Odporność statystyk według Ryszarda Zielińskiego a porządki stochastyczne
|
|
- Przybysław Niemiec
- 4 lat temu
- Przeglądów:
Transkrypt
1 Odporność statystyk według Ryszarda Zielińskiego a porządki stochastyczne Jarosław Bartoszewicz Uniwersytet Wrocławski
2 Zieliński (1977) wprowadził następującą definicję odporności statystycznej. M 0 = (X, A, P 0 ) model statystyczny π : P 0 2 P zaburzenie modelu M 0, gdzie P rodzina wszystkich rozkładów na (X, A), spełniające dla dowolnych P P 0 warunki: (a) P π(p), (b) π(p) P 0 = {P}, (c) π(p) π(p ) =, gdy P P. P 1 = π(p) P P 0 Model statystyczny M 1 = (X, A, P 1 ) rozszerzenie modelu M 0
3 T klasa statystyk na (X, A) P T rozkład statystyki T, P0 T i P1 T klasy rozkładów indukowanych przez statystykę T. ϱ funkcjonał na przestrzeni miar P1 T : w konkretnym problemie decyzyjnym może być pewną charakterystyką rozkładu P T P 1, np. obciążenie lub wariancja estymatora T, moc testu opartego na statystyce T itp.
4 Funkcję r T : P 0 R +, postaci r T (P) = sup{ϱ(q T ) : Q π(p)} inf{ϱ(q T ) : Q π(p)}, nazywamy ϱ-odpornością statystyki T w modelu M 1. Statystykę T 0 T, dla której r T0 (P) r T (P) dla każdego P P 0 i każdego T T, nazywamy jednostajnie ϱ-najodporniejszą w klasie T.
5 Lata osiemdziesiąte XX wieku
6 Praca R. Zieliński (1983), A most bias-robust linear estimate of the scale parameter of the exponential distribution, Zastos. Mat. 18, dotyczy odporności względem obciążenia w modelu M 0 = (R +, B +, P 0 ), gdzie P 0 jest rodziną rozkładów wykładniczych o gęstościach f λ,1 (x) = 1 exp( x/λ), x > 0, λ
7 przy jego rozszerzeniu M p1,p 2 = (R +, B +, {P λ,p, λ > 0, p 1 p p 2 }), gdzie 0 p 1 1 p , a P λ,p jest rozkładem potęgowo-wykładniczym o gestości f λ,p (x) = 1 λγ(1 + 1/p) exp[ (x/λ)p ], x > 0.
8 Rozpatrzmy klasę statystyk T, estymatorów parametru λ, postaci T n (α) = n α j X j:n, j=1 gdzie X 1,n, X 2:,..., X n:n są statystykami pozycyjnymi z próby rozmiaru n z rozkładu P λ,p, a α i 0, i = 1, 2,..., n, i spełniających warunek nieobciążoności w modelu M 0 : n α j E 1,1 (X j:n ) = 1. j=1
9 Zieliński udowodnił, że dla każdego rozszerzenia M p1,p 2 (0 p 1 1 p ) jednostajnie najodporniejszym ze względu na obciążenie estymatorem w klasie T jest statystyka nx 1:n.
10 Bartoszewicz w pracy J. Bartoszewicz (1984), On the most bias-robust linear estimates of the scale parameter of the exponential distribution, Zastosowania Matematyki 18, str zauważył, że wynik Zielińskiego (1983) można uogólnić rozpatrując model M 0 z rozszerzeniem postaci M p1,p 2 = (R +, B +, {P λ,p, λ > 0, p 1 p p 2 }),
11 gdzie teraz 0 < p 1 1 p 2, [p 1, p 2 ] R +, P λ,p ma gęstość 1 f λ p( x ) (f λ p jest pewną gęstością prawdopodobieństwa na R +, przy czym f 1 (x) = e x ), rodzina rozkładów {P λ,p, p } jest uporządkowana według zwykłego porządku stochastycznego, rosnąco lub malejąco, względem p, a rozkład P 1,p jest DFRA dla p 1 i IFRA dla p 1.
12 Przypomnienie Rozkład F jest IFR (DFR), gdy log(f (x)), x > 0, jest funkcją wypukłą (wklęsłą). Rozkład F jest IFRA (DFRA), gdy log(f (x))/x, x > 0, jest funkcją rosnącą (malejącą). IFR IFRA, DFR DFRA Rozkład wykładniczy jest zarówno IFR (IFRA) jak i DFR (DFRA).
13 Twierdzenie. Przy powyższych założeniach (a) jeśli rodzina rozkładów {P λ,p, p } jest stochastycznie malejąca, to dla każdego rozszerzenia M p1,p 2 (0 < p 1 < 1 < p 2 ), [p 1, p 2 ), modelu M 0 jednostajnie najodporniejszym ze względu na obciążenie estymatorem w klasie T jest statystyka nx 1:n ;
14 (b) jeśli rodzina rozkładów {P λ,p, p } jest stochastycznie rosnąca, to dla każdego rozszerzenia M p1,p 2 (0 < p 1 < 1 < p 2 ), [p 1, p 2 ), modelu M 0 jednostajnie najodporniejszym ze względu na obciążenie estymatorem w klasie T jest statystyka X n:n 1 + 1/ /n.
15 Założenia twierdzenia są spełnione oczywiście przez rozszerzenie potęgowo-wykładnicze rozważane przez Zielińskiego (1983), ale także przez rozszerzenia zawierające rozkłady gamma i pewien rodzaj rozszerzeń typu ε-contamination". Model wykładniczy jest badany jeszcze we wspólnej pracy J. Bartoszewicz, R. Zieliński (1985), A bias-robust estimate of the scale parameter of the exponential distribution under violation of the hazard function, Zastos. Mat. 18, Otoczenia modelu są tu definiowane przez monotoniczne intensywności awarii. Również wtedy najodporniejszymi estymatorami są unormowane skrajne statystyki pozycyjne, w zależności od kierunku monotoniczności.
16 W pracy J. Bartoszewicz (1987), Bias-robust estimates based on order statistics and spacings in the exponential model, Zastos. Mat. 19, rozpatrzony jest problem odpornej estymacji ze względu na obciążenie w modelu wykładniczym w klasie statystyk będących nieujemnymi kombinacjami liniowymi odstępów (spacji) V i:n = X i:n X i 1:n, i = 1, 2,..., n, X 0:n = 0. W tym przypadku należy zastąpić rozkłady IFRA i DFRA klasami rozkładów IFR i DFR, a zwykły porządek stochastyczny mocniejszym porządkiem dyspersyjnym.
17 Wyniki są podobne do dotychczasowych: najodporniejszymi estymatorami są unormowane pierwsza i ostatnia spacja, w zależności od kierunku monotoniczności względem porządku dyspersyjnego.
18 W pracy J. Bartoszewicz (1986), Bias-robust estimation of the scale parameter, Prob. and Math. Statist. 7, uogólnia się większość dotychczasowych wyników. Rozpatruje się ogólny model M0 = (R +, B +, P 0 ) gdzie P 0 = {F ( ; λ) : λ > 0} jest rodziną rozkładów prawdopodobieństwa z parametrem skali λ, tzn. F (x; λ) = F (x/λ), a F jest ustalonym rozkładem.
19 W zależności od rozpatrywanych rozszerzeń, zaburzenia modelu są definiowane przez zwykły porządek stochastyczny i porządek dyspersyjny. Rozważa się dotychczasowe klasy statystyk, nieobciążonych estymatorów parametru skali λ w modelu M0.
20 Rozpatruje się równiez model M 0 = (R, B, P 0), gdzie P 0 jest rodziną symetrycznych rozkładów prawdopodobieństwa z parametrem skali. Tu zaburzenia są definiowane przez tzw. s- i r-porządek, a rozważane klasy statystyk, to liniowe kombinacje bezwzględnych wartości statystyk pozycyjnych i kombinacje uporządkowanych bezwzględnych wartości obserwacji. Tezy twierdzeń są podobne dla obu modeli: odpowiednie statystyki ekstremalne w rozważanych klasach statystyk są najodporniejszymi estymatorami parametru skali względem obciążenia.
21 Dwadzieścia lat później
22 Rozkłady ważone Niech X będzie zmienną losową o rozkładzie z dystrybuantą F i niech w : R R + będzie funkcją, dla której 0 < E[w(X )] <. Rozkład o dystrybuancie F w (x) = 1 x w(u)df (u) E[w(X )] nazywa się rozkładem ważonym związanym z F, z funkcją wagową w.
23 Przy pomocy rozkładów ważonych można definiować rozszerzenia modelu M 0. Zajmował sie tym Paweł Błażej w cyklu prac.
24 P. Błażej (2007), Robust estimation of the scale and weighted distributions, Appl. Math. (Warsaw) 34, P. Błażej i J. Bartoszewicz (2007), Robust estimation based on spacings in weighted exponential models, Appl. Math. (Warsaw) 34, P. Błażej (2009), Some remarks about robust estimation of the scale parameter in weighted models, Commun. Statist. Theor. Meth. 38,
25 Tezy większości twierdzeń są podobne: znów unormowane statystyki ekstremalne są najodporniejszymi estymatorami parametru skali względem obciążenia. Wynika to z porządkowych własności rozkładów ważonych. Jednakże w ostatniej pracy Błażej, przy odpowiednich założeniach, konstruuje najodporniejszy estymator, który jest liniową kombinacją nie jednej lecz kilku statystyk pozycyjnych.
26 Próba zbliżenia koncepcji odporności Zielińskiego i odpornosci według Hubera-Hampla Taka próba podjęta została w pracy: J. Bartoszewicz i M. Frąszczak (2012), Continuity of scale parameter estimators with respect to stochastic orders, Probab. Math. Statist. Vol. 32,
27 Wykorzystano wprowadzone przez Lehmanna i Rojo (1992) pojęcie niezmienniczych porządków względem pewnych operacji i niezmienniczych metryk generowanych przez niezmiennicze porządki. Na przykład, niezmienniczymi porządkami stochastycznymi względem przekształceń rosnących są porządki: ilorazu wiarogodności, hazardowy, odwrotny hazardowy, zwykły stochastyczny.
28 Niezmienniczymi metrykami im odpowiadającymi są: lr : hr : rh : st : d lr (F, G) = sup x log g(x) f (x), d hr (F, G) = sup x log G(x) F (x), d rh (F, G) = sup x log G(x) F (x). d st (F, G) = sup x G(x) F (x).
29 Ciągłość estymatorów względem porządków stochastycznych Niech (R, B, P) będzie modelem statystycznym. Niech T = T (X ) będzie funkcjonałem statystycznym (np. estymatorem) i niech L(T, F ) oznacza jego rozkład, gdy rozkładem obserwowalnej zmiennej losowej X jest rozkład F.
30 Estymator T jest ciągły względem niezmienniczego porządku S w niezmienniczej odległości d S, gdy spełnione są warunki: (i) L(T, F ) P i L(T, G) P, (ii) F S G L(T, F ) S L(T, G), (iii) ε>0 δ>0 d S (F, G) < δ d S (L(T, F ), L(T, G)) < ε.
31 Udowodniono np., że w modelu wykładniczym z odpowiednimi rozszerzeniami najodporniejsze względem obciążenia estymatory postaci T n = X n:n /E 1 (X n:n ) i Tn = nx 1:n są ciągłe względem porządków ilorazu wiarogodności i hazardowego w metrykach d lr i d hr, niezmienniczych względem przekształceń rosnących i ciągłych.
32 Podobne wyniki można uzyskać dla jednostajnie najodporniejszych ze względu na obciążenie estymatorów parametru skali w ogólniejszych modelach, gdy zaburzenia są generowane przez inne porządki stochastyczne, niezmiennicze względem transformacji rosnących jak również uogólnionych transformacji TTT i składania dystrybuant.
33 Dodatkowa literatura J. Bartoszewicz i M.Benduch (2009), Some properties of the generalized TTT transform, J. Statist. Plann. Inference 139, M.Frąszczak i J. Bartoszewicz (2012), Invariance of relative inverse function orderings under compositions of distributions, Applicationes Mathematicae 34. F.R. Hampel, E.M. Ronchetti, P.J. Rousseeuw, W.A. Stahel, Robust Statistics. The Approach Based on Influence Functions, Wiley, New York P.J. Huber, Robust Statistics, Wiley, New York 1981.
34 E.L. Lehmann and J. Rojo (1992), Invariant directional orderings. Ann. Statist. 20, R. Zieliński (1977), Robustness: a quantitative approach, Bull. Acad. Polon. Sci., Ser. Sci. Math. Astronom. Phys. 25, R. Zieliński (1983). Robust statistical procedures: A general approach, Lecture Notes in Mathematics 982, Springer,
Własności porządkowe w modelu proporcjonalnych szans
Własności porządkowe w modelu proporcjonalnych szans Wisła, 8 grudnia 2009 Oznaczenia Wprowadzenie Oznaczenia Porządki stochastyczne Klasy rozkładów czasu życia X F, Y G zmienne losowe o gęstościach f
Bardziej szczegółowoUPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA. Piotr Nowak Uniwersytet Wrocławski
UPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA Piotr Nowak Uniwersytet Wrocławski Wprowadzenie X = (X 1,..., X n ) próba z rozkładu wykładniczego Ex(θ). f (x; θ) = 1 θ e x/θ, x > 0, θ >
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
Od średniej w modelu gaussowskim do kwantyli w podstawowym modelu nieparametrycznym IMPAN 1.X.2009 Rozszerzona wersja wykładu: O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla Młodych Matematyków Rachunek Prawdopodobieństwa i Statystyka Kraków, 20 26 IX 2009 r. WYNIKI OBSERWACJI X 1, X 2,..., X n WYNIKI
Bardziej szczegółowoStatystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012
Wykład 2 Wrocław, 11 października 2012 Próba losowa Definicja. Zmienne losowe X 1, X 2,..., X n nazywamy próba losową rozmiaru n z rozkładu o gęstości f (x) (o dystrybuancie F (x)) jeśli X 1, X 2,...,
Bardziej szczegółowoWykład 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 szczegółowoUogolnione modele liniowe
Uogolnione modele liniowe Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Uogolnione modele liniowe grudzien 2013 1 / 17 (generalized linear model - glm) Zakładamy,
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoMIARY ZALEŻNOŚCI OPARTE NA KOPULACH
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 246 2015 Współczesne Finanse 3 Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie Wydział Matematyczno-Przyrodniczy.
Bardziej szczegółowoWykład 5 Estymatory nieobciążone z jednostajnie minimalną war
Wykład 5 Estymatory nieobciążone z jednostajnie minimalną wariancją Wrocław, 25 października 2017r Statystyki próbkowe - Przypomnienie Niech X = (X 1, X 2,... X n ) będzie n elementowym wektorem losowym.
Bardziej szczegółowoEstymacja gęstości prawdopodobieństwa metodą selekcji modelu
Estymacja gęstości prawdopodobieństwa metodą selekcji modelu M. Wojtyś Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Wisła, 7 grudnia 2009 Wstęp Próba losowa z rozkładu prawdopodobieństwa
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoModele uporządkowań zmiennych losowych w charakteryzacjach rozkładów prawdopodobieństwa, estymacji i miarach zależności.
Piotr Pawlas Wykaz opublikowanych prac naukowych lub twórczych prac zawodowych oraz informacja o osiągnięciach dydaktycznych, współpracy naukowej i popularyzacji nauki I. Wykaz publikacji stanowiących
Bardziej szczegółowoEstymacja parametru rozkładu Rayleigha i logistycznego w terminach k-tych wartości rekordowych
Estymacja parametru rozkładu Rayleigha i logistycznego w terminach k-tych wartości rekordowych Iwona Malinowska Politechnika Lubelska Dominik Szynal UMCS, Lublin XXXIII Konferencja "STATYSTYKA MATEMATYCZNA
Bardziej szczegółowoWykład 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 szczegółowoEstymatory kwantylowe i estymacja kwantyli
Tomasz Rychlik Instytut Matematyczny PAN Chopina 12, 87 100 Toruń e-mail: trychlik@impan.gov.pl XXXVIII Konferencja Statystyka Matematyczna Sesja poświȩcona pamiȩci prof. Ryszarda Zielińskiego Wisła, 3
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie
Bardziej szczegółowoPrawa 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 szczegółowoMETODY 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 szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoDefinicja 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 szczegółowoSTATYSTYKA
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 szczegółowoWykład 9 Testy rangowe w problemie dwóch prób
Wykład 9 Testy rangowe w problemie dwóch prób Wrocław, 18 kwietnia 2018 Test rangowy Testem rangowym nazywamy test, w którym statystyka testowa jest konstruowana w oparciu o rangi współrzędnych wektora
Bardziej szczegółowoWykład Ćwiczenia Laboratorium Projekt Seminarium Liczba godzin zajęć
WYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU Nazwa w języku polskim WSTĘP DO STATYSTYKI MATEMATYCZNEJ Nazwa w języku angielskim Introduction to Mathematical Statistics Kierunek studiów (jeśli dotyczy): Matematyka
Bardziej szczegółowoModelowanie 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 szczegółowoO pewnych klasach funkcji prawie okresowych (niekoniecznie ograniczonych)
(niekoniecznie ograniczonych) Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza, Poznań Będlewo, 25-30 maja 2015 Funkcje prawie okresowe w sensie Bohra Definicja Zbiór E R nazywamy względnie
Bardziej szczegółowoO zgodności procedur jednoczesnego testowania zastosowanych do problemu selekcji zmiennych w modelu liniowym
O zgodności procedur jednoczesnego testowania zastosowanych do problemu selekcji zmiennych w modelu liniowym Konrad Furmańczyk Katedra Zastosowań Matematyki SGGW Wis a 2010 Plan referatu 1. Modele liniowe
Bardziej szczegółowoWażne 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 szczegółowoWYKŁADY 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 szczegółowoO pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego
O pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego Jan Ligęza Instytut Matematyki Wisła Letnia Szkoła Instytutu Matematyki wrzesień 2010 r. [1] S. Łojasiewicz, J. Wloka, Z. Zieleżny; Über eine
Bardziej szczegółowoO ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE
Ryszard Zieliński, IMPAN Warszawa O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE XXXIX Ogólnopolska Konferencja Zastosowań Matematyki Zakopane-Kościelisko 7-14 września 2010 r Model statystyczny pomiaru: wynik pomiaru
Bardziej szczegółowoStatystyki pozycyjne w procedurach estymacji i ich zastosowania w badaniach ekonomicznych
Statystyki pozycyjne w procedurach estymacji i ich zastosowania w badaniach ekonomicznych Dorota Pekasiewicz Statystyki pozycyjne w procedurach estymacji i ich zastosowania w badaniach ekonomicznych Dorota
Bardziej szczegółowoProces 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 szczegółowoWykład 2 Zmienne losowe i ich rozkłady
Wykład 2 Zmienne losowe i ich rozkłady Magdalena Frąszczak Wrocław, 11.10.2017r Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe Doświadczenie
Bardziej szczegółowoWykład Ćwiczenia Laboratorium Projekt Seminarium Liczba godzin zajęć zorganizowanych w Uczelni
Zał. nr 4 do ZW WYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU Nazwa w języku polskim WSTĘP DO STATYSTYKI MATEMATYCZNEJ Nazwa w języku angielskim Introduction to Mathematical Statistics Kierunek studiów (jeśli dotyczy):
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoWykład 6 Estymatory efektywne. Własności asymptotyczne estym. estymatorów
Wykład 6 Estymatory efektywne. Własności asymptotyczne estymatorów Wrocław, 30 listopada 2016r Powtórzenie z rachunku prawdopodobieństwa Zbieżność Definicja 6.1 Niech ciąg {X } n ma rozkład o dystrybuancie
Bardziej szczegółowoWYKŁADY 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~_ = 2_ J k = 20. kurtoz~ I. O mierzeniu odporności statystyk
ROCZNIKI POLSKIEGO TOWARZYSTWA MATEMATYCZNEGO Seria III: MATEMATYKA STOSOWANA XII (1978) RYSZARD ZIELIŃSKI (Warszawa) O mierzeniu odporności statystyk (Praca przyjęta do druku 3.02.1977) O. Wstęp. Pojęcie
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 4.04.0 r. Zadanie. Przy danej wartości λ parametru ryzyka Λ liczby szkód generowane przez ubezpieczającego się w kolejnych latach to niezależne zmienne losowe o rozkładzie
Bardziej szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
Bardziej szczegółowoTestowanie 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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoZmienne losowe. dr Mariusz Grządziel Wykład 12; 20 maja 2014
Zmienne losowe dr Mariusz Grządziel Wykład 2; 20 maja 204 Definicja. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VIII: Przestrzenie statystyczne. Estymatory 1 grudnia 2014 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji r(x, Z) = 0, 986 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji
Bardziej szczegółowoRozkłady 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 szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD grudnia 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 10 14 grudnia 2009 PARAMETRY POŁOŻENIA Przypomnienie: Model statystyczny pomiaru: wynik pomiaru X = µ + ε 1. ε jest zmienną losową 2. E(ε) = 0 pomiar nieobciążony, pomiar
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne Teoria estymacji Jędrzej Potoniec Bibliografia Bibliografia Próba losowa (x 1, x 2,..., x n ) Próba losowa (x 1, x 2,..., x n ) (X 1, X 2,..., X n ) Próba losowa (x 1, x 2,...,
Bardziej szczegółowoXXXIII Konferencja Statystyka Matematyczna
XXXIII Konferencja Statystyka Matematyczna MODEL AUTOPSJI KOHERENTNEGO SYSTEMU Karol J. ANDRZEJCZAK kandrzej@math.put.poznan.pl Politechnika Poznańska http://www.put.poznan.pl/ PROGRAM REFERATU. WPROWADZENIE
Bardziej szczegółowoPrawdopodobieństwo 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 szczegółowoIdea. 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 szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoWykład 10 Testy jednorodności rozkładów
Wykład 10 Testy jednorodności rozkładów Wrocław, 16 maja 2018 Test Znaków test jednorodności rozkładów nieparametryczny odpowiednik testu t-studenta dla prób zależnych brak normalności rozkładów Test Znaków
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka
Bardziej szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowo1 Relacje i odwzorowania
Relacje i odwzorowania Relacje Jacek Kłopotowski Zadania z analizy matematycznej I Wykazać, że jeśli relacja ρ X X jest przeciwzwrotna i przechodnia, to jest przeciwsymetryczna Zbadać czy relacja ρ X X
Bardziej szczegółowoWłasności estymatorów regresji porządkowej z karą LASSO
Własności estymatorów regresji porządkowej z karą LASSO Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Warszawski Badania sfinansowane ze środków Narodowego Centrum Nauki przyznanych w ramach finansowania
Bardziej szczegółowoTestowanie 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 szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoMetoda najmniejszych kwadratów
Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K
Bardziej szczegółowoWYKŁAD Z ANALIZY MATEMATYCZNEJ I. dr. Elżbieta Kotlicka. Centrum Nauczania Matematyki i Fizyki
WYKŁAD Z ANALIZY MATEMATYCZNEJ I dr. Elżbieta Kotlicka Centrum Nauczania Matematyki i Fizyki http://im0.p.lodz.pl/~ekot Łódź 2006 Spis treści 1. CIĄGI LICZBOWE 2 1.1. Własności ciągów liczbowych o wyrazach
Bardziej szczegółowoUWAGI O TESTACH JARQUE A-BERA
PRZEGLĄD STATYSTYCZNY R. LVII ZESZYT 4 010 CZESŁAW DOMAŃSKI UWAGI O TESTACH JARQUE A-BERA 1. MIARY SKOŚNOŚCI I KURTOZY W literaturze statystycznej prezentuje się wiele miar skośności i spłaszczenia (kurtozy).
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
Bardziej szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
Bardziej szczegółowoRozdział 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 szczegółowoWykład 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 szczegółowo2. 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 szczegółowoWykład 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 szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoWSTĘP. Tematy: Regresja liniowa: model regresji liniowej, estymacja nieznanych parametrów. Wykład:30godz., ćwiczenia:15godz., laboratorium:30godz.
Tematy: WSTĘP 1. Wprowadzenie do przedmiotu. Próbkowe odpowiedniki wielkości populacyjnych. Modele statystyczne i przykładowe zadania wnioskowania statystycznego. Statystyki i ich rozkłady. 2. Estymacja
Bardziej szczegółowoO testach wielowymiarowej normalności opartych na statystyce Shapiro-Wilka
O testach wielowymiarowej normalności opartych na statystyce Shapiro-Wilka Katedra Zastosowań Matematyki i Informatyki Uniwersytet Przyrodniczy w Lublinie Wisła 2012, 7.12.2012 Plan prezentacji 1 Wprowadzenie
Bardziej szczegółowoMetoda reprezentacyjna
Metoda reprezentacyjna Stanisław Jaworski Katedra Ekonometrii i Statystyki Zakład Statystyki Populacja, cecha, parametr, próba Metoda reprezentacyjna Przedmiotem rozważań metody reprezentacyjnej są metody
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoZadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =
Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,
Bardziej szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoRozdział 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 szczegółowoInstytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2
Instytut Matematyczny Uniwersytet Wrocławski Zakres egzaminu magisterskiego Wybrane rozdziały anazlizy i topologii 1 i 2 Pojęcia, fakty: Definicje i pojęcia: metryka, iloczyn skalarny, norma supremum,
Bardziej szczegółowo8 Całka stochastyczna względem semimartyngałów
M. Beśka, Całka Stochastyczna, wykład 8 148 8 Całka stochastyczna względem semimartyngałów 8.1 Całka stochastyczna w M 2 Oznaczmy przez Ξ zbiór procesów postaci X t (ω) = ξ (ω)i {} (t) + n ξ i (ω)i (ti,
Bardziej szczegółowoRachunek 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 szczegółowoJądrowe klasyfikatory liniowe
Jądrowe klasyfikatory liniowe Waldemar Wołyński Wydział Matematyki i Informatyki UAM Poznań Wisła, 9 grudnia 2009 Waldemar Wołyński () Jądrowe klasyfikatory liniowe Wisła, 9 grudnia 2009 1 / 19 Zagadnienie
Bardziej szczegółowoMetoda największej wiarygodności
Metoda największej wiarygodności Próbki w obecności tła Funkcja wiarygodności Iloraz wiarygodności Pomiary o różnej dokładności Obciążenie Informacja z próby i nierówność informacyjna Wariancja minimalna
Bardziej szczegółowojest ciągiem elementów z przestrzeni B(R, R)
Wykład 2 1 Ciągi Definicja 1.1 (ciąg) Ciągiem w zbiorze X nazywamy odwzorowanie x: N X. Dla uproszczenia piszemy x n zamiast x(n). Przykład 1. x n = n jest ciągiem elementów z przestrzeni R 2. f n (x)
Bardziej szczegółowoWykład 12 Testowanie hipotez dla współczynnika korelacji
Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 24 maja 2017 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem
Bardziej szczegółowo6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
Bardziej szczegółowoProcesy 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 szczegółowoRozdział 6. Ciągłość. 6.1 Granica funkcji
Rozdział 6 Ciągłość 6.1 Granica funkcji Podamy najpierw dwie definicje granicy funkcji w punkcie i pokażemy ich równoważność. Definicja Cauchy ego granicy funkcji w punkcie. Niech f : X R, gdzie X R oraz
Bardziej szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Bardziej szczegółowoKATALOG KURSÓW PRZEDMIOTY KSZTACŁENIA PODSTAWOWEGO I OGÓLNEGO
1 KATALOG KURSÓW PRZEDMIOTY KSZTACŁENIA PODSTAWOWEGO I OGÓLNEGO ROK AKADEMICKI 2018/2019 2 Politechnika Wrocławska Katalog kursów przedmiotów kształcenia podstawowego i ogólnego Oferta Ogólnouczelniana
Bardziej szczegółowoDetekcja rozkładów o ciężkich ogonach
Detekcja rozkładów o ciężkich ogonach J. Śmiarowska, P. Jamer Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska 24 kwietnia 2012 J. Śmiarowska, P. Jamer (Politechnika Warszawska) Detekcja
Bardziej szczegółowo