| Summary: | Darbo tikslas – sukonstruoti dvimatį skirstinį, kai duoti vienmačiai (marginalieji) skirstiniai, atlikti maksimumų asimptotinę analizę ir ištirti konvergavimo greitį. Dvimatis skirstinys konstruojamas dviem atvejais: kai vektorių komponentės yra priklausomos ir nepriklausomos. Detalesnė konvergavimo greičio analizė atlikta, kai komponentės yra priklausomos. Tyrimui buvo pasirinktas Pareto skirstinys. Pirmoje tiriamosios dalies ir rezultatų dalyje yra konstruojamas dvimatis skirstinys, skaičiuojamos jo pagrindinės charakteristikos, tiriama, ar prie visų parametrų reikšmių jos egzistuoja. Taip pat generuojami atsitiktiniai dydžiai, kurių skirstiniai yra sukonstruotosios skirstinio funkcijos marginalieji skirstiniai, ir eksperimentiškai bandoma pagrįsti gautus rezultatus. Antroje dalyje atliekama asimptotinė analizė. Apibrėžiami dvimačiai maksimumai, ieškomas ribinis skirstinys. Juos suradus, apibrėžiamas apytikslis konvergavimo greičio įvertis, atliekama jo bei paklaidų kompiuterinė analizė, ieškoma, kokioms sąlygoms esant jie yra mažiausi. Sukonstruoto dvimačio skirstinio skaitinių charakteristikų tyrimas atliekama programiniu paketu MathCAD. Kompiuterinė konvergavimo greičio įverčių analizė atliekama programinio paketo Matlab pagalba. Jo aplinkoje buvo sukurta programa vartotojui, kuri nubraižo konvergavimo greičio įvertį bei paklaidas. === The aim of this paper is to construct two-dimensional random variables, having one-dimensional ones, carry out the asymptotical analysis and study the speed of convergence. Two-dimensional distribution is constructed in two ways: when the components of random variables are independent and dependent. As in the last few years Pareto distribution is popular in financial models, it was chosen for the analyses. It was proved, that in both cases of independent and dependent components of the vector, the limit distribution is the same. This means that although the components of the vector are dependent, the maxima are asymptotically independent. Besides, the errors are smaller than the approximate estimate. Although, the approximate estimate in the case of independent components is smaller than in the case of dependent components, the errors are on the contrary: they are smaller when the components are dependent than when the components are independent.
|
|---|
