|
|
Coupling a rychlost konvergence diskrétních MCMC algoritmů.
Kalaš, Martin ; Prokešová, Michaela (vedoucí práce) ; Dvořák, Jiří (oponent)
Konvergence marginálního rozdělení Markovova řetězce ke stacionárnímu rozdělení je důležitá vlastnost, která má v moderní matematice mnoho aplikací. Jednou z nich jsou např. Markov Chain Monte Carlo algoritmy, které slouží ke generování realizací ze složitých pravděpodobnostních rozdělení. Pro takové aplikace je klíčové správně odhadnout tzv. mixing time Markovova řetězce, tj. počet kroků nutný k tomu, aby se marginální rozdělení řetězce lišilo od stacionárního rozdělení jen s povolenou nepřesností. Cílem této práce je popsat metodu odhadu mixing time, která využívá obecnou pravděpodobnostní techniku zvanou coupling. V první části textu bude vybudován teoretický aparát, na jehož základě tuto metodu odvodíme. Ve druhé části předvedeme její použití na klasických příkladech Markovových řetězců, kterým je například náhodná procházka po grafu. V závěru ukážeme odhad rychlosti konvergence Metropolisova řetězce pro přípustná obarvení grafu, jakožto typického příkladu MCMC algoritmu.
|
|
|
Pension models
Kalaš, Martin
Diplomová práce se zabývá problémem udržitelné míry spotřeby během důchodového věku, což je podstatný kvantitativní problém v rámci penzí. Postupně je vybudován model, který intuitivně spojuje tři klíčové faktory týkající se finančního plánování důchodu: náhodnou délku lidského života, náhodné výnosy z investic a rychlost spotřeby úspor. V rámci vybudovaného modelu odvodíme pomocí momentové metody aproximaci pro pravděpodobnost ruinování jedince. Přesnost odvozené aproximace analyzujeme pomocí rozsáhlých Monte Carlo simulací. Odvozená metoda je aplikována na datech pro Českou republiku. Výsledky obsahují hodnoty pravděpodobnosti ruinování a maximální udržitelné míry spotřeby pro různé kombinace rychlosti spotřeby úspor a parametrů investičního portfolia.
|
|
|
Pension models
Kalaš, Martin
Diplomová práce se zabývá problémem udržitelné míry spotřeby během důchodového věku, což je podstatný kvantitativní problém v rámci penzí. Postupně je vybudován model, který intuitivně spojuje tři klíčové faktory týkající se finančního plánování důchodu: náhodnou délku lidského života, náhodné výnosy z investic a rychlost spotřeby úspor. V rámci vybudovaného modelu odvodíme pomocí momentové metody aproximaci pro pravděpodobnost ruinování jedince. Přesnost odvozené aproximace analyzujeme pomocí rozsáhlých Monte Carlo simulací. Odvozená metoda je aplikována na datech pro Českou republiku. Výsledky obsahují hodnoty pravděpodobnosti ruinování a maximální udržitelné míry spotřeby pro různé kombinace rychlosti spotřeby úspor a parametrů investičního portfolia.
|
|
|
Penzijní modely
Kalaš, Martin ; Cipra, Tomáš (vedoucí práce) ; Branda, Martin (oponent)
Diplomová práce se zabývá problémem udržitelné míry spotřeby během důchodového věku, což je podstatný kvantitativní problém v rámci penzí. Postupně je vybudován model, který intuitivně spojuje tři klíčové faktory týkající se finančního plánování důchodu: náhodnou délku lidského života, náhodné výnosy z investic a rychlost spotřeby úspor. V rámci vybudovaného modelu odvodíme pomocí momentové metody aproximaci pro pravděpodobnost ruinování jedince. Přesnost odvozené aproximace analyzujeme pomocí rozsáhlých Monte Carlo simulací. Odvozená metoda je aplikována na datech pro Českou republiku. Výsledky obsahují hodnoty pravděpodobnosti ruinování a maximální udržitelné míry spotřeby pro různé kombinace rychlosti spotřeby úspor a parametrů investičního portfolia.
|
|
|
Coupling a rychlost konvergence diskrétních MCMC algoritmů.
Kalaš, Martin ; Prokešová, Michaela (vedoucí práce) ; Dvořák, Jiří (oponent)
Konvergence marginálního rozdělení Markovova řetězce ke stacionárnímu rozdělení je důležitá vlastnost, která má v moderní matematice mnoho aplikací. Jednou z nich jsou např. Markov Chain Monte Carlo algoritmy, které slouží ke generování realizací ze složitých pravděpodobnostních rozdělení. Pro takové aplikace je klíčové správně odhadnout tzv. mixing time Markovova řetězce, tj. počet kroků nutný k tomu, aby se marginální rozdělení řetězce lišilo od stacionárního rozdělení jen s povolenou nepřesností. Cílem této práce je popsat metodu odhadu mixing time, která využívá obecnou pravděpodobnostní techniku zvanou coupling. V první části textu bude vybudován teoretický aparát, na jehož základě tuto metodu odvodíme. Ve druhé části předvedeme její použití na klasických příkladech Markovových řetězců, kterým je například náhodná procházka po grafu. V závěru ukážeme odhad rychlosti konvergence Metropolisova řetězce pro přípustná obarvení grafu, jakožto typického příkladu MCMC algoritmu.
|
|
| |
host ::
RSS.