Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
|
|
- Patryk Olejnik
- 7 lat temu
- Przeglądów:
Transkrypt
1 Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t
2 Plan wykªadu Model mieszany 1. Podstawy teoretyczne 2. Przykªady w R Tomasz Suchocki, Modele liniowe... Wykªad 2 2/27
3 Model mieszany zmienna zale»na jest typu ci gªego komplementarnie do efektów staªych mo»emy okresli efekty losowe, które w modelu uwzgl dniamy jako realizacje zmiennej losowej o pewnych parametrach Tomasz Suchocki, Modele liniowe... Wykªad 2 3/27
4 Dlaczego u¹ywamy efektów losowych? Efektów tych mo»e by tak du»o,»e zamiast traktowa je jako parametry modelu, przyjmujemy,»e s to zmienne losowe z zadanego rozkªadu prawdopodobie«stwa, którego parametry b d parametrami modelu. Mo»emy nie by zainteresowani bezpo±redni ocen warto±ci efektów, lecz raczej zmienno±ci tych efektów w populacji. Tomasz Suchocki, Modele liniowe... Wykªad 2 4/27
5 Ogólna posta modelu: Efekty staªe: X β y = X β + Zu + ɛ, X - macierz wyst pie«dla efektów staªych (n p) β - parametry do estymacji (p 1) Efekty losowe: Zu Z - macierz wyst pie«dla efektów losowych (n q) u - wektor zmiennych losowych odpowiadaj cych efektom losowym (q 1) Tomasz Suchocki, Modele liniowe... Wykªad 2 5/27
6 Residua: ɛ - bªedy losowe (n 1) Zakªada si,»e wektory u i ɛ s niezale»ne i pochodz z rozkªadów normalnych: u N (0, G), z macierz G = Aσu 2 o wymiarach (q q) ɛ N (0, R), z macierz R = I σ 2 ɛ o wymiarach (n n) Przy powy»szych zaªo»eniach wariancja zmiennej y ma posta : Var(y) = V = ZGZ T + R Tomasz Suchocki, Modele liniowe... Wykªad 2 6/27
7 Estymatory efektów staªych β uzyskane przy pomocy metody najwi kszej wiarygodno±ci: y N (X β, V ) z macierz V = ZGZ T + R Funkcja wiarygodno±ci powy»szego modelu mieszanego ma posta 2 log L = n log (2π) + log V + (y X β) T V 1 (y X β) β = ( X T V 1 X ) 1 X T V 1 y Tomasz Suchocki, Modele liniowe... Wykªad 2 7/27
8 Jak otrzyma funkcj najwi kszej wiarygodno±ci? Wiemy,»e je»eli z N (A, B) to g sto± prawdopodobie«stwa zmiennej y ma posta ( 1 (2π) n exp 1 ) 2 B (z A)T B 1 (z A) Korzystaj c z tego faktu mamy i z tego,»e y N (X β, V ) otrzymujemy ( 1 L = (2π) n exp 1 ) 2 V (y X β)t V 1 (y X β) Tomasz Suchocki, Modele liniowe... Wykªad 2 8/27
9 Logarytmuj c otrzyman funckj wiarygodno±ci otrzymujemy log L = n 2 log (2π) 1 2 log V 1 2 (y X β)t V 1 (y X β) Mno» c otrzymany logarytm funkcji wiarygodno±ci przez liczb ( 2) otrzymujemy ostateczn posta funkcji wiarygodno±ci. Tomasz Suchocki, Modele liniowe... Wykªad 2 9/27
10 Jak otrzyma wzór na estymatory parametrów β metod najwi kszej wiarygodno±ci? 2 log L=n log (2π) + log V + y T V 1 y y T V 1 X β β T X T V 1 y + β T X T V 1 X β Ró»niczkuj c powy»sz funkcj wzgl dem parametru β i otrzymujemy ( 2 log L) = y T V 1 X X T V 1 y + 2X T V 1 X β β = 2X T V 1 y + 2X T V 1 X β Tomasz Suchocki, Modele liniowe... Wykªad 2 10/27
11 Otrzyman ró»niczk funkcji wiarygodno±ci przyrównujemy do 0 i otrzymujemy ( 2 log L) β β = = 2X T V 1 y + 2X T V 1 X β = 0 ( X T V 1 X ) 1 X T V 1 y Tomasz Suchocki, Modele liniowe... Wykªad 2 11/27
12 FAKT: Var(Ay) = A Var(y) A T, dla zmiennej losowej y i znanej macierzy A Tomasz Suchocki, Modele liniowe... Wykªad 2 12/27
13 Macierz wariancji-kowariancji dla efektów staªych: ) ( ( ) ) 1 Var ( β =Var X T V 1 X X T V 1 y ( ) 1 ( ) ( ) 1 = X T V 1 X X T V 1 Var(y)V 1 X X T V 1 X Podstawiaj c za Var(y) = V otrzymujemy ) ( ) 1 ( ) ( ) 1 Var ( β = X T V 1 X X T V 1 VV 1 X X T V 1 X i ostatecznie mamy ) ( ) 1 Var ( β = X T V 1 X Tomasz Suchocki, Modele liniowe... Wykªad 2 13/27
14 Testowanie istotno±ci efektów staªych (Test Walda): Dla ka»dego efektu β j, j = 1,..., p mamy SE( β j ) = diag(var( β) j ) Hipotezy H 0 : β j = 0 vs. H 1 : β j 0 Statystyka testowa W = β j SE( β j ) Statystyka W przy prawdziwo±ci H 0 ma rozkªad N (0, 1) Tomasz Suchocki, Modele liniowe... Wykªad 2 14/27
15 Testowanie istotno±ci efektów staªych (Test Walda): Hipotezy H 0 : Lβ = 0 vs. H 1 : Lβ 0, dla danej macierzy kontrastu L Statystyka testowa W = β T L T [ L(X T V 1 X ) 1 L T ] 1 L β Statystyka W przy prawdziwo±ci H 0 ma rozkªad chi 2 z liczb stopni swobody rown rz dowi macierzy L Tomasz Suchocki, Modele liniowe... Wykªad 2 15/27
16 Testowanie istotno±ci efektów staªych (Test oparty na ilorazie wiarygodno±ci - porównywanie modeli z ró»n ilo±ci efektów staªych): Hipotezy H 0 : beta Ω 0, gdzie Ω 0 Ω Statystyka testowa 2 log λ N = 2 log L Ω 0 L Ω Statystyka przy prawdziwo±ci H 0 ma rozkªad chi 2 z liczb stopni swobody rown ró»nicy parametrów pomi dzy Ω i Ω 0 Tomasz Suchocki, Modele liniowe... Wykªad 2 16/27
17 Estymacja parametrów wariancji: 2 log L REML = 2 log L + log X T V 1 X Metody estymacji parametrów wariancji: EM Newton-Raphson Fisher scoring Tomasz Suchocki, Modele liniowe... Wykªad 2 17/27
18 Testowanie istotno±ci efektów losowych (Test oparty na ilorazie wiarygodno±ci): Hipotezy H 0 : σ 2 u = 0 Statystyka testowa 2 log λ N = 2 log L zredukowanej + 2 log L penej Statystyka przy prawdziwo±ci H 0 jest mieszanin rozkªadów chi 2 z 0 i 1 stopniem swobody ( 1 2 χ χ2 1 ) Tomasz Suchocki, Modele liniowe... Wykªad 2 18/27
19 Porównywanie modeli: AIC = 2 log L + 2s BIC = 2 log L + s log (n ) gdzie s - liczba wszystkich parametrów w modelu n = n p dla funkcji L REML n = n dla funkcji L Tomasz Suchocki, Modele liniowe... Wykªad 2 19/27
20 Predykcja efektów losowych: ( X T R 1 X X T R 1 ) ) Z ( β Z T R 1 X Z T R 1 Z + G 1 = û Warto przypomnie sobie funkcje cbind() i rbind() ( X T R 1 ) y Z T R 1 y Tomasz Suchocki, Modele liniowe... Wykªad 2 20/27
21 Przykªad Zbiór danych o nazwie "milkgene¹ pakietu "PBImisc". Kolejne kolumny zawieraj : numer krowy numer laktacji gen BTM3a1 wydajno± mleczn wydajno± tªuszczu Tomasz Suchocki, Modele liniowe... Wykªad 2 21/27
22 Przykªad Chcemy sprawdzi, czy obserwowana mutacja w genie BTN3a1 wpªywa na mleczno± krów. Mamy 915 pomiarów mleczno±ci dla osobników o genotypie 1 i 85 pomiarów dla genotypu 2. Nie mo»na zastosowa w tym przypadku testu t-studenta dla dwóch grup, ani modelu z jednym efektem staªym genu poniewa» cz ± osobników byªa mierzona wi cej ni» jeden raz (przez kilka laktacji). Aby uwzgl dni podobie«stwo w pomiarach do modelu doªo»ymy efekt losowy osobnika. Wybieramy efekt losowy, poniewa» krów jest du»o i nie chcemy wprowadza tak wielu parametrów do modelu. Dodatkowo nie interesuje nas efekt pojedynczych osobników, a efekt genu. Tomasz Suchocki, Modele liniowe... Wykªad 2 22/27
23 Przykªad Model: y mleko = X btn3a1 β btn3a1 + X laktacja β laktacja + Z krowa u krowa + ɛ u krowa - efekt losowy o rozkªadzie N (0, σ 2 krowa ) macierz Z krowa ma wymiary , z i,j = 1 gdy wiersz i dotyczy j tego osobnika oraz 0 w przeciwnym razie. Tomasz Suchocki, Modele liniowe... Wykªad 2 23/27
24 Przykªad Formuªa: require(lme4) m1=lmer(milk btn3a1+lactation+(1 cow.id),data=milkgene) Otrzymujemy wyniki: Efekt staªy genu O tyle ±rednio wy»sza jest mleczno± osobników o genotypie 2 od osobników o genotypie 1. Parametr σ 2 krowa = i jest praktycznie równy wariancji bª du. Nale»y sprawdzi zaªo»enia modelu tzn. Normalno± reszt i efektów losowych oraz ich niezale»no±. Tomasz Suchocki, Modele liniowe... Wykªad 2 24/27
25 Przykªad Istotno± efektów staªych: summary(m1)$coefs - testy t-studenta test opary na ilorazie wiarygodno±ci tzn. tworzymy dwa modele z i bez efektu genu btn3a1, nast pnie obliczamy logarytmy funkcji wiarygodno±ci dla ka»dego z modeli i wyznaczamy statystyk λ. Rozkªad lambdy to χ 2 1. Istotno± efektów losowych: test opary na ilorazie wiarygodno±ci tzn. tworzymy dwa modele z i bez efektu genu osobniczego, nast pnie obliczamy logarytmy funkcji wiarygodno±ci dla ka»dego z modeli i wyznaczamy statystyk λ. Rozkªad lambdy to 1 2 χ χ2 1. Tomasz Suchocki, Modele liniowe... Wykªad 2 25/27
26 Przykªad Istotno± efektów staªych: Efekt genu BTN3a1 wynosi 1.03 z p-warto±ci p = Istotno± efektów losowych: Statystyka λ = z p-warto±ci p = 5.49e 55 Tomasz Suchocki, Modele liniowe... Wykªad 2 26/27
27 Dzi kuj za uwag Tomasz Suchocki, Modele liniowe... Wykªad 2 27/27
Pakiety statystyczne Wykªad 14
Pakiety statystyczne Wykªad 14 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki Plan wykªadu Model mieszany 1. Podstawy teoretyczne 2. Przykªady w R 3. Przykªady zastosowania Tomasz
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji
Bardziej szczegółowoPakiety statystyczne - Wykªad 8
Pakiety statystyczne - Wykªad 8 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne
Bardziej szczegółowoPodstawy statystycznego modelowania danych - Wykªad 7
Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz
Bardziej szczegółowoMetody statystyczne w biologii - Wykªad 8. Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t
Metody statystyczne w biologii - Wykªad 8 Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Regresja logistyczna 1. Podstawy teoretyczne i przykªady zastosowania
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 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 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 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 szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 4 03 listopad 2014 1 / 47 Plan wykªadu 1. Testowanie zaªo»e«o proporcjonalnym hazardzie w modelu Cox'a 2. Wybór zmiennych do modelu Cox'a 3. Meta analiza
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 szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
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 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 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 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 szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1 Podstawowe
Bardziej szczegółowoInformatyka w selekcji - Wykªad 1
Informatyka w selekcji - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1 Podstawowe informacje o przedmiocie 2 Wst p do pakietu
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 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 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 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 szczegółowoElementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions)
Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions) Alexander Bendikov Uniwersytet Wrocªawski 25 maja 2016 Elementarna statystyka Dwie próby: porównanie
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 szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 3 29 pa¹dziernik 2015 1 / 39 Plan wykªadu 1. Test log-rank dla wi cej ni» dwóch grup 2. Test Mantela-Haenszela dla wi cej ni» dwóch grup 3. Wst p do
Bardziej szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36 Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy
Bardziej szczegółowoEkonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª
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 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 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 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 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 szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowoSpis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla
Bogumiła Koprowska Elżbieta Kukla 1 Wstęp Czym są efekty losowe? Przykłady Model mieszany 2 Estymacja Jednokierunkowa klasyfikacja (ANOVA) Metoda największej wiarogodności (ML) Metoda największej wiarogodności
Bardziej szczegółowoEkonometria - wykªad 1
Ekonometria - wykªad 1 0. Wprowadzenie Barbara Jasiulis-Goªdyn 28.02.2014 2013/2014 Ekonometria Literatura [1] B. Borkowski, H. Dudek, W. Szczesny, Ekonometria. Wybrane Zaganienia, PWN, Warszawa 2003.
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 1 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 1 1 / 28 Kontakt Dr Šukasz
Bardziej szczegółowoRachunek ró»niczkowy funkcji jednej zmiennej
Lista Nr 5 Rachunek ró»niczkowy funkcji jednej zmiennej 5.0. Obliczanie pochodnej funkcji Pochodne funkcji podstawowych. f() = α f () = α α. f() = log a f () = ln a '. f() = ln f () = 3. f() = a f () =
Bardziej szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoAndrzej D browski. Analiza danych jako±ciowych
Andrzej D browski Analiza danych jako±ciowych 1 0.1. Wst p Table 1. Typy analizy wielowymiarowej statystycznej typ argumentu kategoryczny ilo±ciowy mieszany odpowiedzi kategoryczny tablice kontyngencji,
Bardziej szczegółowoEkonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan
Bardziej szczegółowoWykªad 6: Model logitowy
Wykªad 6: Model logitowy Ekonometria Stosowana SGH Model logitowy 1 / 18 Plan wicze«1 Modele zmiennej jako±ciowej idea 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3
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 szczegółowoMetody bioinformatyki (MBI)
Metody bioinformatyki (MBI) Wykªad 9 - mikromacierze DNA, analiza danych wielowymiarowych Robert Nowak 2016Z Metody bioinformatyki (MBI) 1/42 mikromacierze DNA Metoda badawcza, pozwalaj ca bada obecno±
Bardziej szczegółowoUkªady równa«liniowych - rozkªady typu LU i LL'
Rozdziaª 9 Ukªady równa«liniowych - rozkªady typu LU i LL' W tym rozdziale zapoznamy si z metodami sªu» cych do rozwi zywania ukªadów równa«liniowych przy pomocy uzyskiwaniu odpowiednich rozkªadów macierzy
Bardziej szczegółowoRozdziaª 4. Jednowymiarowe modele szeregów czasowych
Rozdziaª 4. Jednowymiarowe modele szeregów czasowych MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 4) Modele ARMA 1 / 24 Jednowymiarowe modele szeregów czasowych Jednowymiarowe modele szeregów czasowych:
Bardziej szczegółowoAproksymacja funkcji metod najmniejszych kwadratów
Aproksymacja funkcji metod najmniejszych kwadratów Teoria Interpolacja polega na znajdowaniu krzywej przechodz cej przez wszystkie w zªy. Zdarzaj si jednak sytuacje, w których dane te mog by obarczone
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 szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 8: w modelach przestrzennych (8) Ekonometria Przestrzenna 1 / 23 Plan wykªadu 1 Modele proste Modele zªo»one 2 Wnioskowanie statystyczne dla mno»ników przestrzennych i ±rednich
Bardziej szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 8: Restrykcje na parametry w postaci nierówno±ci: analiza bayesowska (8) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Restrykcje nierówno±ciowe: podej±cie klasyczne a bayesowskie
Bardziej szczegółowoLiniowe zadania najmniejszych kwadratów
Rozdziaª 9 Liniowe zadania najmniejszych kwadratów Liniowe zadania najmniejszych kwadratów polega na znalezieniu x R n, który minimalizuje Ax b 2 dla danej macierzy A R m,n i wektora b R m. Zauwa»my,»e
Bardziej szczegółowoDynamiczne wªasno±ci algorytmu propagacji przekona«
BP propagacji przekona«4. Interdyscyplinarne Warsztaty Matematyczne Wydziaª Fizyki Politechnika Warszawska B dlewo, 26 maja, 2013 BP 1 2 3 4 5 6 BP Rysunek: Zbiór zmiennych losowych. BP Rysunek: Zbiór
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoEkonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja
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 szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 27-0-202 Pytania teoretyczne. Dlaczego w modelu nie powinno si umieszcza staªej i wszystkich zmiennych zero-jedynkowych, zwi zanych z poziomami zmiennej dyskretnej?
Bardziej szczegółowoUkªady równa«liniowych
dr Krzysztof yjewski Mechatronika; S-I 0 in» 7 listopada 206 Ukªady równa«liniowych Informacje pomocnicze Denicja Ogólna posta ukªadu m równa«liniowych z n niewiadomymi x, x, x n, gdzie m, n N jest nast
Bardziej szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, Ŝe 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoTwierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski
Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej
Bardziej szczegółowoEkonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 5 i 6 Modelowanie szeregów czasowych (5-6) Ekonometria 1 / 30 Plan prezentacji 1 Regresja pozorna 2 Testowanie stopnia zintegrowania szeregu 3 Kointegracja 4 Modele dynamiczne (5-6)
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 5: Narz dzia wnioskowania w ekonometrii bayesowskiej (5) Ekonometria Bayesowska 1 / 8 Plan wykªadu 1 Przedziaªy ufno±ci HPDI Werykacja hipotez podej±cie bayesowskie 3 Werykacja
Bardziej szczegółowoPrzykªadowe analizy. Grzegorz Kemski. 26 listopada 2008
26 listopada 2008 Plan wykªadu Prezentacja danych i metod statystycznych u»ytych w artykuªach: 'Why living-donor renal transplant yields better outcomes than cadaver renal transplant?' L. Guirado, E. Vela,
Bardziej szczegółowowiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia
wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. wiczenia 1 2 do wiczenia 3 4 Badanie do±wiadczalne 5 pomiarów 6 7 Cel Celem wiczenia jest zapoznanie studentów z etapami przygotowania i
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 szczegółowoTestowanie 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 szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoWykład 5 Teoria eksperymentu
Wykład 5 Teoria eksperymentu Wrocław, 22.03.2017r Co to jest teoria eksperymentu? eksperyment - badanie jakiegoś zjawiska polegające na celowym wywołaniu tego zjawiska lub jego zmian oraz obserwacji i
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 28 listopada 2018 Plan zaj eć 1 Rozk lad estymatora b 2 3 dla parametrów 4 Hipotezy l aczne - test F 5 Dodatkowe za lożenie
Bardziej szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowo1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.
Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.
Bardziej szczegółowoWykªad 1+2: Klasyczny model regresji liniowej. Podstawy R
Wykªad 1+2: Klasyczny model regresji liniowej Podstawy R Ekonometria Stosowana SGH KMNK i R 1 / 45 Plan wykªadu 1 Informacje organizacyjne 2 Wprowadzenie do ekonometrii Ekonometria Dane i postacie funkcyjne
Bardziej szczegółowoRozdziaª 7. Modele klasy ARCH
Rozdziaª 7. Modele klasy ARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 7) Modele ARCH 1 / 24 Modele klasy ARCH Charakterystyki wi kszo±ci szeregów nansowych: Grupowanie wariancji (volatility clustering):
Bardziej szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
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 szczegółowoPodstawy statystycznego modelowania danych Analiza prze»ycia. Tomasz Suchocki
Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Plan wykªadu 1. Wprowadzenie 2. Hazard rate 3. Cenzurowanie danych 4. Metoda Kaplana-Meiera i Flemingtona-Harringtona 5. Krzywe
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 2: Bayesowska estymacja równania ze staª. Elementy j zyka R (2) Ekonometria Bayesowska / 24 Plan wykªadu Model ze staª 2 Podstawy j zyka R 3 Bayesowska analiza modelu ze staª
Bardziej szczegółowoMakroekonomia Zaawansowana
Makroekonomia Zaawansowana wiczenia 1 Stan ustalony i log-linearyzacja MZ 1 / 27 Plan wicze«1 Praca z modelami DSGE 2 Stan ustalony 3 Log-linearyzacja 4 Zadania MZ 2 / 27 Plan prezentacji 1 Praca z modelami
Bardziej szczegółowoElementarna statystyka Test Istotno±ci (Tests of Signicance)
Elementarna statystyka Test Istotno±ci (Tests of Signicance) Alexander Bendikov Uniwersytet Wrocªawski 16 kwietnia 2016 Elementarna statystyka Test Istotno±ci (Tests of Signicance) 16 kwietnia 2016 1 /
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
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 szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x, y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0, y 0 ) Pochodn cz stkow pierwszego rz du funkcji dwóch zmiennych wzgl
Bardziej szczegółowoZadania z rachunku prawdopodobie«stwa
STATYSTYKA 2 rok, informatyka,. Zadania z rachunku prawdopodobie«stwa 1. Niech A B C = Ω, P (B) = 2P (A), P (C) = 3P (A), P (A B) = P (A C) = P (B C). Pokaza,»e 1 P (A) 1. Pokaza,»e oba ograniczenia mog
Bardziej szczegółowoTesty nieparametryczne
Testy nieparametryczne 1 Wybrane testy nieparametryczne 1. Test chi-kwadrat zgodności z rozkładem oczekiwanym 2. Test chi-kwadrat niezależności dwóch zmiennych kategoryzujących 3. Test U Manna-Whitney
Bardziej szczegółowor = x x2 2 + x2 3.
Przestrze«aniczna Def. 1. Przestrzeni aniczn zwi zan z przestrzeni liniow V nazywamy dowolny niepusty zbiór P z dziaªaniem ω : P P V (które dowolnej parze elementów zbioru P przyporz dkowuje wektor z przestrzeni
Bardziej szczegółowo... 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 szczegółowoE k o n o m e t r i a S t r o n a 1
E k o n o m e t r i a S t r o n a Liniowy model ekonometryczny Jednorównaniowy liniowy model ekonometryczny (model regresji wielorakiej) można zapisać w postaci: y = α + α x + α x +... + α x + ε, t =,,...,
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 szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
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 szczegółowoEgzamin z ekonometrii - wersja IiE, MSEMAT
Egzamin z ekonometrii - wersja IiE, MSEMAT 7-02-2013 Pytania teoretyczne 1. Porówna zastosowania znanych Ci kontrastów ze standardowym sposobem rozkodowania zmiennej dyskretnej. 2. Wyprowadzi estymator
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 szczegółowoMatematyka wykªad 1. Macierze (1) Andrzej Torój. 17 wrze±nia 2011. Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej
Matematyka wykªad 1 Macierze (1) Andrzej Torój Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej 17 wrze±nia 2011 Plan wykªadu 1 2 3 4 5 Plan prezentacji 1 2 3 4 5 Kontakt moja strona internetowa:
Bardziej szczegółowoRozdziaª 6. Strukturalne modele VAR
Rozdziaª 6. Strukturalne modele VAR MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 6) Modele SVAR 1 / 25 Wprowadzenie do modeli SVAR Krytyka modeli wielorównaniowych z lat 50-tych i 60-tych postaci:
Bardziej szczegółowoSpis tre±ci. Plan. 1 Pochodna cz stkowa. 1.1 Denicja Przykªady Wªasno±ci Pochodne wy»szych rz dów... 3
Plan Spis tre±ci 1 Pochodna cz stkowa 1 1.1 Denicja................................ 2 1.2 Przykªady............................... 2 1.3 Wªasno±ci............................... 2 1.4 Pochodne wy»szych
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 3: Testowanie obecno±ci procesów przestrzennych (3) Ekonometria Przestrzenna 1 / 25 Plan wykªadu 1 Testowanie efektów przestrzennych 2 Testy ogólne Test Morana I Globalne
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 szczegółowoLiniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach
Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach Teoria obowi zuje z wykªadu, dlatego te» zostan tutaj przedstawione tylko podstawowe denicje, twierdzenia i wzory. Denicja 1. Równanie
Bardziej szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Bardziej szczegółowo