Periodic correlation integration and cointegration
|
|
- Dagmara Urbaniak
- 5 lat temu
- Przeglądów:
Transkrypt
1 Research Report HSC/04/4 Periodic correlation integration and cointegration Ewa Broszkiewicz-Suwaj 1, Agnieszka Wy oa ska 1 Institute of Matheatics, Wroc aw University of Technology Abstract (paper is in Polish): In this paper we present a new approach to integration and cointe-gration. We show that a periodically correlated tie series can be divided in a natural way into subseries that are integrated. Moreover, with high probability they are cointegrated. Therefore it is enough to show periodic correlation of the original series to conclude that the subseries are integrated. In the first part of the paper we present the ain features of periodically correlated processes and a ethod of detecting periodic correlation. We illustrate it using a data set of spot electricity prices fro the ord Pool Power Exchange. In the next section we show that the subseries (one for each day of the week) exhibit integration as well as cointegration. Mailing address: The Hugo Steinhaus Center Wroc aw University of Technology Wybrze e Wyspia skiego Wroc aw, Poland (+48-7 ) (+48-7 ) hugo@i.pwr.wroc.pl
2 Ewa Broszkiewicz-Suwaj, Agnieszka Wyłoańska Instytut Mateatyki, Politechnika Wrocławska OKRESOWA KORELACJA A ITEGRACJA I KOITEGRACJA 1. Wstęp W artykule oówiono nowe podejście do pojęcia integracji i kointegracji. Pokazano, że ażdy szereg czasowy okresowo skorelowany ożna podzielić na podszeregi, które są zintegrowane, a dodatkowo istnieje duże prawdopodobieństwo ich kointegracji. Zate udowodnienie, że badany szereg jest okresowo skorelowany jednocześnie pokazuje, że podszeregi utworzone z niego są zintegrowane i nie jest konieczne badanie integracji innyi etodai. W pierwszej części pracy oówiono własności procesów okresowo skorelowanych oraz przedstawiono jedną z etod opartą na analizie spektralnej służącą do wykrywania okresu funkcji korelacji. Metodę tę wykorzystano do zbadania okresowej korelacji w danych rzeczywistych opisujących średnie dzienne spotowe ceny energii elektrycznej na Giełdzie ord Pool z okresu od 30 grudnia 1996 do 1 grudnia 1998 roku. W drugi rozdziale zajęto się zagadnienie integracji oraz zbadano ją dla podszeregów wyznaczonych z szeregu wyjściowego. Podszeregi te opisują spotowe ceny energii w poszczególnych dniach tygodnia. a zakończenie oówiono zjawisko kointegracji i przetestowano hipotezę o jej istnieniu.. Procesy okresowo skorelowane Analiza szeregów czasowych w znacznej ierze bazuje na stacjonarności danych. Jednak w większości przypadków założenie, że badany szereg jest niestacjonarny jest zbyt proste. Procesy okresowo skorelowane są klasą procesów, które generalnie są niestacjonarne, ale wykazują wiele własności procesów stacjonarnych. Spotykane są iedzy innyi w kliatologii, hydrologii i ekonoii. Definicja 1. Proces stochastyczny {(t), t є I} o skończony drugi oencie nazwany jest okresowo skorelowany (ang. periodically correlated) z okrese T, jeśli T jest najniejszą liczbą taką, że dla każdych t oraz u ze zbioru I spełnione są następujące warunki [4] 1
3 ( i) ( ii) R ( t) = E( ( t)) = ( t, u) = E(( ( t) ( t + T ) ( t))( ( u) ( u))) = R ( t + T, u + T ). Szereg czasowy okresowo skorelowany jest stacjonarny dla T=1. Poniżej przedstawiono algoryt wykrywania okresowej korelacji dla zadanego szeregu czasowego { (1), (),..., ( )} o średniej ( n) 0. Jest to etoda oparta na analizie spektralnej [,6]. 1. Wyznaczay dyskretną transforatę Fouriera I ( ω ) = ( n) exp( iω( n 1)) ( k 1) w punktach ω k = π, k = 1,, K,.. Obliczay dwuwyiarową koherencję próbkową (ang. saple coherence) I ( ω p+ ) I ( ω q+ ) = 0 γ ( ω p, ω q, M ) = w każdy punkcie ( q) M 1 M 1 I ( ω p+ ) I ( ω q+ ) = 0 M 1 = 0 n= 1 p,. 3. Wyznaczay wartości jednowyiarowej statystyki koherentnej (ang. coherent statistic) γ ( 0, ω d, ). Statystyka ta przyjuje wartości z przedziału [,1] 0. Jeżeli na wykresie pojawią się wyraźne piki w punktach ω ω,3 ω, K, to znaczy, iż d, d d zadany szereg jest okresowo skorelowany z okrese T 1 =. ω d Istnieją również inne etody wykrywania okresowej korelacji oparte na analizie spektralnej [1,,6]. a potrzeby artykułu zbadano okresową korelację danych pochodzących ze skandynawskiej giełdy energii (średnie dzienne spotowe ceny z okresu od do ). Po uprzedni usunięciu średniej poprzez zróżnicowanie danych z siediodniowy opóźnienie przeprowadzono opisany test.
4 Rys. 1. Szereg czasowy przedstawiający dzienne zróżnicowane tygodniowo ceny z Giełdy ord Pool oraz wykres statystyki koherentnej dla tego szeregu. Źródło: opracowania własne. Piki występujące w częstotliwościach 1/7, /7,... wskazują na okres funkcji korelacji, który jest równy 7 dni (tygodniowa okresowa korelacja). 3. Integracja i kointegracja Definicja. Szereg niestacjonarny {(n), n є Z}, który ożna sprowadzić do szeregu stacjonarnego, obliczając przyrosty ( ( n) = ( n) ( n 1) ) d razy, nazyway szeregie zintegrowany stopnia d (I(d)) [3,7]. Istnieją testy, które pozwalają na zbadanie stopnia integracji, np. test Dickeya- Fullera (DF) oraz rozszerzony test Dickeya-Fullera (ADF) [3, 5]. Do prostego testowania, czy szereg jest zintegrowany pożyteczny narzędzie jest test oparty na statystyce Durbina-Watsona: IDW = ( ( n) ( n 1)) ( ( n) ( n)) Jeśli wartość statystyki IDW jest niejsza niż 0.5 istnieje podejrzenie braku integracji. atoiast, gdy jej wartość jest bliska wówczas ożna przyjąć hipotezę o zintegrowaniu szeregu [3]. Okresowa korelacja danego szeregu czasowego jest równoważna integracji I(0) jego podszeregów, powstałych w następujący sposób (1) Y ( v, n) = ( nt + v) v = 1,,... T, () gdzie (n) jest wyjściowy szeregie niestacjonarny, w który wykryto okresową korelację. Własność ta wynika z następujących zależności, które spełnione są dla dowolnych n i k ze zbioru liczb naturalnych: 3
5 R Y ( v) Y ( v) ( n) = ( n, k) = R ( nt + v) = ( kt + v) = ( nt + v, kt + v) = R Y ( v) ( k) = const ( v, k n T + v) = R Y ( v) (0, k n ). Fakte jednak jest, że dla rzeczywistych danych okresową korelację uzyskujey dopiero po zróżnicowaniu zadanego szeregu co oże spowodować utratę długookresowych zależności. Interesujące oże być zate zachowanie podszeregów powstałych jak we wzorze () dla niezróżnicowanego szeregu pierwotnego. Rys.. Dwa przykładowe (piątek, sobota) podszeregi powstałe z szeregu opisującego ceny energii na Giełdzie ord Pool. Źródło: opracowania własne. Poniżej przedstawiono wyniki otrzyane przy badaniu integracji dla podszeregów opisujących ceny energii z Giełdy ord Pool w poszczególnych dniach tygodnia (7 podszeregów). Do badania stopnia integracji wykorzystano szybką etodę badania hipotezy o kointegracji opartą na statystyce Durbina-Watsona oraz wykresy funkcji autokorelacji (ACF). Cena Poniedziałek Wtorek Środa Czwartek Piątek Sobota iedziela IDW Tabela 1. Wartość statystyki IDW dla szeregów obejujących ceny w poszczególnych dniach tygodnia. Żródło: opracowania własne. Wartość statystyki IDW dla danych pierwotnych (Tabela 1) jest istotnie niejsza niż 0.5 dla każdego z szeregów, zate ożey odrzucić hipotezę o integracji stopnia 0 dla każdego z nich. Wartości statystyki IDW dla przyrostów pierwszego rzędu poszczególnych szeregów (Tabela ) wskazują na fakt, że szeregi te są stacjonarne. Zate ożna wnioskować o integracji I(1) poszczególnych podszeregów. 4
6 Cena Poniedziałek Wtorek Środa Czwartek Piątek Sobota iedziela IDW Tabela. Wartość statystyki IDW dla przyrostów szeregów obejujących ceny w poszczególnych dniach tygodnia. Żródło: opracowania własne. Rys. 3. Przykładowy wykres funkcji autokorelacji dla podszeregu w wersji niezróżnicowanej (panel lewy) i zróżnicowanej (panel prawy). Przerywana linia oznacza 95% przedziały ufności dla ruchu Browna. Źródło: opracowania własne. Dla wszystkich badanych podszeregów wykresy funkcji autokorelacji ają zbliżoną postać. Podobnie jak poprzedni test wskazują one na brak stacjonarności przed różnicowanie i jej obecność po zróżnicowaniu. Z pojęcie integracji ściśle związane jest zagadnienie kointegracji. Definicja 4. Mówiy, że szeregi czasowe Y(1,n), Y(,n),...Y(,n) są skointegrowane stopnia d, b, gdzie d b 0 i piszey Y(1,n), Y(,n),...Y(,n)~ CI (d, b), jeżeli: 1) są one zintegrowane stopnia d, ) istnieje kobinacja liniowa tych ziennych, np. a 1 Y(1,n) + a Y(,n)+...a Y(,n), która jest zintegrowana stopnia d b. Wektor [a 1, a,...a ] nazyway kointegrujący. Test kointegracji przebiega dwuetapowo. W pierwszy etapie baday stopień zintegrowania poszczególnych szeregów, co daje na wskazówki do dalszego badania kointegracji. W drugi etapie należy wyestyować wektor kointegrujący postaci [1, - a 1, -a,, -a 6 ], który pojawia się w następujący odelu regresji Y 1, n) = a Y (, n) + a Y (3, n) +... a Y (7, n) + ν ( ) ( 1 6 n (3) Można go estyować używając etody najniejszych kwadratów a następnie testować 5
7 hipotezę o kointegracji przy użyciu testów Dickeya-Fullera. Inną prostą etodą testowania tej hipotezy jest użycie analogonu statystyki Durbina-Watsona. Test ten polega na wyznaczeniu statystyki Durbina-Watsona dla oszacowania odchyleń szeregu od głównej trajektorii, które przy założeniu prawdziwości hipotezy o kointegracji są stacjonarne [3] CIDW = ( ˆ( ν n) ˆ( ν n 1)) ( ˆ( ν n) ν ( n)), (4) gdzie ˆ ν ( n) są resztai wyznaczonyi etodą najniejszych kwadratów dla równania (3). Jeśli wartość statystyki CIDW jest niejsza od współczynnika deterinancji R R = vˆ ( n) 1 ( Y (1, n) Y (1, n)) postuluje się odrzucenie hipotezy o kointegracji. W przeciwny wypadku, gdy CIDW>R, kointegracja oże występować [3]. W naszych analizach baday kointegrację szeregów, które opisują cenę energii elektrycznej w poszczególnych dniach tygodnia. Jako zienną opisywaną przyjujey ceny z poniedziałku, pozostałe szeregi tworzą zienne opisujące. Dla takiego przypadku współczynnik deterinancji wynosi 0.954, natoiast wartość statystyki CIDW jest równa.153. Zate szeregi te są skointegrowane CI(1,1). Współczynniki kointegracji dla tego odelu uieszczone są w tabeli 3. a1 a a3 a4 a5 a6 1,3473-0,3781 0,046-0, ,087 Tabela 3. Wartości współczynników kointegracji. Źródło: opracowania własne., 4. Podsuowanie Powyższa analiza wskazuje na fakt, że okresowa korelacja jest ściśle związana z zagadnienie integracji, a co za ty idzie z kointegracją. Szereg okresowo skorelowany ożna przetransforować na zbiór podszeregów, które wykazują własność integracji, zate nie jest konieczne badanie jej innyi etodai. Ponadto podszeregi w swej niezróżnicowanej postaci ogą być ze sobą skointegrowane. ależy podkreślić, że saa okresowość szeregu nie wystarcza do tego, by był on złożenie podszeregów zintegrowanych. Dlatego do analizy wykorzystano szereg okresowo skorelowany opisujący spotowe ceny energii elektrycznej. Przedstawiona etodologia pozwala na badanie i opisywanie procesów wykazujących okresową korelację bez utraty zależności długookresowych. Służy ona także 6
8 jako potwierdzenie słuszności etod wykrywania okresowej korelacji opartych na analizie spektralnej. Bibliografia: [1] Broszkiewicz-Suwaj E., 003, Wykrywanie okresowej korelacji danych z TGE SA w oparciu o analizę spektralną, Rynek Terinowy 0, [] Broszkiewicz-Suwaj E., Makagon A., Weron R., Wyłoańska A., 004, On detecting and odeling periodic correlation in financial data, Physica A 336, [3] Chareza W. W., Deadan D.F., 1997, owa ekonoetria, Polskie Wydawnictwo Ekonoiczne, Warszawa. [4] Gladyshev E.G., 1961, Periodically correlated rando sequences, Soviet Math., [5] Hailton J., D., 1994, Tie Series Analysis, Princeton University Press, Princeton. [6] Hurd H., Gerr.L., 1991, Graphical ethods for deteining the presence of periodic correlation, J. Tie Ser. Anal. 1 (4), [7] Welfe A., 1998, Ekonoetria, Polskie Wydawnictwo Ekonoiczne. 7
HSC Research Report. Periodic correlation vs. integration and cointegration (Okresowa korelacja a integracja i kointegracja) HSC/04/04
HSC Research Report HSC/04/04 Periodic correlation vs. integration and cointegration (Okresowa korelacja a integracja i kointegracja) Ewa Broszkiewicz-Suwaj* Agnieszka Wyłoańska* * Institute of Matheatics,
Bardziej szczegółowoPrzyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej szczegółowoEKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,
Bardziej szczegółowoPodczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.
Trochę teorii W celu przeprowadzenia rygorystycznej ekonometrycznej analizy szeregu finansowego będziemy traktowali obserwowany ciąg danych (x 1, x 2,..., x T ) jako realizację pewnego procesu stochastycznego.
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza
Bardziej szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
Bardziej szczegółowoMetoda Johansena objaśnienia i przykłady
Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16
Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoZadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?
Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Wykres stopy bezrobocia rejestrowanego w okresie 01.1998 12.2008, dane Polskie 22 20 18 16 stopa 14 12
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowo2. Szybka transformata Fouriera
Szybka transforata Fouriera Wyznaczenie ciągu (Y 0, Y 1,, Y 1 ) przy użyciu DFT wyaga wykonania: nożenia zespolonego ( 1) razy, dodawania zespolonego ( 1) razy, przy założeniu, że wartości ω j są już dane
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoPlan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera.
1 Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera. Pojęcie stacjonarności i niestacjonarności zmiennych Szereg
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoANALIZA KOINTEGRACJI STÓP PROCENTOWYCH W POLSCE
Aneta KŁODZIŃSKA ZESZYTY NAUKOWE INSTYTUTU EKONOMII I ZARZĄDZANIA ANALIZA KOINTEGRACJI STÓP PROCENTOWYCH W POLSCE Zarys treści: Celem artykułu jest określenie czy między stopami procentowymi w Polsce występuje
Bardziej szczegółowoEkonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja Dr Michał Gradzewicz Katedra Ekonomii I KAE Ekonometria szeregów czasowych Procesy stochastyczne Stacjonarność i biały szum Niestacjonarność:
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 szczegółowoEkonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk
Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 5 & 6 Szaeregi czasowe 1
Bardziej szczegółowoANALIZA ZALEŻNOŚCI MIĘDZY INDEKSAMI RYNKÓW AKCJI NA GIEŁDZIE POLSKIEJ I AMERYKAŃSKIEJ. Indeksy giełdowe
B A D A N I A O P E R A C Y J N E I D E C Y Z J E Nr 3 4 2007 Grzegorz PRZEKOTA* ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSAMI RYNKÓW AKCJI NA GIEŁDZIE POLSKIEJ I AMERYKAŃSKIEJ W artykule skonstruowano dwa modele
Bardziej szczegółowo0.1 Modele Dynamiczne
0.1 Modele Dynamiczne 0.1.1 Wprowadzenie Często konkretne działanie czy zjawisko ekonomiczne nie tylko zależy od bieżących wartości pewnych wskaźników - zmiennych objaśniających modelu, ale również od
Bardziej szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoMODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XI/2, 2010, str. 254 263 MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE Agnieszka Tłuczak Zakład Ekonometrii i Metod Ilościowych, Wydział Ekonomiczny
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoTesty własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu
Część 2 Test Durbina-Watsona Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε
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 szczegółowo0.1 Modele Dynamiczne
0.1 Modele Dynamiczne 0.1.1 Wprowadzenie Często konkretne działanie czy zjawisko ekonomiczne nie tylko zależy od bieżących wartości pewnych wskaźników - zmiennych objaśniających modelu, ale również od
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoWykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym
Wiesława MALSKA Politechnika Rzeszowska, Polska Anna KOZIOROWSKA Uniwersytet Rzeszowski, Polska Wykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym Wstęp Wnioskowanie statystyczne
Bardziej szczegółowoAnaliza zależności cech ilościowych regresja liniowa (Wykład 13)
Analiza zależności cech ilościowych regresja liniowa (Wykład 13) dr Mariusz Grządziel semestr letni 2012 Przykład wprowadzajacy W zbiorze danych homedata (z pakietu R-owskiego UsingR) można znaleźć ceny
Bardziej szczegółowoInterpolacja. Interpolacja wykorzystująca wielomian Newtona
Interpolacja Funkcja y = f(x) jest dana w postaci dyskretnej: (1) y 1 = f(x 1 ), y 2 = f(x 2 ), y 3 = f(x 3 ), y n = f(x n ), y n +1 = f(x n +1 ), to znaczy, że w pewny przedziale x 1 ; x 2 Ú ziennej niezależnej
Bardziej szczegółowo1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące
Bardziej szczegółowo2.6 Zmienne stacjonarne i niestacjonarne 2.6. ZMIENNE STACJONARNE I NIESTACJONARNE 33. RYSUNEK 2.6: PKB w wyrażeniu realnym
2.6. ZMIENNE STACJONARNE I NIESTACJONARNE 33 tale. Rysunek 2.6 ilustruje sezonowość w logarytmie PKB w wyrażeniu realnym. Realny PKB został uzyskany poprzez zdeflowanie nominalnego PKB przez indeks cen
Bardziej szczegółowoWYKŁAD: Szeregi czasowe I. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe I Zaawansowane Metody Uczenia Maszynowego Szereg czasowy (X t ) - ciąg zmiennych losowych indeksowany parametrem t (czas). Z reguły t N lub t Z. Dotąd rozpatrywaliśmy: (X t )- ciąg
Bardziej szczegółowoEfektywność rynku w przypadku FOREX Weryfikacja hipotezy o efektywności dla FOREX FOREX. Jerzy Mycielski. 4 grudnia 2018
4 grudnia 2018 Zabezpieczony parytet stóp procentowych (CIP - Covered Interest Parity) Warunek braku arbitrażu: inwestycja w złotówkach powinna dać tę samą stopę zwrotu co całkowicie zabezpieczona inwestycja
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowo7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Bardziej szczegółowoWłaściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa.
Właściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa. Paweł Strawiński Uniwersytet Warszawski Wydział Nauk Ekonomicznych 16 stycznia 2006 Streszczenie W artykule analizowane są właściwości
Bardziej szczegółowoUOGÓLNIONA MIARA DOPASOWANIA W MODELU LINIOWYM
UOGÓLNIONA MIARA DOPASOWANIA W MODELU LINIOWYM Wojciech Zieliński Katedra Ekonoetrii i Statystyki, SGGW Nowoursynowska 159, PL-0-767 Warszawa wojtekzielinski@statystykainfo Streszczenie: W odelu regresji
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 1: Opis ogólny i plan pracy Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonometryczne modele nieliniowe Wykład 10 Modele przełącznikowe Markowa Literatura P.H.Franses, D. van Dijk (2000) Non-linear time series models in empirical finance, Cambridge University Press. R. Breuning,
Bardziej szczegółowoANALIZA METROLOGICZNA WYNIKÓW BADAŃ NA PRZYKŁADZIE ŁOŻYSK ŚLIZGOWYCH
PROBLEMY NIEKONWENCJONALNYCH UKŁADÓW ŁOŻYSKOWYCH Łódź 09-10 maja 1995 roku Jadwiga Janowska(Politechnika Warszawska) ANALIZA METROLOGICZNA WYNIKÓW BADAŃ NA PRZYKŁADZIE ŁOŻYSK ŚLIZGOWYCH SŁOWA KLUCZOWE
Bardziej szczegółowoEkonometria. Weryfikacja modelu. Paweł Cibis 12 maja 2007
Weryfikacja modelu Paweł Cibis pawel@cibis.pl 12 maja 2007 1 Badanie normalności rozkładu elementu losowego Test Hellwiga dla małej próby Test Kołmogorowa dla dużej próby 2 Testy Pakiet Analiza Danych
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoREGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji
Statystyka i opracowanie danych Ćwiczenia 5 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ MODEL REGRESJI LINIOWEJ Analiza regresji
Bardziej szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
Bardziej szczegółowoKORELACJA 1. Wykres rozrzutu ocena związku między zmiennymi X i Y. 2. Współczynnik korelacji Pearsona
KORELACJA 1. Wykres rozrzutu ocena związku między zmiennymi X i Y 2. Współczynnik korelacji Pearsona 3. Siła i kierunek związku między zmiennymi 4. Korelacja ma sens, tylko wtedy, gdy związek między zmiennymi
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej szczegółowoPOLITECHNIKA OPOLSKA
POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Podstaw Inżynierii Jakości Ćwiczenie nr 4 Temat: Analiza korelacji i regresji dwóch zmiennych
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład VI. Niestacjonarne szeregi czasowe
Prognozowanie i Symulacje. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści Analiza stacjonarności szeregów czasowych 1 Analiza stacjonarności szeregów czasowych Modele niestacjonarne Szeregi TS i DS
Bardziej szczegółowoWYKŁAD 8 ANALIZA REGRESJI
WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej
Bardziej szczegółowoCo trzeba wiedzieć korzystając z modelu ARIMA i które parametry są kluczowe?
Prognozowanie Co trzeba wiedzieć korzystając z modelu ARIMA Marta Płonka Predictive Solutions W trzecim już artykule dotyczącym szeregów czasowych przyjrzymy się modelom ARIMA. Dzisiaj skupimy się na metodzie
Bardziej szczegółowo1 Modele ADL - interpretacja współczynników
1 Modele ADL - interpretacja współczynników ZADANIE 1.1 Dany jest proces DL następującej postaci: y t = µ + β 0 x t + β 1 x t 1 + ε t. 1. Wyjaśnić, jaka jest intepretacja współczynników β 0 i β 1. 2. Pokazać
Bardziej szczegółowoEkonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk
Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 5 & 6 Szaeregi
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoMODELE LINIOWE. Dr Wioleta Drobik
MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowoWYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO
Zał. nr 4 do ZW WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA STOSOWANA Nazwa w języku angielskim APPLIED STATISTICS Kierunek studiów (jeśli dotyczy): Specjalność
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoKorelacja, autokorelacja, kowariancja, trendy. Korelacja określa stopień asocjacji między zmiennymi
Korelacja, autokorelacja, kowariancja, trendy Korelacja określa stopień asocjacji między zmiennymi Kowariancja Wady - ograniczenia. Wartość kowariancji zależy od rozmiarów zmienności zmiennej.. W konsekwencji
Bardziej szczegółowo= = a na podstawie zadania 6 po p. 3.6 wiemy, że. b 1. a 2 ab b 2
64 III. Zienne losowe jednowyiarowe D Ponieważ D (A) < D (B), więc należy wybrać partię A. Przykład 3.4. Obliczyć wariancję rozkładu jednostajnego. Ponieważ a na podstawie zadania 6 po p. 3.6 wiey, że
Bardziej szczegółowoBADANIE ZALEśNOŚCI CECHY Y OD CECHY X - ANALIZA REGRESJI PROSTEJ
WYKŁAD 3 BADANIE ZALEśNOŚCI CECHY Y OD CECHY X - ANALIZA REGRESJI PROSTEJ Było: Przykład. Z dziesięciu poletek doświadczalnych zerano plony ulw ziemniaczanych (cecha X) i oznaczono w nich procentową zawartość
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoBarbara Batóg* Uniwersytet Szczeciński
Studia i Prace WNEiZ US nr 45/2 2016 DOI:10.18276/sip.2016.45/2-11 Barbara Batóg* Uniwersytet Szczeciński Badanie kointegracji wybranych zmiennych ekonomiczno- -finansowych w województwie zachodniopomorskim
Bardziej szczegółowoTestowanie hipotez statystycznych. Wprowadzenie
Wrocław University of Technology Testowanie hipotez statystycznych. Wprowadzenie Jakub Tomczak Politechnika Wrocławska jakub.tomczak@pwr.edu.pl 10.04.2014 Pojęcia wstępne Populacja (statystyczna) zbiór,
Bardziej szczegółowoCEL PRACY ZAKRES PRACY
CEL PRACY. Analiza energetycznych kryteriów zęczenia wieloosiowego pod względe zastosowanych ateriałów, rodzajów obciążenia, wpływu koncentratora naprężenia i zakresu stosowalności dla ałej i dużej liczby
Bardziej szczegółowoTestowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego
Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Ze względu na jakość uzyskiwanych ocen parametrów strukturalnych modelu oraz weryfikację modelu, metoda najmniejszych
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 04-02-2016 Pytania teoretyczne 1. Za pomocą jakiego testu weryfikowana jest normalność składnika losowego? Jakiemu założeniu KMRL odpowiada w tym teście? Jakie
Bardziej szczegółowoKORELACJE I REGRESJA LINIOWA
KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoModelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH
Raport 10/2015 Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych
Bardziej szczegółowoZadanie 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 szczegółowoAnaliza regresji - weryfikacja założeń
Medycyna Praktyczna - portal dla lekarzy Analiza regresji - weryfikacja założeń mgr Andrzej Stanisz z Zakładu Biostatystyki i Informatyki Medycznej Collegium Medicum UJ w Krakowie (Kierownik Zakładu: prof.
Bardziej szczegółowoSIGMA KWADRAT. Weryfikacja hipotez statystycznych. Statystyka i demografia CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY
SIGMA KWADRAT CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY Weryfikacja hipotez statystycznych Statystyka i demografia PROJEKT DOFINANSOWANY ZE ŚRODKÓW NARODOWEGO BANKU POLSKIEGO URZĄD STATYSTYCZNY
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoRegresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).
Statystyka i opracowanie danych Ćwiczenia 12 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA WIELORAKA Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych
Bardziej szczegółowoAnaliza Szeregów Czasowych. Egzamin
Analiza Szeregów Czasowych Egzamin 12-06-2018 Zadanie 1: Zadanie 2: Zadanie 3: Zadanie 4: / 12 pkt. / 12 pkt. / 12 pkt. / 14 pkt. Projekt zaliczeniowy: Razem: / 100 pkt. / 50 pkt. Regulamin egzaminu 1.
Bardziej szczegółowoRys. 1. Rozwiązanie zadania rozpoczniemy od wyznaczenia wartość momentów zginających wywołanych działaniem siły 20[kN]. Rys. 2
Dynaika Drgania wyuszone nietłuione - Raa /9 Dynaika Drgania wyuszone nietłuione Raa Wyznaczyć siły kinetyczne działające na raę jak na rysunku, obciążoną zienna haronicznie siłą P o. Przyjąć następujące
Bardziej szczegółowoAnaliza szeregów czasowych: 2. Splot. Widmo mocy.
Analiza szeregów czasowych: 2. Splot. Widmo mocy. P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2006/07 Splot Jedna z najważniejszych własności transformaty Fouriera jest to, że transformata
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
Zał. nr 4 do ZW WYDZIAŁ ELEKTRONIKI KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA MATEMATYCZNA Nazwa w języku angielskim Mathematical Statistics Kierunek studiów (jeśli dotyczy): Specjalność (jeśli
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoWykład 12 Testowanie hipotez dla współczynnika korelacji
Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 24 maja 2017 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowoWykład 12 Testowanie hipotez dla współczynnika korelacji
Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 23 maja 2018 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem
Bardziej szczegółowoKatedra Fizyki Ciała Stałego Uniwersytetu Łódzkiego. Ćwiczenie 2 Badanie funkcji korelacji w przebiegach elektrycznych.
Katedra Fizyki Ciała Stałego Uniwersytetu Łódzkiego Ćwiczenie Badanie unkcji korelacji w przebiegach elektrycznych. Cel ćwiczenia: Celem ćwiczenia jest zbadanie unkcji korelacji w okresowych sygnałach
Bardziej szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoStatystyka 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 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 szczegółowoLiczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia
Bardziej szczegółowoAnaliza szeregów czasowych: 2. Splot. Widmo mocy.
Analiza szeregów czasowych: 2. Splot. Widmo mocy. P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2007/08 Splot Jedna z najważniejszych własności transformaty Fouriera jest to, że transformata
Bardziej szczegółowoPROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)
PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej
Bardziej szczegółowoREGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ
REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ Korelacja oznacza fakt współzależności zmiennych, czyli istnienie powiązania pomiędzy nimi. Siłę i kierunek powiązania określa się za pomocą współczynnika korelacji
Bardziej szczegółowo