vremenski nizovi - unizg.hraktuari.math.pmf.unizg.hr/docs/sm-s.pdf · proces pokretnih sredina uz...
TRANSCRIPT
Vremenski nizovi
Elementarni primjeri
à Bijeli šum
Bijeli šum je niz nezavisnih jednako distribuiranih slučajnih varijabli.Simulacija bijelog šuma iz normalne N(0,s 2L distribucije.
50 100 150 200
-2
-1
1
2
à Proces pokretnih sredina
Proces pokretnih sredina uz Y j normalne N(0,s 2L slučajne varijable
50 100 150 200
-1
-0.5
0.5
1
1.5
à Slučajna šetnja
Slučajna šetnja s koracima iz normalne N(0,s 2L distribucije.
Stohastičko modeliranje.nb 1
50 100 150 200
-12.5-10
-7.5-5
-2.5
2.55
à Izglađivanje slučajne šetnje
Proces pokretnih sredina uz Y j slučajna šetnnja s normalnim koracima.
50 100 150 200
-10
-7.5
-5
-2.5
2.5
5
Primjeri vremenskih nizova
ü Primjer 1:
Godišnji broj uhvaćenih risova u sjeverozapadnoj Kanadi od 1821 do 1934.
1820 1840 1860 1880 1900 1920godina
01000200030004000500060007000
jorbavosir
Stohastičko modeliranje.nb 2
ü Primjer 2:
Ukupni mjesečni broj internacionalnih avionskih putnika u tisućama od siječnja 1949 do prosinca 1960.
1950 1952 1954 1956 1958 1960godina
100
200
300
400
500
600
jorbakintup
ü Primjer 3:
Cijena dionice od 1871 do 1970
1880 1900 1920 1940 1960t
0
10
20
30
40
50
anejicecinoid
ü Primjer 4:
Mjesečna nezaposlenost (u tisućama) za muške u dobi 16-19 godina od 1948-1981.
Stohastičko modeliranje.nb 3
1950 1955 1960 1965 1970 1975 1980t
0
200
400
600
800
1000
1200česejm
antsonelsopazen
Procjena i eliminacija trenda
1880 1900 1920 1940 1960t
0
10
20
30
40
50
anejicecinoid
ü Eliminiranje varijabilnosti
Box-Coxova logaritamska transformacija podataka.
20 40 60 80 1001.5
2.5
3
3.5
4
4.5
Stohastičko modeliranje.nb 4
ü Prilagođavanje polinoma
Podaci sugeriraju linearan trend, pa prilagođujemo linearnu funkciju.
1.03569 + 0.0281928 t
20 40 60 80 100
-0.75
-0.5
-0.25
0.25
0.5
0.75
ü Izglađivanje filterom pokretnih sredina
20 40 60 80 1001.5
2.5
3
3.5
4
4.5
20 40 60 801.5
2.5
3
3.5
4
4.5
Stohastičko modeliranje.nb 5
20 40 60 80
-0.6
-0.4
-0.2
0.2
0.4
0.6
ü Eksponencijalno izglađivanje
20 40 60 80 1001.5
2.5
3
3.5
4
4.5
20 40 60 80 1001.5
2.5
3
3.5
4
4.5
20 40 60 80 100
-0.4
-0.3
-0.2
-0.1
0.1
0.2
Stohastičko modeliranje.nb 6
ü Diferenciranje
20 40 60 80 1001.5
2.5
3
3.5
4
4.5
20 40 60 80 100
-0.6
-0.4
-0.2
0.2
0.4
Procjena i eliminacija sezonske komponente
Ukupni mjesečni broj internacionalnih avionskih putnika u tisućama od siječnja 1949 do prosinca 1960.
1950 1952 1954 1956 1958 1960godina
100
200
300
400
500
600
jorbakintup
ü Eliminiranje varijabilnosti
Box-Coxova logaritamska transformacija podataka.
Stohastičko modeliranje.nb 7
20 40 60 80 100 120 140t
4.75
5.255.5
5.756
6.25
LogHxtL
ü Eliminiranje sezonske komponente diferenciranjem
Diferenciramo s periodom 12.
20 40 60 80 100 120t
-0.05
0.050.1
0.150.2
0.250.3
H1−B12LLogHxtL
Podaci više ne pokazuju periodičnost, t.j., sezonska komponenta je eliminirana.Diferenciramo još jedanput. Dobivamo:
20 40 60 80 100 120t
-0.1
-0.05
0.05
0.1
H1−BLH1−B12LLogHxtL
Transformirani podaci izgledaju kao vjerojatna realizacija stacionarnog niza.
Stohastičko modeliranje.nb 8
ARMA modeli
Opći oblik ARMA modela Xt - f1 Xt-1 - f2 Xt-2 - … - fp Xt- p = Zt + q1 Zt-1 + q2 Zt-2 + … + qq Zt-q.
Konstante 8f1, f2, … , fp < i 8q1, q2, … , qq < zovu se autoregresivni (AR) koeficijenti i koeficijenti pokretnih sredina(MA). (8Zt < je bijeli šum s očekivanjem 0 i varijancom s2 .)Uvedimo operator pomaka unatrag B pomoću B j Xt = Xt- j.Definiramo autoregresivni polinom f(x) kao fHxL = 1 - f1 x - f2 x2 - … - fp xp
i polinom pomičnih sredina q(x) kao qH xL = 1 + q1 x + q2 x2 + … + qq xq ,te pretpostavimo da ti polinomi nemaju zajedničkih nul-točaka. Tada se definicijska jednadžba ARMA procesa možezapisati kao fHBL Xt = qHBL Zt.
ü Autoregresivni procesi AR(p)
Kod autoregresivnih procesa q=0. Autoregresivan proces je stacionaran ako su nul-točke autoregresivnog polinomaizvan jedinične kružnice.
Primjeri:
AR(1) procesi:Xt = 0.8 Xt-1 + Zt , Zt je WN(0,1)
50 100 150 200
-4
-2
2
4
6
Autokorelacijska funkcija uzorka i teorijska autokorelacijska funkcija.
Stohastičko modeliranje.nb 9
5 10 15 20 25k
0.2
0.4
0.6
0.8
1rhoHkL
5 10 15 20 25k
0.2
0.4
0.6
0.8
1rhoHkL
5 10 15 20 25k
0.2
0.4
0.6
0.8
1rhoHkL
Parcijalna korelacijska funkcija uzorka i teorijska parcijalna korelacijska funkcija.
5 10 15 20k
0.2
0.4
0.6
0.8rhoHkL
Stohastičko modeliranje.nb 10
5 10 15 20k
0.2
0.4
0.6
0.8phi k,k
5 10 15 20k
0.2
0.4
0.6
0.8rhoHkL
AR(1) procesi:Xt = - 0.8 Xt-1 + Zt , Zt je WN(0,1)
50 100 150 200
-4
-2
2
4
Autokorelacijska funkcija uzorka i teorijska autokorelacijska funkcija.
5 10 15 20 25k
-0.75-0.5
-0.25
0.250.5
0.751
rhoHkL
Stohastičko modeliranje.nb 11
5 10 15 20 25k
-0.8-0.6-0.4-0.2
0.20.40.6rhoHkL
5 10 15 20 25k
-0.75-0.5
-0.25
0.250.5
0.751
rhoHkL
Parcijalna korelacijska funkcija uzorka i teorijska parcijalna korelacijska funkcija.
5 10 15 20k
-0.8
-0.6
-0.4
-0.2
rhoHkL
5 10 15 20k
-0.8
-0.6
-0.4
-0.2
phi k,k
Stohastičko modeliranje.nb 12
5 10 15 20k
-0.8
-0.6
-0.4
-0.2
rhoHkL
AR(2) procesi:Xt = - 0.9 Xt-1 - 0.8 Xt-2 + Zt , Zt je WN(0,1)Nul-točke autoregresivnog polinoma su {xØ-0.5625-0.966227 Â},{xØ-0.5625+0.966227 Â}
50 100 150 200
-4
-2
2
4
Autokorelacijska funkcija uzorka i teorijska autokorelacijska funkcija.
5 10 15 20 25k
-0.4-0.2
0.20.40.60.8
1rhoHkL
Stohastičko modeliranje.nb 13
5 10 15 20 25k
-0.4-0.2
0.20.40.60.8
1rhoHkL
5 10 15 20 25k
-0.4-0.2
0.20.40.60.8
1rhoHkL
Parcijalna korelacijska funkcija uzorka i teorijska parcijalna korelacijska funkcija.
5 10 15 20k
-0.8
-0.6
-0.4
-0.2
rhoHkL
5 10 15 20k
-0.8
-0.6
-0.4
-0.2
phi k,k
Stohastičko modeliranje.nb 14
5 10 15 20k
-0.8
-0.6
-0.4
-0.2
rhoHkL
AR(2) procesi:Xt = - 0.5 Xt-1 + 0.2 Xt-2 + Zt , Zt je WN(0,1)Nul-točke autoregresivnog polinoma su {xØ-1.31174},{xØ3.81174}
50 100 150 200
-3
-2
-1
1
2
3
Autokorelacijska funkcija uzorka i teorijska autokorelacijska funkcija.
5 10 15 20 25k
-0.5
-0.25
0.25
0.5
0.75
1rhoHkL
Stohastičko modeliranje.nb 15
5 10 15 20 25k
-0.5
-0.25
0.25
0.5
0.75
1rhoHkL
5 10 15 20 25k
-0.5
-0.25
0.25
0.5
0.75
1rhoHkL
Parcijalna korelacijska funkcija uzorka i teorijska parcijalna korelacijska funkcija.
5 10 15 20k
-0.6
-0.4
-0.2
0.2rhoHkL
5 10 15 20k
-0.6
-0.4
-0.2
0.2phi k,k
Stohastičko modeliranje.nb 16
5 10 15 20k
-0.6
-0.4
-0.2
0.2rhoHkL
ü Procesi pokretnih sredina MA(q)
Kod procesa pokretnih sredina p=0.
MA(1) procesi:Xt = Zt + 0.8 Zt-1, Zt je WN(0,1)
50 100 150 200
-2
2
4
Autokorelacijska funkcija uzorka i teorijska autokorelacijska funkcija.
5 10 15 20 25k
-0.2
0.2
0.4
0.6
0.8
1rhoHkL
Stohastičko modeliranje.nb 17
5 10 15 20 25k
0.2
0.4
0.6
0.8
1rhoHkL
5 10 15 20 25k
-0.2
0.2
0.4
0.6
0.8
1rhoHkL
Parcijalna korelacijska funkcija uzorka i teorijska parcijalna korelacijska funkcija.
5 10 15 20k
-0.2
0.2
0.4
rhoHkL
5 10 15 20k
-0.15-0.1
-0.05
0.050.1
0.15
phi k,k
Stohastičko modeliranje.nb 18
5 10 15 20k
-0.2
0.2
0.4
rhoHkL
MA(1) procesi:Xt = Zt - 0.8 Zt-1, Zt je WN(0,1)
50 100 150 200
-3
-2
-1
1
2
3
Autokorelacijska funkcija uzorka i teorijska autokorelacijska funkcija.
5 10 15 20 25k
-0.4-0.2
0.20.40.60.8
1rhoHkL
5 10 15 20 25k
-0.4-0.2
0.20.40.60.8
1rhoHkL
Stohastičko modeliranje.nb 19
5 10 15 20 25k
-0.4-0.2
0.20.40.60.8
1rhoHkL
Parcijalna korelacijska funkcija uzorka i teorijska parcijalna korelacijska funkcija.
5 10 15 20k
-0.4
-0.3
-0.2
-0.1
0.1
rhoHkL
5 10 15 20k
-0.3
-0.25
-0.2
-0.15
-0.1
-0.05
phi k,k
5 10 15 20k
-0.5
-0.4
-0.3
-0.2
-0.1
0.1
rhoHkL
Stohastičko modeliranje.nb 20
ü ARMA procesi ARMA(p,q)
ARMA(1,1) procesi:Xt = 0.6 Xt-1 +Zt + 0.8 Zt-1, Zt je WN(0,1)
50 100 150 200
-2
-1
1
2
3
Autokorelacijska funkcija uzorka i teorijska autokorelacijska funkcija.
5 10 15 20 25k
-0.2
0.2
0.4
0.6
0.8
1rhoHkL
5 10 15 20 25k
0.2
0.4
0.6
0.8
1rhoHkL
Stohastičko modeliranje.nb 21
5 10 15 20 25k
-0.2
0.2
0.4
0.6
0.8
1rhoHkL
Parcijalna korelacijska funkcija uzorka i teorijska parcijalna korelacijska funkcija.
5 10 15 20k
-0.2
-0.1
0.1
0.2
0.3rhoHkL
5 10 15 20k
-0.1
-0.05
0.05
0.1
0.15phi k,k
5 10 15 20k
-0.2
-0.1
0.1
0.2
0.3rhoHkL
Stohastičko modeliranje.nb 22
Analiza u frekvencijskoj domeni
Primjeri spektralne gustoće ARMA procesa.
AR(1) procesi:Xt = a1 Xt-1 + Zt , Zt je WN(0,1)
a1 = 0.8
s2 π H1 + a12 − 2 a1 Cos@wDL
-3 -2 -1 1 2 3w
1
2
3
4fHwL
a1 = −0.8
s2 π H1 + a12 − 2 a1 Cos@wDL
-3 -2 -1 1 2 3w
1
2
3
4fHwL
AR(2) procesi:Xt = a1 Xt-1 + a2 Xt-2 + Zt , Zt je WN(0,1)
a1 = −0.9, a2 = −0.8
Stohastičko modeliranje.nb 23
sêH2 π H1 + a12 + a22 + 2 a1 H−1 + a2L Cos@wD − 2 a2 Cos@2 wDLL
-3 -2 -1 1 2 3w
1
2
3
4
5
fHwL
a1 = 0.9, a2 = −0.2
sêH2 π H1 + a12 + a22 + 2 a1 H−1 + a2L Cos@wD − 2 a2 Cos@2 wDLL
-3 -2 -1 1 2 3w
0.250.5
0.751
1.251.5
1.75fHwL
MA(1) procesi:Xt = Zt + b1 Zt-1, Zt je WN(0,1)
b1 = 0.8
s H1 + b12 + 2 b1 Cos@wDL2 π
-3 -2 -1 1 2 3w
0.1
0.2
0.3
0.4
0.5fHwL
b1 = −0.8
Stohastičko modeliranje.nb 24
s H1 + b12 + 2 b1 Cos@wDL2 π
-3 -2 -1 1 2 3w
0.1
0.2
0.3
0.4
0.5fHwL
ARMA(1,1) procesi:Xt = a1 Xt-1 +Zt +b1 Zt-1, Zt je WN(0,1)
a1 = −0.6, b1 = 0.8
s H1 + b12 + 2 b1 Cos@wDL2 π H1 + a12 − 2 a1 Cos@wDL
-3 -2 -1 1 2 3w
0.05
0.075
0.125
0.15
0.175
0.2fHwL
Primjer procesa s diskretnim spektrom:Xn =⁄ j=0
1 @A j cos(w j n)+B j sin(w j n)]A0 , B0 su N(0,1) slučajne varijable, A1 , B1 su N(0,2) slučajne varijable, w0 = pÅÅÅÅ3 , w1 = pÅÅÅÅ2 .
Stohastičko modeliranje.nb 25
50 100 150 200
-1.5
-1
-0.5
0.5
1
1.5
Autokorelacijska funkcija:
10 20 30 40 50
-4
-2
2
4
Brownovo gibanje i difuzije
Standardno Brownovo gibanje
Standardno Brownovo gibanje je stohastički proces HBt , t > 0L s nezavisnim stacionarnim prirastima, takav da B1 imaN(0,1) distribuciju.
ü Simulacija standardnog Brownovog gibanja
Stohastičko modeliranje.nb 26
0.2 0.4 0.6 0.8 1
-0.8
-0.6
-0.4
-0.2
0.2
Brownovo gibanje
Brownovo gibanje s koeficijentom drifta m i difuzijskim koeficijentom s je stohastički proces HWt, t > 0L s nezavisnimi stacionanim prirastima takav da W1 ima N(m, s2 ) distribuciju. Brownovo gibanje W može se dobiti iz standardnog Brownovog gibanja B linearnom transformacijom Wt =mt+sBt .
ü Simulacija Brownovog gibanja
dW1t = 1 dt + 1 dBt ; W10 = 0
0.2 0.4 0.6 0.8 1
-0.4
-0.2
0.2
0.4
0.6
0.8
1
Usporedba Brownovog gibanja bez drifta i s driftom.
Stohastičko modeliranje.nb 27
0.2 0.4 0.6 0.8 1
-0.5
0.5
1
Utjecaj koeficijenta difuzije s na trajektoriju.
dW2t = 0 dt + 4 dBt ; W20 = 0
0.2 0.4 0.6 0.8 1
-3
-2
-1
1
Usporedba Brownovih gibanja za s=1 i s=4.
0.2 0.4 0.6 0.8 1
-3
-2
-1
1
Stohastičko modeliranje.nb 28
Dvodimenzionalno Brownovo gibanje
Standardno dvodimenzionalno Brownovo gibanje je dvodimenzionalni stohastički proces HBt,1, Bt,2L gdje su Bt,1 i Bt,2
nezavisna, standardna (jednodimenzionalna) Brownova gibanja.
ü Simulacija dvodimenzionalnog Brownovog gibanja
-0.8 -0.6 -0.4 -0.2 0.2
-0.6
-0.4
-0.2
Trajektorije (nezavisnih) komponenti.
0.2 0.4 0.6 0.8 1
-0.6
-0.4
-0.2
0.2 0.4 0.6 0.8 1
-0.8
-0.6
-0.4
-0.2
0.2
Stohastičko modeliranje.nb 29
0.2 0.4 0.6 0.8 1
-0.8
-0.6
-0.4
-0.2
0.2
Korelirano dvodimenzionalno Brownovo gibanje
Korelirano dvodimenzionalno Brownovo gibanje je dvodimenzionalni stohastički proces W=A B + m t, gdje je Bstandardno dvodimenzionalno Brownovo gibanje, A matrica reda dva, a m je dvodimenzionalni vektor.
A = J 1 −30 1
N;µ = 80, 0<;
Kovarijacijska matrica jednaka je G=A*AT .
Γ = [email protected]@ADDJ 10 −3−3 1 N
Sljedeća dva grafa prikazuju simulirane komponente vektora W, dok su na trećem dane obje komponente.
0.2 0.4 0.6 0.8 1-0.5
0.5
1
1.5
2
Stohastičko modeliranje.nb 30
0.2 0.4 0.6 0.8 1
-0.6
-0.4
-0.2
0.2 0.4 0.6 0.8 1-0.5
0.5
1
1.5
2
Sljedeće slike prikazuju korelirano Brownovo gibanje W u ravnini, te zajedno korelirano i nekorelirano Brownovogibanje u ravnini.
-0.5 0.5 1 1.5 2
-0.6
-0.4
-0.2
-1 -0.5 0.5 1 1.5 2
-0.6
-0.4
-0.2
Stohastičko modeliranje.nb 31
Difuzije
Difuzija (Xt , t>0) je Markovljev proces s neprekidnim putovima koji zadovoljava sljedeću stohastičku diferencijalnujednadžbu: Xt = X0 + Ÿ0
tmHXs, sL „ s + Ÿ0
tsHXs, sL „ Bs
gdje je HBt , t > 0L standardno Brownovo gibanje, a m i s >0 realne funkcije.
ü Simulacija difuzije
Generirajuće Brownovo gibanje.
0.2 0.4 0.6 0.8 1
-0.3-0.2-0.1
0.10.20.30.4
Difuzija s m(x)=x, s(x)=x2 i usporedba s generirajućim Brownovim gibanjem.
dXt = Xt dt + HXtL2 dBt ; X0 = 3
0.2 0.4 0.6 0.8 1
1.5
2
2.5
Stohastičko modeliranje.nb 32
0.2 0.4 0.6 0.8 1
0.5
1
1.5
2
Difuzija s m(x)=x, s(x)=1/x i usporedba s generirajućim Brownovim gibanjem.
dXt = Xt dt +1Xt dBt ; X0 = 1
0.2 0.4 0.6 0.8 1
1.5
2
2.5
3
0.2 0.4 0.6 0.8 1
0.5
1
1.5
2
2.5
3
Ornstein-Uhlenbeckov proces
Ornstein-Uhlenbeckov proces je difuzija kod koje je m(x)= -g x, g>0, A s je konstanta.
ü Simulacija Ornstein-Uhlenbeckovog procesa
Generirajuće Brownovo gibanje.
Stohastičko modeliranje.nb 33
1 2 3 4 5
-4
-3
-2
-1
Ornstein-Uhlenbeckov proces s g=4 i s=1, i usporedba s generirajućim Brownovim gibanjem.
dXt = −4 HXtL dt + 1 dBt ; X0 = 1
1 2 3 4 5
-1
-0.5
0.5
1
1 2 3 4 5
-4
-3
-2
-1
1
Stohastičko modeliranje.nb 34
Geometrijsko Brownovo gibanje
Geometrijsko Brownovo gibanje je difuzija Xt kod koje je koeficijent drifta jednakm(x)=m x, a koeficijent difuzije s(x)=s x. Proces Xt zadovoljava sljedeću stohatičku diferencijalnu jednadžbu: Xt = X0 + Ÿ0
tm Xs „ s + Ÿ0
ts Xs „ Bs
Rješenje jednadžbe je: Xt = X0 exp 8 Hm - s2 ê 2L t + s Bt <Geometrijsko Brownovo gibanje je model kretanja cijena dionica. Uveo ga je Samuelson, a koristili Black, Scholes iMorton.
ü Ponašanje geometrijskog Brownovog gibanja za t->•
Ako je m - s2 ê 2 < 0, tada Xt Ø 0 za t -> ¶ .Ako je m - s2 ê 2 = 0, tada Xt oscilira između 0 i +¶.Ako je m - s2 ê 2 > 0, tada Xt Ø +¶ za t -> ¶ .
Za m = 0, Xt je martingal.
ü Simulacija geometrijskog Brownovog gibanja
Generirajuće Brownovo gibanje.
1 2 3 4 5
-1
-0.5
0.5
1
1.5
2
2.5
Geometrijsko Brownovo gibanje sa m=0.15, te redom s=0, s=0.05, s=0.1, s=0.2, s=0.5.
dXt = 0.15 HXtL dt + 0. HXtL dBt ; X0 = 1
Stohastičko modeliranje.nb 35
1 2 3 4 5
1.2
1.4
1.6
1.8
2
dXt = 0.15 HXtL dt + 0.05 HXtL dBt ; X0 = 1
1 2 3 4 5
1.2
1.4
1.6
1.8
2
dXt = 0.15 HXtL dt + 0.1 HXtL dBt ; X0 = 1
1 2 3 4 5
1.2
1.4
1.6
1.8
2
dXt = 0.15 HXtL dt + 0.2 HXtL dBt ; X0 = 1
1 2 3 4 5
1.25
1.5
1.75
2
2.25
2.5
dXt = 0.15 HXtL dt + 0.5 HXtL dBt ; X0 = 1
Stohastičko modeliranje.nb 36
1 2 3 4 5
-1
1
2
3
Brownovo gibanje i slučajne šetnje
Brownovo gibanje aproksimiramo nizom slučajnih šetnji. Koraci slučajne šetnje su centrirani, s konačnom varijancom.U svim primjerima zahtijevat ćemo da je varijanca jednaka 1.
ü Simulacija slučajne šetnje
ü Bernoullijevi koraci: X=ikjjjj -è!!!!
2è!!!!
21 ê 2 1 ê 2
y{zzzzProstorno neskalirane aproksimacije.
0.2 0.4 0.6 0.8 1
1
2
3
4
Stohastičko modeliranje.nb 37
0.2 0.4 0.6 0.8 1
1
2
3
4
5
6
0.2 0.4 0.6 0.8 1
1
2
3
4
5
6
0.2 0.4 0.6 0.8 1
2.5
5
7.510
12.5
1517.5
0.2 0.4 0.6 0.8 1
2.5
5
7.510
12.5
1517.5
Stohastičko modeliranje.nb 38
0.2 0.4 0.6 0.8 1
5
10
15
20
25
Prostorno skalirane aproksimacije.
0.2 0.4 0.6 0.8 1-0.2
0.2
0.4
0.6
0.8
1
0.2 0.4 0.6 0.8 1
0.2
0.4
0.6
0.8
1
0.2 0.4 0.6 0.8 1
0.2
0.4
0.6
0.8
Stohastičko modeliranje.nb 39
0.2 0.4 0.6 0.8 1
0.25
0.5
0.75
1
1.25
1.5
0.2 0.4 0.6 0.8 1
0.2
0.4
0.6
0.8
1
0.2 0.4 0.6 0.8 1
0.2
0.4
0.6
0.8
1
ü Bernoullijevi koraci: X=J -1 ê 3 39 ê 10 1 ê 10
N
0.2 0.4 0.6 0.8 1
-0.8
-0.6
-0.4
-0.2
0.2
0.4
0.6
Stohastičko modeliranje.nb 40
0.2 0.4 0.6 0.8 1
-0.5-0.25
0.250.5
0.751
1.25
0.2 0.4 0.6 0.8 1
0.2
0.4
0.6
0.8
0.2 0.4 0.6 0.8 1-0.2
0.2
0.4
0.6
0.2 0.4 0.6 0.8 1
0.25
0.5
0.75
1
1.25
Stohastičko modeliranje.nb 41
0.2 0.4 0.6 0.8 1-0.2
0.2
0.4
0.6
0.8
1
ü Normalni koraci: X=N(0,1)
0.2 0.4 0.6 0.8 1
-0.8
-0.6
-0.4
-0.2
0.2
0.2 0.4 0.6 0.8 1
-0.6
-0.4
-0.2
0.2
0.4
0.2 0.4 0.6 0.8 1
-0.4
-0.2
0.2
0.4
0.6
0.8
Stohastičko modeliranje.nb 42
0.2 0.4 0.6 0.8 1-0.2
0.2
0.4
0.6
0.8
1
0.2 0.4 0.6 0.8 1-0.2
0.2
0.4
0.6
0.8
0.2 0.4 0.6 0.8 1
-0.5
-0.25
0.25
0.5
0.75
1
ü Eksponencijalni koraci: X=E(1)-1
0.2 0.4 0.6 0.8 1
-0.5
-0.25
0.25
0.5
0.75
1
Stohastičko modeliranje.nb 43
0.2 0.4 0.6 0.8 1-0.25
0.250.5
0.751
1.25
0.2 0.4 0.6 0.8 1-0.2
0.2
0.4
0.6
0.8
1
0.2 0.4 0.6 0.8 1-0.2
0.2
0.4
0.6
0.8
1
1.2
0.2 0.4 0.6 0.8 1
0.2
0.4
0.6
0.8
Stohastičko modeliranje.nb 44
0.2 0.4 0.6 0.8 1
-0.2
0.2
0.4
0.6
Stohastičko modeliranje.nb 45