Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza
|
|
- Adrian Przybylski
- 8 lat temu
- Przeglądów:
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=
dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2.
Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej μ, wariancji momencie centralnym μ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X μ k Pr > μ + t σ ) 0. k k t σ *
Bardziej szczegółowoMatematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych
Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,
Bardziej szczegółowoGreckie współczynniki kalkulowane są po zamknięciu sesji na podstawie następujących danych:
Metodologia wyznaczania greckich współczynników. (1) Dane wejściowe. Greckie współczynniki kalkulowane są po zamknięciu sesji na podstawie następujących danych: S wartość zamknięcia indeksu WIG20 (pkt),
Bardziej szczegółowoMetodologia 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 szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoRekurencje. Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie:
Rekurencje Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie: T(n) = Θ(1) (dla n = 1) T(n) = 2 T(n/2) + Θ(n) (dla n
Bardziej szczegółowoInwestycje 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 szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoAnaliza metod prognozowania kursów akcji
Analiza metod prognozowania kursów akcji Izabela Łabuś Wydział InŜynierii Mechanicznej i Informatyki Kierunek informatyka, Rok V Specjalność informatyka ekonomiczna Politechnika Częstochowska izulka184@o2.pl
Bardziej szczegółowoPROGRAMOWANIE NIELINIOWE
PROGRAMOWANIE NIELINIOWE Maciej Patan Uniwersytet Zielonogórski WSTEP Zadanie programowania nieliniowego (ZPN) min f(x) g i (x) 0, h i (x) = 0, i = 1,..., m g i = 1,..., m h f(x) funkcja celu g i (x) i
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoWYKORZYSTANIE NARZĘDZIA Solver DO ROZWIĄZYWANIA ZAGADNIENIA Problem przydziału
WYKORZYSTANIE NARZĘDZIA Solver DO ROZWIĄZYWANIA ZAGADNIENIA Problem przydziału Problem przydziału Przykład Firma KARMA zamierza w okresie letnim przeprowadzić konserwację swoich urządzeń; mieszalników,
Bardziej szczegółowoMatlab, 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 szczegółowoTeoria portfelowa H. Markowitza
Aleksandra Szymura szymura.aleksandra@yahoo.com Teoria portfelowa H. Markowitza Za datę powstania teorii portfelowej uznaje się rok 95. Wtedy to H. Markowitz opublikował artykuł zawierający szczegółowe
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych..00 r. Zadanie. Proces szkód w pewnym ubezpieczeniu jest złożonym procesem Poissona z oczekiwaną liczbą szkód w ciągu roku równą λ i rozkładem wartości szkody o dystrybuancie
Bardziej szczegółowoWykład 3 Hipotezy statystyczne
Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza
Bardziej szczegółowoRozkłady 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 szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoStatystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych.
Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych. Statystyka zajmuje się prawidłowościami zaistniałych zdarzeń. Teoria prawdopodobieństwa dotyczy przewidywania, jak często mogą zajść
Bardziej szczegółowoTypowe 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 szczegółowoRachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych
Rachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych Autorzy: Marta Rotkiel, Anna Konik, Bartłomiej Parowicz, Robert Rudak, Piotr Otręba Spis treści: Wstęp Cel
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoMatematyka 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 szczegółowoMetoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych
inż. Marek Duczkowski Metoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych słowa kluczowe: algorytm gradientowy, optymalizacja, określanie wodnicy W artykule
Bardziej szczegółowoWstęp do Rachunku Prawdopodobieństwa, IIr. WMS
Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS przykładowe zadania na. kolokwium czerwca 6r. Poniżej podany jest przykładowy zestaw zadań. Podczas kolokwium na ich rozwiązanie przeznaczone będzie ok. 85
Bardziej szczegółowoWyszukiwanie. Wyszukiwanie binarne
Wyszukiwanie Wejście: posortowana, n-elementowa tablica liczbowa T oraz liczba p. Wyjście: liczba naturalna, określająca pozycję elementu p w tablicy T, bądź 1, jeŝeli element w tablicy nie występuje.
Bardziej szczegółowo3. Optymalizacja portfela inwestycyjnego Model Markowitza Model jednowskaźnikowy Sharpe a Model wyceny aktywów kapitałowych CAPM
3. Optymalizacja portfela inwestycyjnego Model Markowitza Model jednowskaźnikowy Sharpe a Model wyceny aktywów kapitałowych CAPM Oczekiwana stopa zwrotu portfela dwóch akcji: E(r p ) = w 1 E(R 1 ) + w
Bardziej szczegółowo7. 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 szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoLiteratura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.
Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej
Bardziej szczegółowoAnaliza skuteczności wybranych nieparametrycznych metod obliczania VaR
Grzegorz Mentel, Tomasz Pisula Analiza skuteczności wybranych nieparametrycznych metod obliczania VaR Wstęp Bardzo często jako narzędzia oceny ryzyka inwestowania w akcje wykorzystuje się metody oparte
Bardziej szczegółowoALGORYTMY OPTYMALIZACJI wyklad 1.nb 1. Wykład 1
ALGORYTMY OPTYMALIZACJI wyklad.nb Wykład. Sformułowanie problemu optymalizacyjnego Z ksiąŝki Practical Optimization Methods: With Mathematica Applications by: M.A.Bhatti, M.Asghar Bhatti ü Przykład. (Zagadnienie
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoZestaw 12- Macierz odwrotna, układy równań liniowych
Zestaw - Macierz odwrotna, układy równań liniowych Przykładowe zadania z rozwiązaniami ZałóŜmy, Ŝe macierz jest macierzą kwadratową stopnia n. Mówimy, Ŝe macierz tego samego wymiaru jest macierzą odwrotną
Bardziej szczegółowoMatematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXI Egzamin dla Aktuariuszy z 1 października 2012 r.
Komisja Egzaminacyjna dla Aktuariuszy LXI Egzamin dla Aktuariuszy z 1 października 2012 r. Część I Matematyka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1
Bardziej szczegółowoCena 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 szczegółowoMATERIAŁ INFORMACYJNY. Strukturyzowane Certyfikaty Depozytowe powiązane z indeksem giełdowym ze 100% ochroną zainwestowanego kapitału w Dniu Wykupu
MATERIAŁ INFORMACYJNY Strukturyzowane Certyfikaty Depozytowe powiązane z indeksem giełdowym ze 1% ochroną zainwestowanego kapitału w Dniu Wykupu Emitent Bank BPH SA Numer serii Certyfikatów Depozytowych
Bardziej szczegółowoTestowanie hipotez statystycznych
Temat Testowanie hipotez statystycznych Kody znaków: Ŝółte wyróŝnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Idea i pojęcia teorii testowania hipotez
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoTesty 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 szczegółowodr hab. Renata Karkowska 1
dr hab. Renata Karkowska 1 Miary zmienności: obrazują zmiany cen, stóp zwrotu instrumentów finansowych, opierają się na rozproszeniu ich rozkładu, tym samym uśredniają ryzyko: wariancja stopy zwrotu, odchylenie
Bardziej szczegółowoTest 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 szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoTESTY NIEPARAMETRYCZNE. 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa.
TESTY NIEPARAMETRYCZNE 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa. Standardowe testy równości średnich wymagają aby badane zmienne losowe
Bardziej szczegółowoSTATYSTYKA MAŁYCH OBSZARÓW II.ESTYMATOR HORVITZA-THOMPSONA, ESTYMATOR KALIBROWANY
STATYSTYKA MAŁYCH OBSZARÓW II.ESTYMATOR HORVITZA-THOMPSONA, ESTYMATOR KALIBROWANY 2.1 Estymator Horvitza-Thompsona 2.1.1 Estymator Horvitza-Thompsona wartości średniej i globalnej w populacji p-nieobciążony
Bardziej szczegółowo18. Obliczyć. 9. Obliczyć iloczyn macierzy i. 10. Transponować macierz. 11. Transponować macierz. A następnie podać wymiar powstałej macierzy.
1 Czy iloczyn macierzy, które nie są kwadratowe może być macierzą kwadratową? Podaj przykład 2 Czy każde dwie macierze jednostkowe są równe? Podaj przykład 3 Czy mnożenie macierzy przez macierz jednostkową
Bardziej szczegółowoPorównanie metod szacowania Value at Risk
Porównanie metod szacowania Value at Risk Metoda wariancji i kowariancji i metoda symulacji historycznej Dominika Zarychta Nr indeksu: 161385 Spis treści 1. Wstęp....3 2. Co to jest Value at Risk?...3
Bardziej szczegółowoTest 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 szczegółowoKwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p.
Kwantyle Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p, że P(X x p ) p P(X x p ) 1 p Możemy go obliczyć z dystrybuanty: Jeżeli F(x p ) = p, to x p jest kwantylem rzędu p Jeżeli F(x p )
Bardziej szczegółowoEV/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 szczegółowoInstrukcja 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 szczegółowoSpecjalistyczny Fundusz Inwestycyjny Otwarty Telekomunikacji Polskiej Bilans na dzień (tysiące złotych)
Aktywa Lokaty Inwestycje w papiery wartościowe Środki pieniężne Bilans na dzień 30.06.2003 30.06.2003 31.12.2002 30.06.2002 149 749 92 821 42 756 Lokaty pieniężne krótkoterminowe 15 5 141 2 888 Należności
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka
Bardziej szczegółowo1. 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 szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoWYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład
Bardziej szczegółowoW kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:
Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,
Bardziej szczegółowo1. Klasyfikacja stóp zwrotu 2. Zmienność stóp zwrotu 3. Mierniki ryzyka 4. Mierniki wrażliwości wyceny na ryzyko rynkowe
I Ryzyko i rentowność instrumentów finansowych 1. Klasyfikacja stóp zwrotu 2. Zmienność stóp zwrotu 3. Mierniki ryzyka 4. Mierniki wrażliwości wyceny na ryzyko rynkowe 1 Stopa zwrotu z inwestycji w ujęciu
Bardziej szczegółowoJanusz 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 szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej szczegółowoMETODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład 3-4. Parametry i wybrane rozkłady zmiennych losowych
METODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład - Parametry i wybrane rozkłady zmiennych losowych Parametry zmiennej losowej EX wartość oczekiwana D X wariancja DX odchylenie standardowe inne, np. kwantyle,
Bardziej szczegółowoMatematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. L Egzamin dla Aktuariuszy z 5 października 2009 r.
Komisja Egzaminacyjna dla Aktuariuszy L Egzamin dla Aktuariuszy z 5 października 2009 r. Część I Matematyka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 0 minut 1 1.
Bardziej szczegółowoMatematyka 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 szczegółowoWeryfikacja 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... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoz przedziału 0,1 liczb dodatnich. Rozważmy dwie zmienne losowe:... ma złożony rozkład dwumianowy o parametrach 1,q i, gdzie X, wszystkie składniki X
Zadanie. Mamy dany ciąg liczb q, q,..., q n z przedziału 0,, oraz ciąg m, m,..., m n liczb dodatnich. Rozważmy dwie zmienne losowe: o X X X... X n, gdzie X i ma złożony rozkład dwumianowy o parametrach,q
Bardziej szczegółowoANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ. Joanna Bryndza
ANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ Joanna Bryndza Wprowadzenie Jednym z kluczowych problemów w szacowaniu poziomu ryzyka przedsięwzięcia informatycznego
Bardziej szczegółowodr hab. Renata Karkowska 1
dr hab. Renata Karkowska 1 Czym jest ryzyko? Rodzaje ryzyka? Co oznacza zarządzanie? Dlaczego zarządzamy ryzykiem? 2 Przedmiot ryzyka Otoczenie bliższe/dalsze (czynniki ryzyka egzogeniczne vs endogeniczne)
Bardziej szczegółowoPolsko-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 szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD STATYSTYK Z PRÓBY
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD STATYSTYK Z PRÓBY Próba losowa prosta To taki dobór elementów z populacji, że każdy element miał takie samo prawdopodobieństwo znalezienia się w próbie Niezależne
Bardziej szczegółowoInstytut 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 szczegółowoAnaliza 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 szczegółowoRegresja logistyczna (LOGISTIC)
Zmienna zależna: Wybór opcji zachodniej w polityce zagranicznej (kodowana jako tak, 0 nie) Zmienne niezależne: wiedza o Unii Europejskiej (WIEDZA), zamieszkiwanie w regionie zachodnim (ZACH) lub wschodnim
Bardziej szczegółowoDefinicja pochodnej cząstkowej
1 z 8 gdzie punkt wewnętrzny Definicja pochodnej cząstkowej JeŜeli iloraz ma granicę dla to granicę tę nazywamy pochodną cząstkową funkcji względem w punkcie. Oznaczenia: Pochodną cząstkową funkcji względem
Bardziej szczegółowoSystemy 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 szczegółowoPROJEKT 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 szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoSPRAWDZIAN 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 szczegółowoZAJĘCIA 25. Wartość bezwzględna. Interpretacja geometryczna wartości bezwzględnej.
ZAJĘCIA 25. Wartość bezwzględna. Interpretacja geometryczna wartości bezwzględnej. 1. Wartość bezwzględną liczby jest określona wzorem: x, dla _ x 0 x =, x, dla _ x < 0 Wartość bezwzględna liczby nazywana
Bardziej szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Bardziej szczegółowoNiepewność 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 szczegółowo5. Rozwiązywanie układów równań liniowych
5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa
STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem
Bardziej szczegółowoPostawy wobec ryzyka
Postawy wobec ryzyka Wskaźnik Sharpe a przykład zintegrowanej miary rentowności i ryzyka Konstrukcja wskaźnika odwołuje się do klasycznej teorii portfelowej Markowitza, której elementem jest mapa ryzyko
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowoZadanie 1. Analiza Analiza rozkładu
Zadanie 1 data lab.zad 1; input czas; datalines; 85 3060 631 819 805 835 955 595 690 73 815 914 ; run; Analiza Analiza rozkładu Ponieważ jesteśmy zainteresowani wyznaczeniem przedziału ufności oraz weryfikacja
Bardziej szczegółowoKontrakty 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 szczegółowoEgzamin 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 szczegółowoALGORYTMICZNA 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 szczegółowoZadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =
Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,
Bardziej szczegółowoZyskowność i statystyczna istotność reguł analizy technicznej
Katarzyna Sagan nr albumu: 240006 Robert Chyliński nr albumu: 239779 Zyskowność i statystyczna istotność reguł analizy technicznej White's Reality Check Praca zaliczeniowa wykonana w ramach przedmiotu:
Bardziej szczegółowoWprowadzenie do analizy dyskryminacyjnej
Wprowadzenie do analizy dyskryminacyjnej Analiza dyskryminacyjna to zespół metod statystycznych używanych w celu znalezienia funkcji dyskryminacyjnej, która możliwie najlepiej charakteryzuje bądź rozdziela
Bardziej szczegółowo