|
|
Stochastic Calculus and Its Applications in Biomedical Practice
Klimešová, Marie ; Růžičková, Miroslava (referee) ; Dzhalladova, Irada (referee) ; Baštinec, Jaromír (advisor)
V předložené práci je definována stochastická diferenciální rovnice a jsou uvedeny její základní vlastnosti. Stochastické diferenciální rovnice se používají k popisu fyzikálních jevů, které jsou ovlivněny i náhodnými vlivy. Řešením stochastického modelu je náhodný proces. Cílem analýzy náhodných procesů je konstrukce vhodného modelu, který umožní porozumět mechanismům, na jejichž základech jsou generována sledovaná data. Znalost modelu také umožňuje předvídání budoucnosti a je tak možné kontrolovat a optimalizovat činnost daného systému. V práci je nejdříve definován pravděpodobnostní prostor a Wienerův proces. Na tomto základě je definována stochastická diferenciální rovnice a jsou uvedeny její základní vlastnosti. Závěrečná část práce obsahuje příklad ilustrující použití stochastických diferenciálních rovnic v praxi.
|
|
| |
|
|
Stochastic Calculus and Its Applications in Biomedical Practice
Klimešová, Marie ; Růžičková, Miroslava (referee) ; Dzhalladova, Irada (referee) ; Baštinec, Jaromír (advisor)
V předložené práci je definována stochastická diferenciální rovnice a jsou uvedeny její základní vlastnosti. Stochastické diferenciální rovnice se používají k popisu fyzikálních jevů, které jsou ovlivněny i náhodnými vlivy. Řešením stochastického modelu je náhodný proces. Cílem analýzy náhodných procesů je konstrukce vhodného modelu, který umožní porozumět mechanismům, na jejichž základech jsou generována sledovaná data. Znalost modelu také umožňuje předvídání budoucnosti a je tak možné kontrolovat a optimalizovat činnost daného systému. V práci je nejdříve definován pravděpodobnostní prostor a Wienerův proces. Na tomto základě je definována stochastická diferenciální rovnice a jsou uvedeny její základní vlastnosti. Závěrečná část práce obsahuje příklad ilustrující použití stochastických diferenciálních rovnic v praxi.
|
|
| |
|
|
Stochastic modelling of epidemics
Drašnar, Jan ; Staněk, Jakub (advisor) ; Hlubinka, Daniel (referee)
This thesis uses a simple deterministic model represented by an ordinary di- fferential equation with two equilibrium points - depending on the initial state the illness either vanishes or persists forever. This model is expanded by adding some diffusion coefficients leading to different stochastic differential equations. They are analyzed to show how the choice of diffusion coefficients changes be- havior of the model in proximity of its equilibria and near the boundary of area with biological meaning. The theoretical results are than illustrated by computer simulations. 1
|
|
|
Stochastic Integrals Driven by Isonormal Gaussian Processes and Applications
Čoupek, Petr ; Maslowski, Bohdan (advisor) ; Dostál, Petr (referee)
Stochastic Integrals Driven by Isonormal Gaussian Processes and Applications Master Thesis - Petr Čoupek Abstract In this thesis, we introduce a stochastic integral of deterministic Hilbert space valued functions driven by a Gaussian process of the Volterra form βt = t 0 K(t, s)dWs, where W is a Brownian motion and K is a square integrable kernel. Such processes generalize the fractional Brownian motion BH of Hurst parameter H ∈ (0, 1). Two sets of conditions on the kernel K are introduced, the singular case and the regular case, and, in particular, the regular case is studied. The main result is that the space H of β-integrable functions can be, in the strictly regular case, embedded in L 2 1+2α ([0, T]; V ) which corresponds to the space L 1 H ([0, T]) for the fractional Brownian mo- tion. Further, the cylindrical Gaussian Volterra process is introduced and a stochastic integral of deterministic operator-valued functions, driven by this process, is defined. These results are used in the theory of stochastic differential equations (SDE), in particular, measurability of a mild solution of a given SDE is proven.
|
guest ::
