Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza

Wielkość: px
Rozpocząć pokaz od strony:

Download "Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza"

Transkrypt

1 Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza Łukasz Kanar UNIWERSYTET WARSZAWSKI WYDZIAŁ NAUK EKONOMICZNYCH WARSZAWA 2008

2 1. Portfel Markowitza Dany jest pewien portfel n 1 spółek giełdowych. KaŜda akcja przynosi pewną stopę zwrotu. Ta stopa jest zmienną losową. Znane są jej podstawowe charakterystyki, tj. wartość oczekiwana oraz wariancja. Interesuje mnie wartość oczekiwana oraz wariancja całego portfela, chcę w jakiś sposób wyznaczyć zbiór moŝliwych wartości oczekiwanych portfela w zaleŝności od jego wariancji. W pracy tej interesować mnie będzie znalezienie granicy minimalnej oraz maksymalnej 2. Granica minimalna to,,lewa strona zbioru dopuszczalnego, czyli takie portfele, które przy danej wartości oczekiwanej mają najmniejszą wariancję. Granica maksymalna to,,prawa strona, czyli portfele, które przy danej wartości oczekiwanej mają najmniejszą wariancję. W praktyce waŝniejsza jest oczywiście granica minimalna, co związane jest z awersją ludzi do ryzyka. Dodatkowo wyznaczę jeszcze portfele efektywne, czyli te które przy ustalonej wariancji mają maksymalną stopę zwrotu, a przy ustalonej stopie zwrotu minimalną wariancję. Model ma następującą postać: n - liczba dostępnych akcji (n=13) µ wektor stóp zwrotu (n x 1) Σ - macierz wariancji-kowariancji stóp zwrotu (n x n) x 1,..., x n udziały poszczególnych akcji w portfelu (Σ n i=1 x i = 1) Przyjmuję dodatkowe załoŝenia: 1) Nie ma krótkiej sprzedaŝy, tzn. x i > 0 dla kaŝdego i = 1,..., n 2) Aktywa są doskonale podzielne, tzn. x i jest liczbą rzeczywistą 3) Brak dodatkowych kosztów (podatki, koszty transakcji, itp.) Stopa zwrotu całego portfela to (x 1... x n )µ Wariancja całego portfela to (x 1... x n ) Σ (x 1... x n ) T Do znalezienia granicy minimalnej (maksymalnej) uŝyję metody symulacyjnej. Zbiór efektywny wyznaczę na podstawie granicy minimalnej. 2. Działanie programu KROK 1: Wczytanie danych Dane pochodzą ze strony bossa.pl. Są to dane w formacie OMEGA. Obejmują 13 spółek gieldowych, tj. Agora, Amica Wronki, Bank BPH, BRE Bank, Dębica, Indykpol, KGHM Polska Miedź, Bank Millenium, Netia, Optimus, Orbis, Prokom Software, TPSA. Wybierając taki portfel kierowałem się długością danych oraz wielkością spółek. Dane są danymi dziennymi. Do programu wczytałem je przy pomocy makra wczytaj_dane_bossa. 1 n=13 2 przede wszystkim minimalnej, wiąŝe się to z lepszą jakością tego zbioru (więcej o tym później przy analizie wyników) oraz z większym znaczeniem praktycznym 2

3 KROK 2: Obróbka danych i estymacja parametrów modelu Wybrałem maksymalny okres, dla którego miałem większość danych dla wszystkich spółek, tj. od do Z pewnych przyczyn zalecane jest branie danych z co drugiej sesji. W ten sposób zostały mi 966 obserwacje 3. Parametry modelu wyestymowałem przy uŝyciu procedury corr. PoniŜej przedstawiam wyniki estymacji: Statystyki proste Odch. Zmienna N Średnia standard. Suma Minimum Maksimum dagora damica dbankbph dbre ddebica dindykpol dkghm dmillennium dnetia doptimus dorbis dprokom dtpsa Macierz kowariancji, DF = 904 dagora damica dbankbph dbre ddebica dagora damica dbankbph dbre ddebica dindykpol dkghm dmillennium dnetia doptimus dindykpol dkghm dmillennium dnetia doptimus dagora damica dbankbph dbre ddebica dindykpol dkghm dmillennium dnetia doptimus dorbis dprokom dtpsa dagora damica dbankbph dbre ddebica dindykpol dkghm dmillennium dnetia doptimus Uwaga 1: Niektóre oszacowane na podstawie danych historycznych stopy zwrotu są ujemne. NaleŜałoby się zastanowić czy w ogóle moŝna je brać pod uwagę? Podobnie moŝna się zastanowić czy nie istnieje jakaś stopa wolna od ryzyka, od której zysk portfela powinien być 3 poniewaŝ dane nie były pełne, liczba ta zmalała do 905 3

4 większy? Postanowiłem jednak nie ustalać Ŝadnej takiej granicy i dopuścić wszystkie portfele uznając Ŝe dodanie do kaŝdej średniej stałej nie zmieni kształtu zbioru a pozwoli na uniknięcie tego typu problemu. KROK 3: Znajdowanie granicy 1) Tworzę macierze wyniki, wyniki2 i wyniki22. Ich budowa jest następująca: Kolumny 1-13 będą wskazywać udział poszczególnych akcji w portfelu Kolumna 14 to oczekiwana stopa zwrotu w portfelu Kolumna 15 to zaokrąglona wartość kolumny 14. Macierze wyniki2 oraz wyniki22 miały tam wszelkie dostępne poziomy zmiennej wartość oczekiwana po zaokrągleniu Kolumna 16 to wariancja portfela. Początkowo wartość ta dla macierzy wyniki2 jest bardzo duŝa, a dla wyniki22 bardzo mała. Kolumna 17 to numer, który przyda się do identyfikacji po złączeniu macierzy Kolumna 18 miała charakter jedynie orientacyjny. Pokazywała ile razy dana wartość zmiennej została osiągnięta 4. Macierz wyniki ma tyle wierszy ile ma być losowań (domyślnie 5 000). Macierze wyniki2 oraz wyniki 22 mają tyle wierszy ile moŝliwych jest dopuszczalnych poziomów zmiennej wartość oczekiwana. Uwaga 2: Oglądając program polecam zmienianie jedynie liczby losowań. Myślę, Ŝe wartością graniczną jest , później niewiele się zyskuje mimo dłuŝszej pracy programu. Myślę, Ŝe minimalna liczba to Uwaga 3: Raczej nie powinno się zmieniać poziomu zaokrąglenia. Zaokrąglenie jest dobrane odpowiednio do tego problemu, a jego zmiana moŝe spowodować zbyt duŝą niedokładność spowodowaną w przypadku zwiększenia jej poziomu lub zbyt małą liczbę losowaną na dany poziom w przypadku jej zmniejszenia. 2) Losowanie Losuję pewien portfel. Obliczam dla niego wartość oczekiwaną, oszacowaną wartość oczekiwaną oraz wariancję. Następnie sprawdzam, czy taki portfel jest lepszy od dotychczasowego portfela uznanego za najlepszego dla danego poziomu oszacowanej wartości oczekiwanej. Jeśli tak to podmieniam ten najlepszy portfel nowym. Procedurę powtarzamy odpowiednią liczbę razy. Uwaga 4: Sposób losowania portfela jest niezwykle waŝny. Przykładowo początkowo wybierałem następujący sposób losowania: Dla kaŝdej akcji losuję liczbę z przedziału jednostajnego [0,1] Dzielę tą liczbę przez sumę liczb. W ten sposób udziały sumują się do 1 i są z przedziału [0,1] Sposób ten jest zły, gdyŝ wylosowane portfele są bardzo,,skupione. CięŜko o to by w jakimś portfelu jakaś akcja miała udział np. 90%, gdyŝ: 4 w przypadku macierzy wyniki wartości te nie mają Ŝadnego znaczenia, a kolumna jest tylko po to by późniejsze łączenie macierz przebiegało sprawniej. 4

5 Pr(X 1 > 0.9 Σ n i=1 X i ) = Pr(X 1 > 9 Σ n i=2 X i ) ~ podmieniając Σ 13 i=2 X i rozkładem normalnym N(12*0.5,12*1/12) otrzymuję ~ Pr(U(0,1) > 9*N(6,1 2 )) = Pr(U(0,1) > N(54, 9 2 )) < < Pr(1 > N(54, 9 2 )) a to jest praktycznie 5 0, co wynika np. z reguły trzech sigm. W rezultacie jedynie niewielki przedział stopy zwrotu był uwzględniany (nawet przy duŝej ilości losowanych portfeli). Dlatego przyjąłem nieco inny sposób losowania: Wykonaj losową permutację zbioru (1,...13) z równymi prawdopodobieństwami. W ten sposób Ŝadna akcja nie będzie,,uprzywilejowana. 12 razy: Weź daną akcję i wylosuj dla niej liczbę z przedziału [0,h], gdzie h to pozostałe udziały po uwzględnieniu udziałów wszystkich juŝ wcześniej ustalonych akcji Dla 13 akcji ustal wartość taką, by łączne udziały sumowały się do 1. W ten sposób dostałem zdecydowanie bardziej porozrzucane portfele po całym zbiorze dopuszczalnym, co pomogło w lepszym znajdowaniu granicy minimalnej i maksymalnej. 3) Pozbywanie się niektórych wartości Okazało się, Ŝe nie zawsze dla kaŝdego poziomu oszacowanej wartości oczekiwanej mam odpowiedni poziom granicy minimalnej lub maksymalnej. Muszę się więc pozbyć niektórych poziomów dopuszczalnych wartości oczekiwanej. Na to ile się ich pozbędę ma wpływ: dobór zaokrąglenia sposób losowania ilość losowań MoŜna powiedzieć, Ŝe ilość usuwanych poziomów świadczy o jakości programu. Dlatego teŝ moŝna uznać, Ŝe program z drugim sposobem losowania był lepszy od tego z pierwszym sposobem losowania 4) Podział granicy minimalnej Z granicy minimalnej musiałem wybrać zbiór efektywny. Zrobiłem to w następujący sposób: wybrałem minimalną wariancję na granicy minimalnej i uznałem Ŝe jest to punkt, powyŝej którego na granicy minimalnej znajduje się zbiór efektywny. Zachowanie takie jest uzasadnione, gdyŝ granica efektywna jest zbiorem wypukłym. Uwaga 5: Ten punkt ma swoją interpretację. MoŜe on zostać uznany jako punkt optymalny. 5 liczba rzędu

6 3. Wyniki Scalam tabele wyniki, wyniki2 oraz wyniki22 i robię rysunki. Odpowiednie punkty z granicy minimalnej (maksymalnej) łączę liniami prostymi. Biorąc losowań otrzymuję rysunek 1. Warto zauwaŝyć, Ŝe granica minimalna jest wyznaczona w znacznie lepszy sposób niŝ granica maksymalna 6. Związane jest z nieregularnością granicy maksymalnej. O ile granica minimalna jest zbiorem wypukłym, o tyle granica maksymalna moŝe się składać nawet z ,,dzióbków a zatem jej wyznaczenie jest znacznie trudniejsze. Rysunek 1: Zbiór efektywny dla n=5 000 Rysunek 2 pokazuje sposób wyznaczania granic minimalnej i maksymalnej. Widzimy, Ŝe dla konkretnych poziomów stóp zwrotu wybieramy 2 skrajne portfele. Jeden będzie naleŝał do granicy minimalnej, a drugi do granicy maksymalnej. Na koniec tworzę rysunek dla losowań. Granica minimalna jest juŝ bardzo dobrze wyznaczona. Widać, Ŝe jest to zbiór wypukły. Dalsze zwiększanie liczby losowań nie przynosi juŝ jakościowo lepszych rezultatów. 6 patrz teŝ rysunek n - n 1 dla n=13 6

7 Rysunek 2: Wykres po zaokrągleniu stóp zwrotu Rysunek 3: Zbiór efektywny dla n=

Metodologia wyznaczania greckich współczynników dla opcji na WIG20

Metodologia wyznaczania greckich współczynników dla opcji na WIG20 Metodologia wyznaczania greckich współczynników dla opcji na WIG20 (1) Dane wejściowe. Greckie współczynniki kalkulowane są po zamknięciu sesji na podstawie następujących danych: S wartość indeksu WIG20

Bardziej szczegółowo

Inwestycje finansowe. Wycena obligacji. Stopa zwrotu z akcji. Ryzyko.

Inwestycje finansowe. Wycena obligacji. Stopa zwrotu z akcji. Ryzyko. Inwestycje finansowe Wycena obligacji. Stopa zwrotu z akcji. yzyko. Inwestycje finansowe Instrumenty rynku pieniężnego (np. bony skarbowe). Instrumenty rynku walutowego. Obligacje. Akcje. Instrumenty pochodne.

Bardziej szczegółowo

Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych

Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Sebastian Kokot XXI Krajowa Konferencja Rzeczoznawców Majątkowych, Międzyzdroje 2012 Rzetelnie wykonana analiza rynku nieruchomości

Bardziej szczegółowo

Matlab, zajęcia 3. Jeszcze jeden przykład metoda eliminacji Gaussa dla macierzy 3 na 3

Matlab, zajęcia 3. Jeszcze jeden przykład metoda eliminacji Gaussa dla macierzy 3 na 3 Matlab, zajęcia 3. Pętle c.d. Przypomnijmy sobie jak działa pętla for Możemy podać normalnie w Matlabie t=cputime; for i=1:20 v(i)=i; e=cputime-t UWAGA: Taka operacja jest bardzo czasochłonna i nieoptymalna

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 1.10.2012 r.

Matematyka ubezpieczeń majątkowych 1.10.2012 r. Zadanie. W pewnej populacji każde ryzyko charakteryzuje się trzema parametrami q, b oraz v, o następującym znaczeniu: parametr q to prawdopodobieństwo, że do szkody dojdzie (może zajść co najwyżej jedna

Bardziej szczegółowo

EV/EBITDA. Dług netto = Zobowiązania oprocentowane (Środki pieniężne + Ekwiwalenty)

EV/EBITDA. Dług netto = Zobowiązania oprocentowane (Środki pieniężne + Ekwiwalenty) EV/EBITDA EV/EBITDA jest wskaźnikiem porównawczym stosowanym przez wielu analityków, w celu znalezienia odpowiedniej spółki pod kątem potencjalnej inwestycji długoterminowej. Jest on trudniejszy do obliczenia

Bardziej szczegółowo

Test spółek o niskim poziomie zadłużenia

Test spółek o niskim poziomie zadłużenia Test spółek o niskim poziomie zadłużenia W poprzedniej części naszych testów rozpoczęliśmy od przedstawienia w jaki sposób zachowują się spółki posiadające niski poziom zobowiązań. W tym artykule kontynuować

Bardziej szczegółowo

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej 7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach

Bardziej szczegółowo

Rozkłady zmiennych losowych

Rozkłady zmiennych losowych Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli

Bardziej szczegółowo

Cena do wartości księgowej (C/WK, P/BV)

Cena do wartości księgowej (C/WK, P/BV) Cena do wartości księgowej (C/WK, P/BV) Wskaźnik cenadowartości księgowej (ang. price to book value ratio) jest bardzo popularnym w analizie fundamentalnej. Informuje on jaką cenę trzeba zapład za 1 złotówkę

Bardziej szczegółowo

1. Znajdowanie miejsca zerowego funkcji metodą bisekcji.

1. Znajdowanie miejsca zerowego funkcji metodą bisekcji. 1. Znajdowanie miejsca zerowego funkcji metodą bisekcji. Matematyczna funkcja f ma być określona w programie w oddzielnej funkcji języka C (tak, aby moŝna było łatwo ją zmieniać). Przykładowa funkcja to:

Bardziej szczegółowo

Janusz Wywiał Katedra Statystyki Akademia Ekonomiczna w Katowicach

Janusz Wywiał Katedra Statystyki Akademia Ekonomiczna w Katowicach Janusz Wywiał Katedra Statystyki Akademia Ekonomiczna w Katowicac Analiza dokładności ocen wartości średnic cec małyc firm W niniejszej pracy przedstawiono na odpowiednim materiale statystycznym praktyczny

Bardziej szczegółowo

Analiza Statystyczna

Analiza Statystyczna Lekcja 5. Strona 1 z 12 Analiza Statystyczna Do analizy statystycznej wykorzystać można wbudowany w MS Excel pakiet Analysis Toolpak. Jest on instalowany w programie Excel jako pakiet dodatkowy. Oznacza

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Matematyka finansowa 11.10.2004 r. Komisja Egzaminacyjna dla Aktuariuszy. XXXIII Egzamin dla Aktuariuszy - 11 października 2004 r.

Matematyka finansowa 11.10.2004 r. Komisja Egzaminacyjna dla Aktuariuszy. XXXIII Egzamin dla Aktuariuszy - 11 października 2004 r. Komisja Egzaminacyjna dla Aktuariuszy XXXIII Egzamin dla Aktuariuszy - 11 października 2004 r. Część I Matematyka finansowa Imię i nazwisko osoby egzaminowanej:... WERSJA TESTU Czas egzaminu: 100 minut

Bardziej szczegółowo

Test wskaźnika C/Z (P/E)

Test wskaźnika C/Z (P/E) % Test wskaźnika C/Z (P/E) W poprzednim materiale przedstawiliśmy Państwu teoretyczny zarys informacji dotyczący wskaźnika Cena/Zysk. W tym artykule zwrócimy uwagę na praktyczne zastosowania tego wskaźnika,

Bardziej szczegółowo

Testy nieparametryczne

Testy nieparametryczne Testy nieparametryczne Testy nieparametryczne możemy stosować, gdy nie są spełnione założenia wymagane dla testów parametrycznych. Stosujemy je również, gdy dane można uporządkować według określonych kryteriów

Bardziej szczegółowo

Polsko-Niemiecka Współpraca MłodzieŜy Podręcznik uŝytkownika Oprogramowania do opracowywania wniosków PNWM

Polsko-Niemiecka Współpraca MłodzieŜy Podręcznik uŝytkownika Oprogramowania do opracowywania wniosków PNWM Strona 1 / 10 1.1 Wniosek zbiorczy Moduł Wniosek zbiorczy pomoŝe Państwu zestawić pojedyncze wnioski, by je złoŝyć w PNWM celem otrzymania wstępnej decyzji finansowej wzgl. później do rozliczenia. Proszę

Bardziej szczegółowo

Niepewność metody FMEA. Wprowadzenie 2005-12-28

Niepewność metody FMEA. Wprowadzenie 2005-12-28 5-1-8 Niepewność metody FMEA Wprowadzenie Doskonalenie produkcji metodą kolejnych kroków odbywa się na drodze analizowania przyczyn niedociągnięć, znajdowania miejsc powstawania wad, oceny ich skutków,

Bardziej szczegółowo

Inne kryteria tworzenia portfela. Inne kryteria tworzenia portfela. Poziom bezpieczeństwa. Analiza i Zarządzanie Portfelem cz. 3. Dr Katarzyna Kuziak

Inne kryteria tworzenia portfela. Inne kryteria tworzenia portfela. Poziom bezpieczeństwa. Analiza i Zarządzanie Portfelem cz. 3. Dr Katarzyna Kuziak Inne kryteria tworzenia portfela Analiza i Zarządzanie Portfelem cz. 3 Dr Katarzyna Kuziak. Minimalizacja ryzyka przy zadanym dochodzie Portfel efektywny w rozumieniu Markowitza odchylenie standardowe

Bardziej szczegółowo

Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów

Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 3 Generacja realizacji zmiennych losowych Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia: Generowanie

Bardziej szczegółowo

Komisja Egzaminacyjna dla Aktuariuszy LXX Egzamin dla Aktuariuszy z 23 marca 2015 r. Część I Matematyka finansowa

Komisja Egzaminacyjna dla Aktuariuszy LXX Egzamin dla Aktuariuszy z 23 marca 2015 r. Część I Matematyka finansowa Komisja Egzaminacyjna dla Aktuariuszy LXX Egzamin dla Aktuariuszy z 23 marca 2015 r. Część I Matematyka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1. Rozważmy

Bardziej szczegółowo

Analiza korespondencji

Analiza korespondencji Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy

Bardziej szczegółowo

Egzamin ze Statystyki, Studia Licencjackie Stacjonarne czerwiec 2007 Temat A

Egzamin ze Statystyki, Studia Licencjackie Stacjonarne czerwiec 2007 Temat A (imię, nazwisko, nr albumu).. Przy rozwiązywaniu zadań, jeśli to konieczne, naleŝy przyjąć poziom istotności 0,01 i współczynnik ufności 0,95. Zadanie 1 W 005 roku przeprowadzono badanie ankietowe, którego

Bardziej szczegółowo

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH 1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza

Bardziej szczegółowo

ANALIZA I ZARZADZANIE PORTFELEM. Specjalista ds. Analiz Giełdowych Łukasz Porębski

ANALIZA I ZARZADZANIE PORTFELEM. Specjalista ds. Analiz Giełdowych Łukasz Porębski ANALIZA I ZARZADZANIE PORTFELEM Specjalista ds. Analiz Giełdowych Łukasz Porębski PLAN PREZENTACJI 1) Efektywnośd rynków finansowych 2) Teoria portfela Markowitza (Nobel w 1990 r.) 3) Dywersyfikacja 4)

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;

Bardziej szczegółowo

SPRAWDZIAN NR 2 ROBERT KOPERCZAK, ID studenta : k4342

SPRAWDZIAN NR 2 ROBERT KOPERCZAK, ID studenta : k4342 TECHNIKI ANALITYCZNE W BIZNESIE SPRAWDZIAN NR 2 Autor pracy ROBERT KOPERCZAK, ID studenta : k4342 Kraków, 22 Grudnia 2009 2 Spis treści 1 Zadanie 1... 3 1.1 Uszkodzi się tylko pierwsza maszyna.... 3 1.2

Bardziej szczegółowo

Kontrakty terminowe. This presentation or any of its parts cannot be used without prior written permission of Dom Inwestycyjny BRE Banku S..A.

Kontrakty terminowe. This presentation or any of its parts cannot be used without prior written permission of Dom Inwestycyjny BRE Banku S..A. Kontrakty terminowe Slide 1 Podstawowe zagadnienia podstawowe informacje o kontraktach zasady notowania, depozyty zabezpieczające, przykłady wykorzystania kontraktów, ryzyko związane z inwestycjami w kontrakty,

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

Bardziej szczegółowo

Laboratorium nr 8. Temat: Podstawy języka zapytań SQL (część 2)

Laboratorium nr 8. Temat: Podstawy języka zapytań SQL (część 2) Laboratorium nr 8 Temat: Podstawy języka zapytań SQL (część 2) PLAN LABORATORIUM: 1. Sortowanie. 2. Warunek WHERE 3. Eliminacja powtórzeń - DISTINCT. 4. WyraŜenia: BETWEEN...AND, IN, LIKE, IS NULL. 5.

Bardziej szczegółowo

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami:

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Pr(X 1 = 0) = 6/10, Pr(X 1 = 1) = 1/10, i gęstością: f(x) = 3/10 na przedziale (0, 1). Wobec tego Pr(X 1 + X 2 5/3) wynosi:

Bardziej szczegółowo

Analiza zależności liniowych

Analiza zależności liniowych Narzędzie do ustalenia, które zmienne są ważne dla Inwestora Analiza zależności liniowych Identyfikuje siłę i kierunek powiązania pomiędzy zmiennymi Umożliwia wybór zmiennych wpływających na giełdę Ustala

Bardziej szczegółowo

Analiza zdarzeń Event studies

Analiza zdarzeń Event studies Analiza zdarzeń Event studies Dobromił Serwa akson.sgh.waw.pl/~dserwa/ef.htm Leratura Campbell J., Lo A., MacKinlay A.C.(997) he Econometrics of Financial Markets. Princeton Universy Press, Rozdział 4.

Bardziej szczegółowo

Zarządzanie ryzykiem. Opracował: Dr inŝ. Tomasz Zieliński

Zarządzanie ryzykiem. Opracował: Dr inŝ. Tomasz Zieliński Zarządzanie ryzykiem Opracował: Dr inŝ. Tomasz Zieliński I. OGÓLNE INFORMACJE O PRZEDMIOCIE Cel przedmiotu: Celem przedmiotu jest zaprezentowanie studentom podstawowych pojęć z zakresu ryzyka w działalności

Bardziej szczegółowo

Czy moŝna zarobić na rekomendacjach maklerskich? czyli słów kilka o trafności i skuteczności rekomendacji giełdowych

Czy moŝna zarobić na rekomendacjach maklerskich? czyli słów kilka o trafności i skuteczności rekomendacji giełdowych Czy moŝna zarobić na rekomendacjach maklerskich? czyli słów kilka o trafności i skuteczności rekomendacji giełdowych Prezentację przygotował Piotr Cieślak Analityk SII Co to jest rekomendacja? Rekomendacja

Bardziej szczegółowo

PROJEKT CZĘŚCIOWO FINANSOWANY PRZEZ UNIĘ EUROPEJSKĄ. Opis działania raportów w ClearQuest

PROJEKT CZĘŚCIOWO FINANSOWANY PRZEZ UNIĘ EUROPEJSKĄ. Opis działania raportów w ClearQuest PROJEKT CZĘŚCIOWO FINANSOWANY PRZEZ UNIĘ EUROPEJSKĄ Opis działania raportów w ClearQuest Historia zmian Data Wersja Opis Autor 2008.08.26 1.0 Utworzenie dokumentu. Wersja bazowa dokumentu. 2009.12.11 1.1

Bardziej szczegółowo

Runda 5: zmiana planszy: < < i 6 rzutów.

Runda 5: zmiana planszy: < < i 6 rzutów. 1. Gry dotyczące systemu dziesiętnego Pomoce: kostka dziesięciościenna i/albo karty z cyframi. KaŜdy rywalizuje z kaŝdym. KaŜdy gracz rysuje planszę: Prowadzący rzuca dziesięciościenną kostką albo losuje

Bardziej szczegółowo

Oszacowanie i rozkład t

Oszacowanie i rozkład t Oszacowanie i rozkład t Marcin Zajenkowski Marcin Zajenkowski () Oszacowanie i rozkład t 1 / 31 Oszacowanie 1 Na podstawie danych z próby szacuje się wiele wartości w populacji, np.: jakie jest poparcie

Bardziej szczegółowo

Instrukcja automatycznego tworzenia pozycji towarowych SAD na podstawie danych wczytywanych z plików zewnętrznych (XLS).

Instrukcja automatycznego tworzenia pozycji towarowych SAD na podstawie danych wczytywanych z plików zewnętrznych (XLS). Instrukcja automatycznego tworzenia pozycji towarowych SAD na podstawie danych wczytywanych z plików zewnętrznych (XLS). W programie FRAKTAL SAD++ istnieje moŝliwość automatycznego wczytywania danych z

Bardziej szczegółowo

Zmienność. Co z niej wynika?

Zmienność. Co z niej wynika? Zmienność. Co z niej wynika? Dla inwestora bardzo ważnym aspektem systemu inwestycyjnego jest moment wejścia na rynek (moment dokonania transakcji) oraz moment wyjścia z rynku (moment zamknięcia pozycji).

Bardziej szczegółowo

Egzamin ze statystyki, Studia Licencjackie Stacjonarne. TEMAT C grupa 1 Czerwiec 2007

Egzamin ze statystyki, Studia Licencjackie Stacjonarne. TEMAT C grupa 1 Czerwiec 2007 Egzamin ze statystyki, Studia Licencjackie Stacjonarne TEMAT C grupa 1 Czerwiec 2007 (imię, nazwisko, nr albumu).. Przy rozwiązywaniu zadań, jeśli to konieczne, naleŝy przyjąć poziom istotności 0,01 i

Bardziej szczegółowo

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania

Bardziej szczegółowo

Tabele przestawne tabelą przestawną. Sprzedawcy, Kwartały, Wartości. Dane/Raport tabeli przestawnej i wykresu przestawnego.

Tabele przestawne tabelą przestawną. Sprzedawcy, Kwartały, Wartości. Dane/Raport tabeli przestawnej i wykresu przestawnego. Tabele przestawne Niekiedy istnieje potrzeba dokonania podsumowania zawartości bazy danych w formie dodatkowej tabeli. Tabelę taką, podsumowującą wybrane pola bazy danych, nazywamy tabelą przestawną. Zasady

Bardziej szczegółowo

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp. Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.

Bardziej szczegółowo

ZAGADNIENIE TRANSPORTOWE

ZAGADNIENIE TRANSPORTOWE ZAGADNIENIE TRANSPORTOWE ZT jest specyficznym problemem z zakresu zastosowań programowania liniowego. ZT wykorzystuje się najczęściej do: optymalnego planowania transportu towarów, przy minimalizacji kosztów,

Bardziej szczegółowo

WyŜsza Szkoła Zarządzania Ochroną Pracy MS EXCEL CZ.2

WyŜsza Szkoła Zarządzania Ochroną Pracy MS EXCEL CZ.2 - 1 - MS EXCEL CZ.2 FUNKCJE Program Excel zawiera ok. 200 funkcji, będących predefiniowanymi formułami, słuŝącymi do wykonywania określonych obliczeń. KaŜda funkcja składa się z nazwy funkcji, która określa

Bardziej szczegółowo

istocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy

istocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy MODEL REGRESJI LINIOWEJ. METODA NAJMNIEJSZYCH KWADRATÓW Analiza regresji zajmuje się badaniem zależności pomiędzy interesującymi nas wielkościami (zmiennymi), mające na celu konstrukcję modelu, który dobrze

Bardziej szczegółowo

Matematyka finansowa 08.01.2007 r. Komisja Egzaminacyjna dla Aktuariuszy. XLI Egzamin dla Aktuariuszy z 8 stycznia 2007 r. Część I

Matematyka finansowa 08.01.2007 r. Komisja Egzaminacyjna dla Aktuariuszy. XLI Egzamin dla Aktuariuszy z 8 stycznia 2007 r. Część I Komisja Egzaminacyjna dla Aktuariuszy XLI Egzamin dla Aktuariuszy z 8 stycznia 2007 r. Część I Matematyka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 00 minut . Ile

Bardziej szczegółowo

III. ZMIENNE LOSOWE JEDNOWYMIAROWE

III. ZMIENNE LOSOWE JEDNOWYMIAROWE III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta

Bardziej szczegółowo

Systemy rozgrywek sportowych OGÓLNE ZASADY ORGANIZOWANIA ROZGRYWEK SPORTOWYCH

Systemy rozgrywek sportowych OGÓLNE ZASADY ORGANIZOWANIA ROZGRYWEK SPORTOWYCH Systemy rozgrywek sportowych OGÓLNE ZASADY ORGANIZOWANIA ROZGRYWEK SPORTOWYCH Rozgrywki sportowe moŝna organizować na kilka róŝnych sposobów, w zaleŝności od liczby zgłoszonych druŝyn, czasu, liczby boisk

Bardziej szczegółowo

O ŚREDNIEJ STATYSTYCZNEJ

O ŚREDNIEJ STATYSTYCZNEJ O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla Młodych Matematyków Rachunek Prawdopodobieństwa i Statystyka Kraków, 20 26 IX 2009 r. WYNIKI OBSERWACJI X 1, X 2,..., X n WYNIKI

Bardziej szczegółowo

Wycena papierów wartościowych - instrumenty pochodne

Wycena papierów wartościowych - instrumenty pochodne Matematyka finansowa - 8 Wycena papierów wartościowych - instrumenty pochodne W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,

Bardziej szczegółowo

SPRAWDZIAN NR 1 ROBERT KOPERCZAK, ID studenta : k4342

SPRAWDZIAN NR 1 ROBERT KOPERCZAK, ID studenta : k4342 TECHNIKI ANALITYCZNE W BIZNESIE SPRAWDZIAN NR 1 Autor pracy ROBERT KOPERCZAK, ID studenta : k4342 Kraków, 22 Grudnia 2009 2 Spis treści 1 Zadanie 1... 3 1.1 Szereg rozdzielczy wag kobiałek.... 4 1.2 Histogram

Bardziej szczegółowo

Raport i dokumentacja Obliczanie Value-at-Risk portfela metodą Monte Carlo

Raport i dokumentacja Obliczanie Value-at-Risk portfela metodą Monte Carlo Raport i dokumentacja Obliczanie Value-at-Risk portfela metodą Monte Carlo 1. Opis problemu Celem pracy jest policzenie jednodniowej wartości narażonej na ryzyko (Value-at- Risk) portfela składającego

Bardziej szczegółowo

Instrukcja do instalacji/aktualizacji systemu KS-FKW

Instrukcja do instalacji/aktualizacji systemu KS-FKW Instrukcja do instalacji/aktualizacji systemu KS-FKW System KS-FKW składa się z - bazy danych, schemat KS - część dla danych wspólnych dla programów KAMSOFT - bazy danych, schemat FK (lub FKxxxx w zaleŝności

Bardziej szczegółowo

Metody numeryczne. Wykład nr 12. Dr Piotr Fronczak

Metody numeryczne. Wykład nr 12. Dr Piotr Fronczak Metody numeryczne Wykład nr 1 Dr Piotr Fronczak Generowanie liczb losowych Metody Monte Carlo są oparte na probabilistyce działają dzięki generowaniu liczb losowych. W komputerach te liczby generowane

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów funkcje nieliniowe

KADD Metoda najmniejszych kwadratów funkcje nieliniowe Metoda najmn. kwadr. - funkcje nieliniowe Metoda najmniejszych kwadratów Funkcje nieliniowe Procedura z redukcją kroku iteracji Przykłady zastosowań Dopasowanie funkcji wykładniczej Dopasowanie funkcji

Bardziej szczegółowo

Popyt rynkowy. Wyprowadzenie funkcji popytu z funkcji uŝyteczności

Popyt rynkowy. Wyprowadzenie funkcji popytu z funkcji uŝyteczności Popyt rynkowy Wyprowadzenie funkcji popytu z funkcji uŝyteczności Zadanie 1 (*) Jak zwykle w tego typu zadaniach darujmy sobie tworzenie sztucznych przykładów i będziemy analizować wybór między dwoma dobrami

Bardziej szczegółowo

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Zadanie 1 Eksploracja (EXAMINE) Informacja o analizowanych danych Obserwacje Uwzględnione Wykluczone Ogółem

Bardziej szczegółowo

Zarządzenie Nr 71/2010 Burmistrza Miasta Czeladź. z dnia 28 kwietnia 2010r.

Zarządzenie Nr 71/2010 Burmistrza Miasta Czeladź. z dnia 28 kwietnia 2010r. Zarządzenie Nr 71/2010 Burmistrza Miasta Czeladź z dnia 28 kwietnia 2010r. w sprawie : wprowadzenia procedury Identyfikacji zagroŝeń oraz oceny ryzyka zawodowego na stanowiskach pracy w Urzędzie Miasta

Bardziej szczegółowo

Przykład 1 ceny mieszkań

Przykład 1 ceny mieszkań Przykład ceny mieszkań Przykład ceny mieszkań Model ekonometryczny zaleŝności ceny mieszkań od metraŝu - naleŝy do klasy modeli nieliniowych. - weryfikację empiryczną modelu przeprowadzono na przykładzie

Bardziej szczegółowo

Zastosowanie Excela w matematyce

Zastosowanie Excela w matematyce Zastosowanie Excela w matematyce Komputer w dzisiejszych czasach zajmuje bardzo znamienne miejsce. Trudno sobie wyobrazić jakąkolwiek firmę czy instytucję działającą bez tego urządzenia. W szkołach pierwsze

Bardziej szczegółowo

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change Raport 4/2015 Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych

Bardziej szczegółowo

Analiza inwestycji i zarządzanie portfelem SPIS TREŚCI

Analiza inwestycji i zarządzanie portfelem SPIS TREŚCI Analiza inwestycji i zarządzanie portfelem Frank K. Reilly, Keith C. Brown SPIS TREŚCI TOM I Przedmowa do wydania polskiego Przedmowa do wydania amerykańskiego O autorach Ramy książki CZĘŚĆ I. INWESTYCJE

Bardziej szczegółowo

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1. tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1

Bardziej szczegółowo

Kurs do wyboru Wstęp do analizy algorytmów Instytut Matematyki i Informatyki UO 2011/2012

Kurs do wyboru Wstęp do analizy algorytmów Instytut Matematyki i Informatyki UO 2011/2012 dr Przemysław Szczepaniak Kurs do wyboru Wstęp do analizy algorytmów Instytut Matematyki i Informatyki UO 2011/2012 ZLICZANIE 1.ZmiastaAdomiastaBprowadzipięćdróg.Ilomasposobamimożnaodbyćpodróż A B Apodwarunkiem,żeniemożnawracaćtąsamądrogą?

Bardziej szczegółowo

Biuletyn techniczny. Tworzenie analiz uŝytkownika. Analizy uŝytkownika Str. 1

Biuletyn techniczny. Tworzenie analiz uŝytkownika. Analizy uŝytkownika Str. 1 Biuletyn techniczny Tworzenie analiz uŝytkownika Analizy uŝytkownika Str. 1 1. Jak zbudować analizę uŝytkownika?... 2 1.1. Lista towarów... 5 1.2. Raport sprzedaŝy... 7 1.3. Wartość sprzedaŝy za okres

Bardziej szczegółowo

Spekulacja na rynkach finansowych. znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A.

Spekulacja na rynkach finansowych. znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A. Spekulacja na rynkach finansowych znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A. Narzędzia 2 Analiza techniczna Analiza fundamentalna Narzędzia (2) 3 AT astrologia rynków finansowych AF alchemia

Bardziej szczegółowo

Wykład 9. Cel wykładu. Literatura. WyŜsza Szkoła MenedŜerska w Legnicy. Informatyka w zarządzaniu Zarządzanie, zaoczne, sem. 3. MS Excel data i czas

Wykład 9. Cel wykładu. Literatura. WyŜsza Szkoła MenedŜerska w Legnicy. Informatyka w zarządzaniu Zarządzanie, zaoczne, sem. 3. MS Excel data i czas Informatyka w zarządzaniu Zarządzanie, zaoczne, sem. 3 Wykład 9 MS Excel data i czas Grzegorz Bazydło Cel wykładu Celem wykładu jest omówienie wybranych zagadnień dotyczących uŝywania funkcji związanych

Bardziej szczegółowo

Portfele Comperii - lipiec 2011

Portfele Comperii - lipiec 2011 Portfele Comperii - lipiec 2011 Czym są Portfele Comperii? Portfele Comperii (dawniej zwane Wskaźnikami Comperii ) to analiza ukazująca, jak w ostatnich kilku tygodniach (a także miesiąc wcześniej oraz

Bardziej szczegółowo

Matura próbna 2014 z matematyki-poziom podstawowy

Matura próbna 2014 z matematyki-poziom podstawowy Matura próbna 2014 z matematyki-poziom podstawowy Klucz odpowiedzi do zadań zamkniętych zad 1 2 3 4 5 6 7 8 9 10 11 12 odp A C C C A A B B C B D A 13 14 15 16 17 18 19 20 21 22 23 24 25 C C A B A D C B

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

Program 14. #include #include using namespace std;

Program 14. #include <iostream> #include <ctime> using namespace std; Program 14 Napisać: * funkcję słuŝącą do losowego wypełniania tablicy liczbami całkowitymi z podanego zakresu (*). Parametrami funkcji mają być tablica, jej długość oraz dwie liczby stanowiące krańce przedziału

Bardziej szczegółowo

Komputerowa Analiza Danych Doświadczalnych

Komputerowa Analiza Danych Doświadczalnych Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura

Bardziej szczegółowo

R-PEARSONA Zależność liniowa

R-PEARSONA Zależność liniowa R-PEARSONA Zależność liniowa Interpretacja wyników: wraz ze wzrostem wartości jednej zmiennej (np. zarobków) liniowo rosną wartości drugiej zmiennej (np. kwoty przeznaczanej na wakacje) czyli np. im wyższe

Bardziej szczegółowo

Wprowadzenie. Radio Track 2005 za pomocą oprogramowania. Soft Report Explorer. do analizy danych z badania

Wprowadzenie. Radio Track 2005 za pomocą oprogramowania. Soft Report Explorer. do analizy danych z badania Wprowadzenie do analizy danych z badania Radio Track 2005 za pomocą oprogramowania Soft Report Explorer SMG/KRC Poland Media S.A. Ul. Nowoursynowska 154a 02-797 Warszawa Tel 52 52 000 Fax 54 52 100 www.smgkrc.pl

Bardziej szczegółowo

MATERIAŁ INFORMACYJNY. Strukturyzowane Certyfikaty Depozytowe Lokata Szwajcarska ze 100% ochroną zainwestowanego kapitału w Dniu Wykupu

MATERIAŁ INFORMACYJNY. Strukturyzowane Certyfikaty Depozytowe Lokata Szwajcarska ze 100% ochroną zainwestowanego kapitału w Dniu Wykupu MATERIAŁ INFORMACYJNY Strukturyzowane Certyfikaty Depozytowe Lokata Szwajcarska ze 100% ochroną zainwestowanego kapitału w Dniu Wykupu Emitent Bank BPH SA Numer serii Certyfikatów Depozytowych Cena nabycia

Bardziej szczegółowo

PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ

PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ L.p. 1. Liczby rzeczywiste 2. Wyrażenia algebraiczne bada, czy wynik obliczeń jest liczbą

Bardziej szczegółowo

ELEMENTY STATYSTYKI 1. DANE

ELEMENTY STATYSTYKI 1. DANE ELEMENTY STATYSTYKI 1. DANE W badaniach statystycznych populacją nazywamy grupę osób, zwierząt, roślin lub przedmiotów badanych. Interesują nas przy tym pewne wybrane cechy tych populacji. Takie cechy

Bardziej szczegółowo

WYKŁAD 5 (Pochodne Funkcji i ich Zastosowania)

WYKŁAD 5 (Pochodne Funkcji i ich Zastosowania) WYKŁAD (Pochodne Funkcji i ich Zastosowania) RozwaŜmy jakąkolwiek funkcję y f( pokazującą jak wartość zmiennej objaśnianej y zaleŝy od wartości zmiennej objaśniającej Naturalnym pytaniem jest jak szybko

Bardziej szczegółowo

Nota Informacyjna dla instrumentów dłuŝnych emitowanych przez

Nota Informacyjna dla instrumentów dłuŝnych emitowanych przez Nota Informacyjna dla instrumentów dłuŝnych emitowanych przez LC Corp Spółka Akcyjna z siedzibą we Wrocławiu pod adresem ul. Powstańców Śląskich 2-4, 53-333 Wrocław www.lcc.pl Niniejsza nota informacyjna

Bardziej szczegółowo

Środowisko R wprowadzenie c.d. Wykład R2; 21.05.07 Struktury danych w R c.d.

Środowisko R wprowadzenie c.d. Wykład R2; 21.05.07 Struktury danych w R c.d. Środowisko R wprowadzenie c.d. Wykład R2; 21.05.07 Struktury danych w R c.d. Oprócz zmiennych i wektorów strukturami danych w R są: macierze; ramki (ang. data frames); listy; klasy S3 1 Macierze Macierze

Bardziej szczegółowo

- 1 / 7- Ponadto w opracowanej ekspertyzie mogą być zawarte są informacje na temat:

- 1 / 7- Ponadto w opracowanej ekspertyzie mogą być zawarte są informacje na temat: na wykonanie standardowej ekspertyzy dotyczącej oceny zasobów 1 SIŁOWNIA Ekspertyza standardowa dotyczy jednej potencjalnej lokalizacji i jednego typu generatora Wykonywana jest na podstawie 10-letniej

Bardziej szczegółowo

DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY PROGRAMU AGREGAT - 2

DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY PROGRAMU AGREGAT - 2 InŜynieria Rolnicza 14/2005 Michał Cupiał, Maciej Kuboń Katedra InŜynierii Rolniczej i Informatyki Akademia Rolnicza im. Hugona Kołłątaja w Krakowie DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY

Bardziej szczegółowo

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ESTYMACJA

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ESTYMACJA WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ESTYMACJA Symbole w statystyce Symbole Populacja Średnia m Próba x Odchylenie standardowe σ s Odsetek p p Estymacja co to jest? Estymacja punktowa Estymacja przedziałowa

Bardziej szczegółowo

Metody radzenia sobie z brakującymi obserwacjami

Metody radzenia sobie z brakującymi obserwacjami Metody radzenia sobie z brakującymi obserwacjami 29 kwietnia 2009 Wprowadzenie są to informacje, które zamierzaliśmy zebrać, ale nam się to nie udało. Przykłady: Badany odpowiada tylko na niektóre pytania

Bardziej szczegółowo

ABONAMENT LISTA FUNKCJI / KONFIGURACJA

ABONAMENT LISTA FUNKCJI / KONFIGURACJA ABONAMENT PROFESJONALNY LISTA FUNKCJI / KONFIGURACJA INWESTOWANIE MOŻE BYĆ FASCYNUJĄCE GDY POSIADASZ ODPOWIEDNIE NARZĘDZIA Abonament Profesjonalny to rozwiązanie dla tych wszystkich, którzy na inwestowanie

Bardziej szczegółowo

MODUŁ INTERNETOWY dane statystyczne PUP

MODUŁ INTERNETOWY dane statystyczne PUP MODUŁ INTERNETOWY dane statystyczne PUP Chcąc ułatwić publikację danych statystycznych na stronach WWW Urzędów Pracy prezentujemy Państwu moduł internetowej obsługi w/w danych. Moduł ten realizuje następujące

Bardziej szczegółowo

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:

Bardziej szczegółowo

Matematyka finansowa 26.05.2014 r. Komisja Egzaminacyjna dla Aktuariuszy. LXVII Egzamin dla Aktuariuszy z 26 maja 2014 r. Część I

Matematyka finansowa 26.05.2014 r. Komisja Egzaminacyjna dla Aktuariuszy. LXVII Egzamin dla Aktuariuszy z 26 maja 2014 r. Część I Komisja Egzaminacyjna dla Aktuariuszy LXVII Egzamin dla Aktuariuszy z 26 maja 2014 r. Część I Matematyka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1. Przyjmijmy

Bardziej szczegółowo

Raport Coachowie Europa i Polska

Raport Coachowie Europa i Polska Raport Coachowie Europa i Polska COACHING W związku z róŝnymi definicjami i róŝnym rozuminiem coachingu, obliczenie zapotrzebowania na coachów i adekwatny do tego potencjał szkół coachingu został oparty

Bardziej szczegółowo

Wycena opcji. Dr inż. Bożena Mielczarek

Wycena opcji. Dr inż. Bożena Mielczarek Wycena opcji Dr inż. Bożena Mielczarek Stock Price Wahania ceny akcji Cena jednostki podlega niewielkim wahaniom dziennym (miesięcznym) wykazując jednak stały trend wznoszący. Cena może się doraźnie obniżać,

Bardziej szczegółowo

Ekonometria. Weryfikacja modelu. Paweł Cibis pcibis@o2.pl. 6 kwietnia 2006

Ekonometria. Weryfikacja modelu. Paweł Cibis pcibis@o2.pl. 6 kwietnia 2006 Weryfikacja modelu Paweł Cibis pcibis@o2.pl 6 kwietnia 2006 1 Badanie istotności parametrów strukturalnych modelu Testy Pakiet Analiza Danych Uwagi 2 Test dla małej próby Test dla dużej próby 3 Test Durbina-Watsona

Bardziej szczegółowo

Józef Myrczek, Justyna Partyka Bank Spółdzielczy w Katowicach, Akademia Techniczno-Humanistyczna w Bielsku-Białej

Józef Myrczek, Justyna Partyka Bank Spółdzielczy w Katowicach, Akademia Techniczno-Humanistyczna w Bielsku-Białej Józef Myrczek, Justyna Partyka Bank Spółdzielczy w Katowicach, Akademia Techniczno-Humanistyczna w Bielsku-Białej Analiza wraŝliwości Banków Spółdzielczych na dokapitalizowanie w kontekście wzrostu akcji

Bardziej szczegółowo

Przewodnik po nowej wersji serwisu Pekao24Makler. 2. Przelew jednorazowy...str.5. 3. Przelewy cykliczne...str.6. 3.1. Nowy przelew cykliczny... str.

Przewodnik po nowej wersji serwisu Pekao24Makler. 2. Przelew jednorazowy...str.5. 3. Przelewy cykliczne...str.6. 3.1. Nowy przelew cykliczny... str. PEKAO24MAKLER PODRĘCZNIK UśYTKOWNIKA RACHUNEK PIENIĘśNY 1. Szczegóły rachunku pienięŝnego...str.2 2. Przelew jednorazowy...str.5 2.1. Przelew na rachunek bieŝący zdefiniowany... str.5 3. Przelewy cykliczne...str.6

Bardziej szczegółowo

Pakiet edukacyjny do nauki przedmiotów ścisłych i kształtowania postaw przedsiębiorczych

Pakiet edukacyjny do nauki przedmiotów ścisłych i kształtowania postaw przedsiębiorczych ZESPÓŁ SZKÓŁ HANDLOWO-EKONOMICZNYCH IM. MIKOŁAJA KOPERNIKA W BIAŁYMSTOKU Pakiet edukacyjny do nauki przedmiotów ścisłych i kształtowania postaw przedsiębiorczych Mój przedmiot matematyka spis scenariuszy

Bardziej szczegółowo

OPCJE. Slide 1. This presentation or any of its parts cannot be used without prior written permission of Dom Inwestycyjny BRE Banku S..A.

OPCJE. Slide 1. This presentation or any of its parts cannot be used without prior written permission of Dom Inwestycyjny BRE Banku S..A. OPCJE Slide 1 Informacje ogólne definicje opcji: kupna (call)/sprzedaŝy (put) terminologia typy opcji krzywe zysk/strata Slide 2 Czym jest opcja KUPNA (CALL)? Opcja KUPNA (CALL) jest PRAWEM - nie zobowiązaniem

Bardziej szczegółowo

ZWIĄZEK MAKLERÓW I DORADCÓW

ZWIĄZEK MAKLERÓW I DORADCÓW ZWIĄZEK MAKLERÓW I DORADCÓW 00-676 Warszawa, ul. Marszałkowska 68/70 lok.. 30 tel./fax (22) 628 37 43 http://www.zmid.org.pl e-mail: biuro@zmid.org.pl Warszawa, dnia 22.01.2009r. Stanowisko Związku Maklerów

Bardziej szczegółowo