METODY SZACOWANIA PARAMETRÓW MODELI DWULINIOWYCH
|
|
- Lech Janik
- 5 lat temu
- Przeglądów:
Transkrypt
1 METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XII/,, sr METODY SZACOWANIA ARAMETRÓW MODELI DWULINIOWYCH Joanna Górka, Mchał Bernard erzak Kaedra Ekonomer Sask Unwerse Mkołaja Koernka w Torunu e-ma: joanna.gorka@umk., erzak@umk. Sreszczene: W arkue rzedsawon zosane mode dwunow, jego budowa, własnośc oraz meod esmacj. Zarezenowana zosane równeż możwość osu modeu dwunowego za omocą modeu rzesrzen sanu. rakczne zasosowane modeu dwunowego w ołączenu z modeem GARCH ozwaa na jednoczesn os dwóch własnośc szeregów fnansowch, warunkowej warośc oczekwanej oraz warunkowej warancj. Mode en wkorzsano w emrcznej anaze ndeksów gełdowch, gdze dokonano rób osu ogarmcznch só zwrou. Orzmane wnk ozwoł na orównane modeu ze srukurą dwunową AR( ) BL(, GARCH ( r, z modem AR( ) GARCH ( r,. Słowa kuczowe: mode dwunow, mode GARCH, warunkowa warość oczekwana, warunkowa warancja WROWADZENIE odczas anaz zaeżnośc wsęującch na rnkach fnansowch nejednokrone sneje orzeba osu zwązków nenowch. Nenowość wnka ze skomkowanch różnorodnch zachowań nwesorów. Wkorzswane do modeowana fnansowch szeregów czasowch roces sochasczne można odzeć na roces nenowe w warunkowej warośc oczekwanej oraz roces nenowe w warunkowej warancj. Rozarwane w rac roces dwunowe BL worzą modee nenowe w warunkowej warośc oczekwanej. Naomas roces z rodzn GARCH są rzkładem mode nenowch w warunkowej warancj.
2 4 Joanna Górka, Mchał Bernard erzak roces dwunow ARMA(, q) BL(, z czasem dskrenm,,...,t można zasać jako gdze j k q β j j j k β, β, są arameram rocesu, k k, (), naomas jes rocesem zwanm bałm szumem o warancj równej δ. roces dwunowe zosał wrowadzone w racach [Granger, Andersen 978, Subba Rao, Gabr 98], a w eraurze oskojęzcznej ojawł sę w racach [Bruzda 3, Doman, Doman 4]. rz waroścach aramerów q roces dwunow redukuje sę do rocesu całkowce dwunowego BL (,, okreśonego wzorem gdze równej k k k k jes aramerem rocesu, a δ., () jes rocesem bałego szumu o warancj METODY SZACOWANIA ARAMETRÓW MODELI DWULINIOWYCH Meod szacowana aramerów zosaną zawężone do rocesów dwunowch AR( ) BL(,. W raze orzeb sneje możwość ch rozszerzena da rocesu osanego wzorem (). erwszą z rzedsawonch meod jes meoda najwększej wargodnośc MNW. Jej dea oega na obczenu warośc gęsośc rawdoodobeńswa uzskana rób (,,... T ), rz założonch waroścach aramerów Θ. Naeż wbrać aką ocenę aramerów Θ, da kórej funkcja wargodnośc osąga warość maksmaną. Funkcja wargodnośc rocesu AR( ) BL(, zasana jes wzorem n L(,,..., ;,,...,,,,...,,..., δ ) T T (3),5 n(π ),5 n( δ ),5 k k / δ k Koejną meodą szacowana aramerów mode dwunowch jes meoda quas wargodnośc oara o fr Kamana. W ceu wkorzsana ej meod k Os meod najwększej wargodnośc meoda oarej o fr Kamana zawar jes w rac [Durbn, Kooman ]. Da reazacj ej meod wsarczająca jes znajomość warośc oczekwanch wekora sanu obserwacj.
3 Meod szacowana aramerów mode dwunowch 4 naeż najerw rzedsawć roces w rzesrzen sanu (ozn. SSM). Ogón mode SSM składa sę z równana sanu δ C A, (4) oraz równana obserwacj Y H, (5) gdze δ są rocesam bałoszumowm o warancj odowedno δ δ δ. Rozarwan mode ), ( ) ( BL AR okreśon jes jako k k k.... (6) roces ), ( ) ( BL AR w rzesrzen sanu można zasać w osac C B A, (7) Y H, (8) gdze [ ],,..., ' C, [ ],,..., H, A, (9), B. () W ceu wkorzsana fru Kamana, na kórm oara jes funkcja wargodnośc, mode rzesrzen sanu naeż rzekszałcć w odowedn sosób. Da SSM ma osać C B A, () Y H. () Nech ( ) B A x. (3)
4 4 Joanna Górka, Mchał Bernard erzak Wówczas równane () ma osać x C. odsawając do równana () (3) orzmujem x Ax B x AC BC, (4) Y Hx. (5) W ceu orzmana warośc oczekwanej szumu na ozome równm zero w równanu (4) dodano odjęo składnk B Cδ. Sąd x Ax B x AC BC( δ ) BCδ. (6) Warośc oczekwane wekora sanu obserwacj wznaczone na odsawe nformacj dosęnch w chw są nasęujące E ( x ) AE( x) BCδ, (7) E( Y ) H E( x ). (8) Da równana SSM są nasęujące A B B C, (9) Y H. () Nech x ( A B B ). () Wówczas równane (9) rzjmuje osać x C. odsawając do równań () () orzmujem x Ax B x B x AC BC BC, () Y Hx. (3) Nech z ( A B B ) x. (4) Wówczas równane () ma zas x z AC BC BC. osać ą odsawam nasęne do równań (3) (4), w wnku czego orzmwane są równana. z Az B z B z c C B Y ( B A C AB C) BC ABC BBC BC Hz HAC HBC HBC 3 B B C (6) W ceu orzmana, zarówno w równanu sanu, jak równanu obserwacj, warośc oczekwanej szumu na ozome równm zero, dodawano odjęo wrażene ( ) B A C ABC δ w równanu (5) oraz wrażene HB Cδ w równanu (6) orzmując (5)
5 Meod szacowana aramerów mode dwunowch 43 z Az B C B B C B z B z 3 B B C AB C B C ( B A C AB C) δ ( B A C AB C)( δ ) c C B Y Hz HAC HBC (7) HBC( δ ) HBCδ Warośc oczekwane wekora sanu obserwacj oszacowane na odsawe nformacj dosęnch w chw okreśone są wzoram (8) (9). ( z ) ( ) ( ) AE z BA C ABC δ ( Y ) H E( z ) HB Cδ (6) E, (8) E. (9) Da warośc > naeż w erwszm kroku osęować ak samo jak w rzadku, a nasęne wrowadzać koejne odsawena w ceu uzskana odowednej form równana sanu obserwacj. ZASTOSOWANIE MODELI DWULINIOWYCH DLA EKONOMICZNYCH SZEREGÓW CZASOWYCH Badanu zosał oddane ndeks gełdowe WIG, WIG, WIG-BANK, WIG-TELE, WIG-SOZ, WIG-BUDO oraz WIG-INFO. Wszske szereg czasowe bł anazowane w okrese głównm Dodakowo szereg zbadano w dwóch odokresach oraz Deczja o uworzenu dwóch odokresów sowodowana bła fakem wrowadzena w 7.. ssemu WARSET, co mogło meć znaczn włw na wcenę sółek osaeczne na własnośc ndeksów. Dokonano anaz sascznej ogarmcznch só zwrou w okrese głównm oraz odokresach. Swerdzono wsęowane zjawska skośnośc w wększośc rzadków. Naomas w rzadku wszskch ndeksów odnoowano znaczne odwższoną kurozę. rzerowadzono równeż es Boxa-Ljunga es Enga 3. Da wększośc ndeksów swerdzono sasczne soną auokoreację ogarmcznch só zwrou. Tes Enga wkazał sasczne soną auokoreację mędz kwadraam ogarmcznch só zwrou da wszskch anazowanch szeregów. Ważną kwesą rzed zasosowanem modeu do danch emrcznch jes rawdłowe rozoznane, cz badacz ma do cznena z nenowoścą w warunkowej warośc średnej, cz w warunkowej warancj. Okazuje sę jednak, że zarówno roces dwunowe BL (,, jak roces GARCH ( r, osadają Lczba branch od uwagę rzędów oóźnena wnosła oraz 4. 3 rzjęo rząd oóźnena oraz 4.
6 44 Joanna Górka, Mchał Bernard erzak odobną srukurę auokoreacjną kwadraów obserwacj, na odsawe kórej są one odróżnane od mode nowch. Oznacza o, że na odsawe esu ARCH badacz ne jes w sane wskazać jednoznaczne na roces BL (, cz roces GARCH ( r, 4. oneważ sneje możwość omłk w secfkacj modeu, daego eż w rzadku anaz fnansowch szeregów czasowch auorz roonują rzjęce modeu AR( ) BL(, GARCH ( r, osac k k k r z η h, γ η j η η, (3) h γ h, (3) gdze, k, γ, β j są arameram rocesu, a jes nezaeżną zmenną osową ze ζ skośnego rozkładu - Sudena n (, δ ). aramer n oznacza czbę son swobod rozkładu, a warość arameru ζ ma włw na skośność rozkładu. Logarm funkcj wargodnośc, rz szacowanch aramerach {, k, γ, β j, n, ξ}, jes osac 5 gdze n L( ; T,..., (,5 n π ( n ) n Γ(( n ) n( /( ξ (/ ξ ))) n s,5 n h ( n ) n( (( s T,,, γ, β, n, ξ ) k m) j K / ) ξ ) /( n )) h j n Γ( n / ) (3) k k k ( ) (33) (( n )/ ) Γ n m ξ (34) π Γ( n/ ) ξ s m ξ ξ (35) 4 orównaj Bruzda (3). 5 aramer n oznacza czbę son swobod w rzadku rozkładu normanego rzjmuje warość 3, aramer ξ odowada za skośność rozkładu rzjmuje warośc z rzedzału (,) da rozkładu ewosronne asmercznego oraz warośc z rzedzału (, ) da rozkładu rawosronne asmercznego.
7 Meod szacowana aramerów mode dwunowch 45 K da da m ( ) s m ( ) < s rzjęo dwe wjścowe secfkacje szacowanch mode. erwszą założoną secfkację sanow mode AR( ) BL(, GARCH ( r,, naomas w rzadku drugej secfkacj rzjęo mode AR( ) GARCH ( r,. Nasęne o oszacowanu obdwu mode za omocą krerum nformacjnego Schwarza zosane rozsrzgnęe zagadnene, cz dodane do modeu AR( ) GARCH ( r, srukur dwunowej oeszło jego doasowane do danch emrcznch. Ze wzgędu na ogranczene rozmaru eksu referau, rzedsawono ko rzkładowe modee da ogarmcznch só zwrou ndeksu WIG-TELE. Tabea Wnk esmacj aramerów mode da ndeksu WIG-TELE w okrese AR( ) BL(,) GARCH(,) AR( ) GARCH(,) aramer Ocen -Sudena Ocen -Sudena,6,99,64,99,98,86 γ,9 3,85,87 3,8 γ β,9 7,8,9 7,6,89 74,7,89 75 n 7,7 6,34 7,6 6,37 ζ,7 33, 3,65 K. Schwarza -4,793 K. Schwarza -4,734 Źródło: oracowane własne. (36)
8 46 Joanna Górka, Mchał Bernard erzak Tabea Wnk esmacj aramerów mode da ndeksu WIG-TELE w okrese AR( ) BL(,) GARCH(,) AR( ) GARCH(,) aramer Ocen -Sudena Ocen -Sudena, 3,9, 3,38,89,6 γ,54 3,9,46 3, γ β,8 4,43,3 4,34,79,9,8 3,6 n 7,7 3,69 6,99 3,76 ζ,94,59,96,97 K. Schwarza -4,3734 K. Schwarza -4,3737 Źródło: oracowane własne. Tabea 3 Wnk esmacj aramerów mode da ndeksu WIG-TELE w okrese BL(,) GARCH(,) GARCH(,) aramer Ocen -Sudena Ocen -Sudena -,56,64 γ,56,5,56,49 γ,7 4,5,7 4,53 β,9 56,7,9 56, n 6,49 6,3 6,54 6,3 ζ,4 3,4,5 3,68 K. Schwarza -5, K. Schwarza -5,7 Źródło: oracowane własne. ODSUMOWANIE W arkue rzedsawono mode dwunow, jego budowę, własnośc oraz meod esmacj. Mode en wkorzsano w emrcznej anaze ndeksów gełdowch, gdze dokonano rób osu ogarmcznch só zwrou. Orzmane wnk ozwoł na orównane modeu ze srukurą dwunową AR( ) BL(, GARCH ( r, z modem AR( ) GARCH ( r,. Uzskane warośc krerum nformacjnego Schwarza, da mode AR( ) BL(, GARCH ( r,, AR( ) GARCH ( r,, różną sę doero na rzecm mejscu o rzecnku (da wększośc mode), co w rzadku orawne oszacowanch mode
9 Meod szacowana aramerów mode dwunowch 47 unemożwa ocenę faku, cz dodane do modeu AR( ) GARCH ( r, srukur dwunowej oeszło jego doasowane do danch emrcznch. Badane ozwoło równeż na wsunęce wnosku, ż w oszczegónch odokresach anaz może wsęować zjawsko auokoreacj da só zwrou, jak zankać, co naeż brać od uwagę w secfkacj mode. W rzadku wkorzsana w modeach skośnego rozkładu -sudena uzskwane bł sasczne sone warośc ocen aramerów ζ oraz n, co owerdza zasadne rzjęce ego rozkładu za rozkład warunkow. Esmacja mode w odokresach ozwoła na denfkację zmennośc warośc ocen aramerów ζ oraz n, co śwadcz o zmenającch sę w czase skośnośc rozkładów oraz kuroz. W rzadku nekórch ndeksów, wrowadzene ssemu WARSET mało włw na zank srukur nenowej w warośc oczekwanej, w m sense, że aramer odowedzan za srukurę dwunową okazał sę w odokrese sasczne neson. BIBLIOGRAFIA Bruzda J. (3) roces dwunowe roces GARCH w modeowanu fnansowch szeregów czasowch, rzegąd Sasczn. Doman M.,Doman R. (4) Ekonomerczne modeowane dnamk rnku fnansowego, Wdawncwo Akadem Ekonomcznej w oznanu. Durbn J., Kooman S.J. () Tme Seres Anass b Sae Sace Mehods, Oxford Unvers ress, New York. Granger C. W. J., Andersen A.. (978) An Inroduon o Bnear Tme Seres Modes, Gongen: Vandenhoeck and Rurech. Subba Rao T., Gabr M.M. (98) An Inroducon o Bsecra Anass and Bnear Tme Seres Modes, Srnger-Verag, Bern. THE METHODS OF ESTIMATING THE ARAMETERS OF BILINEAR MODELS Absrac: In he aer we resen sochasc rocess whch s caed bnear rocess, he srucure of he rocess and s roeres. Then we resen he reresenaon of he sae sace for he bnear mode. Fna, we show he mehods of esmang he arameers of bnear modes and some emrca exames as we. Ke words: bnear mode, GARCH mode
Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowoPODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK
PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK Założena Nech oznacza ozom (warość) badanego zjawska (zmennej) w kolejnch momenach czasu T0, gdze T 0 0,1,..., n 1 oznacza worz szereg czasow. zbór numerów czasu. Cąg
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 5
Sanisław Cichocki Naalia Nehrebecka Wkład 5 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA 2 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA
Bardziej szczegółowoMonika Kośko Wyższa Szkoła Informatyki i Ekonomii TWP w Olsztynie Michał Pietrzak Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolske Semnarum Naukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaja Kopernka w Torunu Monka Kośko Wyższa Szkoła Informayk Ekonom TWP w Olszyne
Bardziej szczegółowoMETODY KOMPUTEROWE 10
MEODY KOMPUEROWE RÓWNANIA RÓŻNICZKOWE CZĄSKOWE Poechnka Poznańska Mchał Płokowak Adam Łodgowsk Mchał PŁOKOWIAK Adam ŁODYGOWSKI Konsace nakowe dr nż. Wod Kąko Poznań 00/00 MEODY KOMPUEROWE 0 RÓWNANIA RÓŻNICZKOWE
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3 Szereg
Bardziej szczegółowoFinansowe szeregi czasowe wykład 7
Fnansowe szereg czasowe wykład 7 dr Tomasz Wójowcz Wydzał Zarządzana AGH 38 33 28 23 18 13 8 1 11 21 31 41 51 61 71 Kraków 213 Noowana ndeksu WIG w okrese: 3 marca 29 31 syczna 211 55 5 45 4 35 3 25 2
Bardziej szczegółowoZajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego
Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb
Bardziej szczegółowoPARAMETRY ELEKTRYCZNE CYFROWYCH ELEMENTÓW PÓŁPRZEWODNIKOWYCH
ARAMETRY ELEKTRYZNE YFROWYH ELEMENTÓW ÓŁRZEWODNIKOWYH SZYBKOŚĆ DZIAŁANIA wyrażona maksymalną częsolwoścą racy max MO OBIERANA WSÓŁZYNNIK DOBROI D OBIĄŻALNOŚĆ ELEMENTÓW N MAKSYMALNA LIZBA WEJŚĆ M ODORNOŚĆ
Bardziej szczegółowoFunkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 3 Szereg czasowy jes pojedynczą realzacją pewnego
Bardziej szczegółowoEKONOMETRIA Wykład 2: Metoda Najmniejszych Kwadratów
EKONOMERIA Wkład : Meoda Najmnejszch Kwadraów dr Doroa Cołek Kaedra Ekonomer Wdzał Zarządzana UG hp://wzr.pl/dc doroa.colek@ug.edu.pl Lnow model ekonomerczn:... zmenna endogenczna, 0 k k u zmenne objaśnające,
Bardziej szczegółowoCechy szeregów czasowych
energecznch Cech szeregów czasowch Rozdział Modelowanie szeregów czasowch 7 proces deerminisczn proces kórego warość może bć preczjnie określona w dowolnm czasie =T+τ = a +b T T+τ czas = sin(ω) T T+τ czas
Bardziej szczegółowot t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o
Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz na podsawe ego odelu ożna wcągać wnos doczące badanego zjawsa
Bardziej szczegółowoWygładzanie metodą średnich ruchomych w procesach stałych
Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja
Bardziej szczegółowoPrzykład 7.2. Belka złożona. Obciążenie poprzeczne rozłożone, trapezowe.
rzkład 7.. Beka złożona. Obciążenie orzeczne rozłożone, traezowe. a oniższej beki zaisać funkcje sił rzekrojowch i sorządzić ich wkres. α Rozwiązanie Oznaczam unkt charakterstczne, składowe reakcji i rzjmujem
Bardziej szczegółowot t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o ˆ
Eonoera Ćwczena Werfacja odelu eonoercznego Maerał poocncze Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz
Bardziej szczegółowoKurtoza w procesach generowanych przez model RCA GARCH
Joanna Górka * Kuroza w procesach generowanych przez model RCA GARCH Wsęp Na przesrzen osanej dekady odnoowuje sę szybk rozwój model nelnowych. Wdoczna jes zwłaszcza różnorodność nelnowych specyfkacj modelowych,
Bardziej szczegółowoFINANSOWE SZEREGI CZASOWE WYKŁAD 3
FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoTomasz Zdanowicz Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolse emnarum Nauowe 4 6 wrześna 007 w Torunu Kaedra Eonomer as Unwerse Mołaja Koperna w Torunu Tomasz Zdanowcz Unwerse Mołaja Koperna w Torunu Porównane własnośc
Bardziej szczegółowoUBEZPIECZENIE Z FUNDUSZEM KAPITAŁOWYM
MEODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH om XV/3, 214, sr. 86 98 PROPOZYCJA MODYFIKACJI KŁADKI NEO W UBEZPIECZENIACH NA ŻYCIE Z FUNDUZEM KAPIAŁOWYM UWZLĘDNIAJĄCA DODAKOWE RYZYKO FINANOWE Magdalena Homa
Bardziej szczegółowo= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału
5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoPrognozowanie i symulacje
Prognozowanie i smulacje Lepiej znać prawdę niedokładnie, niż dokładnie się mlić. J. M. Kenes dr Iwona Kowalska ikowalska@wz.uw.edu.pl Prognozowanie meod naiwne i średnie ruchome Meod naiwne poziom bez
Bardziej szczegółowoANALIZA SZEREGÓW CZASOWYCH
ANALIZA SZEREGÓW CZASWYCH Szereg czasow zbór warośc baanej cech lub warośc baanego zjawska zaobserwowanch w różnch momenach czasu uporząkowan chronologczne. Skłank szeregu czasowego:. enencja rozwojowa
Bardziej szczegółowoStudia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.
Bardziej szczegółowoOCENA RYZYKA INWESTYCJI W METALE SZLACHETNE W OKRESIE ŚWIATOWEGO KRYZYSU FINANSOWEGO 2007-2012
Elza Buszkowska Unwersye m. Adama Mckewcza w Poznanu, Wydzał Prawa Admnsracj, Kaedra Nauk Ekonomcznych Por Płucennk Unwersye m. Adama Mckewcza w Poznanu, Wydzał Maemayk Informayk, Pracowna Ekonomer Fnansowej
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoNiezawodność elementu nienaprawialnego. nienaprawialnego. 1. Model niezawodnościowy elementu. 1. Model niezawodnościowy elementu
Niezawodność elemenu nienarawialnego. Model niezawodnościowy elemenu nienarawialnego. Niekóre rozkłady zmiennych losowych sosowane w oisie niezawodności elemenów 3. Funkcyjne i liczbowe charakerysyki niezawodności
Bardziej szczegółowoĘ ż Ł ś ą ł ść ó ą ż ę ł Ł ś ą ś Ż ż ż ń ż ł ś ń ż żę Ł ż ó ń ę ż ł ńó ó ł ń ą ż ę ż ą ą ż Ń ż ż ż óź ź ź ż Ę ż ś ż ł ó ń ż ć óź ż ę ż ż ńś ś ó ń ó ś
Ę Ł ś ą ł ść ą ę ł Ł ś ą ś Ż ł ś ę Ł ę ł ł ą ę ą ą Ń ź ź ź Ę ś ł ć Ź ę ś ś ś Ę ł ś ć Ę ś ł ś ą ź ą ą ą ą ą ą ą ą ś ą ęń ś ł ą ś Ł ś ś ź Ą ł ć ą ą Ę ą ś ź Ł ź ć ś ę ę ź ą Ż ć ć Ą ć ć ł ł ś ł ś ę ą łą ć
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowoŁĄ ę ł
ŁĄ ę ł ł ń ł ł ł ł ł ó ą Ń ł ń ł ł ł ż Ł ń ąó ż ąó ó ą ę ó ąę ą ł ą ę ń ł ś ół ż ł ł ł ą ń ś ół ń ł ł ę ł ó ł Ćć ć Ą ż ł ć ć ć ł ł ż ó ąę ó ó ą ś ó ół ż ą ń ł ó ą ę ą ó ę ś ś ó ą ę ą ą ęś ć ś ę ą ę ł ę
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 2009.
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 009 Uniwerse Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saski WŁASNOŚCI
Bardziej szczegółowoź -- ć ł ź ł -ł ł --
------ --------- --ł ----ć -------- --------------- ---ę- --- ----------- ------- ------ó- ------------ ----- --- -- ----- - ------------ --ó- --ś -- -- ------- --------- ------ ---- --------- -------ą
Bardziej szczegółowoANALIZA SZEREGÓW CZASOWYCH
ANALIZA ZEREGÓW CZAWYCH zereg czasow zbór warosc baanej cech lub warosc baanego zjawska zaobserwowanch w róznch momenach czasu uporzakowan chronologczne. klank szeregu czasowego:. enencja rozwojowa (ren)
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny
Bardziej szczegółowoó ę ą ż ż ś ść Ó Ś ż Ó Ś ę ą żć ó ż Ó ż Ó ó ó ż Ó ż ó ą ą Ą ś ą ż ó ó ż ę Ć ż ż ż Ó ó ó ó ę ż ę Ó ż ę ż Ó Ę Ó ó Óś Ś ść ę ć Ś ę ąć śó ą ę ęż ó ó ż Ś ż
Ó śó ą ę Ę śćś ść ę ą ś ó ą ó Ł Ó ż Ś ą ś Ó ą ć ó ż ść śó ą Óść ó ż ż ą Ś Ś ż Ó ą Ó ą Ć Ś ż ó ż ę ąś ó ć Ś Ó ó ś ś ś ó Ó ś Ź ż ą ó ą żą śó Ś Ó Ś ó Ś Ś ąś Ó ó ę ą ż ż ś ść Ó Ś ż Ó Ś ę ą żć ó ż Ó ż Ó ó ó
Bardziej szczegółowoBayesowskie prognozy migracji zagranicznych w Europie: wybrane propozycje metodologiczne
Bayesowske rognozy mgracj zagrancznych w Euroe: wybrane roozycje metodologczne Jakub Bjak Badań Mgracyjnych Ludnoścowych w Warszawe Ogólnoolske Semnarum Naukowe Dynamczne Modele Ekonometryczne Toruń, 4
Bardziej szczegółowoę ą ę ó ń ń ń ó ń ó ó ń ź ą ę Ń ą ó ę ą ó ą ą ć ś ą ó ś ó ń ó ą Ń Ą ś ę ńś Ą ń ó ń ó ńś ó ś Ą ś ś ó ó ś ś ó ą ń ó ń Ę ń ć ńś ę ó ś ś Ę ń Ł ó ń ź ń ś ę
ń ę ś Ą Ń ó ę ą ń ą ś Ł ń ń ź ń ś ó ń ę ę ę Ń ą ą ń ą ź ą ź ń ć ę ó ó ę ś ą ść ńś ś ę ź ó ń ó ń ę ń ą ń ś ę ó ó Ę ó ń ę ń ó ń ń ń ą Ę ą ź ą ą ń ó ą ę ó ć ą ś ę ó ą ń ś ę ą ę ó ń ń ń ó ń ó ó ń ź ą ę Ń ą
Bardziej szczegółowoWspółczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych
Współcznnk korelacj lnowej oraz funkcja regresj lnowej dwóch zmennch S S r, cov współcznnk determnacj R r Współcznnk ndetermnacj ϕ r Zarówno współcznnk determnacj jak ndetermnacj po przemnożenu przez 00
Bardziej szczegółowoRozwiązywanie ram płaskich wyznaczanie reakcji i wykresów sił przekrojowych 7
ozwiązwanie ram płaskich wznaczanie reakcji i wkresów sił przekrojowch 7 Obciążenie ram płaskiej, podobnie jak w przpadku beek rozdział 6, mogą stanowić sił skupione, moment skupione oraz obciążenia ciągłe
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAICZNE ODELE EKONOETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 7 w Torunu Kaedra Ekonomer Saysyk, Unwersye kołaja Kopernka w Torunu Jacek Kwakowsk Unwersye kołaja Kopernka w Torunu odele RCA
Bardziej szczegółowoMacierze hamiltonianu kp
Macere halonanu p acer H a, dla wranego, war 44 lu 88 jeśl were jao u n r uncje s>; X>, Y>, Z>, cl uncje ransorujące sę według repreenacj grp weora alowego Γ j. worące aę aej repreenacj - o ora najardej
Bardziej szczegółowoTERMODYNAMIKA TECHNICZNA I CHEMICZNA
TRMODYNAMIKA TCHNICZNA I CHMICZNA Część IV TRMODYNAMIKA ROZTWORÓW TRMODYNAMIKA ROZTWORÓW FUGATYWNOŚCI I AKTYWNOŚCI a) Wrowadzene Potencjał chemczny - rzyomnene de G n na odstawe tego, że otencjał termodynamczny
Bardziej szczegółowoń ń ś ń ę ę Ś ę Ż ę ę ś ń ę ż ń ęś ę ż ń ń Ą Ę ś ś ś ż Ż ś Ś ś ę ś Ś
ę ę Ą Ą ń Ó ś ś ś ń ń Ż ń Ą Ż śó ŚĆ ś ę ę ś ś ś Ż ś ść ń Ż Ś ń ń ś ń ę ę Ś ę Ż ę ę ś ń ę ż ń ęś ę ż ń ń Ą Ę ś ś ś ż Ż ś Ś ś ę ś Ś ę ę ś ń Ż Ż Ż ę ś ć Ą Ż Ż ś Ś Ą Ż ś Ś Ą Ż ś ś ś Ę Ą ę ń ś ę ż Ż ć Ś ń ę
Bardziej szczegółowoPodstawowe algorytmy indeksów giełdowych
Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 25-11-13 Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 2013-11-25 Sps reśc I. Algorymy oblczana warośc ndeksów gełdowych...3 1. Warość beżąca
Bardziej szczegółowoXXXV Konferencja Statystyka Matematyczna
XXXV Konferencja Saysyka Maeayczna MODEL OTOWOŚCI SYSTEMU TECHNICZNEO Karol J. ANDRZEJCZAK karol.andrzejczak@pu.poznan.pl Polechnka Poznańska hp://www.pu.poznan.pl/ PRORAM REERATU 1. WPROWADZENIE 2. ORMALIZACJA
Bardziej szczegółowoZad 2 Dynamika zatrudnienia mierzona indeksami łańcuchowymi w ostatnich pięciu latach kształtowały się następująco: Lata Indeksy ( w %)
Analza dnamk Zad. 1 Indeks lczb studującch studentów w województwe śląskm w kolejnch pęcu latach przedstawał sę następująco: Lata 1 2 3 4 5 Indeks jednopodstawowe z roku t = 1 100,0 115,7 161,4 250,8 195,9
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
Bardziej szczegółowoDyskretny proces Markowa
Procesy sochasyczne WYKŁAD 4 Dyskreny roces Markowa Rozarujemy roces sochasyczny X, w kórym aramer jes ciągły zwykle. Będziemy zakładać, że zbiór sanów jes co najwyżej rzeliczalny. Proces X, jes rocesem
Bardziej szczegółowoPrzykład 5.1. Kratownica dwukrotnie statycznie niewyznaczalna
rzykład.. Kratownca dwukrotne statyczne newyznaczana oecene: korzystaąc z metody sł wyznaczyć sły w prętach ponższe kratowncy. const Rozwązane zadana rozpoczynamy od obczena stopna statyczne newyznaczanośc
Bardziej szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Joanna Górka WŁASNOŚCI PROGNOSTYCZNE
Bardziej szczegółowoPROCESY AUTOREGRESYJNE ZE ZMIENNYM PARAMETREM 1. Joanna Górka. Wydział Nauk Ekonomicznych i Zarządzania UMK w Toruniu Katedra Ekonometrii i Statystyki
PROCESY AUTOREGRESYJNE ZE ZMIENNYM PARAMETREM Joanna Górka Wdział Nauk Ekonomicznch i Zarządzania UMK w Toruniu Kaedra Ekonomerii i Saski WSTĘP Niesacjonarne proces o średniej zero mogą bć reprezenowane
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoSprężyny naciągowe z drutu o przekroju okrągłym
Sprężyny naciągowe z o przekroju okrągłym Stal sprężynowa, zgodnie z normą PN-71/M80057 (EN 10270:1-SH oraz DIN 17223, C; nr mat. 1.1200) Stal sprężynowa nierdzewna, zgodnie z normą PN-71/M80057 (EN 10270:3-NS
Bardziej szczegółowoEgzamin poprawkowy z Analizy II 11 września 2013
Egzamn poprawkowy z nalzy II 11 wrześna 13 Uwag organzacyjne: każde zadane rozwązujemy na osobnej kartce Każde zadane należy podpsać menem nazwskem własnym oraz prowadzącego ćwczena Na wszelk wypadek prosmy
Bardziej szczegółowoPrzykład 3.1. Wyznaczenie zmiany odległości między punktami ramy trójprzegubowej
Przykład Wyznaczene zmany odegłośc mędzy unktam ramy trójrzegubowej Poecene: Korzystając ze wzoru axwea-ohra wyznaczyć zmanę odegłośc mędzy unktam w onższym układze Przyjąć da wszystkch rętów EI = const
Bardziej szczegółowoWYKORZYSTANIE PODEJŚCIA QUASI-HIERARCHICZNEGO W WIELOKRYTERIALNYM DRZEWIE DECYZYJNYM*
Unwersye Ekonomczny w Kaowcach Wydzał Informayk Komunkacj Kaedra Badań Oeracyjnych macej.nowak@ue.kaowce.l WYKORZYSTANIE PODEJŚCIA QUASI-HIERARCHICZNEGO W WIELOKRYTERIALNYM DRZEWIE DECYZYJNYM* Sreszczene:
Bardziej szczegółowoĘ Ę ĘŚ Ą Ł Ę ł ł ś ą ź ż ź ą ż ć ąż ą ś ą
Ń Ę ł ó ó ł ż ć ó ś ą ą ż ą ą ń ł ś ś ąż ą Ę łó Ą Ę Ą Ó ą ż ą ł ą ź ć Ę ą ś ą ą Ł Ł ł ą Ą Ę Ą Ł ą ąż ą ż ć ą Ż ć ą Ę Ę ĘŚ Ą Ł Ę ł ł ś ą ź ż ź ą ż ć ąż ą ś ą ó ó ż ą ą ż ś ż Ę ź Ą ł ł ł ą ó ń ń Ę ż ż ń
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaa Kopernka w Torunu Unwersye Mkołaa Kopernka w Torunu Ops kurozy rozkładów
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowo6. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO
Różnce mędzy obserwacjam statystycznym ruchu kolejowego a samochodowego 7. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO.. Obserwacje odstępów mędzy kolejnym wjazdam na stację
Bardziej szczegółowoSELEKCJA: JAK JEDNA POPULACJA (STRATEGIA) WYPIERA INNĄ
W stronę bolog: dnama oulacj Martn. owa Evolutonar Dnamcs elna Press 6 SELEKCJ: JK JED POPULCJ (STRTEGI) WYPIER IĄ Model determnstczn ( a ) ( b ) : Dodając stronam mam a b czl średne dostosowane (ftness).
Bardziej szczegółowoZadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane
Bardziej szczegółowoĄ ć ę ż ż Ż ć ć Ż ć ń ę ę Ż ń ż ęż ę ę Ę ż ż ĘŚ ę Ż Ż Ż Ż Ż Ż Ż Ż ż ż ń ę ęż ęż Ó ęź Ą ń ę Ś Ż ć ę Ą ę ż ę ż ć ę ę Ż ę ż ż ę ń ń ę Ą ż ę Ł Ą ę ż ę Ą ę ę Ę Ą ę ę ęć ż Ę ęż ż ę Ą Ę ę ę Ą ę ę Ą Ą Ż ć ć Ń
Bardziej szczegółowoSprężyny naciskowe z drutu o przekroju okrągłym
Sprężyny owe z o przekroju okrągłym Stal sprężynowa, zgodnie z normą PN-71/M80057 (EN 10270:1-SH oraz DIN 17223, C; nr mat. 1.1200) Stal sprężynowa nierdzewna, zgodnie z normą PN-71/M80057 (EN 10270:3-NS
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wkład wstępn. Teora prawdopodobeństwa element kombnatork. Zmenne losowe ch rozkład 3. Populacje prób danch, estmacja parametrów 4. Testowane hpotez statstcznch 5. Test parametrczne
Bardziej szczegółowoWybrane zagadnienia Termodynamiki Technicznej
Zdzsław Nagórsk Wybrane zagadnena Termodynamk Techncznej Ewa Fudalej - Kosrzewa Insrukcje do ćwczeń laboraoryjnych Warszawa 0 Polechnka Warszawska Wydzał Samochodów Maszyn Roboczych Kerunek sudów "Edukacja
Bardziej szczegółowoĄ Ą Ą Ń Ę Ę ń ń ń Ń Ń Ń ń Ą Ą ń ń ćż Ą Ę ń ń ń Ó ń Ż Ą ń ŚĆ Ń Ś Ń Ś Ą Ś ć ń ć ź ń Ń ń ć ź Ń Ś Ó Ż ń ź ź ń ĄŚ Ą Ś Ń ń ń ń Ę Ę ń Ż Ż Ż ń ć ń Ń ć ń Ń ŚĆ Ć ń Ń Ń ŚÓ Ą ć ć Ą Ń ź Ę ć ć ć ź ć ć ź ć ź ć ź Ę ć
Bardziej szczegółowoAlgebra liniowa. Zadania przygotowujące do egzaminu: .Wskazówka: Zastosować wzór de Moivre'a;
emer leni 5/6 lgebra liniowa Znaleźć i nakicować biór 8 C j ; a) ( ) b) { C j j } c) { C Im( ) } ; Zadania rgoowjące do egamin Wkaówka Zaoować wór de Moire'a; d) C Im Wnacć licb dla kórch macier je odwracalna
Bardziej szczegółowo2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)
Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoCZĘŚĆ 6. MODEL REGRESJI, TREND LINIOWY ESTYMACJA, WNIOSKOWANIE
CZĘŚĆ 6. MODEL REGRESJI, TREND LINIOWY ESTYMACJA, WNIOSKOWANIE Zadane 1. Na podstawe obserwacj dotczącch welkośc powerzchn ekspozcjnej (cecha X w m kw.) oraz welkośc dzennego obrotu punktu sprzedaż płtek
Bardziej szczegółowoZESTAW ZADAŃ Z INFORMATYKI
(Wpsue zdaąc przed rozpoczęcem prac) KOD ZDAJĄCEGO ZESTAW ZADAŃ Z INFORMATYKI CZĘŚĆ II (dla pozomu rozszerzonego) GRUDZIEŃ ROK 004 Czas prac 50 mnut Instrukca dla zdaącego. Proszę sprawdzć, cz zestaw zadań
Bardziej szczegółowoMacierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci
Zadane. Macerz radoodobeńst rzejśca ojedynczym kroku dla łańcucha Markoa...... o trzech stanach { } jest ostac 0 n 0 0 (oczyśce element stojący -tym erszu j -tej kolumne tej macerzy oznacza P( = j. Wtedy
Bardziej szczegółowoEkonometria I materiały do ćwiczeń data lp wykładu temat Wykład dr Dorota Ciołek Ćwiczenia mgr inż. Marta Chylińska
Ekonomera I maerał do ćwczeń daa lp wkładu ema Wkład dr Doroa Cołek Ćwczena mgr nż. Mara Chlńska - Rodzaje danch sascznch 1a) Przkład problemów badawczch - Zmenne ekonomczne jako zmenne hpoeza, propozcja
Bardziej szczegółowoŻ ć Ó Ś Ó ć Ę Ó Ś ź Ż Ż Ó Ż ź Ó ÓŚ Ć Ó ź Ó ź Ó Ź ć Ę Ó Ś Ż Ó Ó Ń Ą ź ź Ź Ś Ą Ą Ś Ą Ś ć ć ź ź Ó Ó Ę Ź Ą Ź Ę ĘŚ ć ź Ę Ę ź Ę ć Ś Ś Ę Ż Ż ć Ść ć ć Ń Ż Ś ć Ż Ż Ż Ż Ż Ó Ą Ę Ę Ę Ą Ż Ż Ż Ź Ż ć Ś Ż Ż Ż Ż Ż ć Ś
Bardziej szczegółowoPROBLEM ODWROTNY DLA RÓWNANIA PARABOLICZNEGO W PRZESTRZENI NIESKOŃCZENIE WYMIAROWEJ THE INVERSE PARABOLIC PROBLEM IN THE INFINITE DIMENSIONAL SPACE
JAN KOOŃSKI POBLEM ODWOTNY DLA ÓWNANIA PAABOLICZNEGO W PZESTZENI NIESKOŃCZENIE WYMIAOWEJ THE INVESE PAABOLIC POBLEM IN THE INFINITE DIMENSIONAL SPACE S r e s z c z e n e A b s r a c W arykule skonsruowano
Bardziej szczegółowoŻ Ę ć Ć ć ć Ą
Ś Ł Ż Ą Ż Ę ć Ć ć ć Ą ŚĘ Ż ź Ś Ż Ś Ś Ń Ę Ą Ś Ł Ś Ł Ż Ż ź ż Ą Ś Ż Ż Ś Ł Ą Ą Ó Ż Ż ż ć Ż ż ć ż Ó Ż ż ć ż ć ż Ą Ę ż Ó Ó ż ż Ó ć Ż ć Ż ć ć ź Ę Ę Ę ć Ż Ź Ż ż ć ż Ź Ę Ż ż ć Ś ć Ż Ę ż Ę ż ż ż Ż ż ż ż ż ĘŁ ż ż
Bardziej szczegółowoG:\AA_Wyklad 2000\FIN\DOC\FRAUN1.doc. "Drgania i fale" ii rok FizykaBC. Dyfrakcja: Skalarna teoria dyfrakcji: ia λ
Dyfrakcja: Skalarna teoria dyfrakcji: U iω t [ e ] ( t) Re U ( ) ;. c t U ( ; t) oraz [ + ] U ( ) k. U ia s ( ) A e ik r ( rs + r ) cos( n, ) cos( n, s ) ds s r. Dyfrakcja Fresnela (a) a dyfrakcja Fraunhofera
Bardziej szczegółowoĄ ś Ę ń ń ń Ć ś ć Ę Ę ż ę ę ż ż ż ź ć ż Ę ś ż ż ż ń ź ż ę Ą ę ę Ć ż ć Ę Ę ż Ó ś ż ż ż ś ż ź ć Ą ś ź ę Ę ń śł ż ę ż ń Ą Ó ń Ę Ż Ę ę ę ż ć ż ń ś ń Ć ń ć żę ś Ę ń ę ś Ę Ę ż ćż ć ę ż Ę ż ś Ę ń ć ś ż Ą ń ż
Bardziej szczegółowoPROJEKT DOCELOWEJ ORGANIZACJI RUCHU DLA ZADANIA: PRZEBUDOWA UL PIASTÓW ŚLĄSKICH (OD UL. DZIERŻONIA DO UL. KOPALNIANEJ) W MYSŁOWICACH
P r o j e k t d o c e l o w e j o r g a n i z a c j i r u c h u d l a z a d a n i a : " P r z e b u d o w a u l. P i a s t ó w Śl ą s k i c h ( o d u l. D z i e r ż o n i a d o u l. K o p a l n i a n e
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoń Ó Ń ś ń ś ń Ó ę ą Ż ę ą ę Ż ó Ę ą ą ę ś Ę ó Ż ę Ó
ć ń ó ą ś ą ą ż ó ó ą ż ó ś ą ś ą ś ć ż ść ó ó ą ó ą ń ą ę ą ę ż ń ą ó ś ą ą ą ń ó ą ą ą ś ą ó ż ś ęż ęś ś ń ą ęś ś ą ą ś ż ś Ę ę ń Ż ą ż ń ą ą ą ę ą ę ń Ó Ń ś ń ś ń Ó ę ą Ż ę ą ę Ż ó Ę ą ą ę ś Ę ó Ż ę
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoZwiązek między ruchem harmonicznym a ruchem jednostajnym po okręgu
Związek międz ruchem harmonicznm a ruchem jednosajnm po okręgu Rozważm rzu Q i R punku P na osie i : Q cos v r R sin R Q P δ Q cos ( δ ) R sin ( δ ) Jeżeli punk P porusza się ruchem jednosajnm po okręgu,
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowo