1 Feltételes várható érték. Példák E[X Y]-ra. 3 feltételes várható érték. 4 Martingálok. 5 Hivatkozások. F X Y (x y) P(X < x Y [y, y + y))
|
|
- Erzsébet Biró
- 5 évvel ezelőtt
- Látták:
Átírás
1 Feltételes várható érték Sztochasztikus folyamatok Simon Károly Ez az előadás Rick Durrett Essentials of Stochastic processes könyvére épül Department of Stochastics Institute of Mathematics Technical University of Budapest E file Feltételes várható érték 5 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték Ismétlés: feltételes eloszlások Feltételes eloszlásokról [, 6.5. fejezet-ben tanultak. Ha például adva vannak az X, Y együttesen folytonos valószínűségi változók, együttes sűrűségfüggvényük f(x, y). Képeztük az f Y (y) = f(x, y)dx marginális sürűségfüggvényt. Ha f Y (y) 0, akkor az X változónak az {Y = y} (nulla valószínűségű) eseményre vonatkozó feltételes sűrűségfüggvénye: f X Y (x y) = f(x,y) f Y (y). Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték Ismétlés: feltételes eloszlások (cont.) Ennek megfelelően: E[X Y = y = xf X Y (x, y)dx, ha f Y (y) > 0. Ezt [, 7. fejezet-ben tanulták. Ha Y -t nem rögzítjük, E[X Y maga is egy v.v. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték Ismétlés: feltételes eloszlások (cont.) Ez abból jött ki, hogy F X Y (x y) P(X < x Y [y, y + y)) F(x, y + y) F(x, y) = P(Y [y, y + y)) = Ezt x-szerint differenciálva kaptuk: F(x,y+ y) F(x,y) y P(Y [y,y+ y)) y f X Y (x y) = F x,y(x, y) = f(x,y) f Y (y) f Y (y). F y(x, y) f Y (y). Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték Ismétlés: feltételes eloszlások (cont.) LEMMA (L. [, 7. fejezet) Legyenek u, v : R R Borel mérhető függvények. Ekkor (a) E[u(X) v(y) Y = v(y) E[u(X) Y, ahol u, v Borel mérhető függvények. (b) g : R R Borel mérhető függvényre: E[g(X, Y) = E[E[g(X, Y) Y () Ez a toronyszabály. Speciálisan: Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték 5 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) E[X Sztochasztikus = E[E[X Y. folyamatok () 6 / 7 PÉLDA Határozzuk meg E[X Y-t, ha Megoldás: f X Y (x y) = f(x, y) = e x/y e y y, ha 0 < x, y <. Tehát E[X Y = y = E[X Y = Y. f(x, y) f Y (y) = (/y)e x/y e y (/y)e x/y e y dx = 0 x y e x/y dx = y. Innen e x/y Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 y.
2 PÉLDA Legyen T := [0, [0,. f(x, y) = (x + y), ha (x, y) T; 0, egyébként. Határozzuk meg azt a g : R R függvényt, amelyre E[X Y = g(y). Megoldás: f Y (y) = f X Y (x y) = f(x, y)dx = (+y). f(x, y) f Y (y) = x+y +y ha (x, y) T. Tehát E[X Y = y = = x f X Y (x y)dx x x + y +y dx = 6 +y +y. Legyen g(y) := 6 +y +y. Ekkor a fentiből: E[X Y = g(y). Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 PÉLDA Legyen X = Uniform(0, ) és Y X = x = Uniform(0, x), ha 0 < x <. Ekkor [, 6.. Példa és [, 7.9. Példa tanulták, hogy E[X Y = Y ln Y. Az alábbi lemma ezt a tulajdonságot fogalmazza meg: LEMMA 5 Legyenek X, Y,..., Y n valószínűségi változók. Ekkor létezik olyan g : R R Borel mérhető függvény, amelyre E[X Y,..., Y n = g(y,..., Y n ). () Ezt arra az esetre láttuk mikor n = és az (X, Y) együttesen folytonos. De az általános esetben is pontosan ugyan ezen okból teljesül a fenti állítás. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Egy kis mértékelmélet Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Egy kis mértékelmélet (cont.) Adott egy (Ω, A, P) valószínűségi mező. DEFINÍCIÓ 6 Legyen B n a Borel σ-algebra R n -en. Ha n =, akkor csak B-t írunk. ξ : Ω R n egy valószínűségi változó (jelben v.v vagy r.v.), ha ξ (B n ) A. A ξ,..., ξ n v.v. által generált σ-algebra σ(ξ,..., ξ n ) = ξ (B n ). () η A azt jelenti, hogy η mérhető A-ra. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Egy kis mértékelmélet (cont.) Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Egy kis mértékelmélet (cont.) TÉTEL 7 η és ξ,..., ξ n v.v. (Ω, A,P). F := σ(ξ,..., ξ n ). Egy η F, g : R n R, Borel mérhető függvény, amelyre η(ω) = g(ξ (ω),..., ξ n (ω)). (5) A tétel nem csak folytonos v.v.-re szól, bizonyítása: [,.6 Fejezet olvasható. MEGJEGYZÉS Itt a 7. Tétel jelöléseit használjuk. Legyen A A egy esemény. Ekkor A F A F (6) g, A (ω) = g(ξ (ω),..., ξ n (ω)), ahol g : R n R Borel mérhető függvény. Vagyis A A bekövetkezése pontosan akkor dönthető el egyértelműen a (ξ,..., ξ n ) ismeretében, ha A σ(ξ,..., ξ n ). Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7
3 Feltételes várható érték egy tulajdonsága Jelöljük: E[X; A := E[X A, ahol A A. TÉTEL 9 (a) E[X Y σ(y) (b) A σ(y), E[X; A = E[E[X Y;A Az (a) rész következik a 7. tételből. (b) rész bizonyítása. Rögzítsünk a < b tetszőleges valós számokat és legyen A = Y ([a, b). Nyilván elég az ilyen alakú halmazokra igazolni a tétel (b) részét. Feltételes várható érték egy tulajdonsága (cont.) Legyen g(x, y) := x [a,b (y). Most alkalmazni fogjuk az. Lemmának előbb a (b) majd az (a) részét: E[X; A = E[g(X, Y) = E[E[g(X, Y) Y = E [ E [ X [a,b (Y) Y = E [ [a,b(y) E[X Y = E[E[X Y;A. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték σ-algebrára Definiálni szeretnénk a σ-algebrára vonatkozó feltételes várható értéket. Úgy vehetjük, hogy az Y v.v.-re vett p.l. a 9. Tételben, a σ(y)-algebrára vett. Cél: Ezt a definíciót kiterjeszteni tetszőleges (tehát nem csak a folytonos) v.v-nek egy tetszőleges F A σ-algebrára vett ké. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 DEFINÍCIÓ 0 (σ-algebrára vonatkozó feltételes várható érték) Adott egy (Ω, A, P) valószínűségi mező. Legyen X egy v.v. amelyre: X(ω) dp(ω) <. Ω F az A-nak rész σ-algebrája. Az X-nek az F-re vonatkozó e (jelben E[X F ) egy olyan Z v.v., amelyre: (a) Z F, (Z mérhető az F-re) és (b) A F-re: XdP = ZdP. (7) A A Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 MEGJEGYZÉS A fenti (a) és (b) pontok a 9. Tétel (a) és (b) pontjainak az általánosításai, abban az értelemben, hogy a 9. Tételben F = σ(y). Vagyis az E[X F az E[X Y-nak az általánosítása, ez utóbbinak a 9. tételben megfogalmazott tulajdonságai mentén. Ha a Z v.v. teljesíti a fenti feltételeket, azt mondjuk, hogy Z az E[X F egy verziója. Lent belátjuk, hogy E[X F létezik és egyértelmű meghaladja. Ebben a fejezetben a [ könyvet követjük. F is generated by { [0, ),[, ),[,)} E[X F 0 X Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték definíciója 5 Legyen ξ egy integrálható v.v. az (Ω, A, P)-n ( ξ(ω) dω < ), és legyen F A rész σ-algebra. Most definiálni fogjuk a ξ-nek az F σ-algebrára vonatkozó ét, E[ξ F-et. Ennek lényege, hogy sok esetben F adja meg a számunkra elérhető információt. (Gondoljunk a 7. Tételre.) Ennek birtokában az X értékére a legjobb becslés a most definiálásra kerülő E[ξ F. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7
4 Feltételes várható érték definíciója (cont.) Az E[ξ F definiálása céljából először is vezessük be a µ ξ előjeles mértéket az A-n: µ ξ (B) := B ξ(ω)dp(ω), B A. () Nyilván µ ξ egy előjeles mérték. Definícióból adódóan: µ ξ P. (9) Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték definíciója (cont.) Vegyük észre, hogy: a fenti (a) és (b) feltétel ugyanaz mint a 7 Definícióbeli (a) és (b) feltételek, ezért E[ξ F, létezik, E[ξ F majdnem mindenütt egyenlő a dµ F dp F Radon-Nikodym deriválttal Radon-Nikodym derivált mod 0 egyértelműségéből adódóan E[ξ F is egyértelmű ebben az értelemben. A dµ F dp F Radon-Nikodym derivált a E[ξ F nek egy verziója. Feltételes várható érték definíciója (cont.) Ha mind µ ξ -t, mind P-t megszorítjuk F-re kapjuk a µ F és P F mértékeket. A (9) formulabeli abszolut folytonosság a megszorított mértékekre is fenn áll: Tekintsük az f := dµ F dp F Radon-Nikodym deriváltat. Ekkor (a) f F és (b) E F: E µ ξ F P F. (0) fdp = µ ξ (E) = ξdp. E Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték definíciója (cont.) DEFINÍCIÓ (Feltételes valószínűség) Legyen F az A rész σ-algebrája. Minden A A-ra az A feltételes valószínűségét az F σ-algebrára: P(A F) := E[ A F. () Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték tulajdonságai I (a) Linearitás: E[aX + by F = ae[x F+bE[Y F (b) Monotonitás: Ha X Y, akkor E[X F E[Y F. (c) Csebisev egyenlőtlenség: P( X a F) a E [ X F. () (d) Monoton konvergencia tétel: Tegyük fel, hogy X n 0, X n X, E[X < akkor E[X n F E[X F. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték tulajdonságai II (e) A fentit Y Y n -re alkalmazva: Ha Y n Y, E[ Y,E[ Y <, akkor E[X n F E[X F. (f) Jensen egyenlőtlenség: Ha ϕ konvex, E[ X,E[ ϕ(x) <, akkor ϕ(e[x F) E[ϕ(X) F. () (g) Feltételes Cauchy Schwarz: E[XY F E [ X F E [ Y F. () Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték tulajdonságai III (h) X E[X F egy kontrakció az L p -n, ha p : E[ E[X F p E[ X p (i) Ha F F, akkor E[E[X F F = E[X F E[E[X F F = E[X F Vagyis mindig a primitívebb σ-algebra győz. (Ismerős az életből?) (j) Ha X F, E[ Y,E[ XY <, akkor E [ X Y F = X E[Y F. (5) Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték tulajdonságai III (k) E[X F mint projekció: Tegyük fel, hogy E [ X <. Ekkor E[X F az X-nek a L (Ω, F,P)-re vett merőleges vetülete. Más szóval: E [ (X E[X F) = min Y F E [ (X Y) (l) X E[X F önadjungált az L (Ω, A,P)-n: E[X E[Y F = E[E[X F E[Y F. = E[E[X F Y. (6) Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7
5 Feltételes várható érték tulajdonságai V Definiáljuk: a σ-algebrára vonatkozó feltételes variációt (L. [, 7.5 Definíció és [, 7.6. Állítás): Var(X F) := E [ X F E[X F. Ekkor (m) Var(X)=E[Var(X F)+Var(E[X F). (n) Ω = Ω i diszjunkt unió és P(Ω i )>0. Legyen i= F az {Ω i } i= által generált σ-algebra. Ekkor egy X v.v.-re: E[X F = i E[X;Ω i P(Ω i ) Ωi. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Feltételes várható érték tulajdonságai VI (p) Bayes s formula: Let F F és A A. Ekkor P(A F) F P(F A) = P(A F). (7) Könnyen látható, hogy ez az állítást a Bayes tételt adja, abban az esetben amikor F-et egy partíció generálja. A fenti (a)-(p) állítások bizonyításai többnyire triviálisak, gyakorlaton hangzanak el, a vizsga anyagát képezik. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Ω Feltételes várható érték 5 Károly Simon (TU Budapest) Sztochasztikus folyamatok / M 7 M M M M 0 Ω = [0, és P = Leb [0, ha x = x n n, x n {0,} n= {, ha xk = ; legyen θ k =, ha x k = 0. Ezzel, M n (x) = + n θ k k k= F n -et generálja {[ i n, i+ n ) : i = 0,... n } M n F n E[M n+ F n = M n Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 DEFINÍCIÓ σ-algebrák egy növekvő F n sorozatát filtrációnak nevezzük. X n adaptált az F n -hez, ha X n F n, n-re. (X n ) egy martingál az F n filtrációra, ha (a) E[ X n < (b) X n adaptált az F n -hez, (c) E(X n+ F n ) = X n, n -re. Ha (a) és (b) teljesül, de (c)-ben = helyett (c ) van akkor (X n ) szupermartingál, (c ) van akkor (X n ) szubmartingál. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 PÉLDA Képzeljünk el egy játékost, aki egy igazságos (nulla várható értékű) játékot játszik egymás után nagyon sokszor. Legyen M n az n-edik játék után a nyereménye (vagy vesztesége ha M n negatív) és légyen Y n az n-edik játék kimenetele. Legyen továbbá F n = σ(y,..., Y n ). Ekkor (M n ) egy martingál az F n -re. PÉLDA 5 Egy szabályos érmét feldobunk egymás után sokszor. Az n-edik dobás eredménye ξ n = ha fej és ξ n = ha írás. Legyen X n := ξ + +ξ n és F n := σ {ξ,..., ξ n } ha n és X 0 = 0 és F 0 = {,Ω}. Ekkor E[X n+ F n = E[X n F n +E[ξ n+ F n }{{}}{{} X n 0 = X n. Tehát X n martingál F n -re. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7
6 PÉLDA 6 Legyen X,..., X n i.i.d. E[X i = µ és S n := S 0 + X + +X n egy véletlen séta. Ekkor M n := S n nµ egy martingál F n := σ(x,..., X n )-re. Nevezetesen: M n+ M n = X n+ µ független X n,..., X, S 0 -tól tehát Vagyis E[M n+ M N F n = E[X n+ µ = 0. E[M n+ F n = M n. Ha µ 0, akkor S n szupermartingál, ha µ 0, akkor S n submartingál. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 TÉTEL 7 Legyen Legyen X n egy Markov Lánc, melynek átmenet valószínűség mátrixa P = (p(x, y)) x,y. Tegyük fel, hogy az f : S N R függvényre: f(x, n) = y Ekkor M n = f(x n, n) egy martingál F n = σ(x,..., X n )-re. Speciálisan, ha p(x, y)f(y, n+). () h(x) = p(x, y)h(y), (9) y akkor h(x n ) martingál F n = σ(x,..., X n )-re. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 PÉLDA (Gambler s Ruin) Bizonyítás. E[f(X n+, n+) F n = p(x n, y)f(y, n+) y = f(x n, n). Let X, X,... i.i.d. úgy hogy valamely p (0, ), p /-re: P(X i = ) = p és P(X i = ) = q = p. Legyen S n = S 0 + X + X n. Ekkor M n := ( ) Sn q p Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 egy martingál. ( ) x Ez abból következik, hogy h(x) = q p teljesíti a (9) feltételt tehát a 7. Tétel alkalmazható. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 PÉLDA 9 (Szimmetrikus egyszerű véletlen séta) Y, Y,... i.i.d. P(Y i = ) = P(Y i = ) = /. S n = S 0 + Y + +Y n. Ekkor M n := S n n egy martingál σ(y,..., Y n )-re. Nevezetesen: meg kell mutatni, hogy f(x, n) = x n-re () teljesül. Vagyis hogy x n = ((x ) (n+ ))+ Ezt pedig egy triviális számolás igazolja. ( (x + ) (n+) ). PÉLDA 0 (független v.v. szorzata) Adott X, X, 0 i.i.d. és E[X i =. Ekkor M n = M 0 X X n egy martingál F n := σ(x,..., X n )-re. Nevezetesen: E[M n+ M n F n = M n E[X n+ F n = 0. Ez utóbbi azért van mert X n+ független X,..., X n -től, tehát az általuk generált F n σ-algebrától is független vagyis E[X n+ F n = E[X n+ = 0. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 TÉTEL Legyen ϕ, ψ : R R egy konvex függvények és ψ növekvő. (a) Ha M n egy martingál, akkor ϕ(m n ) egy szubmartingál. (b) Ha M n szubmartingál, akkor ψ(m n ) egy is szubmartingál. Ez a Jensen egyenlőtlenségnek (() formula) és a definíciónak azonnali következménye. Tehát ha M n martingál, akkor például M n és M n szubmartingál. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 TÉTEL Legyen M n egy Martingál. Ekkor E [ M n+ F n M n = E [ (M n+ M n ) F n. (0) Bizonyítás. E [ (M n+ M n ) F n = E [ M n+ F n Mn E[M n+ F n } {{ } M n +M n = E [ M n+ F n M n. () Most a martingál növekmények merőlegességét igazoljuk. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7
7 TÉTEL Legyen M n egy Martingál és legyen 0 i j k < n. Ekkor E[(M n M k ) M j = 0. () és ennek nyilvánvaló következménye: E[(M n M k ) (M j M i ) = 0. () Bizonyítás. A () bizonyítása: E[(M n M k )M j = E[E[(M n M k )M j F k = E [ M j E[(M n M k ) F k = 0 }{{} 0 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Legyen m n ekkor a definícióból nyilvánvalóan: LEMMA 5 Ha M n martingál, akkor E[M m = E[M n, Ha M n szubmartingál, akkor E[M m E[M n, Ha M n szupermartingál, akkor E[M m E[M n. A következő példa egy híres fogadó stratégiáról szól. KÖVETKEZMÉNY A. Tétel jelöléseit használva: E [ (M n M 0 ) = n E[(M k M k ). k= Bizonyítás. A () formulát használjuk: E [ (M n M 0 ) = E + = n k= n k= M k M k E [ (M k M k ) E[(M k M k )(M j M j ). j<k n }{{} 0 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Doubling strategy Egy igazságos játék minden fordulójában Kázmér a következő úgynevezett doubling strategy -t folytatja: Ha egy játékban nyer, akkor $ tesz fel a következőben. Viszont amikor veszít a következő játékban duplázza az előző játék tétjét. Tehát ha négy vesztes játék után nyer: tét 6 játék kimenete L L L L W profit Ha k vesztés után a k + -adik játékban nyer, akkor a vesztesége: ++ + k = k. k + -edik játékban nyereménye: k vagyis az egyenlege: $. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Általánosítás X i az i-edik játék kimenetele (pl. ±). M n a net nyereménye az n-edik játék után annak, aki minden játékban $-t tesz fel. H n egy fogadási stratégia, ami tehát az első n játék kimenetelétől függ vagyis H n F n = σ(m 0, X,..., X n ). W n a tiszta nyereménye, annak a játékosnak, aki a H n fogadási stratégiával játszik. W n = W 0 + n m= H m (M m M m ). () Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 TÉTEL 6 Tegyük fel, hogy M n egy szupermartingál az F n -re. c n > 0, hogy 0 H n c n, Ekkor W n is egy szupermartingál. H n 0 kell, hogy biztosítsuk, hogy a fogadó nem veszi át a ház szerepét. H n c n kell ahhoz, hogy létezzen várható érték. Az alkalmazásokra nem ártalmas feltétel. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Bizonyítás. A nyeremény változása az n-edikről az n + -edik pillanatra: Mivel H n+ F n : W n+ W n = H n+ (M n+ M n ). E[W n+ W n F n = E[H n+ (M n+ M n ) F n Vagyis W n szupermartingál F n -re. = H n+ E[M n+ M n F n 0. TÉTEL 7 Használva a fenti jelöléseket: tegyük fel létezik 0 < c n, hogy H n < c n. Ekkor (a) Ha M n egy martingál, akkor W n is martingál (az F n -re). (b) Ha M n egy szupermartingál, akkor W n is szupermartingál (az F n -re). A bizonyítás úgy megy mint a 6. Tétel esetén. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7
8 Megállási idő Megállási idő (cont.) (Angolul: Stopping time vagy optional random variable) Ezt a fogalmat a Markov folyamatok esetén bevezettük. Lásd A file?? slide. Legyen F n = σ(x,..., X n ) az n-edik pillanatban rendelkezésünkre álló információ. DEFINÍCIÓ Egy T v.v., melynek értékei a {,,... } { } halmazból kerülnek ki, megállási idő, ha {N = n} F n, n <. PÉLDA 9 ("hitting time") X, X,... i.i.d., F n := σ(x,..., X n ), S n := X + +X n. Az A halmaznak az ún. hitting time-ja N := min {n : S n A}. LEMMA 0 Megállási idők összege, maximuma, minimuma is megállási idő. Ennek igazolása definícióból triviális. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Megállási idő (cont.) Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Megállási idő (cont.) Most bevezetjük a T megállási időhöz tartozó F T σ-algebrát, ami lényegében a T időben ismert információt reprezentálja. DEFINÍCIÓ (megállási időhöz tartozó σ-algebra) F T := {A A : A {T = n} F n }. LEMMA Legyenek N, T egy megállási idők. Ekkor {T n} F T, vagyis T F T. X, X,... i.i.d., F n := σ(x,..., X n ), S n := X + +X n, M n := max {S m : m n}. Ekkor S N, M N F N. Általánosan: ha Y n F n, akkor Y T F T. Ha N T, akkor F N F T. A fenti állítások belátása házi feladat. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Példa Legyen X, X,... i.i.d. és Legyen és P(X i = 0) = P(X i = ) = F n := σ(x,..., X n ). N := min k : k X i k i= Ñ := min k : k+ X i k i=. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 TÉTEL Legyen X, X,... i.i.d., F n = σ {X,..., X n }, T egy megállási idő. Feltételesen {T < }-re: {X N+n, n } független F N -től és ugyanaz az eloszlása mint X n -nek. Bizonyítás. Legyen µ az X i eloszlása. Vagyis µ(b) := P(X i B). Választunk tetszőleges k -re, A,..., A k A és F F N halmazokat. U := {A, N <, X N+j B j, j k}. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Példa (cont.) Ekkor N megállási idő, de Ñ nem az. Nevezetesen és Ñ = N =, ha {X = } F ;, ha {X = 0, X = } F ;, ha {X = 0, X = 0} F F., ha {X = 0} {X = 0, X = } F ;, ha {X = 0, X = 0, X = } F ;, ha {X = 0, X = 0, X = 0} F. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Elég belátni, hogy ekkor P(U) = P(A {N < }) k µ(b i ). (5) U n := U {N = n}-re: j= P(U n ) = P(A, N = n, X n+j B j, j k) = P ( A {N = n} ) k µ(b j ). (6) j= Ez azért van mert A {N = n} F n és az F n független X n+, X n+,...-től. Mivel P(U) = n= P(U n) a (6) formulából kapjuk, hogy (5) teljesül. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7
9 tét= $ egy megállási időig Adott T megállási idő és minden játékban csak $ tét. A játékot a T időpontban hagyjuk abba. Legyen H m :=, ha m T; 0, ha m > T. Belátjuk, hogy H m F m azaz H m egy legitim fogadási stratégia az 5. slide definíciója értelmében. Vagyis és a 6. Tétel alkalmazható: {H m = 0} = m k= {T = k} F m. Tehát ezzel a stratégiával sem nyerhetünk sokat. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 TÉTEL Tegyük fel hogy M n martingál, szupermartingál vagy szubmartingál az F n σ-algebrára és legyen T egy megállási idő. Ekkor az M n T megállított folyamat is martingál, szupermartingál vagy szubmartingál az M n -nek megfelelően, ahol T n := min {T, n}. Továbbá, (a) M n martingál = E[M T n = M 0, (b) M n szupermartingál = E[M T n M 0, (b) M n szubmartingál = E[M T n M 0. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Bizonyítás Kilépési eloszlások Legyen W 0 := M 0. Ekkor a () egyenletből W n = M 0 + n m= H m(m m M m ) = M T n. Nevezetesen, ha T n, akkor W n = M n és ha T n, akkor W n = M T. Használva ezt, a 6. és a 7. Tételeket kapjuk az állítást. Az (a), (b), (c) pontok a 5. Lemmából következnek. Most látni fogjuk a.tétel egy alkalmazását és vizsgáljuk az általános esetben, hogy mikor cserélhető ki a. Tétel (a) pontjában a M T n, M T -re. Adottak: a, b Z, a < b, X, X,... i.i.d. és P(X i = ) = P(X i = ) =. Legyen S n := S 0 + X + +X n és τ := min {n : S n (a, b)}. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Nyilván: S n martingál és τ megállási idő. Ha meg akarjuk határozni E x [τ-t, akkor a következő heurisztika kínálkozik: x? =E x [S τ = a P x (S τ = a)+b ( P x (S τ = a)). (7) Ha ez igaz, akkor: P x (S τ = a) = b x b a. () A fenti gondolatmenet azért csak heurisztika mert a (7) formula első egyenlősége helyett, a.tétel csak Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Ekkor T és T n nyilván megállási idők. A (9) formulából látható, hogy E [ S Tn = 0 P (V 0 < V n )+n P (V n < V 0 ) =. }{{} /n Vagyis is itt eldobhattuk a n-et. Viszont 0 = E [S T. Vagyis a T esetében n nem hagyható el. A következő tétel megmutatja mikor hagyható el a n. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 x = S τ n -t garantálja. Mikor hagyhatjuk el a n -et? Először is lássunk egy esetet amikor nem: Legyen V a := min {n : S n = a}. Emlékezzünk, hogy a B-file (??) formulában igazoltuk, hogy N > 0-ra: P (V N < V 0 ) = N. (9) Tehát P (V 0 < ) =. Valamely n N-re: T := V 0 és T n := min {V 0, V n }. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 TÉTEL 5 Tegyük fel, hogy hogy T megállási idő, amelyre P(T < ) = és K, hogy M T n K. Ekkor E[M T = E[M 0. Bizonyítás. A. Tételből: E[M 0 = E[M T n =E[M T ; T n+e [ M n }{{} =M T n K ; T > n. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7
10 Tehát E[M 0 E[M T ; T n KP(T > n) 0. (0) Másrészt E[M T E[M T ; T n = E[M T ; T > n. () Using that E[M T ; T > n k=n+ = k=n+ E[M k ; T = k E[M k T ; T = k K P(T > n) 0. Összetéve ezt a (0) és a () formulákat kapjuk a bizonyítást. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Wald egyenlőtlenség Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Wald egyenlőtlenség (cont.) Legyen X, X,... i.i.d. E[X i = µ. Legyen S n := S 0 + X + +X n. Tudjuk, hogy ekkor M n nµ egy martingál X n -re. TÉTEL 6 (Wald egyenlőtlenség) E[S T S 0 = µe[t. A tétel bizonyítása (l. [) túl komplikált ahhoz, hogy itt elmondjuk. Mindenestre vegyük észre, hogy az S 0 = -ből induló egyszerű szimmetrikus véletlen séta esetén ha T = V 0 a nullába való első érkezés ideje: µ = 0, S 0 =, S T = 0, tehát formulából: E [V 0 =. = E[S T S 0 = µe[v 0 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Konvergencia TÉTEL 7 (Konvergencia tétel) Ha X n 0 egy szupermartingál, akkor X := lim n X n létezik és E[X E[X 0. A tétel bizonyítása előtt egy segéd lemma: LEMMA Legyen X n 0 egy szupermartingál és λ > 0. Ekkor ( ) P max X n > λ E[X 0 /λ. () n 0 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 A 7. Tétel bizonyításának vázlata Legyen S 0 := 0, a < b és definiáljuk a következő megállási időket: R k : = min {n S k : X n a} S k : = min {n R k : X n b}. A segéd lemma bizonyításának gondolatmenetével kapjuk, hogy P(S k < R k < ) a b. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 A segéd Lemma bizonyítása Legyen T := min {n : X n > λ}. Vegyük észre, hogy {T < } = A. Tételből következik, hogy Tehát { } max X n > λ n 0 E[X 0 E[X T n λp(t n). n-re: P(T n) E[X 0 /λ. Innen P(T < ) E[X 0 /λ. Ebből pedig a () formula miatt következik a Lemma állítása. () Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 A 7. Tétel bizonyításának vázlata (cont.) Ezt iterálva ( ) a k P(S k < ) 0 exponenciális sebességgel. b Ezért X n csak véges sokszor metszi át az [a, b intervallumot alulról felfelé. Legyen Y := lim inf X n n és Z := lim sup n Ha P(Y < Z) > 0 lenne, akkor valamely a < b-re szintén: P(Y < a < b < Z) > 0. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 X n
11 A 7. Tétel bizonyításának vázlata (cont.) Feltételes várható érték Ebben az esetben X n az [a, b intervallumot alulról felfelé végtelen sokszor átmetszené, ami nem lehetséges, vagyis X = n lim X n határérték létezik. Másrészt minden n, M-re: Tehát E[X 0 = E[X n E[X n M E[X M. E[X 0 E[X M E[X. 5 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 [ Balázs Márton, Tóth Bálint Valószínűségszámítás. jegyzet matematikusoknak és fizikusoknak Bálázs Márton Honlapja, 0. Az internettes változatért kattintson ide. [ R. Durrett Essentials of Stochastic Processes, Second edition Springer, 0. A majdnem kész változatért kattintson ide. [ R. Durrett Probability Theory with examples, Second edition Duxbury Press, 996. második kiadás. [ I.I. Gihman, A.V. Szkorohod Bevezetés a sztochasztikus folyamatok elméletébe Műszaki Könyvkiadó975, Budapest, 95 [5 S. Karlin, H.M. Taylor Sztochasztikus Folyamatok Gondolat, Budapest, 95 [6 S. Karlin, H.M. Taylor A second course in stochastic processes, Academic Press, 9 [7 G. Lawler Intoduction to Stochastic Processes Chapmann & Hall 995. Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 [ D.A. Levin, Y. Peres,E.L. Wilmer Markov chains and mixing times American Mathematical Society, 009. [9 Major Péter Folytonos idejű Markov láncok debrecen00a/markov.html [0 Piet Van Mieghem The Poisson process CUPbookChapters/PACUP_Poisson.pdf [ Rényi Alfréd Valószínűségszámítás, (negyedik kiadás) Tankönyvkiadó Budapest, 9. [ Tóth Bálint Sztochasztikus folyamatok jegyzet Tóth Bálint Jegyzetért kattintson ide Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7 Index Károly Simon (TU Budapest) Sztochasztikus folyamatok / 7
Mérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik
Mérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik Az A halmazrendszer σ-algebra az Ω alaphalmazon, ha Ω A; A A A c A; A i A, i N, i N A i A. Az A halmazrendszer
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,
RészletesebbenA következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása A csoport
Gazdasági matematika II. vizsgadolgozat megoldása A csoport Definiálja az alábbi fogalmakat!. Egy eseménynek egy másik eseményre vonatkozó feltételes valószínűsége. ( pont) Az A esemény feltételes valószínűsége
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
Részletesebbenismertetem, hogy milyen probléma vizsgálatában jelent meg ez az eredmény. A kérdés a következő: Mikor mondhatjuk azt, hogy bizonyos események közül
A Borel Cantelli lemma és annak általánosítása. A valószínűségszámítás egyik fontos eredménye a Borel Cantelli lemma. Először informálisan ismertetem, hogy milyen probléma vizsgálatában jelent meg ez az
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
RészletesebbenValószínűségelmélet. Pap Gyula. Szegedi Tudományegyetem. Szeged, 2016/2017 tanév, I. félév
Valószínűségelmélet Pap Gyula Szegedi Tudományegyetem Szeged, 2016/2017 tanév, I. félév Pap Gyula (SZTE) Valószínűségelmélet 2016/2017 tanév, I. félév 1 / 125 Ajánlott irodalom: CSÖRGŐ SÁNDOR Fejezetek
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:
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.
RészletesebbenBevezetés. Valószínűségszámítás 2 előadás III. alk. matematikus szak. Irodalom. Egyéb info., számonkérés. Cél. Alapfogalmak (ismétlés)
Valószínűségszámítás 2 előaás III. alk. matematikus szak 2016/2017 1. félév Zempléni Anrás Bevezetés Iroalom, követelmények A félév célja Alapfogalmak mértékelméleti alapon Kapcsolóás a val.szám. 1-hez
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
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
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.
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:
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 +
RészletesebbenGazdasági matematika II. vizsgadolgozat, megoldással,
Gazdasági matematika II. vizsgadolgozat, megoldással, levelező képzés Definiálja az alábbi fogalmakat! 1. Kvadratikus mátrix invertálhatósága és inverze. (4 pont) Egy A kvadratikus mátrixot invertálhatónak
Részletesebbenf(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva
6. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 6.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási
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
RészletesebbenMatematikai statisztika I. témakör: Valószínűségszámítási ismétlés
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
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
RészletesebbenGyakorló feladatok a Valószín ségelmélet kurzushoz
Gyakorló feladatok a Valószín ségelmélet kurzushoz 1 Mértékelméleti ismétlés 2 2 Generált σ-algebrák, függetlenség 3 3 A Kolmogorov 01 törvény és a BorelCantelli-lemmák 5 4 Folytonos eloszlások konvolúciója
RészletesebbenBoros Zoltán február
Többváltozós függvények differenciál- és integrálszámítása (2 3. előadás) Boros Zoltán 209. február 9 26.. Vektorváltozós függvények differenciálhatósága és iránymenti deriváltjai A továbbiakban D R n
RészletesebbenMiért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
Részletesebben(Diszkrét idejű Markov-láncok állapotainak
(Diszkrét idejű Markov-láncok állapotainak osztályozása) March 21, 2019 Markov-láncok A Markov-láncok anaĺızise főként a folyamat lehetséges realizációi valószínűségeinek kiszámolásával foglalkozik. Ezekben
RészletesebbenBarczy Mátyás és Pap Gyula
Barczy Mátyás és Pap Gyula mobidiák könyvtár Barczy Mátyás és Pap Gyula mobidiák könyvtár SOROZATSZERKESZTŐ Fazekas Iván Barczy Mátyás és Pap Gyula Debreceni Egyetem Oktatási segédanyag mobidiák könyvtár
Részletesebben1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0
I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)
RészletesebbenPénzügyi folyamatok folytonos időben
Pénzügyi folyamatok folytonos időben Kevei Péter 14. március 4. Tartalomjegyzék 1. Martingálok 1.1. Diszkrét időben.......................... 1.1.1. Definíciók, alapvető tulajdonságok............ 1.1..
RészletesebbenPénzügyi folyamatok folytonos időben
Pénzügyi folyamatok folytonos időben Kevei Péter 19. február 4. Tartalomjegyzék 1. Martingálok 1.1. Diszkrét időben.......................... 1.1.1. Definíciók, alapvető tulajdonságok............ 1.1..
RészletesebbenA sorozat fogalma. függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet. az értékkészlet a komplex számok halmaza, akkor komplex
A sorozat fogalma Definíció. A természetes számok N halmazán értelmezett függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet a valós számok halmaza, valós számsorozatról beszélünk, mígha az
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
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
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenAlapfogalmak, valós számok Sorozatok, határérték Függvények határértéke, folytonosság A differenciálszámítás Függvénydiszkusszió Otthoni munka
Pintér Miklós miklos.pinter@uni-corvinus.hu Ősz Alapfogalmak Halmazok Definíció Legyen A egy tetszőleges halmaz, ekkor x A (x / A) jelentése: x (nem) eleme A-nak. A B (A B) jelentése: A (valódi) részhalmaza
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
RészletesebbenA fontosabb definíciók
A legfontosabb definíciókat jelöli. A fontosabb definíciók [Descartes szorzat] Az A és B halmazok Descartes szorzatán az A és B elemeiből képezett összes (a, b) a A, b B rendezett párok halmazát értjük,
RészletesebbenSzámsorok. 1. Definíció. Legyen adott valós számoknak egy (a n ) n=1 = (a 1, a 2,..., a n,...) végtelen sorozata. Az. a n
Számsorok 1. Definíció. Legyen adott valós számoknak egy (a n ) = (a 1, a 2,..., a n,...) végtelen sorozata. Az végtelen összeget végtelen számsornak (sornak) nevezzük. Az a n számot a sor n-edik tagjának
RészletesebbenEgyü ttes e s vetü leti eloszlá s, sü rü se gfü ggve ny, eloszlá sfü ggve ny
Együ ttes e s vetü leti eloszlá s, sü rü se gfü ggve ny, eloszlá sfü ggve ny Szűk elméleti összefoglaló Együttes és vetületi eloszlásfüggvény: X = (X, X, X n ) valószínűségi vektorváltozónak hívjuk. X
Részletesebbenelőadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás
13-14. előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás 2016. november 28. és december 5. 13-14. előadás 1 / 35 Bevezetés A diszkrét
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
RészletesebbenMATEMATIKA 2. dolgozat megoldása (A csoport)
MATEMATIKA. dolgozat megoldása (A csoport). Definiálja az alábbi fogalmakat: (egyváltozós) függvény folytonossága, differenciálhatósága, (többváltozós függvény) iránymenti deriváltja. (3x8 pont). Az f
RészletesebbenAnalízis I. beugró vizsgakérdések
Analízis I. beugró vizsgakérdések Programtervező Informatikus szak 2008-2009. 2. félév Készítette: Szabó Zoltán SZZNACI.ELTE zotyo@bolyaimk.hu v1.7 Forrás: Dr. Weisz Ferenc: Prog. Mat. 2006-2007 definíciók
Részletesebben1/1. Házi feladat. 1. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy
/. Házi feladat. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy mindig igaz. (p (( p) q)) (( p) ( q)). Igazoljuk, hogy minden A, B és C halmazra A \ (B C) = (A \ B) (A \ C) teljesül.
RészletesebbenAnalízis I. Vizsgatételsor
Analízis I. Vizsgatételsor Programtervező Informatikus szak 2008-2009. 2. félév Készítette: Szabó Zoltán SZZNACI.ELTE zotyo@bolyaimk.hu v.0.6 RC 004 Forrás: Oláh Gábor: ANALÍZIS I.-II. VIZSGATÉTELSOR 2006-2007-/2
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 6. előadás: Vektor- és mátrixnormák Lócsi Levente ELTE IK 2013. október 14. Tartalomjegyzék 1 Vektornormák 2 Mátrixnormák 3 Természetes mátrixnormák, avagy indukált normák 4 Mátrixnormák
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
RészletesebbenMinden x > 0 és y 0 valós számpárhoz létezik olyan n természetes szám, hogy y nx.
1. Archimedesz tétele. Minden x > 0 és y 0 valós számpárhoz létezik olyan n természetes szám, hogy y nx. Legyen y > 0, nx > y akkor és csak akkor ha n > b/a. Ekkor elég megmutatni, hogy létezik minden
RészletesebbenMatematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
Részletesebben1000 forintos adósságunkat, de csak 600 forintunk van. Egyetlen lehetőségünk, hogy a
A merész játékok stratégiája A következő problémával foglalkozunk: Tegyük fel, hogy feltétlenül ki kell fizetnünk 000 forintos adósságunkat, de csak 600 forintunk van. Egyetlen lehetőségünk, hogy a még
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 )
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
RészletesebbenBevezetés az algebrába 2 Vektor- és mátrixnorma
Bevezetés az algebrába 2 Vektor- és mátrixnorma Wettl Ferenc 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 T E M 2016.
RészletesebbenA L Hospital-szabály, elaszticitás, monotonitás, konvexitás
A L Hospital-szabály, elaszticitás, monotonitás, konvexitás 9. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék A L Hospital-szabály, elaszticitás, monotonitás, konvexitás p. / A L
RészletesebbenMatematika I. NÉV:... FELADATOK: 2. Határozzuk meg az f(x) = 2x 3 + 2x 2 2x + 1 függvény szélsőértékeit a [ 2, 2] halmazon.
215.12.8. Matematika I. NÉV:... 1. Lineáris transzformációk segítségével ábrázoljuk az f(x) = ln(2 3x) függvényt. 7pt 2. Határozzuk meg az f(x) = 2x 3 + 2x 2 2x + 1 függvény szélsőértékeit a [ 2, 2] halmazon.
Részletesebbenazonosságot minden 1 i, l n, 1 j k, indexre teljesítő együtthatókkal, amelyekre érvényes a = c (j) i,l l,i
A Cochran Fisher tételről A matematikai statisztika egyik fontos eredménye a Cochran Fisher tétel, amely a variancia analízisben játszik fontos szerepet. Ugyanakkor ez a tétel lényegét tekintve valójában
RészletesebbenAnalízis II. Analízis II. Beugrók. Készítette: Szánthó József. kiezafiu kukac gmail.com. 2009/ félév
Analízis II. Analízis II. Beugrók Készítette: Szánthó József kiezafiu kukac gmail.com 2009/20 10 1.félév Analízis II. Beugrók Függvények folytonossága: 1. Mikor nevez egy függvényt egyenletesen folytonosnak?
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
RészletesebbenMatematika A1a Analízis
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 T E M Matematika A1a Analízis BMETE90AX00 A derivált alkalmazásai H607, EIC 2019-04-03 Wettl
Részletesebbeni p i p 0 p 1 p 2... i p i
. vizsga, 06--9, Feladatok és megoldások. (a) Adja meg az diszkrét eloszlás várható értékének a definícióját! i 0... p i p 0 p p... i p i (b) Tegyük fel, hogy a rigófészkekben található tojások X száma
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenKétváltozós függvények differenciálszámítása
Kétváltozós függvények differenciálszámítása 13. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Kétváltozós függvények p. 1/1 Definíció, szemléltetés Definíció. Az f : R R R függvényt
RészletesebbenMatematika I. NÉV:... FELADATOK:
24.2.9. Matematika I. NÉV:... FELADATOK:. A tanult módon vizsgáljuk az a = 3, a n = 3a n 2 (n > ) rekurzív sorozatot. pt 2n 2 + e 2. Definíció szerint és formálisan is igazoljuk, hogy lim =. pt n 3 + n
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása, június 10
Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett
RészletesebbenAnalízis előadás és gyakorlat vázlat
Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 2010-11. I. Félév 2 1. fejezet Számhalmazok és tulajdonságaik 1.1. Nevezetes számhalmazok ➀ a) jelölése: N b)
RészletesebbenMatematika III. harmadik előadás
Matematika III. harmadik előadás Kézi Csaba Debreceni Egyetem, Műszaki Kar Debrecen, 2013/14 tanév, I. félév Kézi Csaba (DE) Matematika III. harmadik előadás 2013/14 tanév, I. félév 1 / 13 tétel Az y (x)
RészletesebbenValószín ségelmélet. Pap Gyula
Valószín ségelmélet Pap Gyula Szegedi Tudományegyetem, Bolyai Intézet, Sztochasztika Tanszék papgy@math.u-szeged.hu 1 Mértékelméleti el készítés 1.1 Deníció. Legyen Ω nemüres halmaz. Az Ω bizonyos részhalmazaiból
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:
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
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
RészletesebbenVéletlen gráfok. Példák: Kávéra vizet öntünk és alul kifolyik a víz: Olaj vagy víz átszívárgása egy kőzetrétegen:
Virág Bálint Véletlen Gráfok/1 Véletlen gráfok Példák: Kávéra vizet öntünk és alul kifolyik a víz: Olaj vagy víz átszívárgása egy kőzetrétegen: Mind az olaj, mind a víz bekerül egy rendszerbe, mely makroszinten
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
RészletesebbenValószínűségszámítás
Valószínűségszámítás Pap Gyula Szegedi Tudományegyetem 2010/2011 tanév, II. félév Pap Gyula (SZE) Valószínűségszámítás 2010/2011 tanév, II. félév 1 / 122 Ajánlott irodalom: RÉNYI ALFRÉD Valószínűségszámítás
RészletesebbenKonvex optimalizálás feladatok
(1. gyakorlat, 2014. szeptember 16.) 1. Feladat. Mutassuk meg, hogy az f : R R, f(x) := x 2 függvény konvex (a másodrend derivált segítségével, illetve deníció szerint is)! 2. Feladat. Mutassuk meg, hogy
RészletesebbenA 2015/2016. tanévi Országos Középiskolai Tanulmányi Verseny döntő forduló MATEMATIKA III. KATEGÓRIA (a speciális tanterv szerint haladó gimnazisták)
A 205/206. tanévi Országos Középiskolai Tanulmányi Verseny döntő forduló MATEMATIKA III. KATEGÓRIA a speciális tanterv szerint haladó gimnazisták Javítási-értékelési útmutató. feladat Az {,2,...,n} halmaz
RészletesebbenOptimalizálási eljárások GYAKORLAT, MSc hallgatók számára. Analízis R d -ben
Optimalizálási eljárások GYAKORLAT, MSc hallgatók számára Analízis R d -ben Gyakorlatvezetõ: Hajnal Péter 2012. február 8 1. Konvex függvények Definíció. f : D R konvex, ha dom(f) := D R n konvex és tetszőleges
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
RészletesebbenJármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János
BUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI KAR JÁRMŐELEMEK ÉS HAJTÁSOK TANSZÉK Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János Budapest 2008
RészletesebbenA Matematika I. előadás részletes tematikája
A Matematika I. előadás részletes tematikája 2005/6, I. félév 1. Halmazok és relációk 1.1 Műveletek halmazokkal Definíciók, fogalmak: halmaz, elem, üres halmaz, halmazok egyenlősége, részhalmaz, halmazok
RészletesebbenValószín ségelmélet házi feladatok
Valószín ségelmélet házi feladatok Minden héten 3-4 házi feladatot adok ki. A megoldásokat a következ órán kell beadni, és kés bb már nem lehet pótolni. Csak az mehet vizsgázni, aki a 13 hét során kiadott
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenHadamard-mátrixok Előadó: Hajnal Péter február 23.
Szimmetrikus kombinatorikus struktúrák MSc hallgatók számára Hadamard-mátrixok Előadó: Hajnal Péter 2012. február 23. 1. Hadamard-mátrixok Ezen az előadáson látásra a blokkrendszerektől független kombinatorikus
Részletesebben1. Parciális függvény, parciális derivált (ismétlés)
Operációkutatás NYME Gazdaságinformatikus mesterképzés El adó: Kalmár János (kalmar[kukac]inf.nyme.hu) Többváltozós széls érték számítás Parciális függvény, parciális derivált Széls érték korlátos zárt
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.
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
RészletesebbenAlap fatranszformátorok II
Alap fatranszformátorok II Vágvölgyi Sándor Fülöp Zoltán és Vágvölgyi Sándor [2, 3] közös eredményeit ismertetjük. Fogalmak, jelölések A Σ feletti alaptermek TA = (T Σ, Σ) Σ algebráját tekintjük. Minden
RészletesebbenFeladatok az 5. hétre. Eredményekkel és teljesen kidolgozott megoldásokkal az 1,2,3.(a),(b),(c), 6.(a) feladatokra
Feladatok az 5. hétre. Eredményekkel és teljesen kidolgozott megoldásokkal az 1,,3.(a),(b),(), 6.(a) feladatokra 1. Oldjuk meg a következő kezdeti érték feladatot: y 1 =, y(0) = 3, 1 x y (0) = 1. Ha egy
Részletesebben10. Előadás. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai
Optimalizálási eljárások MSc hallgatók számára 10. Előadás Előadó: Hajnal Péter Jegyzetelő: T. Szabó Tamás 2011. április 20. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai A feltétel nélküli optimalizálásnál
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. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.
1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét
Részletesebben2 (j) f(x) dx = 1 arcsin(3x 2) + C. (d) A x + Bx + C 5x (2x 2 + 7) + Hx + I. 2 2x F x + G. x
I feladatsor Határozza meg az alábbi függvények határozatlan integrálját: a fx dx = x arctg + C b fx dx = arctgx + C c fx dx = 5/x 4 arctg 5 x + C d fx dx = arctg + C 5/ e fx dx = x + arctg + C f fx dx
Részletesebben(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
RészletesebbenSorozatok. 5. előadás. Farkas István. DE ATC Gazdaságelemzési és Statisztikai Tanszék. Sorozatok p. 1/2
Sorozatok 5. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Sorozatok p. 1/2 A sorozat definíciója Definíció. A természetes számok halmazán értelmezett valós értékű a: N R függvényt
RészletesebbenIntegr alsz am ıt as. 1. r esz aprilis 12.
Integrálszámítás. 1. rész. 2018. április 12. Területszámítás f : [a, b] IR + korlátos függvény. Mennyi a függvény grafikonja és az x tengely közti terület? Riemann integrál, ismétlés F: Az összes lehetséges
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
RészletesebbenVillamosmérnök A4 11. hét Kétdimenziós normális eloszlás, cht - Megoldások
Villamosmérnök A 11. hét Kétdimenziós normális eloszlás, cht - Megoldások Kétdimenziós normális összefoglalás Egy kétdimenziós X, Y valószínűségi változó kovariancia mátrixa: VarX CovX, Y CovX, Y VarY
RészletesebbenSzindbád mellett, egyszerre csak egy háremhölgy jelenik meg. Szindbád. hogy a kalifának hány háremhölgye van, viszont semmit nem tud arról,
A Szindbád probléma. Optimális választás megtalálása. Rendkívül népszerű és egyben tanulságos a következő valószínűségi, optimalizációs probléma, mely Magyarországon Szindbád problémája néven vált ismertté.
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
Részletesebben