Wybrane zagadnienia modelowania zmienności na rynkach finansowych z wykorzystaniem kopuli i procesów GARCH

Wielkość: px
Rozpocząć pokaz od strony:

Download "Wybrane zagadnienia modelowania zmienności na rynkach finansowych z wykorzystaniem kopuli i procesów GARCH"

Transkrypt

1 Wybrane zagadnienia modelowania zmienności na rynkach finansowych z wykorzystaniem kopuli i procesów GARCH Piotr Jaworski Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki 13 lipca

2 Spis treści 1 Wiadomości wstępne Zjawisko zmienności na rynkach finansowych Fakty stylizowane (fakty empiryczne) Proces generujący dane Zmienne losowe Z t są iid Stacjonarność Ergodyczność Martyngały i przyrosty martyngałowe Regularna zmienność dystrybuant zmiennych losowych Wybór rodziny modeli Kalibrowanie modelu Metody parametryczne Metody nieparametryczne Weryfikacja modelu Testy GOF Modele jednowymiarowe Modele GARCH i SV Podstawowy model GARCH(1,1) Podstawowy model GARCH(p,q) Podstawowy model SV Ogólne własności modeli GARCH i SV Stacjonarność GARCH(1,1) Stacjonarne procesy GARCH(1,1) Stacjonarność SV Stacjonarne rozwiązania GARCH(p,q) i SV - podsumowanie Kalibrowanie modeli GARCH(p,q) Wybór modelu GARCH(p,q) w oparciu o kryterium informacyjne Weryfikacja modeli GARCH i SV Rozszerzenia GARCH i SV Modele przełącznikowe Modelowanie wielowymiarowe z wykorzystaniem kopuli Definicja kopuli Definicja probabilistyczna kopuli Definicja aksjomatyczna kopuli Twierdzenie Sklara Własności kopuli Niezmienniczość Monotoniczność Lipschitzowskość i ciągłość Ograniczenia Frécheta-Hoeffdinga Trzy podstawowe kopule Kopule Farlie-Gumbela-Morgensterna (FGM)

3 3.6 Kopule Marshalla-Olkina Kopule Frécheta Kopule gaussowskie Kopule archimedesowe Przykłady kopuli archimedesowych, n = Porządek konkordantny Funkcja zgodności Q Miary zależności: τ Kendalla i ρ Spearmana Value at Risk dla długich pozycji Asymptotyka VaR Ogonowa funkcja zależności Przykład założenia modelowe Market Contagion Kopule warunkowe Modelowanie efektu contagion Symulacja kopuli typowego rozkładu Symulacja kopuli metoda warunkowa d = Symulacja kopuli metoda warunkowa d > Symulacje kopuli archimedesowych - metoda Marshalla-Olkina Przykłady transformat Laplace a τ Wielomiany i kopule Bernsteina Wielomiany bazowe Bernsteina Subkopule Kopule Bernsteina Gęstość kopuli Bernsteina Wielomian Bernsteina funkcji ciągłej Wielomian Bernsteina kopuli Dwustopniowa estymacja wielowymiarowych rozkładów Metoda największej wiarogodności Dystrybuanta empiryczna Kopula empiryczna Empiryczna kopula Bernsteina Losowe kopule empiryczne Weryfikacja, testy dobroci dopasowania (GOF) Przekształcenie Rosenblatta Testy GOF dla kopuli Modele oparte na kopulach zmiennych w czasie Estymacja modelu skokowego Modele ciągłe z losowym parametrem - konstrukcja modelu Modele ciągłe z autoregresyjnym parametrem - konstrukcja modelu Regresja kwantylowa Regresja kwantylowa estymacja nieparametryczna

4 4 Wielowymiarowe modele GARCH i SV Modele MGARCH i MSV Przekształcenia liniowe macierzy w zapisie macierzowym Podstawowy model Vec-GARCH(1,1) Model Vec-GARCH(p,q) Własności procesów Vec-Garch(p,q) klasy L Asymptotyczne własności procesów Vec-Garch(1,1) klasy L Model BEKK(p,q,K) Stacjonarność Estymacja Model DCC(1,1) Model EDCC(1,1) Statyczny model Copula-GARCH(1,1) Dynamiczny model Copula-GARCH(1,1) Przełącznikowy model Copula-GARCH(1,1) VIRF dla modeli GARCH Zagadnienie przenoszenia zmienności - efekt zarazy (ang. contagion) Wprowadzenie Definicja szeroka Definicja wąska Definicja bardzo wąska Definicja probabilistyczna Spillover, transmission, comovement Przyczynowość w sensie Grangera Granger causality in the mean Granger second order causality Granger causality in variance Granger causality w procesach MGARCH Modele przestrzenne efektu contagion Contagion w terminach regresji pierwszego rodzaju Contagion w terminach kopuli Modele czasowe efektu contagion Contagion w terminach współczynnika korelacji Contagion w terminach kopuli Pomiar siły współzależności i przenoszenia Pomiar siły współzależności - metoda przestrzenna Pomiar siły współzależności - metoda czasowa Pomiar siły współzależności - metoda przestrzenna złożona Pomiar siły przenoszenia Xt,1 2 na Xt,2 2 metody liniowe Pomiar siły przenoszenia Xt,1 2 na Xt,2 2 metody nieliniowe Testowanie siły przenoszenia i współzależności

5 1 Wiadomości wstępne W rozdziale tym omówione zostaną następujące zagadnienia: 1. Zjawisko zmienności na rynkach finansowych, zmienność, jako miara niepewności i ryzyka, stylizowane fakty dot. finansowych szeregów czasowych. 2. Podstawy modelowania stochastycznego. (a) Proces generujący dane. Podstawowe pojęcia: niezależność, stacjonarność, ergodyczność. Ciąg przyrostów martyngałowych. Zjawisko tłustych ogonów - regularna zmienność dystrybuant zmiennych losowych. (b) Przeznaczenie modelu. Ogólny (edukacyjny) opis zjawiska ( toy model ). Prognozowanie. Badanie zdarzeń ekstremalnych (ocena ryzyka i stress testing ). (c) Wybór i kalibrowanie modelu. (d) Weryfikacja i miary dopasowania ( Goodness of fit testing ). Więcej informacji na powyższe tematy czytelnik może znaleźć w publikacjach [9, 17]. 1.1 Zjawisko zmienności na rynkach finansowych Oznaczenia: S t cena instrumentu finansowego w chwili t. X t logarytmiczna stopa zwrotu X t = ln S t ln S t 1 = ln S t S t 1 = S t S t 1 S t 1 + O ( St S t 1 S t 1 Powyższe oszacowanie zależności między logarytmiczną stopą zwrotu a prostą stopą zwrotu wynika z rozwinięcia funkcji ln w szereg Taylora: ) 2 ln(1 + R) = R 1 2 R R ( 1) n+1 1 n Rn +..., R < 1. Zauważmy, że o ile w analizie portfelowej wygodniejsze są proste stopy zwrotu, to w badaniach dotyczących finansowych szeregów czasowych powszechnie używa się logarytmicznych stóp zwrotu. Uzasadnieniem tego wyboru są m.in. następujące korzyści natury praktycznej: Przyjmowanie przez logarytmiczne stopy zwrotu wartości z całej prostej (, + ) pozwala stosować w modelowaniu rozkłady prawdopodobieństwa z nieograniczonym nośnikiem; Łatwość wyliczania zwrotów za okres dłuższy X t [k] = ln S t ln S t k = X t + X t X t k ; Symetria w przypadku modelowania kursów walutowych X t [USD : EUR] = X t [EUR : USD]; 5.

6 Zgodność z modelami z czasem ciągłym, w których występują logarytmy ceny instrumentu finansowego. Ciągi S t i X t modelujemy, jako zmienne losowe na pewnej przestrzeni probabilistycznej (Ω, M, P ), która opisuje wszystkie możliwe decyzje ekonomiczne i finansowe oraz wydarzenia mające wpływ na ekonomię i finanse. Zdarzeniami elementarnymi (elementami Ω) są ciągi decyzji podejmowanych w kolejnych momentach czasu i wydarzeń mających miejsce w kolejnych momentach czasu. M jest rodziną zbiorów decyzji i wydarzeń. Jeżeli A należy do M, to P (A) jest prawdopodobieństwem, że zostanie podjęta któraś z decyzji ze zbioru A lub nastąpi wydarzenie należące do A. Na przykład możemy postawić pytanie, jakie jest prawdopodobieństwo, że Grecja ogłosi niewypłacalność w przyszłym miesiącu, albo jakie jest prawdopodobieństwo, że w Japonii w przyszłym roku będzie trzęsienie ziemi. Dynamikę modelujemy za pomocą rodziny σ-ciał H T zawartych w M, które określają zasób informacji dostępny w chwili T. H T to rodzina zbiorów decyzji i wydarzeń znanych w chwili T. Zauważmy, że jeżeli wartość pewnej zmiennej losowej X będzie znana w chwili T, to jest ona H T -mierzalna. W szczególności X t i S t są H T -mierzalne dla t T. H 0 H 1... H t... H T... M. Kurs w chwili T na podstawie danych znanych w chwili t prognozujemy za pomocą warunkowej wartości oczekiwanej E(S T H t ). Parametry rozkładu X t nazywa się następująco: E(X t ) = µ t dryf; D 2 (X t ) = σt 2, σ t zmienność (volatility); k t = E(Xt µt)4 3 kurtoza; σt 4 γ(t 0, t 1 ) = Cov(X t0, X t1 ) funkcja autokowariancji; ρ(t 0, t 1 ) = γ(t 0,t 1 ) σ(x t0 )σ(x t1 funkcja autokorelacji. ) Definicja 1 Mówimy, że proces stochastyczny ma krótką pamięć gdy istnieją C > 0 i r (0, 1), takie że ρ(t 0, t 1 ) Cr t 1 t Fakty stylizowane (fakty empiryczne) Mimo swojej różnorodności szeregi czasowe zwrotów finansowych mają pewne cechy wspólne. Nazywa się je faktami stylizowanymi (ang. stylized facts). Są to: 1. Brak autokorelacji procesu X t. Za wyjątkiem danych wysokiej częstotliwości (np. tików ), przyjmuje się, że dla s t zmienne losowe X s i X t są nieskorelowane. Co oczywiście nie oznacza, że są niezależne. 6

7 2. Leptokurtoza i grube ogony. Przyjmuje się, że rozkład X t jest leptokurtyczny, tzn. kurtoza X t jest dużo większa niż kurtoza rozkładu normalnego. Ponadto nie wszystkie momenty X t są skończone. Tak jedno jak i drugie wyklucza rozkład normalny oraz implikuje stosunkowo duże prawdopodobieństwo występowania obserwacji ekstremalnych. 3. Dążenie do normalności przy agregacji. Przy zmniejszeniu częstotliwości obserwacji (czyli agregacji X t ) rozkład zwrotów upodabnia się do normalnego. 4. Asymetria spadków i wzrostów (???). W szeregach notowań akcji i indeksów giełdowych znaczne spadki są większe niż znaczne wzrosty. 5. Zgrupowania zmienności. Obserwuje się okresy podwyższonej zmienności, rozdzielone okresami obniżonej zmienności. 6. Powracanie zmienności do średniej. Uważa się, że w długim okresie czasu zmienność powinna powracać do określonego średniego poziomu. Aczkolwiek nie jest jasne jaki jest ten normalny poziom. 7. Dodatnia autokorelacja procesu X 2 t. W odróżnieniu od pozbawionego autokorelacji procesu X t, proces kwadratów X 2 t cechuje się dodatnią autokorelacją. Co wyklucza niezależność kolejnych X t od poprzednich obserwacji. 8. Długa pamięć procesu X t (???). Proces modułów X t również cechuje się dodatnią autokorelacją. Przy czym zanika ona bardzo powoli. Co do faktów 4 i 8 (oznaczonych (???)) nie wszyscy badacze są zgodni. 1.3 Proces generujący dane Niech Z = (Z t ) t=0 będzie K-wymiarowym procesem stochastycznym (ciągiem zmiennych losowych) określonym na przestrzeni probabilistycznej (Ω, M, P ). Obserwujemy pierwszych n realizacji tego procesu. W rozważaniach teoretycznych przyjmuje się, że n może być dowolnie duże Zmienne losowe Z t są iid W przypadku, gdy zmienne losowe Z t są niezależne i o tym samym rozkładzie (ang. iid independent and identically distributed), możemy stosować Centralne Twierdzenie Graniczne i klasyczne metody statystyki. 7

8 Przykład 1 Losowanie ze zwracaniem. Chcemy zbadać rozkład cechy X. W tym celu, z populacji generalnej będziemy losować ze zwracaniem. Otrzymujemy proces X k, k = 1,..., gdzie X k to wartość cechy X w k tym losowaniu. Przykład 2 Model stochastyczny kursu walutowego Niech Y t oznacza kurs 1 USD w EUR w dniu t. Przyjmujemy Y t = Y t 1 e εt, E(ε t ) = 0. Po zlogarytmowaniu otrzymujemy model błądzenia przypadkowego ln Y t = ln Y t 1 + ε t. W pierwszym przybliżeniu przyjmujemy, że ε t są iid o rozkładzie normalnym N(0, σ 2 ) Stacjonarność Definicja 2 Proces stochastyczny Z jest (silnie) stacjonarny gdy dla dowolnych p, q, r N łączne rozkłady {Z p, Z p+1,..., Z p+q } i {Z r,..., Z r+q } są identyczne. Wniosek 1 Jeśli proces stochastyczny Z jest stacjonarny i Z t należą do L 2, to dla wszystkich p, q, r N E(Z p ) = E(Z r ), Cov(Z p, Z p+q ) = Cov(Z r, Z r+q ) Ergodyczność Definicja 3 Stacjonarny proces stochastyczny Z ma własność mieszania gdy dla dowolnych ograniczonych funkcji borelowskich f i g oraz indeksów p, l, m N lim E(f(Z p,..., Z p+m )g(z n,..., Z n+l )) = n = E(f(Z p,..., Z p+m ))E(g(Z p,..., Z p+l )). Definicja 4 Stacjonarny proces stochastyczny Z jest ergodyczny gdy A B(R K ) P ( t Z t A) {0, 1}. Twierdzenie 1 Twierdzenie ergodyczne. Jeśli proces stochastyczny Z jest stacjonarny i Z t należą do L 1, to zachodzą implikacje gdzie a. Z ma własność mieszania, b. Z jest ergodyczny, c. średnie zbiegają do wartości oczekiwanej Z n = 1 n a = b = c, n 1 Z t t=0 8 as E(Z 0 ).

9 Uwaga 1 Jeśli proces stochastyczny Z jest stacjonarny i ma własność mieszania, a f jest funkcją borelowską to proces Z = (f(z t,..., Z t+q )) t=0 też jest stacjonarny i ma własność mieszania. Zatem jeśli Z t należą do L 2 to n 1 1 n n 1 1 n t=0 Zt 2 t=0 Z t Z t+p as E(Z 2 0), as E(Z 0 Z p ). Wniosek 2 Dla procesów stacjonarnych i ergodycznych średnie próbkowe są zgodnymi estymatorami Martyngały i przyrosty martyngałowe Definicja 5 K-wymiarowy proces stochastyczny Z = (Z t ) t=0 nazywamy martyngałem gdy 1. Z t L 1 dla t = 0, 1,..., 2. E(Z t Z t 1,..., Z 0 ) = Z t 1 dla t = 1, 2,.... Definicja 6 K-wymiarowy proces stochastyczny g = (g t ) t=0 nazywamy ciągiem przyrostów martyngałowych gdy 1. E(g t ) = 0, dla t = 0, 1,..., 2. E(g t g t 1,..., g 0 ) = 0 dla t = 1, 2,.... Uwaga 2 Jeśli proces Z = (Z t ) t=0 jest martyngałem, to proces g = (g t ) t=0, gdzie g 0 = Z 0 E(Z 0 ), g t = Z t Z t 1, t > 0, jest ciągiem przyrostów martyngałowych. Uwaga 3 Jeśli proces g = (g t ) t=0 jest ciągiem przyrostów martyngałowych, a µ dowolną stałą, to proces Z = (Z t ) t=0, gdzie jest martyngałem. Z 0 = µ + g 0, Z t = Z t 1 + g t, t > 0, Lemat 1 Jeśli proces g = (g t ) t=0 jest ciągiem przyrostów martyngałowych i g t należą do L 2 to są one nieskorelowane Cov(g t, g s ) = 0, dla t s. Twierdzenie 2 Centralne Twierdzenie Graniczne (Bilingsley 1968). Jeśli stacjonarny i ergodyczny proces g = (g t ) t=0 jest ciągiem przyrostów martyngałowych i g t należą do L 2, to gdzie Σ = E(g 0 g T 0 ). ngn = n n n 1 g t t=0 d N(0, Σ), Uwaga 4 Powyższe twierdzenie jest uogólnieniem CTG Linderberga-Levy ego, w którym pominięta została niezależność składników. 9

10 1.4 Regularna zmienność dystrybuant zmiennych losowych. Do modelowania tłustych ogonów wykorzystuje się rozkłady o dystrybuantach regularnie zmieniających się w ±. Definicja 7 Zmienną losową X nazywamy regularnie zmienną w + z wykładnikiem ρ jeżeli 1 F X (xt) lim t 1 F X (t) = lim P(X > xt) t P(X > t) = x ρ dla każdego x > 0. Definicja 8 Zmienną losową X nazywamy regularnie zmienną w z wykładnikiem ρ jeżeli F X (xt) lim t F X (t) = lim P(X xt) t P(X t) = x ρ dla każdego x > 0. Przykład 3 Zmienna losowa o rozkładzie Pareto z indeksem ogonowym ρ > 0 i parametrem skali x 0 > 0 { 0 for x x 0, F X (x) = 1 ( ) ρ x 0 x for x > x 0, jest regularnie zmienna w + z wykładnikiem ρ. Przykład 4 Zmienna losowa o rozkładzie t-studenta z ν stopniami swobody jest regularnie zmienna zarówno w, jaki i w + z tym samym wykładnikiem ν. Przykład 5 Zmienna losowa o rozkładzie loggamma ma gęstość { 0 for x < 1, f X (x) = c(ln x) β 1 x 1 ρ for x > 1, gdzie ρ, β > 0. Jest ona regularnie zmienna w + z wykładnikiem ρ. Przykład 6 Zmienna losowa o rozkładzie lognormalnym jest regularnie zmienna w + z wykładnikiem +. Poniżej sformułujemy dwa fakty, które uzasadniają zastosowanie pojęcia regularnej zmienności w modelowaniu ogonów zmiennych losowych. Po pierwsze, wykładnik regularnej zmienności określa, które momenty zmiennej losowej są skończone. Twierdzenie 3 Niech X będzie nieujemną zmienną losową regularnie zmienną w nieskończoności z wykładnikiem ρ > 0, Wówczas wartość oczekiwana E(X k ) jest skończona dla k < ρ i nieskończona dla k > ρ. Po drugie, ogony zmiennych losowych regularnie zmiennych w nieskończoności ze skończonym wykładnikiem można przybliżać uogólnionym rozkładem Pareto ([22]). Twierdzenie 4 Niech X będzie zmienną losową regularnie zmienną w + z wykładnikiem ρ > 0, Wówczas istnieje funkcja σ(u) taka, że ( lim sup u + P (X > u + x X > u) 1 + ρx ) ρ x 0 σ(u) = 0. 10

11 1.5 Wybór rodziny modeli Wybór rodziny modeli zależy w dużym stopniu od przeznaczenia modelu, którym może być n.p.: 1. Ogólny (np. edukacyjny) opis zjawiska. a. Toy model. 2. Prognozowanie. 3. Badanie zdarzeń ekstremalnych. a. Ocena ryzyka. b. Stress testing. Oprócz przeznaczenia przy wyborze modelu należy uwzględnić następujące czynniki: 1. Czy wnioski z modelu są zgodne ze stylizowanymi faktami? 2. W jakim stopniu spełnione są założenia modelu? 3. Jak dużą liczbą danych dysponujemy? 4. Jak pracochłonny jest model? 1.6 Kalibrowanie modelu Kalibrowaniem modelu nazywamy wyznaczanie jego parametrów strukturalnych na podstawie posiadanych danych empirycznych Metody parametryczne Na podstawie wcześniejszej analizy wybieramy parametryczną rodzinę modeli {Z(θ) : θ Θ R M }. Następnie estymujemy θ, tak aby Z(ˆθ) jak najlepiej pasował do danych empirycznych. Najczęściej stosuje się jedną z poniższych metod: 1. Metoda momentów. Wybieramy pewien skończony zbiór charakterystyk liczbowych rozkładów z rodziny Z(θ) γ 1,... γ M (przykładowo mogą to być momenty centralne albo korelacje). Estymujemy je na podstawie obserwacji empirycznych, a następnie szukamy rozwiązania układu równań ˆγ i = γ i (Z(θ)), i = 1,..., M. γ i dobieramy w taki sposób aby powyższy układ równań miał zawsze dokładnie jedno rozwiązanie ˆθ. 2. Metoda najmniejszych kwadratów. Żądamy minimalizacji funkcji M SE(θ), która mierzy odchylenie zadanej zależności funkcyjnej od punktów doświadczalnych z t, t = 1,..., n MSE(θ) = 1 n f(θ, z t ) 2. n t=1 11

12 3. Metoda największej wiarogodności. Żądamy maksymalizacji funkcji wiarogodności L(θ), gdzie f(x, θ) gęstość rozkładu Z(θ). n L(θ) = f(z t, θ), t=1 Wybór metody estymacji zależy od postaci analitycznej wybranej rodziny modeli i liczby obserwacji. Przy stosunkowo małej próbce zaleca się metodę momentów. Przy odpowiednio dużej, metoda największej wiarogodności daje lepsze dopasowanie. Czasami łączy się obie metody. Estymator metody momentów traktuje się jako punkt startowy do przybliżonego wyznaczania estymatora największej wiarogodności Metody nieparametryczne Niech z t, t = 1,..., n, realizacja procesu Z t. Definicja 9 Rozkładem empirycznym zmiennych losowych Z t nazywamy rozkład dyskretnej zmiennej losowej Ẑ P(Ẑ = z t) = 1 n. Twierdzenie 5 Gdy proces Z t jest stacjonarny i ergodyczny to przy n rozkład Ẑ zbiega do rozkładu Z 1. Definicja 10 Wygładzonym rozkładem empirycznym m-wymiarowych zmiennych losowych Z t nazywamy rozkład zmiennej losowej Ẑh o gęstości ĝ(z) ĝ(z) = 1 nh n ( z zt K t=1 h ), z R m gdzie h > 0 zadana liczba (parametr wygładzający), a K nieujemna funkcja na R m (zwana jądrem wygładzającym), taka, że R m K(z) = Weryfikacja modelu Po wyznaczeniu parametrów strukturalnych modelu (tzn. po wykalibrowaniu) należy przeprowadzić weryfikację modelu. Rozróżniamy weryfikację merytoryczną i statystyczną. 1. Weryfikacja merytoryczna to ocena ekspercka tego czy model prawidłowo opisuje badane zjawisko i czy wnioski z modelu są zgodne ze stylizowanymi faktami. 2. Weryfikacja statystyczna to zestaw testów statystycznych, takich jak: testy istotności parametrów strukturalnych, i testy dobroci dopasowania (ang. GOF goodness of fit). 12

13 1.8 Testy GOF Spośród licznej rodziny testów dobroci dopasowania omówimy testy oparte na pomiarze błędu dopasowania wyestymowanej dystrybuanty do dystrybuanty empirycznej. Ponieważ dla odpowiednio dużych próbek dystrybuanta empiryczna mało różni się od prawdziwej dystrybuanty, otrzymujemy w ten sposób dodatkowo informację o dokładności naszego modelu. Na podstawie realizacji procesu Z t z t, t = 1,..., n, testujemy na poziomie istotności α H 0 : Z należy do rodziny modeli {Z(θ) : θ Θ} względem H 1 : Z nie należy do rodziny modeli {Z(θ) : θ Θ}. Typowa reguła decyzyjna: 1. Estymujemy Z(ˆθ). 2. Wyznaczamy odległość (czasem półodległość) między rozkładem Z(ˆθ), a rozkładem empirycznym Ẑ T = d(z(ˆθ), Ẑ). 3. Wyznaczamy wartość krytyczną T kryt. 4. Jeżeli T T kryt to odrzucamy H 0 na rzecz H 1, jeżeli T < T kryt to nie ma podstaw do odrzucenia H 0. Jako odległość d można wziąć na przykład: ( n sup FZ(ˆθ) (z) FẐ(z) ) statystyka Kołmogorowa, n (F Z(ˆθ) (z) FẐ(z)) 2 df Z(ˆθ) (z) statystyka Cramera-von Misesa, (F Z(ˆθ) (z) FẐ(z)) 2 n F Z(ˆθ) (z)(1 F Z(ˆθ) (z)) df Z(ˆθ) (z) statystyka Andersona-Darlinga, gdzie F oznacza dystrybuantę. Statystykę Kołmogorowa stosujemy gdy istotne jest dopasowanie rozkładów dla typowych wartości zmiennych losowych (0 << F << 1) a statystykę Andersona-Darlinga gdy chcemy kontrolować ogony rozkładu F 0 i F 1. Statystyka Cramera-von Misesa pełni rolę pośrednią. Istotnym problemem jest wyznaczanie wartości krytycznej T kryt (α). Stosuje się dwie metody: A. Dzielimy próbkę na część uczącą (t J 1 ) i testującą (t J 2 ). Na podstawie J 1 estymujemy θ i wyznaczamy T kryt. Natomiast dystrybuantę empiryczną wyznaczamy z J 2. 13

14 B. Na podstawie całej próbki estymujemy θ. Próbkujemy z rozkładu Z(ˆθ) i powtarzamy punkty 1 i 2 reguły decyzyjnej dla próbki z symulacji. Iterujemy próbkowanie i wyznaczamy rozkład próbkowy statystyki T. Dla rozkładów ciągłych, dla dużych n i odpowiednio dużej liczby iteracji α-kwantyl tego rozkładu jest dobrym przybliżeniem T kryt (α). Metoda A ma prostą interpretację statystyczną i jest prostsza numerycznie (tzn. obliczenia wymagają mniejszego nakładu pracy) ale za to estymacja jest mniej dokładna. Można ją stosować w tzw. backtestingu : kalibrujemy model na podstawie kilku ostatnich miesięcy (albo tygodni) i przez kolejny miesiąc (odpowiednio tydzień) analizujemy poprawność wniosków. 14

15 2 Modele jednowymiarowe W rozdziale tym omówione zostaną następujące zagadnienia: 1. GARCH i Stochastic Volatility (SV), jako przykłady podstawowych modeli jednowymiarowych. 2. Rozszerzenia GARCH i SV, różnice względem podstawowych modeli i przyczyny ich wprowadzenia. 3. Modele przełącznikowe typu Markowa. Więcej informacji na powyższe tematy czytelnik może znaleźć w publikacjach [9, 27, 17, 13]. 2.1 Modele GARCH i SV Dla t Z X t = h t ε t, h t > 0, gdzie standaryzowane innowacje ε t są iid, E(ε t ) = 0 i D 2 (ε t ) = 1. W modelach GARCH (czyli uogólnionych modelach autoregresyjnej heteroskedastyczności warunkowej) nieobserwowalny proces h t jest wyznaczony przez wcześniejsze wartości X s i h s h t σ(x s, h s, s < t). W modelach SV (zmienności stochastycznej) powyższy warunek nie zachodzi h t σ(x s, h s, s < t). Oprócz procesu dwustronnych (od do + ) rozważane są również procesy z warunkiem początkowym. Wówczas ograniczmy się do t > t Podstawowy model GARCH(1,1) Najprostszy model z rodziny GARCH, GARCH(1,1), jest opisany następująco: Rozważamy dwa ciągi zmiennych losowych X t i h t. Wartość X t poznajemy w momencie t, a h t jest zmienną pomocniczą. Są one związane wzorami X t = h t ε t, h 2 t = a + bh 2 t 1 + cx 2 t 1, t Z, gdzie a, b, c, a > 0, b, c 0, są parametrami modelu, a ε t są niezależnymi od historii zmiennymi losowymi o tym samym rozkładzie o wartości oczekiwanej 0 i wariancji 1. W modelu podstawowym przyjmuje się, że mają one rozkład normalny N(0, 1). h t można interpretować, jako zmienne odchylenie standardowe zmiennych losowych X t. 15

16 2.3 Podstawowy model GARCH(p,q) X t = h t ε t, t Z, h 2 t = a + b 1 h 2 t b p h 2 t p + c 1 X 2 t c q X 2 t q, gdzie a, b i, c i, a > 0, b i, c i 0, są parametrami modelu, a ε t są niezależnymi od historii zmiennymi losowymi o tym samym rozkładzie o wartości oczekiwanej 0 i wariancji 1. W modelu podstawowym przyjmuje się, że mają one rozkład normalny N(0, 1). 2.4 Podstawowy model SV W podstawowym modelu SV logarytm procesu h t jest opisany jako proces liniowy AR(1). X t = h t ε t, t Z, ln h t = a + b ln h t 1 + cη t, gdzie a, b, c, b < 1, c > 0, są parametrami modelu, a ε t i η s, t, s Z są niezależnymi od siebie i od historii zmiennymi losowymi o tym samym rozkładzie o wartości oczekiwanej 0 i wariancji 1. W modelu podstawowym przyjmuje się, że mają one rozkład normalny N(0, 1). 2.5 Ogólne własności modeli GARCH i SV Załóżmy, że X t należą do L 2. Wówczas E(X t ) = E(h t )E(ε t ) = 0. Cov(X t, X t+k ) = E(X t X t+k ) = E(h t h t+k ε t+k )E(ε t+k ) = 0, dla k > 0. E(X t X t 1 ) = E(h t X t 1 )E(ε t ) = 0. Podsumowując, procesy typu GARCH i SV są nie tylko nie skorelowane ale są również przyrostami martyngałowymi. 2.6 Stacjonarność GARCH(1,1) Nie dla wszystkich modeli GARCH istnieją rozwiązania stacjonarne. Potrzebne są dodatkowe warunki na parametry. Przykładowo dla modelu GARCH(1,1) zachodzi: Twierdzenie 6 Następujące warunki są równoważne: 1. Model GARCH(1,1) z parametrami a, b, c ma dokładnie jedno rozwiązanie stacjonarne (X t, h t ). 2. Parametry a, b, c są nieujemne i spełnione jest oszacowanie E(ln(bε 2 t + c)) < 0. 16

17 2.7 Stacjonarne procesy GARCH(1,1) Momenty rozwiązania stacjonarnego można stosunkowo łatwo wyznaczyć. Twierdzenie 7 Niech (X t, h t ) będzie stacjonarnym procesem GARCH(1,1) z parametrami a, b, c. Przy założeniu E(ε t ) = 0, E(ε 2 t ) = 1, E(ε 3 t ) = 0, E(ε 4 t ) = 3, otrzymujemy: A. Gdy b + c < 1 to 1. E(h 2 a t ) = 1 b c ; 2. E(X t ) = 0; 3. D 2 (X t ) = E(Xt 2 a ) = 1 b c ; 4. cov(x t, X t+k ) = 0 k = 1, 2,.... B. Gdy ponadto (b + c) 2 + 2c 2 < 1 to 5. E(h 4 a 2 (1 + b + c) t ) = (1 b c)(1 (b + c) 2 2c 2 ) ; 6. D 2 (h 2 2a 2 c 2 t ) = (1 b c) 2 (1 (b + c) 2 2c 2 ) ; 7. cov(h 2 t, h 2 t+k) = (b + c) k D 2 (h 2 t ) k = 1, 2,... ; 8. E(Xt 4 ) = 3E(h 4 t ); 9. D 2 (Xt 2 2a 2 (1 b 2 bc) ) = (1 b c) 2 (1 (b + c) 2 2c 2 ) ; 10. cov(xt 2, Xt+1) 2 = c(1 b2 bc) 1 b 2 2bc D2 (Xt 2 ); 11. cov(xt 2, Xt+k) 2 = (b + c) k 1 cov(xt 2, Xt+1) 2 k = 2, 3,.... Zauważmy, że momenty badanego procesu można stosunkowo łatwo wyestymować na podstawie danych empirycznych. Otrzymujemy w ten sposób proste narzędzie do estymacji parametrów strukturalnych (metoda momentów podrozdział 1.6.1) i do wstępnej oceny na ile stacjonarny proces GARCH(1,1) poprawnie opisuje badane zjawisko. 2.8 Stacjonarność SV Dla wszystkich podstawowych modeli SV istnieją rozwiązania stacjonarne (X t, h t ). Gdy η t są N(0, 1) to ln h t jest gaussowskim rozwiązaniem modelu AR(1). E(ln h t ) = a 1 b, D2 (ln h t ) = c2 1 b 2. Cov(ln h t, ln h t+k ) = b k D 2 (ln h t ), dla k > 0. 17

18 Gdy ln h t są stacjonarne to również X t = h t ε t są stacjonarne. E(X t ) = 0, D 2 (X t ) = E(X 2 t ) = E(h 2 t ) = exp ( 2c 2 1 b + 2a ). 2 1 b ( 4c D 2 (Xt 2 2 ) = exp 1 b + 4a ) ( ( ) ) exp 3 4c b 1 b 2 ( 4c Cov(Xt 2, Xt+k) 2 2 = exp 1 b + 4a ) ( ( 4b k c 2 ) ) exp 1, dla k > b 1 b Stacjonarne rozwiązania GARCH(p,q) i SV - podsumowanie W przypadku gaussowskich innowacji stacjonarne procesy GARCH(p,q) i SV mają następujące własności: 1. Kwadraty stacjonarnych rozwiązań GARCH(p,q) i SV to procesy z krótką pamięcią. 2. Stacjonarne rozwiązania SV, w odróżnieniu od stacjonarnych rozwiązań GARCH(p,q), mają wszystkie momenty Kalibrowanie modeli GARCH(p,q) Przy kalibrowaniu modeli GARCH(p,q) najczęściej korzystamy z metody największej wiarogodności. 1. Estymujemy proces h t dla nieznanych wartości parametrów a, b i, c i, ĥ 2 t = a + b 1 ĥ 2 t b p ĥ 2 t p + c 1 x 2 t c q x 2 t q, 2. Wyznaczamy logarytm warunkowej funkcji wiarogodności warunkowanej przez h t = ĥt, n l(a, b, c) = ln f(x t, ĥt), t=1 gdzie f(, ĥt) gęstość rozkładu N(0, ĥt). 3. Szukamy wartości a, b i i c i dla których funkcja l przyjmuje maksimum Wybór modelu GARCH(p,q) w oparciu o kryterium informacyjne Przy ustalonej wielkości próbki n, zwiększając liczbę parametrów modelu zawsze poprawiamy dopasowanie modelu do danych empirycznych. Gdy ilość parametrów strukturalnych zbliży się do wielkości próbki dopasowanie będzie wręcz idealne. Niestety skonstruowany w ten sposób model ma niewielką wartość prognostyczną. Nastąpiło przeuczenie modelu overfitting. Aby ograniczyć liczbę parametrów stosuje się kryteria informacyjne. 18

19 Zauważmy, że liczba parametrów strukturalnych modelu GARCH(p,q) z gaussowskimi innowacjami wynosi 1 + p + q. 1. Dla parametrów p i q (z ustalonego zbioru parametrów) wyznaczamy maksimum funkcji wiarogodności L p,q. 2. Stosujemy kryterium informacyjne Akaike. lub kryterium Schwarza AIC = 2 n (ln(max(l p,q)) (1 + p + q)) min. BIC = 2 n (ln(max(l p,q)) (1 + p + q) ln n ) min. 2 Różnica między kryteriami AIC i BIC polega na innym ważeniu jakości dopasowania i prostoty modelu. W literaturze sugeruje się, że dla małej próbki kryterium AIC ma tendencję do wybierania modelu o zbyt dużej liczbie parametrów Weryfikacja modeli GARCH i SV Przy weryfikacji modeli GARCH i SV należy zwrócić uwagę na trzy podstawowe elementy: 1. Czy spełnione są założenia modelu: Testujemy czy innowacje są iid o rozkładzie N(0, 1). 2. Czy model jest dobrze dopasowany do badanego zjawiska: Testujemy czy empiryczne i modelowe drugie momenty procesu i autokowariancja procesu kwadratów są zgodne. 3. Czy wnioski z modelu są poprawne: Testujemy jakość prognoz. Na przykład stosując test Kupieca ([19]) sprawdzamy dokładność estymacji Value at Risk czyli poprawność prognozy kwantyla rozkładu X t. Jeśli wszystkie testy wypadną pomyślnie, to możemy powiedzieć, że badany model jest statystycznie poprawny Rozszerzenia GARCH i SV 1. Zmieniamy rozkład innowacji z N(0, 1) na inny rozkład zestandaryzowany np. zestandaryzowany rozkład t-studenta. W ten sposób pogrubiamy ogony. 2. Zmieniamy formułę opisującą ewolucję h t. Np. h 2 t = a + bh 2 t 1 + cx 2 t 1 + di Xt 1 <0X 2 t 1 GJG GARCH(1, 1), h 2 t = a + bh 2 t 1 + c( X t 1 dx t 1 ) δ, δ > 0, d ( 1, 1), AP GARCH(1, 1). W ten sposób uwzględniamy asymetryczny wpływ spadków na zmienność. 19

20 2.14 Modele przełącznikowe X t Y t N(µ(Y t ), h(y t )), gdzie Y t jest łańcuchem Markowa o skończonej liczbie stanów np. o dwóch stanach bessa i hossa. Ewolucja takiego procesu jest opisana przez macierz przejścia o wyrazach p i,j = P(Y t = s j Y t 1 = s i ). Naturalne rozszerzenie modelu przełącznikowego polega na przyjęciu, że prawdopodobieństwa p i,j są zmienne w czasie i zależą od czynników zewnętrznych (np. makroekonomicznych). 20

Wykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego. Katarzyna Kuziak

Wykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego. Katarzyna Kuziak Wykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego Katarzyna Kuziak Cel: łączenie różnych rodzajów ryzyka rynkowego za pomocą wielowymiarowej funkcji powiązań 2 Ryzyko rynkowe W pomiarze ryzyka

Bardziej szczegółowo

Prawa wielkich liczb, centralne twierdzenia graniczne

Prawa wielkich liczb, centralne twierdzenia graniczne , centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne

Bardziej szczegółowo

Spis treści 3 SPIS TREŚCI

Spis treści 3 SPIS TREŚCI Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe

Bardziej szczegółowo

Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe

Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje

Bardziej szczegółowo

Ekonometria Finansowa II EARF. Michał Rubaszek

Ekonometria Finansowa II EARF. Michał Rubaszek Ekonometria Finansowa II EARF Michał Rubaszek 1 Cele - Zapoznanie z charakterystykami szeregów finansowych - Omówienie jednowymiarowych metod liczenia VaR - Omówienie wielowymiarowych metod liczenia VaR

Bardziej szczegółowo

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta

Bardziej szczegółowo

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13 Stanisław Cichocki Natalia Neherbecka Zajęcia 13 1 1. Kryteria informacyjne 2. Testowanie autokorelacji 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych

Bardziej szczegółowo

STATYSTYKA

STATYSTYKA Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym

Bardziej szczegółowo

Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap

Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,

Bardziej szczegółowo

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej

Bardziej szczegółowo

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,

Bardziej szczegółowo

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego

Bardziej szczegółowo

Współczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ

Współczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,

Bardziej szczegółowo

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl

Bardziej szczegółowo

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ. Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.

Bardziej szczegółowo

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ. Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.

Bardziej szczegółowo

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów funkcje nieliniowe

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

Bardziej szczegółowo

Własności statystyczne regresji liniowej. Wykład 4

Własności statystyczne regresji liniowej. Wykład 4 Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności

Bardziej szczegółowo

Wykład 3 Jednowymiarowe zmienne losowe

Wykład 3 Jednowymiarowe zmienne losowe Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie

Bardziej szczegółowo

Testowanie hipotez statystycznych. Wnioskowanie statystyczne

Testowanie hipotez statystycznych. Wnioskowanie statystyczne Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy

Bardziej szczegółowo

Procesy stochastyczne

Procesy stochastyczne Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa

Bardziej szczegółowo

Procesy stochastyczne

Procesy stochastyczne Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego

Bardziej szczegółowo

Spacery losowe generowanie realizacji procesu losowego

Spacery losowe generowanie realizacji procesu losowego Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z

Bardziej szczegółowo

Ważne rozkłady i twierdzenia c.d.

Ważne rozkłady i twierdzenia c.d. Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby

Bardziej szczegółowo

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych

Bardziej szczegółowo

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4. Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ

Bardziej szczegółowo

WYKŁAD: Szeregi czasowe II. Zaawansowane Metody Uczenia Maszynowego

WYKŁAD: Szeregi czasowe II. Zaawansowane Metody Uczenia Maszynowego WYKŁAD: Szeregi czasowe II Zaawansowane Metody Uczenia Maszynowego Zwroty indeksów finansowych Y t : indeks finansowy w momencie t (wartość waloru, kurs walutowy itp). Określimy zwrot indeksu finansowego

Bardziej szczegółowo

Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, Spis treści

Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, Spis treści Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, 2012 Spis treści Przedmowa 5 Oznaczenia i konwencje 7 Rozdział I Rozkład wykładniczy i rozkład jednostajny 1. Wprowadzenie

Bardziej szczegółowo

Stanisław Cihcocki. Natalia Nehrebecka

Stanisław Cihcocki. Natalia Nehrebecka Stanisław Cihcocki Natalia Nehrebecka 1 1. Kryteria informacyjne 2. Testowanie autokorelacji w modelu 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach

Bardziej szczegółowo

Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa

Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący

Bardziej szczegółowo

Komputerowa Analiza Danych Doświadczalnych

Komputerowa Analiza Danych Doświadczalnych Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady statystyk z próby Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny

Bardziej szczegółowo

Finansowe szeregi czasowe

Finansowe szeregi czasowe 24 kwietnia 2009 Modelem szeregu czasowego jest proces stochastyczny (X t ) t Z, czyli rodzina zmiennych losowych, indeksowanych liczbami całkowitymi i zdefiniowanych na pewnej przestrzeni probabilistycznej

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Ważne rozkłady i twierdzenia

Ważne rozkłady i twierdzenia Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne

Bardziej szczegółowo

Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie

Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w

Bardziej szczegółowo

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę

Bardziej szczegółowo

METODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie

METODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem

Bardziej szczegółowo

Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2

Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and

Bardziej szczegółowo

Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału

Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

Testowanie hipotez statystycznych.

Testowanie hipotez statystycznych. Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie

Bardziej szczegółowo

Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/

Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

Rachunek Prawdopodobieństwa Anna Janicka

Rachunek Prawdopodobieństwa Anna Janicka Rachunek Prawdopodobieństwa Anna Janicka wykład XIV, 24.01.2017 ŁAŃCUCHYMARKOWA CD. KRÓTKIE INFO O RÓŻNYCH WAŻNYCH ROZKŁADACH Plan na dzisiaj Łańcuchy Markowa cd. Różne ważne rozkłady prawdopodobieństwa,

Bardziej szczegółowo

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Rachunek prawdopodobieństwa MAT1332 Wydział Matematyki, Matematyka Stosowana Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Warunkowa

Bardziej szczegółowo

Testowanie hipotez statystycznych.

Testowanie hipotez statystycznych. Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie

Bardziej szczegółowo

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...

Bardziej szczegółowo

WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ

WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

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

Bardziej szczegółowo

W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:

W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe

Bardziej szczegółowo

Rozkłady wielu zmiennych

Rozkłady wielu zmiennych Rozkłady wielu zmiennych Uogólnienie pojęć na rozkład wielu zmiennych Dystrybuanta, gęstość prawdopodobieństwa, rozkład brzegowy, wartości średnie i odchylenia standardowe, momenty Notacja macierzowa Macierz

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze

Bardziej szczegółowo

Estymacja w regresji nieparametrycznej

Estymacja w regresji nieparametrycznej Estymacja w regresji nieparametrycznej Jakub Kolecki Politechnika Gdańska 28 listopada 2011 1 Wstęp Co to jest regresja? Przykład regresji 2 Regresja nieparametryczna Założenia modelu Estymacja i jej charakterystyki

Bardziej szczegółowo

Gdy n jest duże, statystyka ta (zwana statystyką chikwadrat), przy założeniu prawdziwości hipotezy H 0, ma w przybliżeniu rozkład χ 2 (k 1).

Gdy n jest duże, statystyka ta (zwana statystyką chikwadrat), przy założeniu prawdziwości hipotezy H 0, ma w przybliżeniu rozkład χ 2 (k 1). PRZYKŁADY TESTÓW NIEPARAMETRYCZNYCH. Test zgodności χ 2. Ten test służy testowaniu hipotezy, czy rozważana zmienna ma pewien ustalony rozkład, czy też jej rozkład różni się od tego ustalonego. Tym testem

Bardziej szczegółowo

Dystrybucje, wiadomości wstępne (I)

Dystrybucje, wiadomości wstępne (I) Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów

Bardziej szczegółowo

Metody numeryczne I Równania nieliniowe

Metody numeryczne I Równania nieliniowe Metody numeryczne I Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/66 Równania nieliniowe 1. Równania nieliniowe z pojedynczym pierwiastkiem

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja

Bardziej szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 Metody estymacji. Estymator największej wiarygodności Zad. 1 Pojawianie się spamu opisane jest zmienną losową y o rozkładzie zero-jedynkowym

Bardziej szczegółowo

RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3.

RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. ZMIENNA LOSOWA JEDNOWYMIAROWA. Zmienną losową X nazywamy funkcję (praktycznie każdą) przyporządkowującą zdarzeniom elementarnym liczby rzeczywiste. X : Ω R (dokładniej:

Bardziej szczegółowo

SPIS TEŚCI CZĘŚĆ I RACHUNEK PRAWDOPODOBIEŃSTWA

SPIS TEŚCI CZĘŚĆ I RACHUNEK PRAWDOPODOBIEŃSTWA SPIS TEŚCI PRZEDMOWA...13 CZĘŚĆ I RACHUNEK PRAWDOPODOBIEŃSTWA 1. ZDARZENIA LOSOWE I PRAWDOPODOBIEŃSTWO...17 1.1. UWAGI WSTĘPNE... 17 1.2. ZDARZENIA LOSOWE... 17 1.3. RELACJE MIĘDZY ZDARZENIAMI... 18 1.4.

Bardziej szczegółowo

Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa

Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład

Bardziej szczegółowo

2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona

2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona

Bardziej szczegółowo

Komputerowa Analiza Danych Doświadczalnych

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

Bardziej szczegółowo

1 Gaussowskie zmienne losowe

1 Gaussowskie zmienne losowe Gaussowskie zmienne losowe W tej serii rozwiążemy zadania dotyczące zmiennych o rozkładzie normalny. Wymagana jest wiedza na temat własności rozkładu normalnego, CTG oraz warunkowych wartości oczekiwanych..

Bardziej szczegółowo

166 Wstęp do statystyki matematycznej

166 Wstęp do statystyki matematycznej 166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej

Bardziej szczegółowo

Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego

Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego Rozdział 1 Statystyki Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego X = (X 1,..., X n ). Uwaga 1 Statystyka jako funkcja wektora zmiennych losowych jest zmienną losową

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Statystyka i eksploracja

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Układy stochastyczne

Układy stochastyczne Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy

Bardziej szczegółowo

Procesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.

Procesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy bez pamięci w których czas i stany są zbiorami dyskretnymi. Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych

Bardziej szczegółowo

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XIII: Prognoza. 26 stycznia 2015 Wykład XIII: Prognoza. Prognoza (predykcja) Przypuśćmy, że mamy dany ciąg liczb x 1, x 2,..., x n, stanowiących wyniki pomiaru pewnej zmiennej w czasie wielkości

Bardziej szczegółowo

Zmienne zależne i niezależne

Zmienne zależne i niezależne Analiza kanoniczna Motywacja (1) 2 Często w badaniach spotykamy problemy badawcze, w których szukamy zakresu i kierunku zależności pomiędzy zbiorami zmiennych: { X i Jak oceniać takie 1, X 2,..., X p }

Bardziej szczegółowo

Przykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych

Przykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru

Bardziej szczegółowo

KADD Minimalizacja funkcji

KADD Minimalizacja funkcji Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego

Bardziej szczegółowo

Definicje zależności. Kopuły w matematyce finansowej. Aleksandra Kantowska

Definicje zależności. Kopuły w matematyce finansowej. Aleksandra Kantowska Definicje zależności. Kopuły w matematyce finansowej. Aleksandra Kantowska 18.06.2014 Spis treści Wstęp 2 1 Funkcja kopuła 4 1.1 Podstawowe pojęcia................................... 4 1.2 Pochodne kopuł......................................

Bardziej szczegółowo

Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką

Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n

Bardziej szczegółowo

WYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki

WYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje

Bardziej szczegółowo

Rozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe

Rozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe Statystyka i opracowanie danych W4 Rozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Rozkład normalny wykres funkcji gęstości

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Bardziej szczegółowo

ZMIENNE LOSOWE. Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R 1 tzn. X: R 1.

ZMIENNE LOSOWE. Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R 1 tzn. X: R 1. Opracowała: Joanna Kisielińska ZMIENNE LOSOWE Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R tzn. X: R. Realizacją zmiennej losowej

Bardziej szczegółowo

Statystyka i Analiza Danych

Statystyka i Analiza Danych Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania wybranych technik regresyjnych do modelowania współzależności zjawisk Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki

Bardziej szczegółowo

... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).

... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić). Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano

Bardziej szczegółowo

Zadania o numerze 4 z zestawów licencjat 2014.

Zadania o numerze 4 z zestawów licencjat 2014. Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...

Bardziej szczegółowo

Komputerowa Analiza Danych Doświadczalnych

Komputerowa Analiza Danych Doświadczalnych Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11; środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd

Bardziej szczegółowo

Rozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,

Rozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2, Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać

Bardziej szczegółowo