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
RészletesebbenIdo sorok oszta lyoza sa
EO TVO S LORA ND TUDOMA NYEGYETEM TERME SZETTUDOMA NYI KAR Ido sorok oszta lyoza sa I rta: Budai Fruzsina Ma ria Alkalmazott matematikus MSc Te mavezeto : Pro hle Tama s Valo szı nu se gelme leti e s Statisztika
Részletesebben6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján
Közelítő és szimbolikus számítások 6. gyakorlat Sajátérték, Gersgorin körök Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján . Mátrixok sajátértékei
RészletesebbenLINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40
LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard
RészletesebbenFeladatok a Gazdasági matematika II. tárgy gyakorlataihoz
Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb
Részletesebben5. előadás - Regressziószámítás
5. előadás - Regressziószámítás 2016. október 3. 5. előadás 1 / 18 Kétváltozós eset A modell: Y i = α + βx i + u i, i = 1,..., T, ahol X i független u i -től minden i esetén, (u i ) pedig i.i.d. sorozat
RészletesebbenSaj at ert ek-probl em ak febru ar 26.
Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre
Részletesebben1. Absztrakt terek 1. (x, y) x + y X és (λ, x) λx X. műveletek értelmezve vannak, és amelyekre teljesülnek a következő axiómák:
1. Absztrakt terek 1 1. Absztrakt terek 1.1. Lineáris terek 1.1. Definíció. Az X halmazt lineáris térnek vagy vektortérnek nevezzük a valós számtest (komplex számtest) felett, ha bármely x, y X elemekre
RészletesebbenII. Két speciális Fibonacci sorozat, szinguláris elemek, természetes indexelés
II. Két speciális Fibonacci sorozat, szinguláris elemek, természetes indexelés Nagyon könnyen megfigyelhetjük, hogy akármilyen két számmal elindítunk egy Fibonacci sorozatot, a sorozat egymást követő tagjainak
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenPrincipal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
RészletesebbenFunkcionálanalízis. Gyakorló feladatok március 22. Metrikus tér, normált tér és skalárszorzat tér
Funkcionálanalízis Gyakorló feladatok 2017 március 22 Metrikus tér, normált tér és skalárszorzat tér N1 Metrikát deniálnak-e R-en az alábbi függvények: (a) d(x, y) = x y (b) d(x, y) = x y (c) d(x, y) =
Részletesebben1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)
Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő
RészletesebbenCsászár Szilvia. Exponenciális dichotómia
Eötvös Loránd Tudományegyetem Természettudományi Kar Császár Szilvia Exponenciális dichotómia BSc szakdolgozat Témavezet : Dr. Kovács Sándor Numerikus Analízis Tanszék Budapest, 2015 Köszönetnyilvánítás
RészletesebbenDiagnosztika és előrejelzés
2018. november 28. A diagnosztika feladata A modelldiagnosztika alapfeladatai: A modellillesztés jóságának vizsgálata (idősoros adatok esetén, a regressziónál már tanultuk), a reziduumok fehérzaj voltának
RészletesebbenLineáris algebra Gyakorló feladatok
Lineáris algebra Gyakorló feladatok. október.. Feladat: Határozzuk meg a, 4b, c és a b c vektorokat, ha a = (; ; ; ; b = (; ; ; ; c = ( ; ; ; ;.. Feladat: Határozzuk meg a, 4b, a, c és a b; c + b kifejezések
RészletesebbenMODELLEK ÉS ALGORITMUSOK ELŐADÁS
MODELLEK ÉS ALGORITMUSOK ELŐADÁS Szerkesztette: Balogh Tamás 214. december 7. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenSorozatok és Sorozatok és / 18
Sorozatok 2015.11.30. és 2015.12.02. Sorozatok 2015.11.30. és 2015.12.02. 1 / 18 Tartalom 1 Sorozatok alapfogalmai 2 Sorozatok jellemz i 3 Sorozatok határértéke 4 Konvergencia és korlátosság 5 Cauchy-féle
RészletesebbenANALÍZIS III. ELMÉLETI KÉRDÉSEK
ANALÍZIS III. ELMÉLETI KÉRDÉSEK Szerkesztette: Balogh Tamás 2014. május 15. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenOpkut deníciók és tételek
Opkut deníciók és tételek Készítette: Bán József Deníciók 1. Deníció (Lineáris programozási feladat). Keressük meg adott lineáris, R n értelmezési tartományú függvény, az ún. célfüggvény széls értékét
Részletesebbendifferenciálegyenletek
Állandó együtthatójú lineáris homogén differenciálegyenletek L[y] = y (n) + a 1y (n 1) + + a ny = 0 a i R (1) a valós, állandó együtthatójú lineáris homogén n-ed rendű differenciálegyenlet Megoldását y
RészletesebbenVektorok. Wettl Ferenc október 20. Wettl Ferenc Vektorok október / 36
Vektorok Wettl Ferenc 2014. október 20. Wettl Ferenc Vektorok 2014. október 20. 1 / 36 Tartalom 1 Vektorok a 2- és 3-dimenziós térben 2 Távolság, szög, orientáció 3 Vektorok koordinátás alakban 4 Összefoglalás
Részletesebben1. Folytonosság. 1. (A) Igaz-e, hogy ha D(f) = R, f folytonos és periodikus, akkor f korlátos és van maximuma és minimuma?
. Folytonosság. (A) Igaz-e, hogy ha D(f) = R, f folytonos és periodikus, akkor f korlátos és van maimuma és minimuma?. (A) Tudunk példát adni olyan függvényekre, melyek megegyeznek inverzükkel? Ha igen,
RészletesebbenDiszkrét idej rendszerek analízise az id tartományban
Diszkrét idej rendszerek analízise az id tartományban Dr. Horváth Péter, BME HVT 06. október 4.. feladat Számítuk ki a DI rendszer válaszát, ha adott a gerjesztés és az impulzusválasz! u[k = 0,6 k ε[k;
RészletesebbenPermutációk véges halmazon (el adásvázlat, február 12.)
Permutációk véges halmazon el adásvázlat 2008 február 12 Maróti Miklós Ennek az el adásnak a megértéséhez a következ fogalmakat kell tudni: ismétlés nélküli variáció leképezés indulási és érkezési halmaz
Részletesebben4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O
1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenCentrális határeloszlás-tétel
13. fejezet Centrális határeloszlás-tétel A valószínűségszámítás legfontosabb állításai azok, amelyek független valószínűségi változók normalizált összegeire vonatkoznak. A legfontosabb ilyen tételek a
RészletesebbenLineáris algebra numerikus módszerei
Hermite interpoláció Tegyük fel, hogy az x 0, x 1,..., x k [a, b] különböző alappontok (k n), továbbá m 0, m 1,..., m k N multiplicitások úgy, hogy Legyenek adottak k m i = n + 1. i=0 f (j) (x i ) = y
RészletesebbenKvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla
Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
Részletesebben