Metody stochastyczne w zarz dzaniu ryzykiem
|
|
- Oskar Cieślik
- 8 lat temu
- Przeglądów:
Transkrypt
1 O niegaussowskiej naturze danych Instytut Matematyczny Politechnika Krakowska Kraków Kraków,8 grudnia 2012
2 Plan referatu I 1 Uj cie stochastyczne Zwrot arytmetyczny i geometryczny Poj cie kwantyla Jak estymowa kwantyl? 2 3 Metoda bootstrap dla danych niezale»nych Metody resamplingowe dla szeregów czasowych Podej±cie nieparametryczne w analizie ryzyka 4 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli
3 Plan referatu II Zastosowanie do estymacji VaR 5 Fundamentalna watpliwo± Metoda FOT w analizie sygnaªów Metoda FOT w analizie ryzyka nansowego 6 7
4 Zwrot arytmetyczny i geometryczny Poj cie kwantyla Jak estymowa kwantyl? Denicje Niech X = {X (t); t Z} szereg czasowy (np. cena aktywa). Wtedy zwrot arytmetyczny to R t = Xt X t 1 X t 1 zwrot geometryczny to R t = log( Xt X t 1 ) Zwrot geometryczny stosowany jest w przypadku zwi kszonej i zmiennej wariancji X = {X (t); t Z}.
5 Zwrot arytmetyczny i geometryczny Poj cie kwantyla Jak estymowa kwantyl? Przykªady IPC - indice des precios y cotizaciones (Meksyk) TAURON
6 Zwrot arytmetyczny i geometryczny Poj cie kwantyla Jak estymowa kwantyl? Niech F - dowolna dystrybuanta. Kwantylem q α rz du α z F nazywamy: q α = inf{s R : F (s) α}, gdzie 0 < α < 1. Podobnie, dystrybuanta odwrotna F 1 do F to F 1 (v) = inf{s R : F (s) v} for v (0, 1).
7 Zwrot arytmetyczny i geometryczny Poj cie kwantyla Jak estymowa kwantyl? Obliczamy kwantyle zwroty z IPC zwroty z TAURON
8 Zwrot arytmetyczny i geometryczny Poj cie kwantyla Jak estymowa kwantyl? Podej±cie gaussowskie - wariancja! Szereg czasowy {X (t) ; t R} nazywany jest gaussowskim je±li dla ka»dego k i ka»dego t 1,..., t k R mamy (X (t 1 ),..., X (t k )) d = N k (µ(t 1,..., t k ), Σ(t 1,..., t k ))
9 Zwrot arytmetyczny i geometryczny Poj cie kwantyla Jak estymowa kwantyl? FAKT Je±li X ma rozkªad N (µ, σ) to q α = µ + σ z α gdzie z α to α - kwantyl z N(0,1). Wniosek: ryzyko uto»samiane jest z badaniem macierzy wariancjikowariancji je±li szereg jest gaussowski.
10 Zwrot arytmetyczny i geometryczny Poj cie kwantyla Jak estymowa kwantyl? Niegaussowska natura obserwacji Niestety, w praktyce bardzo rzadko speªnione jest zaªo»enie gaussowsko±ci szeregu czasowego Gaussowsko± - trudna do sprawdzenia dla danych wielowymiarowych i skorelowanych
11 Zwrot arytmetyczny i geometryczny Poj cie kwantyla Jak estymowa kwantyl? Podej±cie nieparametryczne :) Od lat 1970 w rachunku prawdopodobie«stwa i statystyce znane sa rezultaty o metodach estymacji kwantyla bez zal. normalno±ci :( Rezultaty niezbyt dobrze dziaªaja dla danych skorelowanych.
12 Opowie± o chi«skiej latarni Zgubili±my po drodze w nocy klucze Szukamy ich pod latarnia Bo ja±niej
13 Macierz wariancji-kowariancji W modelu gaussowskim zagadnieniem estymacji ryzyka sprowadza sie do estymacji macierzy Σ(t 1,..., t k ). Dlatego wielka popularno± modeli stacjonarnych (ARMA, GARCH).
14 Momenty i rozkªady Rozkªady gaussowskie sa caªkowicie charakteryzowane poprzez ich warto± oczekiwana i macierz wariancji kowariancji Znajomo± charakterystyk pierwszego i drugiego rzedu daje peªny opis rozkªadu danego zjawiska Pod latarnia ja±niej... :)
15 Metoda bootstrap dla danych niezale»nych Metody resamplingowe dla szeregów czasowych Podej±cie nieparametryczne w analizie ryzyka Przedziaª ufno±ci Niech X 1,..., X n - n.z.l z rozkªadu F. Niech θ parametr F. Wnioskowanie statystyczne ma trzy zasadniczeg cele: Konstrukcja optymalnych estymatorów ˆθ of θ Konstrukcja przedziaªów ufno±ci dla nieznanego parametru θ Konstrukcja testów dla parametru θ
16 Metoda bootstrap dla danych niezale»nych Metody resamplingowe dla szeregów czasowych Podej±cie nieparametryczne w analizie ryzyka Rozkªad próbkowy estymatora Niech X 1,..., X n - n.z.l z dystrybuanty F. Cel: konstrukcja przedziaªów ufno±ci dla µ = E F X. Zamiast (CTG) ˆµ n ± z α/2 SE(ˆµ n ) mo»na zastosowa metode nieparametrycznego bootstrapu. Krok 1: Losujemy ze zwracaniem X1 1,..., X n 1 z X 1,..., X n. Krok 2: Obliczamy µ 1 n = 1 n n j=1 X j 1. Krok 3: Powtarzamy Krok 1 i 2 B razy aby otrzyma replikacje µ 1 n,..., µ B n. Krok 4: Obliczamy przedziaªy ufno±ci z na podstawie Kroku 3.
17 Metoda bootstrap dla danych niezale»nych Metody resamplingowe dla szeregów czasowych Podej±cie nieparametryczne w analizie ryzyka Przykªady przedziaªy ufno±ci dla wsp. korelacji przedziaªy ufno±ci dla parametru ϕ modelu AR(1): X t = ϕ X t 1 + ɛ t przedziaªy ufno±ci dla kwantyla
18 Metoda bootstrap dla danych niezale»nych Metody resamplingowe dla szeregów czasowych Podej±cie nieparametryczne w analizie ryzyka Metoda MBB Tworzymy bloki B i = (X i,..., X i+b 1 ) dlug. b z szeregu czasowego {X 1,..., X n }. Dla wygody, zakl. n = kb. Losujemy z zestawu bloków B 1,..., B n b+1 k razy. Wylosowane bloki zestawiamy tworzac nowa próbke Ponownie obliczamy warto±ci estymatora na tak utworzonej próbce i otrzymujemy przybli»ony rozkªad estymatora Uwaga:Metoda MBB dziaªa dobrze tylko dla stacjonarnych szeregóww czasowych. O lekkich ogonach.
19 Metoda bootstrap dla danych niezale»nych Metody resamplingowe dla szeregów czasowych Podej±cie nieparametryczne w analizie ryzyka Metoda subsamplingu Tworzymy bloki B i = (X i,..., X i+b 1 ) dlug. b z szeregu czasowego {X 1,..., X n } Obliczamy warto± estymatora na ka»dej z takich podpróbek Otrzymujemy przybli»ony rozkªad estymatora Metoda subsamplingu dziaªa w bardzo du»ej klasie stacjonarnych i niestacjonarnych szer. czasowych, równie» dla cie»kich ogonów.
20 Metoda bootstrap dla danych niezale»nych Metody resamplingowe dla szeregów czasowych Podej±cie nieparametryczne w analizie ryzyka Metoda GSBB Dziaªanie tej metody wyja±nimy w szczeg. przypadku niestacjonarnego szeregu czasowego: chodzi o szereg czasowy okresowo skorelowany. Niech P - okres ±redniej badanego szeregu. Niech T dªugo± próbki. Dla prostoty, zaªó»my»e T = wp, gdzie w caªkowite. Niech b dlug bloku, b ale b 0. Dla T prostoty zakl. T = lb, gdzie l jest caªkowite.
21 Metoda bootstrap dla danych niezale»nych Metody resamplingowe dla szeregów czasowych Podej±cie nieparametryczne w analizie ryzyka Krok 1 Dla t = 1, b + 1, 2b + 1,..., (l 1)b + 1 deniujemy ( X t, X t+1,..., X t+b 1) def = (X kt, X kt+1,..., X kt+b 1) W tym kroku tworzymy l bloków o dlug. b ropoczynajaych sie w t. Indeks k t ma jednostajny dyskretny rozkl. na {t, t + 1P, t + 2P,..., t + (w 1)P}. Krok 2 Šaczymy bloki otrzymane w bloku 1 aby otrzyma próbke bootstrapowa {X1 1,..., X T 1 }. Na tej próbce obliczamy ponownie warto± estymatora (np ±redniej albo kowariancji). Krok 3 Powtarzamy krok 2 B razy celem otrzymania przybli»onego rozkªadu estymatora.
22 Metoda bootstrap dla danych niezale»nych Metody resamplingowe dla szeregów czasowych Podej±cie nieparametryczne w analizie ryzyka Przykªad-biegacz Figure : Improved estimator ˆf IMP with GSBB condence intervals.
23 Metoda bootstrap dla danych niezale»nych Metody resamplingowe dla szeregów czasowych Podej±cie nieparametryczne w analizie ryzyka Estymacja warto±ci nara»onej na ryzyko Przykªad IPC Przykªad TAURON
24 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR Przykªad: Niech H(x 1, x 2 ) bedzie rozkªadem dwuwymiarowym i niech F 1 (x 1 ) and F 2 (x 2 ) rozkªady brzegowe zwiazane z H. Mo»emy wybra taka funkcje C»e x 1, x 2 R, H(x 1, x 2 ) = C(F 1 (x 1 ), F 2 (x 2 )). (1) Podobnie w przypadku sko«czenie wymiarowym.
25 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR Normalne brzegowe F 1, F 2 z niegaussowskim ªacznym rozkªadem H Rozwa»my nastepujaca funkcje kopuli: C(u, v) = u + v 1 + (1 u)(1 v)e 1 2 ln(1 u)ln(1 v). 2. Kopula Archimedesa. C θ (u, v) = max(1 [(1 u) θ + (1 v) θ ] 1 θ, 0). 3. Kopula Studenta (Nelsen (1999) C ρ,ν (u, v) = t 1 ν (u) t 1 ν (v) Γ( ν+2 ν ) 2ρrs + Γ( ν 2 )νπ 1 ρ 2 (1+r2 s2 ν(1 ρ 2 ) gdzie ρ jest parametrem kopuli natomiast ν jest ilo±cia stopni swobody. ) 1 2 (ν+2) (2)
26 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR Model GARCH Szereg czasowy {ε t } t Z odpowiada modelowi GARCH(p,q) model gdy ε t = h t η t, where h t = α 0 + q i=1 α iε 2 t i + p j=1 β jh t j.(3)
27 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR Model APARCH Szereg czasowy {ε t } t Z ma posta APARCH(p,q), je±li dla dow. t zachodzi: gdzie σ δ t = α 0 + ε t = σ t η t, q α i ( ε t i γ i ε t i ) δ + i=1 p β j σt j. δ (4) W pow. równaniu symbol {η t } to innowacje o ±redniej zero i wariancji jeden. j=1
28 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR Estymacja kopuli 1 Wybieramy wªa±ciwy model (GARCH, APARCH etc). Estymujemy funkcje wolatylno±ci {h t } oraz rozkªady warunkowe {ε i }. Dla portfela zªo»onego z dwu pozycji mamy dwa szeregi czasowe {x t } t T i {y t } t T. 2 Tworzymy {u t } t T oraz {v t } t T - niezale»ne jednostajne (0,1) pochodzace od szeregów x i y. 3 Estymujemy funkcje kopuli z wykorzystaniem szeregów u i v.
29 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR DAX i WIG Table : Parametry GARCH(1,1) dla WIG20 Estimate Std. Error t value Pr(> t ) µ 9.956e e * α e e α e e ** β e e < 2e-16 *** λ 9.801e e < 2e-16 *** ν 9.066e e *** LLF AIC
30 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR DAX i WIG Table : Parametry APARCH(1,1),δ = 2 dla DAX Estimate Std. Error t value Pr(> t ) µ 6.106e e * α e e ** α e e * γ e ** β e e <2e-16 *** λ 8.471e e < 2e-16 *** ν 1.080e e ** LLF AIC
31 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR Figure : Comparison of empirical quantiles and normal distribution quantiles for the returns of Warsaw Stock Index WIG20 (on the left side) and for the standarized residuals form GARCH model(on the right side)
32 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR Figure : Comparison of empirical quantiles and normal distribution quantiles for the returns of DAX (on the left side) and for the standarized residuals from APARCH model (on the right side)
33 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR Figure : Return of portfolio and 95% VaR
34 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR Z pomoca bootstrapu - I Figure : 95 percent condence intervals for 5 percent VaR
35 Denicja funkcji kopuli Przykªady Estymacja funkcji kopuli Zastosowanie do estymacji VaR Z pomoca bootstrapu - II Figure : 99 percent condence intervals for 1 percent VaR
36 Fundamentalna watpliwo± Metoda FOT w analizie sygnaªów Metoda FOT w analizie ryzyka nansowego Rzecz o ω W teorii modelowania stochastycznego zakªadamy,»e mamy dostep do wielu realizacji procesu (szeregu czasowego). Je±li tak nie jest, to PRZY ZAŠO ENIU ERGODYCZNO CI mo»na zamiast wielu realizacji analizowa wydlu»ajacy sie odcinek czasowy ZAŠO ENIE ERGODYCZNO CI nie jest werykowalne w praktyce!
37 Podstawy FOT (FOT 101) Fundamentalna watpliwo± Metoda FOT w analizie sygnaªów Metoda FOT w analizie ryzyka nansowego W modelu FOT analizujemy signaªy x(t), t R jako funkcje (deterministyczne!). Dystrybuanta jest generowana przez przej±cia przez poziom generowane przez x(t). Deniujemy: Dystrybuanta empiryczna FOT F T,x,t0 (ξ) = 1 T µ{u [t 0, t 0 + T ]; x(u) ξ}. Dystrybuanta teoretyczna F x,t0 (ξ) = lim T F T,x,t0 (ξ). Dla du»ej klasy funkcji (funkcje relatywnie mierzalne) granica istnieje i nie zale»y od t 0 (Przypadek FOT stacjonarny ).
38 FOT 101-c.d. Fundamentalna watpliwo± Metoda FOT w analizie sygnaªów Metoda FOT w analizie ryzyka nansowego Deniujemy Momenty teoretyczne m k = R ξdf x(ξ). Momenty empiryczne ˆm k = R ξdf T,x(ξ) Kowariancje poprzez ªaczne rozkªady FOT Šaczne rozkªady FOT. We¹my x(t) i x(t + τ). F joint (ξ 1, ξ 2 ) = 1 lim T T µ{u [ T /2, T /2]; x(u) ξ 1, x(u + τ) ξ 2 }
39 FOT 101-c.d. Fundamentalna watpliwo± Metoda FOT w analizie sygnaªów Metoda FOT w analizie ryzyka nansowego Gdy mamy ªaczne rozkªady FOT x(t) i x(t + τ) deniujemy próbkowa autokowariancje R T t 0,x jako Rt T 0,x = ξ 1 ξ 2 df joint (ξ 1, ξ 2 ). R 2
40 Fundamentalna watpliwo± Metoda FOT w analizie sygnaªów Metoda FOT w analizie ryzyka nansowego Analizowany sygnaª x(t) - cena KGHM. Cel: predykcja VaR (horyzont 20 dniowy).
41 Prezentowane rezultaty se efektem wspólnej pracy zespoªu badawczego w skªadzie Anna Dudek (AGH), Dominique Dehay (Universite de Rennes), Soane Maiz(LASPI Roanne), Antonio Napolitano (Universita de Parthenope).
42 Dehay,Dudek, Le±kow (2012), Subsampling for continuous-time nonstationary stochastic processes, submitted Hurd (1991) Correlation theory of almost periodically correlated processes, J. Multivariate Anal Lenart,Le±kow, Synowiecki, Subampling in estimation of autocovariance for PC time series, J. Time Ser. Anal. 29 (2008) K.S. Lii, M. Rosenblatt, Spectral analysis for harmonizable processes, Ann. Statist. 30 (2002) K. Sabri, M. El Badaoui, F. Guillet, A. Belli, G. Millet, and J.B. Morin,, Cyclostationary modelling of ground reaction force signals, Sig. Proc. 90 (2010)
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 szczegółowoEkonometria 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 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 szczegółowoStacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
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 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 szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;
EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie
Bardziej szczegółowoR ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych
R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych Przykłady: Błąd pomiarowy Wzrost, wydajność Temperatura ciała Zawartość różnych składników we
Bardziej szczegółowoFunkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej
Funkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej Uniwersytet Jagiello«ski 9 maja 2012 Kilka wst pnych sªów: Kowariancja i korelacja Grube
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoPodstawy statystycznego modelowania danych Analiza prze»ycia
Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1. Wprowadzenie 2. Hazard rate
Bardziej szczegółowoWykorzystanie 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 szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia
Bardziej szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowoKomputerowa 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 szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej szczegółowoMetoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014
Metoda momentów i kwantyli próbkowych Wrocław, 7 listopada 2014 Metoda momentów Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa. Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa.
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 szczegółowof(x) f(x 0 ) i f +(x 0 ) := lim = f(x 0 + x) f(x 0 ) wynika ci gªo± funkcji w punkcie x 0. W ka»dym przypadku zachodzi:
Pochodna funkcji Def 1 Pochodn wªa±ciw funkcji f w punkcie x 0 nazywamy granic f (x 0 ) := lim o ile granica ta istnieje i jest wªa±ciwa Funkcj f nazywamy wtedy ró»niczkowaln Przy zaªo»eniu,»e f jest ci
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
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 szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoRozwini cia asymptotyczne dla mocy testów przybli»onych
Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22
Bardziej szczegółowoWykład 12 Testowanie hipotez dla współczynnika korelacji
Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 23 maja 2018 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej 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 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 szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoMikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 4 Mikołaj Czajkowski Wiktor Budziński Regresja kwantylowa W standardowej Metodzie Najmniejszych Kwadratów modelujemy warunkową średnią zmiennej objaśnianej: E( yi Xi) = μ ( Xi) Pokazaliśmy,
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci
Bardziej szczegółowoElementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo
Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4
Bardziej szczegółowoIndeksowane rodziny zbiorów
Logika i teoria mnogo±ci, konspekt wykªad 7 Indeksowane rodziny zbiorów Niech X b dzie przestrzeni zbiorem, którego podzbiorami b d wszystkie rozpatrywane zbiory, R rodzin wszystkich podzbiorów X za± T
Bardziej szczegółowoRozdziaª 10: Portfel inwestycyjny
Rozdziaª 10: Portfel inwestycyjny MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 10) Portfel inwestycyjny 1 / 31 Wprowadzenie Wkªad Markowitza, laureata nagrody Nobla z ekonomii w 1990 r., do teorii
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdziaª 9 RÓWNANIA ELIPTYCZNE 9.1 Zastosowanie eliptycznych równa«ró»niczkowych cz stkowych 9.1.1 Problemy z warunkami brzegowymi W przestrzeni dwuwymiarowej
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoEstymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Bardziej szczegółowoWYKŁAD: 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 szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) W modelu rezerwy R n = u + n (W 1 + + W n ) wiemy,»e W i s iid o rozkªadzie geometrycznym na 0, 1, 2,...
Bardziej szczegółowoModele wielorównaniowe. Estymacja parametrów
Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW
Bardziej szczegółowoFinansowe 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 szczegółowoMODELE LINIOWE i MIESZANE
MODELE LINIOWE i MIESZANE WYKŠAD 5 13 kwiecie«2018 1 / 48 Plan wykªadu 1. Metody Monte Carlo we wnioskowaniu statystycznym 2. Pakiet R 2 / 48 Metody Monte Carlo we wnioskowaniu statystycznym 3 / 48 Zaªó»my,»e
Bardziej szczegółowoWeryfikacja 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 szczegółowoWykład Ćwiczenia Laboratorium Projekt Seminarium Liczba godzin zajęć zorganizowanych w Uczelni
Zał. nr do ZW 33/01 WYDZIAŁ PODSTAWOWYCH ROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim TEORIA ESTYMACJI Nazwa w języku angielskim ESTIMATION THEORY Kierunek studiów (jeśli dotyczy): MATEMATYKA
Bardziej szczegółowoModelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH
Raport 10/2015 Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych
Bardziej szczegółowoWykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja
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 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 szczegółowoWykład 4 Wybór najlepszej procedury. Estymacja parametrów re
Wykład 4 Wybór najlepszej procedury. Estymacja parametrów regresji z wykorzystaniem metody bootstrap. Wrocław, 22.03.2017r Wybór najlepszej procedury - podsumowanie Co nas interesuje przed przeprowadzeniem
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: przedmiot obowiązkowy w ramach treści kierunkowych, moduł kierunkowy ogólny Rodzaj zajęć: wykład, ćwiczenia I KARTA PRZEDMIOTU CEL PRZEDMIOTU
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 szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 5 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoI Rok LOGISTYKI: wykªad 2 Pochodna funkcji. iloraz ró»nicowy x y x
I Rok LOGISTYKI: wykªad 2 Pochodna funkcji Niech f jest okre±lona w Q(x 0, δ) i x Q(x 0, δ). Oznaczenia: x = x x 0 y = y y 0 = f(x 0 + x) f(x 0 ) y x = f(x 0 + x) f(x 0 ) iloraz ró»nicowy x y x = tgβ,
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji ML Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoModele wielorównaniowe. Problem identykacji
Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
29 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
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 szczegółowoStatystyka w analizie i planowaniu eksperymentu
31 marca 2014 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowoModel regresji wielokrotnej Wykład 14 ( ) Przykład ceny domów w Chicago
Model regresji wielokrotnej Wykład 14 (4.06.2007) Przykład ceny domów w Chicago Poniżej są przedstawione dane dotyczące cen domów w Chicago (źródło: Sen, A., Srivastava, M., Regression Analysis, Springer,
Bardziej szczegółowoEstymacja parametru gªadko±ci przy u»yciu falek splajnowych
Estymacja parametru gªadko±ci przy u»yciu falek splajnowych Politechnika Gda«ska Wydziaª Fizyki Technicznej i Matematyki Stosowanej Wisªa, 3-7.12.2012 Przestrze«Biesowa Przestrze«Biesowa B s p,q, 1 p,
Bardziej szczegółowoWyk ad II. Stacjonarne szeregi czasowe.
Wyk ad II. Stacjonarne szeregi czasowe. W wi ekszości przypadków poszukiwanie modelu, który dok adnie by opisywa zachowanie sk adnika losowego " t, polega na analizie pewnej klasy losowych ciagów czasowych
Bardziej szczegółowoEkonometria dynamiczna i finansowa Kod przedmiotu
Ekonometria dynamiczna i finansowa - opis przedmiotu Informacje ogólne Nazwa przedmiotu Ekonometria dynamiczna i finansowa Kod przedmiotu 11.5-WK-IiED-EDF-W-S14_pNadGenMOT56 Wydział Kierunek Wydział Matematyki,
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
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 szczegółowoWYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO
Zał. nr 4 do ZW WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA STOSOWANA Nazwa w języku angielskim APPLIED STATISTICS Kierunek studiów (jeśli dotyczy): Specjalność
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
Bardziej szczegółowoWNIOSKOWANIE 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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoRozdziaª 5. Modele wektorowej autoregresji
Rozdziaª 5. Modele wektorowej autoregresji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 5) Modele VAR 1 / 32 Wielowymiarowe modele szeregów czasowych Modele VAR uwzgl dniaj wzajemne powi zania mi
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
1 WYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy): Matematyka Specjalność (jeśli
Bardziej szczegółowoTransport II stopień (I stopień / II stopień) Ogólnoakademicki (ogólno akademicki / praktyczny) Studia stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Metody probabilistyczne w transporcie Nazwa modułu w języku angielskim Probabilistic
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )
Bardziej szczegółowoWprowadzenie do szeregów czasowych i modelu ARIMA
Wprowadzenie do szeregów czasowych i modelu ARIMA 25.02.2011 Plan 1 Pojęcie szeregu czasowego 2 Stacjonarne szeregi czasowe 3 Model autoregresyjny - AR 4 Model średniej ruchomej - MA 5 Model ARMA 6 ARIMA
Bardziej szczegółowoDodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH
Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 3) Modele MGARCH 1 / 11 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu
Bardziej szczegółowoZrównoleglona optymalizacja stochastyczna na dużych zbiorach danych
Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych mgr inż. C. Dendek prof. nzw. dr hab. J. Mańdziuk Politechnika Warszawska, Wydział Matematyki i Nauk Informacyjnych Outline 1 Uczenie
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 szczegółowoFunkcja rzeczywista zmiennej rzeczywistej. Pochodna (szkic wykªadu)
Funkcja rzeczywista zmiennej rzeczywistej. Pochodna (szkic wykªadu) opracowaªa Gra»yna Ciecierska 1 Denicja pochodnej Denicja. Niech : X R, X R oraz U(x 0, r) X dla pewnego r > 0. Ilorazem ró»nicowym unkcji
Bardziej szczegółowoCiaªa i wielomiany. 1 Denicja ciaªa. Ciaªa i wielomiany 1
Ciaªa i wielomiany 1 Ciaªa i wielomiany 1 Denicja ciaªa Niech F b dzie zbiorem, i niech + (dodawanie) oraz (mno»enie) b d dziaªaniami na zbiorze F. Denicja. Zbiór F wraz z dziaªaniami + i nazywamy ciaªem,
Bardziej szczegółowo1.1 Wstęp Literatura... 1
Spis treści Spis treści 1 Wstęp 1 1.1 Wstęp................................ 1 1.2 Literatura.............................. 1 2 Elementy rachunku prawdopodobieństwa 2 2.1 Podstawy..............................
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
1 Zał. nr 4 do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy):
Bardziej szczegółowoGenerowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport Michał Krzemiński Streszczenie Projekt dotyczy metod generowania oraz badania własności statystycznych ciągów liczb pseudolosowych.
Bardziej szczegółowoOpis przedmiotu: Probabilistyka I
Opis : Probabilistyka I Kod Nazwa Wersja TR.SIK303 Probabilistyka I 2012/13 A. Usytuowanie w systemie studiów Poziom Kształcenia Stopień Rodzaj Kierunek studiów Profil studiów Specjalność Jednostka prowadząca
Bardziej szczegółowoStatystyka opisowa. Wykªad II. Elementy statystyki opisowej. Edward Kozªowski.
Statystyka opisowa. Wykªad II. e-mail:e.kozlovski@pollub.pl Spis tre±ci Mediana i moda 1 Mediana i moda 2 3 4 Mediana i moda Median m e (warto±ci ±rodkow ) próbki x 1,..., x n nazywamy ±rodkow liczb w
Bardziej szczegółowoAnaliza zależności ekstremalnych
Zeszyty Naukowe nr 726 Akademii Ekonomicznej w Krakowie 2006 Katedra Statystyki Analiza zależności ekstremalnych. Wprowadzenie W dobie globalizacji gospodarki zarządzający ryzykiem w instytucjach finansowych
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 szczegółowodr Jerzy Pusz, st. wykładowca, Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej B. Ogólna charakterystyka przedmiotu
Kod przedmiotu TR.SIK303 Nazwa przedmiotu Probabilistyka I Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów Stacjonarne
Bardziej szczegółowo