Nestacionární procesy částic

Abstract

Název práce: Nestacionární procesy částic Autor: Čeněk Jirsák Katedra: Katedra pravděpodobnosti a matematické statistiky Vedoucí diplomové práce: Doc. RNDr. Jan Rataj, CSc., Matematický ústav UK e-mail vedoucího: rataj@karlin.mff.cuni.cz Abstrakt: Na mnoho reálných jevů je možno modelovat jako na náhodné uzavřené mno- žiny různé Hausdorffovy dimenze v Rd . Jedna ze základních charakteristik takové náhodné množiny je střední Hausdorffova míra této množiny. Pokud existuje její hustota, potom jí říkáme funkce intenzity. V práci je postupně vybudován jádrový odhad funkce intenzity. V tomto smyslu je důležitý koncept Hk -rektifikovatelné množiny. Jsou zkoumány jeho vlastnosti, jako je nestrannost a konvergenční vlastnosti. Vzhledem ke složitosti výpočtu samotného odhadu jsou odvozeny numerické aproximace. Krátce jsou zmíněny parame- trické modely a využití jádrového odhadu pro odhad parametrů metodou minimálního kontrastu. Navrhované postupy jsou na závěr ověřovány na simulovaných datech. Klíčová slova: stochastická geometrie, míra intenzity, náhodná uzavřená množina, jádrový odhad 1

Title: Nonstacionary particle processes Author: Čeněk Jirsák Department: Department of Probability and Mathematical Statistics Supervisor: Doc. RNDr. Jan Rataj, CSc., Mathematical Institute, Charles University Supervisor's e-mail address: rataj@karlin.mff.cuni.cz Abstract: Many real phenomena can be modeled as random closed sets of different Hausdorff dimension in Rd . One of the main characteristics of such random set is its expected Hausdorff measure. In case that this measure has a density, the density is called intensity function. In present paper we define a nonparametric kernel estimation of the intensity function. The concept of Hk -rectifiable set has a key role here. Properties of kernel estimation such as unbiasness or convergence behavior are studied. As the esti- mation may be difficult to compute precisely numerical approximations are derived for practical use. Parametric models are also briefly mentioned and the kernel estimation is used with the minimum contrast method to estimate the parameters of the model. At last the suggested methods are tested on simulated data. Keywords: stochastic geometry, intensity measure, random closed set, kernel estimation 1