w łącznej analizie zmiennych licznikowych
|
|
- Henryka Edyta Dziedzic
- 5 lat temu
- Przeglądów:
Transkrypt
1 F O L I A O E C O N O M I C A C R A C O V I E N S I A Vol. LIII PL ISSN 7-674X Dwuwymarowy model TYPU ZIP-CP w łącznej analze zmennych lcznkowych Jerzy Marzec Kaedra Ekonomer Badań Operacyjnych Unwersyeu Ekonomcznego w Krakowe e-mal: marzecj@uek.krakow.pl Jacek Osewalsk Kaedra Ekonomer Badań Operacyjnych Unwersyeu Ekonomcznego w Krakowe e-mal: eeosewa@cyf-kr.edu.pl ABSTRACT J. Marzec, J. Osewalsk. Bvarae ZIP-CP ype model n he jon analyss of coun varables. Fola Oeconomca Cracovensa, 53: 5. In he paper a generalzaon of he Berkhou and Plug 4 bvarae Posson regresson model s proposed; n he Berkhou and Plug model one of he varables has he margnal Posson dsrbuon, whle he oher follows he condonal Posson dsrbuon. In he new model he margnal dsrbuon s of he ZIP ype and has he same parameerzaon as he hurdle model. Bayesan esmaon of he model and he formal Bayesan comparson of s wo alernave specfcaons are presened. The emprcal example concerns jon modellng of he number of cash paymens and bank card paymens n Poland as well as nference on her correlaon. STRESZCZENIE W pracy zaproponowano uogólnene modelu dwuwymarowej regresj possonowskej, kóry wprowadzl Berkhou Plug 4, przyjmujący brzegowy rozkład Possona dla jednej zmennej warunkowy rozkład Possona dla drugej. W nowym modelu rozkład brzegowy jes ypu ZIP ma aką parameryzację jak w modelu płokowym. Przedsawono bayesowską esymację ego modelu formalne bayesowske porównane dwóch alernaywnych jego specyfkacj. Przykład empryczny doyczy łącznego modelowana wnoskowana o korelacj mędzy lczbą płanośc karą goówką w Polsce. KEY WORDS SŁOWA KLUCZOWE bvarae Posson regresson model, zero nflaed Posson model, bank card and cash paymens dwuwymarowe modele regresj Possona, model Possona z nadwyżką zer, płanośc karą płanczą goówką.
2 6. WPROWADZENIE Regresja possonowska jes podsawowym modelem analzy zmennych lcznkowych j. o waroścach całkowych neujemnych. Isneją jej dwuwymarowe uogólnena; nekóre nakładają ogranczena na korelację mędzy zmennym, nne prowadzą do komplkacj naury saysyczno-numerycznej; zob. np. Kocherlakoa Kocherlakoa 99, Wnkelman 8. Na ym le obecujący jes model, kóry zaproponowal Berkhou Plug 4 przyjmując brzegowy rozkład Possona dla jednej zmennej oraz warunkowy rozkład Possona dla drugej przy usalonej perwszej. Model P-CP Posson condonal Posson jes ławy w esymacj dopuszcza korelację różnego znaku dodaną albo ujemną, ale znak en zależy od znaku jednego parameru, a ne od zmennych objaśnających; zob. akże Marzec. Model P-CP zosał użyy w Polsce do badana zależnośc mędzy lczbą ransakcj dokonywanych goówką lczbą ransakcj dokonywanych karą bankową zob. Polask, Marzec, Fszeder, Górka ; wbrew nucj korelacja mędzy nm okazała sę dodana, co skłana do ponowena badań, ale po rozszerzenu ogranczonej specyfkacj Berkhoua Pluga. Modele regresj dla skokowej zmennej objaśnanej z nadmerną lczbą zer zosały spopularyzowane przede wszyskm przez arykuł Lambera 99. Cameron Trved 998, 5 oraz Wnkelman 8 przedsawają ekonomeryczne modele danych lcznkowych z przykładam ch zasosowań w ekonom. W pracy rozważamy uogólnene modelu P-CP, polegające na zasąpenu brzegowego rozkładu Possona perwszej z dwóch zmennych rozkładem ypu ZIP zero nflaed Posson, przy pozosawenu warunkowego rozkładu Possona drugej zmennej. Rozkład ypu ZIP może meć uzasadnene w welu syuacjach prakycznych, gdyż bywa ak, że zerowa warość zmennej obserwowanej jes jakoścowo odmenna od nnych warośc. Proponowana w ej pracy parameryzacja odpowada zw. modelow płokowemu ang. hurdle model. Osewalsk wprowadzł skokowy rozkład dwuwymarowy, nazwany ZIP-CP ZIP condonal Posson podał jego momeny. Model dwuwymarowej regresj possonowskej, opary na rozkładze ZIP-CP, prowadz do znaku kowarancj zależnego od warośc zmennych objaśnających. Głównym celem pracy jes omówene esymacj emprycznego wykorzysana ego modelu saysycznego, nazwanego eż ZIP-CP ak, jak leżący u jego podsaw yp rozkładu. W nasępnej częśc pracy przedsawamy zwęźle rozkłady P-CP ZIP-CP, skupając uwagę na momenach rzędu oraz współczynnku korelacj. W rzecej omawamy model saysyczny ypu ZIP-CP jego ujęce bayesowske, zaś w czwarej prezenujemy przykład empryczny.
3 7. ROZKŁADY P-CP I ZIP-CP ORAZ ZWIĄZEK MIĘDZY ICH MOMENTAMI Rozważamy łączny rozkład prawdopodobeńswa dwóch zmennych losowych Y, Y przyjmujących warośc całkowe neujemne przedsawamy go nasępująco: Pr{ Y =, = j} = Pr{ Y = } Pr{ = j Y = } = g h j,,, j N {}. Jeśl rozkład brzegowy zmennej Y jes rozkładem Possona o warośc oczekwanej warancj m, a rozkład warunkowy Y przy usalonej warośc zmennej Y jes rozkładem Possona o warośc oczekwanej warancj m expay, czyl j g = exp /, h j, = exp[ exp ] exp j / j, o mamy rozkład dwuwymarowy P-CP Posson condonal Posson, kóry zaproponowal Berkhou Plug 4 uzyskal dla nego wynk m.n. w posac nasępujących momenów: E Y = exp[ e ], 3 E [ Y ] = E Y + [ E Y ] exp[ e ], 4 Var Y = E Y + [ E Y ] {exp[ e ] }, 5 E YY = e E. 6 Jeśl a, o bezwarunkowa warancja 5 zmennej Y jes wększa od warośc oczekwanej 3. Zależność mędzy obu zmennym sprawa, że brzegowy rozkład zmennej Y odpowada empryczne częsej syuacj zwększonej warancj danych lcznkowych. Brzegowy rozkład zmennej Y, czyl rozkład Possona, ne ma ej właścwośc. Jes o perwszy powód uogólnena dwuwymarowego rozkładu P-CP przez wprowadzene rozkładu ZIP na mejsce brzegowego rozkładu Possona. Należy eż zauważyć, że znak kowarancj mędzy Y Y, czyl znak wyrażena Cov Y, Y = E YY E Y E Y = e E, 7 zależy jedyne od znaku sałej rzeczywsej a, a ne od welkośc m, m, parameryzowanych głębej uzależnanych od zmennych objaśnających w saysycznych zasosowanach ego modelu probablsycznego. W ej częśc króko przedsawmy uogólnene, kóre wprowadzł Osewalsk, dopuszczające
4 8 zwązek znaku kowarancj welkośc m, co w analzach saysycznych swarza możlwość uzmennena ego znaku, w zależnośc od warośc zmennych objaśnających pozom m. Obecne rozważamy nny, my ogólnejszy nny, ogólnej nż przypadek, w kórym łączny rozkład prawdopodobeńswa Pr { Y =, = j} zmennych Y, Y o waroścach neujemnych, j N {} jes relony określony przez przez en s en sam warunkowy rozkład Y przy usalonym Y : Pr { Y = j Y = } = h j, = Pr{ = j Y = } Y oraz rozkład brzegowy zmennej Y, kóry odmenne nż w rakuje warość : Pr { Y = } = g $ ' dla =, = & ' g & g dla % N, z przedzau,, za funkcje g h s% ake sa gdze c jes usaloną lczbą usalon% z przedzału lczb% z przedzau,, zaś, funkcje, zag h są ake same jak w. Jeśl c = g, o Pr { Y = } = g = g = Pr{ Y = } oba rozkłady łączne są denyczne. Jeśl c unkcje g a g funkcje h zadane g h s% zadane wzoram są wzoram, c, czyl są possonowske, o brzegowy rozkład zmennej Y jes ypu ZIP Zero Inflaed Posson, zaś warunkowy dla Y pozosaje rozkładem Possona. Rozkład ak oznaczamy ZIP-CP, a jego momeny mają ogólną posać m n m n m E Y = g [ E Y + g E Y = ], gdze wykorzysuje sę znaną posać momenów rozkładu P-CP. W szczególnośc: E, Y = g E Y = g n 8 9 E Y = g E Y = g +, E Y = g [ E Y + g ], 3 E Y = g [ E Y + g + ], 4 $ $ E YY = $ g $ E YY = $ g $ exp E, 5 Var g Y = +, 6 g g
5 Var g g = { Var + [ E ] + }, 7 g g Cov g Y, = { Cov Y, + [ E ]}, 8 g g co prowadz do współczynnka korelacj posac 9 Corr Y, Y = g Cov Y, + [ E ] g, 9 g g g + { Var + [ E ] + } g g gdze EY, VarY CovY, Y są momenam rozkładu P-CP danym w 3, 5 7. Równoważny zaps kowarancj w rozkładze ZIP-CP o po prosych przekszałcenach $ Cov Y, = $ g $ [ $ gexp E $ $ E $ $ g ] $ = $ exp $ $ {[ $ exp $ e $ $ ]exp e $ $ + exp $ }. Wdzmy, że zmenne losowe Y, Y o łącznym rozkładze prawdopodobeńswa ZIP-CP są skorelowane ujemne, jeśl [ $ exp $ e $ $ ]exp e $ < $ exp $, są skorelowane dodano, jeśl [ $ exp $ e $ $ ]exp e $ > $ exp $, 3 są neskorelowane, jeśl [ $ exp $ e $ $ ]exp e $ = $ exp $. W przypadku = g = exp, czyl brzegowego rozkładu Possona dla Y, kóry przyjęl Berkhou Plug 4, Plug skomp 4, skomplkowana formuła kowarancj 8 sprowadza sę do znaczne prosszej posac 7, gdze znak kowarancj zależy jedyne od znaku sałej a. W pozosałych przypadkach, j. gdy brzegowy rozkład dla Y jes ypu ZIP, znak kowarancj zależy od warośc przyjmowanych przez m a a ne ylko od znaku ej drugej sałej. Oczywśce, konkrena warość kowarancj w rozkładze ZIP-CP a ne sam jej znak oraz warość współczynnka korelacj 9 zależą od wszyskch sałych wysępujących w funkcj prawdopodobeńswa ego rozkładu, j. od c, m, m a. Zauważmy eż, że zwększene prawdopodobeńswa zerowej warośc Y w sosunku do rozkładu Possona o warośc oczekwanej warancj m, czyl
6 przyjęce rozkładu ZIP z c > g, prowadz do warancj 6 wększej nż warość oczekwana. Zaem rozkład ZIP-CP umożlwa modelowane zwększonej warancj obu obserwowanych zmennych lcznkowych, chocaż ne są one rakowane symeryczne. 3. MODEL STATYSTYCZNY TYPU ZIP-CP Rozważamy T sochasyczne nezależnych dwuwymarowych zmennych losowych Y, Y ; =,,...,T o różnych rozkładach ypu ZIP-CP posac Pr { Y =, = j} = g h j,, j N {}, $ dla =, Pr { Y = } = g = % g % g Pr { Y j Y } h j, exp[ dla & N g = exp %' ' /, ; j Pr { = j Y = } = h j, = exp[ exp ] exp j / j, 3 = exp x, = exp w, $ = exp % e = exp % exp + x, 4 gdze x w są werszam warośc zmennych objaśnających, kóre mogą sę pokrywać w częśc lub w całośc. Zmenne objaśnające określają prawdopodobeńswa pojawena sę poszczególnych warośc zmennych Y Y, a wpływ zmennych objaśnających na e prawdopodobeńswa jes deermnowany welkoścą poszczególnych składowych kolumn b b oraz welkoścą parameru d, przy czym paramer d decyduje o welkośc odchylena prawdopodobeńswa, że Y =, od warośc wynkającej z rozkładu Possona. W ak określonym paramerycznym modelu saysycznym wekor paramerów jes kolumną grupującą d, a, b b. Zauważmy, że momeny rozkładu łącznego pary Y, Y, podane w poprzednej częśc pracy, zależą eraz od zmennych objaśnających. W leraurze specyfkacja opara na wzorze jes nazywana modelem płokowym ang. hurdle model; zob. Cameron Trved 5, s. 68. Porównane ej specyfkacj z orygnalnym modelem ZIP podaje Wnkelman 8. Głównym zaleam naszej propozycj są prosoa parameryzacj sąd względna ławość esymacj, a zwłaszcza prosoa esowana zasadnośc redukcj nowego
7 modelu do sandardowego modelu Possona. Porównywane orygnalnego modelu ZIP ze sandardowym modelem Possona nasręcza problemy zwązane ze specyfkacjam hpoezam nezagneżdżonym; zob. Wnkelman 8, sr. 88. Jeśl zaobserwowano Y = y Y = y =,,...,T, o odpowadająca ym waroścom funkcja warygodnośc ma posać L & = $ $ % : y = % : > ' y g & ' ; y h y, g y h y, y gdze y oznacza macerz macerz xt xt zaweraj%c% zawerającą zaobserwowane waroc warośc zmen zmennych Y Y. W emprycznych zasosowanach ego modelu ważne jes ne yle wnoskowane o = d, a, b b, le raczej o welu nelnowych funkcjach parameru akch, jak prawdopodobeńswa łączne, brzegowe warunkowe różnych warośc pary Y, Y oraz momeny nne charakerysyk jej rozkładu. Małopróbkowe wnoskowane zarówno o, jak nelnowych funkcjach, możlwe jes na grunce saysyk bayesowskej, kórej podsawy przykłady zasosowań w emprycznych badanach ekonomcznych prezenują np. Osewalsk, Osewalsk Pajor. Jak wadomo, podejśce bayesowske sprowadza sę do określena na przesrzen paramerów mary probablsycznej lub przynajmnej v skończonej zwanej rozkładem a pror, a nasępne wykorzysana funkcj warygodnośc do uzyskana rozkładu a poseror paramerów warunkowego względem danych reprezenującego końcową wedzę o. W szczególnośc ważnym zadanem jes określene kerunku sły korelacj mędzy Y Y, czyl podane dla danego prawdopodobeńswa a poseror ujemnej korelacj, j. warunku [ $ exp $ e $ $ ] exp e $ < $ exp $, oraz prezenacja pełnego a poseror rozkładu wspóczynnka a poseror współczynnka korelacj o ogólnej korelacj posac o ogólnej posac 9. Dodakową możlwoścą jes formalne bayesowske porównane emprycznej adekwanośc dwóch nezagneżdżonych model ZIP-CP, odpowadających zamane kolejnośc zmennych objaśnanych czyl ch numeracj. Swarza o nowe pole badań saysycznych. Badane adekwanośc prosszego modelu P-CP, kóry zaproponowal Berkhou Plug 4, sprowadza sę w ramach specyfkacj -4 do esowana prosej hpoezy d = ; można o przeprowadzć formalne porównując czynnk Bayesa dwóch nezagneżdżonych model z d = d lub użyć neformalnego, ale prosszego, esu ypu Lndleya w ogólnejszym modelu, dopuszczającym dowolną rzeczywsą warość d. Dodajmy, że d > d < oznacza prawdopodobeńswo zerowej warośc zmennej Y mnejsze wększe nż w modelu Possona. Zaem ważną kwesą jes oblczene prawdopodobeńswa a poseror akej syuacj. Aby określć bayesowsk model ypu ZIP-CP, należy przyjąć rozkład a pror wekora. W perwszej pracy doyczącej akego modelu proponujemy założyć, 5
8 nezależność a pror paramerów dla każdego ndywdualne przyjąć sandardowy rozkład normalny N,. Zerowe warośc oczekwane a pror oznaczają, że najwększą szansę dajemy wsępne najprosszemu modelow, w kórym {Y } {Y } są nezależnym od sebe próbam losowym prosym z dwóch rozkładów Possona. Jednoskowe odchylena sandardowe a pror dają gwarancję, że specyfkacje odległe od ej najprosszej mają bardzo sone wsępne szanse. Wydaje sę, że ak prosy łączny rozkład a pror nese słabą ylko wedzę wsępną ne jes bardzo nformacyjny gwaranuje ławość symulacj Mone Carlo z rozkładu a poseror, ale jego konkrena rola nformacyjna w sosunku do funkcj warygodnośc oraz wrażlwość rozkładu a poseror są kwesam emprycznym, kóre należy badać odrębne dla każdego analzowanego zesawu dwuwymarowych danych lcznkowych. 4. PRZYKŁAD EMPIRYCZNY W celu lusracj emprycznej przydanośc zaproponowanego modelu saysycznego ypu ZIP-CP oraz możlwośc, jake daje jego analza bayesowska, wykorzysamy dane, kóre Polask, Marzec, Fszeder Górka badal sosując model prosszy P-CP, szacowany meodą najwększej warygodnośc. Dane przedsawają lczbę płanośc goówką karą płanczą dokonanych w mesącu przez T = 9 osób, kóre w paźdzernku lsopadze roku oraz w sycznu roku ankeował Penor. Wymenen auorzy uzyskal analzowal e dane w ramach projeku badawczego fnansowanego przez Narodowy Bank Polsk w roku. Wynk e wskazywały na dodaną korelację mędzy lczbą płanośc goówką karą płanczą. Obecne sprawdzmy, czy zasąpene brzegowego rozkładu Possona jednej zmennej rozkładem ypu ZIP jes empryczne zasadne, a uzmennene w en sposób możlwego znaku korelacj mędzy zmennym wskaże na ujemną korelację mędzy lczbą płanośc goówką karą dla przynajmnej częśc respondenów. W nnejszych badanach, o charakerze przede wszyskm meodycznym, wykorzysujemy dane surowe, zn. bez ndywdualnych wag uwzględnających reprezenaywność poszczególnych obserwacj respondenów wchodzących w skład próby; Polask, Marzec, Fszeder Górka użyl danych ważonych. W Tabel podajemy zmenne objaśnające ch ypowe warośc, j. średne w przypadku zmennych cągłych najczęssze dla zmennych dychoomcznych. W Tabel przedsawamy dwuwymarowy rozkład empryczny lczby płanośc goówką karą oraz jego rozkłady brzegowe. Średna lczba płanośc goówką wynos,5 warancja jes równa 99, średna lczba płanośc karą wynos 5 przy warancj 45, korelację empryczną zaś charakeryzuje współczynnk równy,8, wskazujący na brak lnowej zależnośc mędzy lczbą pła-
9 3 Tabela Informacje sumaryczne o zmennych objaśnających Zmenna objaśnająca Średna/ modalna Płeć -mężczyzna, -kobea Wek w laach 4 San cywlny -żonay lub zamężna, -ne Mejsce zameszkana -maso, weś Mesęczny dochód w rodzne w ys. zł 3,5 Wykszałcene laa nauk,5 Czy posada nerne -ak, -ne Źródło: opracowane własne. nośc karą Y goówką Y. Dla obu zmennych obserwujemy empryczną warancję zwększoną w sosunku do średnej. Ponado można zauważyć różnce mędzy rozkładam brzegowym, j. empryczny rozkład Y jes przesunęy na prawo na os nośnka rozkładu względem p emp y, zn. warość modalna medana dla lczby ransakcj goówką są wększe nż dla płanośc karą. Dla ej osanej formy płanośc obserwuje sę dużą frakcję zer 34%, kóra konrasuje z nskm około,7 prawdopodobeńswem zera, oblczonym z rozkładu Possona o warośc oczekwanej równej średnej z próby czyl 5. Dla płanośc goówką frakcja zer wynos około %, co przewyższa prawdopodobeńswo z rozkładu Possona równe zaledwe -9. W obu przypadkach wskazuje o na porzebę zasosowana rozkładów z nadwyżką zer. Uwzględnamy e same zmenne objaśnające dla obu zmennych lcznkowych, a zaem borąc pod uwagę wyrazy wolne w regresjach possonowskch b b są kolumnam 8-wymarowym, naomas wekor wszyskch paramerów jes kolumną 8-wymarową. Przypomnjmy, że ma łączny normalny rozkład a pror o waroścach oczekwanych jednoskowej macerzy kowarancj. Próbę zależną z 8-wymarowego rozkładu a poseror symulujemy za pomocą sekwencyjnego łańcucha Meropolsa Hasngsa M-H, j. meody z grupy MCMC Markov Chan Mone Carlo. W przypadku obu model M : Y oznacza lczbę płanośc karą a Y lczbę płanośc goówką, M : na odwró przeprowadzono 5 ysęcy losowań rakowanych jako próba z rozkładu a poseror. Wcześnej wykonano klka mlonów losowań wsępnych spalonych, badając m.n. wrażlwość algorymu M-H na jego punky sarowe w przesrzen paramerów. Na Wykrese przedsawono zbeżność przyjęego łańcucha M-H do rozkładu a poseror w modelu M, kóra jes zadawalająca z uwag na szybko sablzujący sę dla wszyskch paramerów przebeg zw. sandaryzowanych saysyk sum skumulowanych CuSum, zn. średnch arymeycznych z poszczególnych
10 4 Empryczny łączny rozkład lczby płanośc goówką karą oraz jego rozkłady brzegowe Transakcje karą Y p emp y p emp y,y ;5] 5;] ;5] 5;] 5;3] >3 6 ;5] ;] ;5] ;] ;5] 5;3] 3;35] 35;4] 4;45] 45;5] > Tabela p emp y srukura % % % 6% % 9% 7% 6% 5% 3% 3% 6% srukura 34% 33% 8% 7% 4% % % Źródło: opracowane własne. Transakcje goówką Y
11 losowań sandaryzowanych końcowym waroścam średnch odchyleń sandardowych. W przypadku drugego modelu zasosowany algorym akże okazał sę efekywnym narzędzem numerycznym. 5, 3,5 Wykres. Wykres Zbe$no. Zbe$no saysyk CuSum saysyk w CuSum modelu w Mmodelu. M. saysyk CuSum w modelu, M.,,,5,5,5,, ,5,5,5 3 -, ,5 -,5 -, , -, -,5 -, -,5.ródo: opracowane wasne. Źródło: opracowane własne. -, -, Lczba losowa 3 Lczba losowa 3 Perwsz% kwes%, kór% nale$y podda emprycznej Lczba losowa weryfkacj, jes wybór jednej Wykres. Zbeżność saysyk CuSum w modelu 3 M z dwóch Lczba alernaywnych losowa.ródo: 3 opracowane.ródo: specyfkacj opracowane wasne. Mwasne., M modelu saysycznego ypu ZIP-CP. Waro wasne. przypomne, Perwsz% Perwszą $e prawdopodobeswo kwesą, kórą należy a poddać poseror modelu M =, jes wyra$a, zgodne Perwsz% kwes%, kwes%, kór% nale$y kór% podda nale$y podda emprycznej emprycznej weryfkacj, weryfkacj, jes wybór jes jednej wybór jedn z wzorem jednej Bayesa, z dwóch formua alernaywnych specyfkacj M, M modelu saysycznego nale$y podda z dwóch emprycznej z alernaywnych dwóch alernaywnych weryfkacj, specyfkacj specyfkacj jes M wybór, M M jednej modelu, M saysycznego modelu saysycznego ypu ZIP-CP. ypu ZIP-CP. Waro War ypu ZIP-CP. Waro przypomneć, że prawdopodobeńswo a poseror modelu M yfkacj M przypomne, $e prawdopodobeswo a poseror modelu M =, wyra$a, zgodne, M przypomne, modelu saysycznego $e prawdopodobeswo ypu ZIP-CP. Waro a poseror modelu M p y M p M =, wyra$a, zgodn =, wyraża, zgodne z wzorem Bayesa, formuła obeswo z a wzorem poseror z Bayesa, wzorem modelu formua Bayesa, p M y M formua = =, wyra$a, zgodne. 6 p y M p M + p y p M p y M p M y = p y M p M p Mo$na przyj% równe szanse a pror, M. 6 6 p y y M =. 6 p y M p M p M =,5, + bo ybrak M jes eoreycznych przesanek do =. p y M6 p M + p y M p M pfaworyzowana y MMo$na p Mprzyj% + kórego p y Mrówne pmodelu. szanse M a Do pror, porównana p M wysarczy w&c czynnk Bayesa, czyl loraz Można Mo$na przyjąć przyj% równe równe szanse szanse a a pror, =,5, p Mbo brak jes eoreycznych przesanek do brzegowych faworyzowana g&soc kórego wekora modelu. obserwacj Do porównana BF = wysarczy y =,5, =,5, bo bo brak brak jes jes eoreycznych eoreycz- przesanek d a pror, M / pw&c y Mczynnk ; zob. Bayesa, Osewalsk czyl loraz, p Mnych =,5, faworyzowana przesłanek bo brak jes do kórego eoreycznych faworyzowana modelu. przesanek kóregoś Do porównana do modelu. wysarczy Do porównana w&c czynnk wysarczy węc 9. brzegowych wysarczy g&soc czynnk Wynk w&c g&soc wekora Bayesa, prezenujemy czynnk wekora obserwacj czyl Bayesa, loraz obserwacj w czyl BF brzegowych Tabel = loraz p y3. BF M= Bayesa, czyl lora lu. Wróblewska Do porównana brzegowych gęsośc / p py ym ; zob. Osewalsk, / wekora p y M obserwacj ; zob. Osewalsk obserwacj Model Wróblewska BF M= Wróblewska p jes y9. M klkase Wynk rz&dów prezenujemy welkoc w Tabel lepszy 3. od M skupa prawe ca% mas& / p 9. y M ; zob. Wynk Osewalsk prezenujemy, w Wróblewska Tabel Wynk prezenujemy w Tabel Model 3. w Tabel M 3. jes klkase rz&dów welkoc lepszy od M skupa prawe ca% mas prawdopodobeswa Model M jes a klkase poseror; rz&dów prawdopodobeswo welkoc lepszy od a Mposeror skupa modelu prawe ca% M mas& wynos rezenujemy rz&dów prakyczne welkoc prawdopodobeswa Model zero. prawdopodobeswa lepszy MPrzewaga a poseror; modelu a poseror; Mprawdopodobeswo w opse prawdopodobeswo badanego a poseror zjawska a poseror modelu jes zdecydowana. modelu M wynos od jes Mklkase skupa rzędów prawe welkośc ca% lepszy mas& od M skupa prawe całą masę M wyno ror; W uzupenenu prawdopodobeswo prakyczne prakyczne podajemy zero. Przewaga zero. dla Przewaga obu modelu model modelu M waroc w opse M funkcj badanego warygodnoc zjawska jes zdecydowana. L prawdopodobeńswa a poseror a poseror; modelu prawdopodobeńswo M wynos w opse badanego a poseror zjawska modelu jes ˆ NW ; zdecydowan y, zob. W uzupenenu podajemy dla obu model waroc funkcj warygodnoc L M ˆ modelu y wzór M5, dla W uzupenenu ocen najw&kszej podajemy warygodnoc, dla obu model waroc kóre zosay funkcj wyznaczone warygodnoc NW ;, zob. w L w opse badanego zjawska jes zdecydowana. ˆ ramach NW ; y, zo obu model wzór waroc 5, dla ocen najw&kszej warygodnoc, kóre zosay wyznaczone numerycznej realzacj wzór funkcj 5, algorymu dla warygodnoc ocen M-H. najw&kszej L ˆ Dla NW ; modelu warygodnoc, y, zob. orzymano kóre zosay L w ramach ˆ wyznaczone NW ; y =55 35, w a dla ramac numerycznej realzacj algorymu M-H. Dla modelu M orzymano L kszej warygodnoc, ˆ numerycznej kóre zosay realzacj wyznaczone algorymu w M-H. ramach Dla modelu M NW ; y =55 35, a dla drugej drugej specyfkacj specyfkacj najw&ksza najw&ksza waro waro funkcj funkcj warygodnoc warygodnoc bya bya orzymano L ˆ y n$sza, n$sza, bowem bowem NW ; =55 35, a d wynosa wynosa mu M-H. Dla modelu drugej M specyfkacj najw&ksza waro funkcj warygodnoc bya n$sza, bowem wynos Z 6. nebayesowskego orzymano L ˆ y Z nebayesowskego punku NW ; =55 35, a dla punku wdzena wdzena wynk wynk porównana model opary opary na na kryerum kryerum Z nebayesowskego punku wdzena wynk porównana model opary na kryerum
12 6 wynos prakyczne zero. Przewaga modelu M w opse badanego zjawska jes zdecydowana. zdecydow W uzupełnenu podajemy dla obu model warośc funkcj warygodnośc L ˆ NW ; y, zob. wzór 5, dla ocen najwększej warygodnośc, kóre zosały wyznaczone zone w wyznaczon ra w ramach numerycznej realzacj algorymu M-H. Dla modelu M orzymano L ˆ NW ; y = 55 35, a dla drugej specyfkacj najwększa warość funkcj warygodnośc n$sza, bow była nższa, bowem wynosła Z nebayesowskego punku wdzena wynk porównana model opary na kryerum nformacyjnym kórymkolwek akże wskazuje na adekwaność modelu M w konekśce M. Waro wspomneć, że z uwag na nesandardową posać modelu 4 zasosowane deermnsycznych procedur opymalzacj funkcj warygodnośc spokało sę z ogromnym problemam oblczenowym. Numeryczne narzędza analzy bayesowskej okazują sę zaem przydane akże w esymacj meodą najwększej warygodnośc. Tabela 3 Brzegowe gęsośc wekora obserwacj prawdopodobeńswa a poseror obu model Model y M M : Y lczba płanośc karą, Y goówką M : Y lczba płanośc goówką, Y karą ln p 558,3 544,8 Log BF 467 Czynnk Bayesa BF p M,5,5 M y p opracowane Źródło: opracowane własne. Z uwag na wynk porównań model, dalsze rozważana naury nerpreacyjnej będą operać sę na M, a wynk dla drugego modelu będą mały charaker uzupełnający. W Tabel 4 podano warośc oczekwane odchylena sandardowe a poseror paramerów naszej dwuwymarowej regresj ypu ZIP-CP. W M wszyske zmenne objaśnające sone wpływają na lczbę płanośc goówką, naomas ylko posadane nerneu, wykszałcene dochód powodują znaczące zróżncowane lczby płanośc karą. Oceny paramerów błędy szacunku, kóre podają Polask, Marzec, Fszeder Górka, są bardzo zblżone do bayesowskch warośc oczekwanych odchyleń sandardowych a poseror prezenowanych w ej pracy mmo, że w naszych badanach lczba zmennych objaśnających jes ponad dwukrone mnejsza. Brzegowy rozkład a poseror parameru d Wykres pokazuje, że redukcja modelu ZIP-CP do P-CP jes bezza-
13 sadna, gdyż prawdopodobeńswo zerowej lczby płanośc goówką jes sone wększe nż wynkałoby o z rozkładu Possona. Warość oczekwana a poseror dla d wynos -,876 przy odchylenu sandardowym,4. Warośc oczekwane odchylena sandardowe a poseror paramerów model 7 Tabela 4 Model M M Zmenna/paramer E y D y E y D y,99,98 -,59, Płeć -,45,5,6,6 płanośc karą płanośc goówką Wek -,, -,7, San cywlny -,47,9,56,3 Mejsce zameszkana -,7,8,77,3 Dochód,5,,94, Wykszałcene,56,6,89,6 Inerne,36,39,558,4,86,49,83,48 Płeć -,,3 -,93,3 Wek,8,,8, San cywlny -,58,5 -,5,4 Mejsce zameszkana,45,5,33,5 Dochód,6,6,9,5 Wykszałcene -,8,3 -,4,3 Inerne -,85,6 -,66,6 a,4,,3,7 d -,876,4 -,638,53 Źródło: opracowane własne. Zaem rozkład en uległ znacznemu przesunęcu w sosunku do rozkładu a pror jednocześne zmnejszyło sę jego rozproszene. Dla a charakerysyk e wynoszą odpowedno,4,, wskazując na sone dodaną zależność warunkowej średnej lczby płanośc karą od lczby płanośc goówką. Brzegowy rozkład a poseror parameru a Wykres 3 jes prakyczne ogranczony do przedzału,6;,76, czyl zawera sę w przedzale o wysokej gęsośc a pror, jednakże nformacje z próby spowodowały uzyskane rozkładu o znacząco mnejszym rozproszenu.
14 8,6,4 palfa y,,8,6,4, alfa,,6,,4,9,3,7,3,35,39,43,47,5,56,6,64,68,7,76,8 Źródło: opracowane własne. Wykres. Brzegowy rozkład a poseror parameru a,5 dela, pdela y,5,,5 -,5 -,3 -, -, -,98 -,96 -,94 -,93 -,9 -,89 -,88 -,86 -,84 -,83 -,8 -,79 -,77 -,76 -,74 -,7 Źródło: opracowane własne. Wykres 3. Brzegowy rozkład a poseror parameru d
15 9 pcorr_mn y pcorr_med y pcorr_max y,,4,6,8,,,4,6,8, Źródło: opracowane własne. Wykres 4. Rozkłady a poseror próbkowych korelacj dla wybranych obserwacj Osewalsk dowodz, że w modelu ypu ZIP-CP dodaność parameru a ne mus oznaczać dodanej korelacj próbkowej zmennych objaśnanych jak o jes w modelu P-CP. Rozkłady a poseror próbkowych korelacj rzech par Y, Y ych, dla kórych warość oczekwana a poseror współczynnka korelacj jes najmnejsza, przecęna w sense medany najwększa są pokazane na Wykrese 4. Dowodzą one słabej, ale jedyne dodanej korelacj mędzy lczbam płanośc goówką karą. Zasosowane modelu bardzej adekwanego, j. ypu ZIP-CP zamas P-CP, ne zmena pod ym względem wymowy wynków, kóre podal Polask, Marzec, Fszeder Górka. 5. PODSUMOWANIE Zaproponowane uogólnene modelu P-CP okazało sę uzasadnone w przypadku wsępnych badań doyczących preferencj polskch konsumenów w wyborze meod płanośc. Wskazuje o na adekwaność model ypu ZIP-CP w syuacjach, gdy obserwuje sę nadwyżkę bądź deflację obserwacj zerowych lub gdy dwe zmenne lcznkowe, oddające rezulay decyzj konsumenów, są ze sobą poencjalne skorelowane ujemne albo dodano. Podejśce bayesowske pozwolło na esymację paramerów rozważanych model bez odwoływana sę do aproksymacj asympoycznych. Bayesowske porównywane mocy wyja-
16 śnającej konkurencyjnych nezagneżdżonych model formalne powerdzło wsępne wnosk uzyskane we wcześnejszych badanach, a doyczące wyboru jednej z dwóch alernaywnych specyfkacj saysycznych w konekśce zaobserwowanych danych. Ineresującym kerunkem dalszych badań jes zasosowane dwuparamerowej rodzny rozkładów Possona generalzed Posson dsrbuon; zob. Consul Jan 973, Famoye Sngh 6 dla brzegowego rozkładu zmennej Y bądź akże dla rozkładu warunkowego drugej zmennej. BIBLIOGRAFIA Berkhou P., Plug E. 4, A bvarae Posson coun daa model usng condonal probables, Sasca Neerlandca vol. 58, Cameron A. C., Trved P. K. 998, Regresson Analyss of Coun daa, Cambrdge Unversy Press, New York. Cameron A. C., Trved P. L. 5, Mcroeconomercs: Mehods and Applcaon, Cambrdge Unversy Press, New York. Consul P. C., Jan G. C. 973, A Generalzaon of he Posson Dsrbuon, Technomercs 5, s Famoye F., Sngh K. P. 6, Zero-Inflaed Generalzed Posson Regresson Model wh an Applcaon o Domesc Volence Daa, Journal of Daa Scence, 4, s Kocherlakoa S., Kocherlakoa K. 99, Bvarae Dscree Dsrbuons, Marcel Dekker, New York. Lamber D. 99, Zero-nflaed Posson regresson, wh an applcaon o defecs n manufacurng, Technomercs 34, s. 4. Marzec J., Wybrane dwuwymarowe modele dla zmennych lcznkowych w ekonom, Zeszyy Naukowe Unwersyeu Ekonomcznego w Krakowe Meody Analzy Danych nr 884, s Osewalsk J., Ekonomera bayesowska w zasosowanach, Wydawncwo Akadem Ekonomcznej w Krakowe, Kraków. Osewalsk J., Dwuwymarowy rozkład ZIP-CP jego momeny w analze zależnośc mędzy zmennym lcznkowym, [w:] Spokana z królową nauk Ksęga jubleuszowa dedykowana Profesorow Edwardow Smadze, red. A. Malawsk J. Taar, Wydawncwo Unwersyeu Ekonomcznego w Krakowe, Kraków, s Osewalsk J., Pajor A., Bayesan Value-a-Rsk for a Porfolo: Mul- and Unvarae Approaches Usng MSF-SBEKK Models, Cenral European Journal of Economc Modellng and Economercs, s Polask M., Marzec J., Fszeder P., Górka J., Modelowane wykorzysana meod płanośc dealcznych na rynku polskm, Maerały Suda nr 65, NBP, Warszawa. Wnkelman R. 8, Economerc Analyss of Coun Daa, Sprnger-Verlag, Berln Hedelberg. Wróblewska J. 9, Bayesan Model Selecon n he Analyss of Conegraon, Cenral European Journal of Economc Modellng and Economercs, s
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 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 szczegółowoMODEL DWUMIANOWY II RZĘDU I SKOŚNY ROZKŁAD STUDENTA W ANALIZIE RYZYKA KREDYTOWEGO *
Jacek Osewalsk, Jerzy Marzec, Kaedra Ekonomer Badań Operacyjnych, Unwersye Ekonomczny w Krakowe MODEL DWUMIANOWY II RZĘDU I SKOŚNY ROZKŁAD STUDENTA W ANALIZIE RYZYKA KREDYTOWEGO * Jacek Osewalsk e-mal:
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 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 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 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 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 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 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 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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
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 szczegółowo(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN)
W ypowym zadanu z regresj nelnowej mamy nasępujące eapy: Esymacja (uzyskane ocen punkowych paramerów), w ym: 1. Dobór punków sarowych.. Kolejne eracje algorymu Gaussa Newona. 3. Zakończene algorymu Gaussa
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowo13. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,1998)
3. Dwa modele pooku ruchu (eorokolejkowe) 3. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,998) 3.. Model Hagha Isneje wele prac z la powojennych, w kórych wysępują próby modelowana kolejek ruchowych
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 cen detalicznych żywności w Polsce
Prognozowane cen dealcznych żywnośc w Polsce Marusz Hamulczuk IERGŻ - PIB Kaarzyna Herel NBP Co dlaczego prognozujemy Krókookresowe prognozy cen dealcznych Ceny dealczne (ndywdualne produky, agregay) Isone
Bardziej szczegółowoKier. MTR Programowanie w MATLABie Laboratorium
Ker. MTR Programowane w MATLABe Laboraorum Ćw. Zasosowane bbloecznych funkcj MATLABa do numerycznego rozwązywana równań różnczkowych. Wprowadzene Układy równań różnczkowych zwyczajnych perwszego rzędu
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 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 szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
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 szczegółowoZbigniew Palmowski. Analiza Przeżycia
Zbgnew Palmowsk Analza Przeżyca Wrocław 9 Zbgnew Palmowsk Docendo dscmus (Ucząc nnych, sam sę uczymy) Seneka Mos of he me I fnd myself workng n heorecal problems, because I am neresed n applcaons. I also
Bardziej szczegółowo0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4
Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (
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 szczegółowoMatematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )
Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
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 szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 . Zmenne dyskretne Kontrasty: efekty progowe, kontrasty w odchylenach Interakcje. Przyblżane model nelnowych Stosowane do zmennych dyskretnych o uporządkowanych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
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 szczegółowoRozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1
Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa
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 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 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 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 szczegółowoDobór zmiennych objaśniających
Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Luy 03 PODRĘCZNIKI Wsęp do aalzy błędu pomarowego Joh R. Taylor Wydawcwo Naukowe PWN Warszawa 999 I Pracowa
Bardziej szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Bardziej szczegółowoHSC Research Report. Principal Components Analysis in implied volatility modeling (Analiza składowych głównych w modelowaniu implikowanej zmienności)
HSC Research Repor HSC/04/03 Prncpal Componens Analyss n mpled volaly modelng (Analza składowych głównych w modelowanu mplkowanej zmennośc) Rafał Weron* Sławomr Wójck** * Hugo Senhaus Cener, Wrocław Unversy
Bardziej szczegółowoEgzamin ze statystyki/ Studia Licencjackie Stacjonarne/ Termin I /czerwiec 2010
Egzamn ze statystyk/ Studa Lcencjacke Stacjonarne/ Termn /czerwec 2010 Uwaga: Przy rozwązywanu zadań, jeśl to koneczne, naleŝy przyjąć pozom stotnośc 0,01 współczynnk ufnośc 0,99 Zadane 1 PonŜsze zestawene
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n
Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam
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 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 szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowoStatystyka Opisowa 2014 część 2. Katarzyna Lubnauer
Statystyka Opsowa 2014 część 2 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natala Nehrebecka Stansław Cchock Wykład 10 1 1. Testy dagnostyczne 2. Testowane prawdłowośc formy funkcyjnej modelu 3. Testowane normalnośc składnków losowych 4. Testowane stablnośc parametrów 5. Testowane
Bardziej szczegółowoPROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA WAHANIA SEZONOWE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Krzysztof Dmytrów * Marusz Doszyń ** Unwersytet Szczecńsk PROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA
Bardziej szczegółowoPortfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
Bardziej szczegółowoMETODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.
Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)
Bardziej szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoMODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI
Alcja Wolny-Domnak Unwersytet Ekonomczny w Katowcach MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI Wprowadzene
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 szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
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 szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowoModelowanie równowagi cenowej na Giełdzie Papierów Wartościowych w Warszawie w okresach przed i po wejściu Polski do Unii Europejskiej
Sansław Urbańsk * Modelowane równowag cenowej na Gełdze Paperów Waroścowych w Warszawe w okresach przed po wejścu Polsk do Un Europejskej Wsęp Praca nnejsza sanow konynuację badań doyczących wyceny akcj
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoNatalia Nehrebecka. Dariusz Szymański
Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl
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 szczegółowoMikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna
Bardziej szczegółowoMikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Jak analzować dane o charakterze uporządkowanym? Dane o charakterze uporządkowanym Wybór jednej z welkośc na uporządkowanej skal Skala ne ma nterpretacj
Bardziej szczegółowoCałka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona
Całka nieoznaczona Andrzej Musielak Sr Całka nieoznaczona Całkowanie o operacja odwrona do liczenia pochodnych, zn.: f()d = F () F () = f() Z definicji oraz z abeli pochodnych funkcji elemenarnych od razu
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
Bardziej szczegółowoBadania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)
Bardziej szczegółowoSTATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],
STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej szczegółowoψ przedstawia zależność
Ruch falowy 4-4 Ruch falowy Ruch falowy polega na rozchodzeniu się zaburzenia (odkszałcenia) w ośrodku sprężysym Wielkość zaburzenia jes, podobnie jak w przypadku drgań, funkcją czasu () Zaburzenie rozchodzi
Bardziej szczegółowoRegresja liniowa i nieliniowa
Metody prognozowana: Regresja lnowa nelnowa Dr nż. Sebastan Skoczypec Zmenna losowa Zmenna losowa X zmenna, która w wynku pewnego dośwadczena przyjmuje z pewnym prawdopodobeństwem wartość z określonego
Bardziej szczegółowoStatystyka Inżynierska
Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje
Bardziej szczegółowoKomputerowe generatory liczb losowych
. Perwszy generator Komputerowe generatory lczb losowych 2. Przykłady zastosowań 3. Jak generuje sę lczby losowe przy pomocy komputera. Perwszy generator lczb losowych L. H. C. Tppet - 927 Ksąż ążka -
Bardziej szczegółowoMODELOWANIE I PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ W WYBRANYM REGIONIE
MODELOWANIE I PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ W WYBRANYM REGIONIE Marcn Zawada Kaedra Ekonomer Saysyk, Wydzał Zarządzana, Polechnka Częsochowska, Częsochowa 1 WSTĘP Proces ransformacj
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoRozdział 2. Zasady budowy prognoz
Rozdzał. Zasady budowy prognoz Rozdzał. Zasady budowy prognoz (z ksążk A. Mankowsk, Z. arapaa, Prognozowane symulacja rozwoju przedsęborsw, Warszawa 00) Kopowane za zgodą auorów.. Rodzaje prognoz... Klasyfkacje
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 szczegółowoRegulamin. udzielania pomocy materialnej o charakterze socjalnym dla uczniów zamieszkaùych na terenie Gminy Wolbórz
Zaù¹cznk Nr 1 uchwaùy Nr XXVIII/167/2005 Rady Gmny Wolbórz z dna 30 marca 2005 r. Regulamn udzelana pomocy maeralnej o charakerze socjalnym dla ucznów zameszkaùych na erene Gmny Wolbórz I. Sposób usalana
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 szczegółowoInne kanały transmisji
Wykład 4 Inne kanały ransmsj Plan wykładu. Ceny akywów 3. Ceny akywów Wzros sopy procenowej powoduje spadek cen domów akcj. gdze C warość kuponu, F warość nomnalna gdze dywdenda, g empo wzrosu dywdendy
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 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 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 szczegółowoZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012
ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW (88)/01 Hubert Sar, Potr Fundowcz 1 WYZNACZANIE ASOWEGO OENTU BEZWŁADNOŚCI WZGLĘDE OSI PIONOWEJ DLA SAOCHODU TYPU VAN NA PODSTAWIE WZORU EPIRYCZNEGO 1. Wstęp asowy moment
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowoWybrane dwuwymiarowe modele dla zmiennych licznikowych w ekonomii 1
Jerzy Marzec Adres e mail: marzecj@uek.krakow.pl Uniwersye Ekonomiczny w Krakowie Kaedra: Kaedra Ekonomerii i Badań Operacyjnych Wybrane dwuwymiarowe modele dla zmiennych licznikowych w ekonomii. Wsęp
Bardziej szczegółowoRachunek niepewności pomiaru opracowanie danych pomiarowych
Rachunek nepewnośc pomaru opracowane danych pomarowych Mędzynarodowa Norma Oceny Nepewnośc Pomaru (Gude to Epresson of Uncertanty n Measurements - Mędzynarodowa Organzacja Normalzacyjna ISO) http://physcs.nst./gov/uncertanty
Bardziej szczegółowo