Analiza i zarządzanie ryzykiem inwestycyjnym przedsiębiorstwa w przedsięwzięciach międzynarodowych
|
|
- Karol Majewski
- 7 lat temu
- Przeglądów:
Transkrypt
1 Analza zarządzane ryzykem nwestycyjnym przedsęborstwa w przedsęwzęcach mędzynarodowych Projekt Enterprse Europe Network Central Poland jest współfnansowany przez Komsję Europejską ze środków pochodzących z programu COSME (na lata ) na podstawe umowy o udzelene dotacj nr EEN-CP oraz Mnsterstwo Rozwoju ze środków budżetu państwa.
2 Co ma nnowacyjne przedsęwzęce do planów fnansowych? Cykl życa nnowacyjnego produktu!!!
3 Cykl życa produktu a zysk Ttle of the presentaton Date #
4 Opracowane nnowacyjnego produktu, procesu, usług obarczone jest ryzykem
5 Net Present Value - Wartość zaktualzowana netto NPV I n C ( r) Gdze dodatne I oznacza welkość początkowego nakładu, C są to dodatne przepływy penężne kolejne okresy czasowe.
6 Uwaga. Jeżel wartość wskaźnka NPV jest dodatna oznacza to, że nwestycja jest opłacalna. Przy ujemnej wartośc tego wskaźnka nwestycję uważamy za neopłacalną. Uwaga 2. Jeżel dane są dwe nwestycje o tym samym NPV, to korzystnejsza jest ta, która angażuje mnejszy kaptał.
7 Bznes plan analza ryzyka - analza płynnośc fnansowej - analza przychodów - analza kosztów - analza przepływów penężnych
8 Innowacje = ryzyko Potrzebne są zatem metody oceny ryzyka Metoda Monte Carlo + Bznes Plan Innowacyjnego przedsęwzęca = Ocena kontrola ryzyka nwestycyjna nnowacyjnego przedsęwzęca
9 Unwersalne metody umożlwające ocenę zarządzane ryzykem w mędzynarodowych przedsęwzęcach nwestycyjnych 4.. Metoda Monte Carlo - symulacja bznes planu, symulacja NPV 4.2. Metody oparte na Instrumentach pochodnych - opcje fnansowe opcje realne, kontrakty 4.3. Metody oparte na drzewach decyzyjnych - teora decyzj w warunkach ryzyka 4.4. Metody ekonometryczne - modele klasyczne szeregów czasowych
10 Co to jest symulacja Monte Carlo? Podstawową deą symulacj metodą Monte Carlo jest przeprowadzene dużej lośc oblczeń wartośc wyjścowej, przy zastosowanu różnych danych wejścowych, wylosowanych zgodne z określonym dla nch rozkładam prawdopodobeństw.
11 Dlaczego warto stosować symulację Monte Carlo? Dlatego, że pozwala budować różnego rodzaju scenarusze w oparcu o fnansową część bznes planu. Wpsuje sę w cykl życa produktu (rozkład normalny)
12 W przypadku przepływów penężnych możemy także zastosować symulację Monte Carlo Warant Bznes plan Przychody Wynk fnansowy Zysk Blans NPV I n C ( r) Warant 2 Koszty Strata Aktywa Pasywa n n C C NPV I ( r ) ( r)
13 NPV jest często stosowany w ocene mało skomplkowanych przedsęwzęć nwestycyjnych. W przypadku nnowacyjnych przedsęwzęć pojawają sę problemy take jak.: zmenność przepływów penężnych (cykl życa produktu), odpowedna stopa dyskontowa, brak przepływów penężnych, czy wcześnejsze zakończene projektu B+R.
14 Czynnk wpływające na wartość opcj fnansowej realnej Opcja fnansowa Cena nstrumentu (V) Cena wykonana (X) Czas do wygaśnęca opcj (T) Stopa wolna od ryzyka (r f ) Zmenność cen nstrumentu (σ) Oczekwane dywdendy (б) Opcja realna Beżąca wartość korzyśc z przedsęwzęca nwestycyjnego (V) Nakłady nwestycyjne (X) Czas do wygaśnęca możlwośc nwestycyjnej (T) Stopa dyskontowa będąca stopą wolną od ryzyka (r f ) Zmenność przepływów penężnych (σ) Utracone przepływy penężne (б) Źródło: Rogowsk W.: Opcje realne w przedsęwzęcach nwestycyjnych Ofcyna Wydawncza SGH. Warszawa 2008
15 Model Blacka-Scholesa Główne założena modelu Blacka-Scholesa to: - brak arbtrażu na rynku, co oznacza, że stneje możlwość osągnęca zysku bez ponoszena ryzyka; w rzeczywstośc take sytuacje sę zdarzają, ale natychmast są korygowane przez rynek, - rozkład zwrotów cen aktywa jest normalny, - rynek dzała w sposób cągły, a cena aktywa jest opsana geometrycznym ruchem Browna, - uczestncy rynku mogą pożyczyć nwestować środk według tej samej stopy procentowej wolnej od ryzyka r; r ne zmena sę w okrese ważnośc opcj. Źródło: Rogowsk W.: Opcje realne w przedsęwzęcach nwestycyjnych Ofcyna Wydawncza SGH. Warszawa 2008
16 wszystke walory są doskonale podzelone, tzn. można handlować nstrumentam o cene będącej częścą ceny nstrumentu posadaczom akcj ne są wypłacane dywdendy w czase trwana opcj ne uwzględna sę kosztów transakcj an podatków ne ma kary za zajmowane tzw. krótkej pozycj (np. sprzedaż pożyczonych akcj) opcja jest typu europejskego, tzn. może być wykonana tylko w termne wygaśnęca Źródło: Rogowsk W.: Opcje realne w przedsęwzęcach nwestycyjnych Ofcyna Wydawncza SGH. Warszawa 2008
17 Twórcy modelu, tj. F.Black M.Scholes, założyl, że procesem wywołującym zmany cen aktywa bazowego jest geometryczny ruch Browna, naczej geometryczny proces Wenera zakładający, że wartość aktywa bazowego zmena sę w czase w sposób cągły (stąd obecność w modelu lczby e=2,7828), że rozkład tych zman w dowolnym przedzale czasu jest rozkładem normalnym. Następne wyprowadzl on wzór na oblczene wartośc europejskej opcj kupna (call). Źródło: Rogowsk W.: Opcje realne w przedsęwzęcach nwestycyjnych Ofcyna Wydawncza SGH. Warszawa 2008
18 T d d T r T X V d T r T X V d d N Xe d VN C t t r t T ln 2 ln ) ( ) ( Gdze: V cena nstrumentu - zmenność cen nstrumentu X cena wykonana r f stopa procentowa wolna od ryzyka T czas do wygaśnęca opcj Źródło: Rogowsk W.: Opcje realne w przedsęwzęcach nwestycyjnych Ofcyna Wydawncza SGH. Warszawa 2008
19 Źródło: Rogowsk W.: Opcje realne w przedsęwzęcach nwestycyjnych Ofcyna Wydawncza SGH. Warszawa 2008 Ttle of the presentaton Date # N(d), N(d2) skumulowany rozkład normalny zmennych d, d2; e -rt jest współczynnkem dyskonta, F(d) jest odwrotnoścą współczynnka zabezpeczena, F(d2) to prawdopodobeństwo, że wartość rynkowa opcj w momence realzacj przewyższy cenę wykonana (jej realzacja będze opłacalna). Przy założenu pozostałych czynnków nezmenonych, wartość opcj kupna wzrasta wraz ze: wzrostem cen nstrumentu V, spadkem ceny wykonana opcj X, wzrostem czasu do wygaśnęca opcj T, wzrostem stopy dyskontowej wolnej od ryzyka r rf, wzrostem zmennośc cen nstrumentu σ.
20 Źródło: Rogowsk W.: Opcje realne w przedsęwzęcach nwestycyjnych Ofcyna Wydawncza SGH. Warszawa 2008 Ttle of the presentaton Date # Model dwumanowy Metoda dwumanowa opsana przez J.Coxa, S.Rossa M.Rubnstena, chocaż opera sę na tych samych co model Blacka-Scholesa założenach, czyl na raku możlwośc arbtrażu o utworzenu portfela replkującego, pozwala na wększą elastyczność w modelowanu. Jest to bowem metoda dyskretna, w której czas do wygaśnęca opcj podzelony jest na okresy (stąd może ona dotyczyć równeż opcj amerykańskch) zakłada, że w każdym z tych okresów aktualna wartość aktywa bazowego zmena sę skokowo w procese dwumanowym, tzn. od wartośc V rośne do uv z prawdopodobeństwem q lub spada do dv z prawdopodobeństwem - q. Wartość u d są czynnkam odpowedno wzrostu spadku wartośc aktywa bazowego, gdze u=/d. Aby unknąć arbtrażu, mus być spełnony warunek u>+rf>d, gdze rf jest stopą wolną od ryzyka.
21 Źródło: Rogowsk W.: Opcje realne w przedsęwzęcach nwestycyjnych Ofcyna Wydawncza SGH. Warszawa 2008 Ttle of the presentaton Date # Dla opcj europejskch w marę zmnejszena sę długośc okresów, w których zmena sę wartość aktywa (np.. Z okresu rocznego do okresu dnowego), wartość opcj zblża sę do wartośc wyznaczonej przy pomocy metody cągłej ostateczne jej lmtem jest wynk otrzymany z równana Black-Scholes. Drzewo dwumanowe, przedstawone na rysunku, obrazuje rozkład wartośc V w dyskretnym ujęcu czasowym. Wartość aktywa bazowego V w danym czase zależy zatem od czynnka wzrostu u oraz czynnka spadku d.
22 Warto dodać, że w przypadku utraty wartośc aktywa należy uwzględnć w powyższym drzewe efekt dywdendy, W momence, w którym nkasowany jest przepływ (CF) wartość aktywa bazowego mus być zredukowana o tę wartość. V(t))=V(t)-CF(t), gdze V(t)* jest wartoścą aktywa bazowego w czase t po korekce wartośc aktywa bazowego V(t) w czase t o efekt dywdendy CF(t). Proces ten powtarzamy dla każdego punktu czasowego na drzewe wartośc aktywa bazowego, kedy to efekt dywdendy występuje. Źródło: Rogowsk W.: Opcje realne w przedsęwzęcach nwestycyjnych Ofcyna Wydawncza SGH. Warszawa 2008
23 Źródło: Rogowsk W.: Opcje realne w przedsęwzęcach nwestycyjnych Ofcyna Wydawncza SGH. Warszawa 2008 Ttle of the presentaton Date # u 4 V u 3 V u 2 V u 3 dv uv u 2 dv u V udv 2 d 2 V dv ud 2 V d 2 V ud 3 V d 3 V d 4 V Schemat ewolucj aktywa bazowego u 5 V u 4 dv u 3 d 2 V u 2 d 3 V ud 4 V d 5 V
24 t r d u t r d u t r f f f e P q P q P e C q C q C d u d e q ) ( ) ( Źródło: Rogowsk W.: Opcje realne w przedsęwzęcach nwestycyjnych Ofcyna Wydawncza SGH. Warszawa 2008
25 Źródło: Samuelson W.F., Marks S.G.: Ekonoma Menadżerska. PWE. Warszawa 998 Ttle of the presentaton Date # Metoda oparta o drzewa decyzyjne Przykład: Prace nad lekem przecwzakrzepowym Frma farmaceutyczna mus dokonać wyboru jednej z dwóch konkurencyjnych metod prowadzena prac badawczo-rozwojowych. Zysk rozkład prawdopodobeństwa zwązane z zastosowanem tych metod są następujące:
26 Źródło: Samuelson W.F., Marks S.G.: Ekonoma Menadżerska. PWE. Warszawa 998 Ttle of the presentaton Date # Metoda Welkość nakładów (w mld dol.) Wynk Zysk ( w mln dol.; bez uwzględnena wydatków na B+R) Prawdopodobeństwo Bochemczna 0 Duży sukces Umarkowany sukces ,7 0,3 Bogenetyczna 20 Sukces Nepowodzene ,2 0,8
27 Inwestując w równoczesne badana nad obema metodam, przedsęborstwo Ttle of the presentaton osąga Date # oczekwany zysk równy 72,4 mln dol. Wynk przedstawone w mln dol. 72,4 Sukces obu programów 0,4 70 Sukces tylko metody bogenetycznej 0,06 Bochemczna Bogenetyczna 70 Bogenetyczna Bochemczna ,56 0,24 Źródło: Samuelson W.F., Marks S.G.: Ekonoma Menadżerska. PWE. Warszawa 998 Sukces tylko metody bochemcznej Fasko obu programów 60 20
28 Sekwencyjny program B+R: najperw metoda bochemczna. Ttle of the presentaton Wynk Date # przedstawone w mln dol. Sukces metody bochemcznej Rozpoczęce od metody bochemcznej 72,4 Wdrożene metody bochemcznej 0,7 Fasko metody bochemcznej Wdrożene metody bochemcznej 0,3 Źródło: Samuelson W.F., Marks S.G.: Ekonoma Menadżerska. PWE. Warszawa 998 Badana nad metodą bogenetyczną Badana nad metodą bogenetyczną Sukces metody bogenetycznej 0,2 0,8 Fasko metody bogenetycznej Sukces metody bogenetycznej 0,2 0,8 Fasko metody bogenetycznej
29 Sekwencyjny program B+R: najperw metoda bogenetyczna. Rozpoczynając program badań od metody bogenetycznej ( jeżel zajdze taka potrzeba przechodząc następne do metody bochemcznej), frma farmaceutyczna maksymalzuje swój oczekwany zysk. Wynk przedstawono w mln dol. Rozpoczęce od metody bogenetycznej Sukces metody bogenetycznej 74,4 0,2 0,8 Fasko metody bogenetycznej 80 Podjęce badań nad metodą bochemczną 48 Nepodjęce badań Ttle of the presentaton Date # Ulepszene metody bochemcznej 48 0,7 0,3 Brak ulepszeń metody bochemcznej Źródło: Samuelson W.F., Marks S.G.: Ekonoma Menadżerska. PWE. Warszawa 998
30 Źródło: Samuelson W.F., Marks S.G.: Ekonoma Menadżerska. PWE. Warszawa 998 Zestawene warantów wyboru frmy farmaceutycznej w dzedzne B+R. Wynk przedstawono w mln dol. Ttle of the presentaton Date # Ne nwestować Badana nad metodą bochemczną Badana nad metodą bogenetyczną Program równoczesnych B+R Sekwencyjny program B+R: najperw metoda bochemczna Sekwencyjny program B+R: najperw metoda bogenetyczna ,4 72,4 74,4
31 Lnowy model regresj welu zmennych Y 0 X 2 X 2... k X k Y zmenna objaśnana X k zmenne objaśnające β 0 β β k neznane parametry strukturalne modelu ε - składnk losowy k numeruje kolejne zmenne objaśnające
32 Metoda najmnejszych kwadratów opera sę na koncepcj poszukwana takch wartośc b 0 b b k parametrów strukturalnych β 0, β β k przy których suma kwadratów reszt osąga mnmum n n Y Y e SSE 2 2 ) ˆ ( n X b X b b Y ) ( mn n e 2
33 Weryfkacja modelu ekonometrycznego. Badane dopasowana modelu do danych obserwowanych współczynnk determnacj współczynnk zbeżnośc współczynnk zmennośc losowej 2. Badane stotnośc parametrów strukturalnych β test t-studenta test F 3. Badane własnośc odchyleń losowych losowość składnka losowego normalność rozkładu składnka losowego jednorodność warancj składnka losowego autokorelacja składnka losowego
34 Ogólnym modelem opsującym stacjonarny proces stochastyczny jest model ARMA (p.q). Model ARMA procesu stochastycznego Yt ma postać: q q p p q t q t t p t p t t t t u u u B u u u A gdze Y Y Y u B Y u A... ) (... ) ( lub ) ( ) ( Jest operatorem autoregresj rzędu p Jest operatorem średnej ruchomej rzędu q t jest procesem bałego szumu
35 Uogólnonym modelem ARCH, czyl modelem GARCH, jest: y T t x t t q p 2 0 t h t h gdze oznaczena zmennych parametrów jak w równanach w celu zapewnena dodatnośc warunkowej warancj zakłada sę ponadto: 0 >0 0 0 grance sumowana q p wyznaczają stopeń modelu GARCH, mówmy o modelu GARCH(q, p) stacjonarność procesu (tj. skończoność bezwarunkowej warancj) opsanego modelem GARCH(q,p) jest zapewnona jeśl spełnony jest q p warunek Warancja bezwarunkowa dana jest wzorem: 2 t
Metody zarządzania ryzykiem finansowym w projektach innowacyjnych przedsięwzięć symulacja Monte Carlo i opcje realne
Metody zarządzania ryzykiem finansowym w projektach innowacyjnych przedsięwzięć symulacja Monte Carlo i opcje realne dr Tomasz Krawczyk 1 Co to jest ryzyko? Ryzyko jest to potencjalny stopień zagrożenia
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoDr inż. Robert Smusz Politechnika Rzeszowska im. I. Łukasiewicza Wydział Budowy Maszyn i Lotnictwa Katedra Termodynamiki
Dr nż. Robert Smusz Poltechnka Rzeszowska m. I. Łukasewcza Wydzał Budowy Maszyn Lotnctwa Katedra Termodynamk Projekt jest współfnansowany w ramach programu polskej pomocy zagrancznej Mnsterstwa Spraw Zagrancznych
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowo-ignorowanie zmiennej wartości pieniądza w czasie, -niemoŝność porównywania projektów o róŝnych klasach ryzyka.
Podstawy oceny ekonomcznej przedsęwzęć termo-modernzacyjnych modernzacyjnych -Proste (statyczne)-spb (prosty czas zwrotu nakładów nwestycyjnych) -ZłoŜone (dynamczne)-dpb, NPV, IRR,PI Cechy metod statycznych:
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoFunkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3
Stansław Cchock Natala Nehrebecka Katarzyna Rosak-Lada Zajęca 3 1. Dobrod dopasowana równana regresj. Współczynnk determnacj R 2 Dekompozycja warancj zmennej zależnej Współczynnk determnacj R 2 2. Zmenne
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoWspółczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych
Współcznnk korelacj lnowej oraz funkcja regresj lnowej dwóch zmennch S S r, cov współcznnk determnacj R r Współcznnk ndetermnacj ϕ r Zarówno współcznnk determnacj jak ndetermnacj po przemnożenu przez 00
Bardziej szczegółowoDobór zmiennych objaśniających
Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.
Bardziej szczegółowoMikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wkład wstępn. Teora prawdopodobeństwa element kombnatork. Zmenne losowe ch rozkład 3. Populacje prób danch, estmacja parametrów 4. Testowane hpotez statstcznch 5. Test parametrczne
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowo0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4
Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (
Bardziej szczegółowoStatystyka Inżynierska
Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoEgzamin ze statystyki/ Studia Licencjackie Stacjonarne/ Termin I /czerwiec 2010
Egzamn ze statystyk/ Studa Lcencjacke Stacjonarne/ Termn /czerwec 2010 Uwaga: Przy rozwązywanu zadań, jeśl to koneczne, naleŝy przyjąć pozom stotnośc 0,01 współczynnk ufnośc 0,99 Zadane 1 PonŜsze zestawene
Bardziej szczegółowoANALIZA OPCJI ANALIZA OPCJI - WYCENA. Krzysztof Jajuga Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Uniwersytet Ekonomiczny we Wrocławiu
Krzysztof Jajuga Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Uniwersytet Ekonomiczny we Wrocławiu Podstawowe pojęcia Opcja: in-the-money (ITM call: wartość instrumentu podstawowego > cena wykonania
Bardziej szczegółowoRozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1
Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoArytmetyka finansowa Wykład z dnia 30.04.2013
Arytmetyka fnansowa Wykła z na 30042013 Wesław Krakowak W tym rozzale bęzemy baać wartość aktualną rent pewnych, W szczególnośc, wartość obecną renty, a równeż wartość końcową Do wartośc końcowej renty
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoModel ASAD. ceny i płace mogą ulegać zmianom (w odróżnieniu od poprzednio omawianych modeli)
Model odstawowe założena modelu: ceny płace mogą ulegać zmanom (w odróżnenu od poprzedno omawanych model) punktem odnesena analzy jest obserwacja pozomu produkcj cen (a ne stopy procentowej jak w modelu
Bardziej szczegółowoEKONOMETRIA I Spotkanie 1, dn. 05.10.2010
EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra
Bardziej szczegółowody dx stąd w przybliżeniu: y
Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoPortfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Bardziej szczegółowoZadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane
Bardziej szczegółowo= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału
5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B
Bardziej szczegółowoAnaliza ryzyka jako instrument zarządzania środowiskiem
WARSZTATY 2003 z cyklu Zagrożena naturalne w górnctwe Mat. Symp. str. 461 466 Elżbeta PILECKA, Małgorzata SZCZEPAŃSKA Instytut Gospodark Surowcam Mneralnym Energą PAN, Kraków Analza ryzyka jako nstrument
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3 Szereg
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoWERYFIKACJA EKONOMETRYCZNA MODELU CAPM II RODZAJU DLA RÓŻNYCH HORYZONTÓW STÓP ZWROTU I PORTFELI RYNKOWYCH
SCRIPTA COMENIANA LESNENSIA PWSZ m. J. A. Komeńskego w Leszne R o k 0 0 8, n r 6 TOMASZ ŚWIST* WERYFIKACJA EKONOMETRYCZNA MODELU CAPM II RODZAJU DLA RÓŻNYCH HORYZONTÓW STÓP ZWROTU I PORTFELI RYNKOWYCH
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 3 Szereg czasowy jes pojedynczą realzacją pewnego
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Bardziej szczegółowoMatematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXVIII Egzamin dla Aktuariuszy z 29 września 2014 r.
Komsa Egzamnacyna dla Aktuaruszy LXVIII Egzamn dla Aktuaruszy z 29 wrześna 14 r. Część I Matematyka fnansowa WERSJA TESTU A Imę nazwsko osoby egzamnowane:... Czas egzamnu: 0 mnut 1 1. W chwl T 0 frma ABC
Bardziej szczegółowoBadanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej
Badane współzaleŝnośc dwóch cech loścowych X Y. Analza korelacj prostej Badane zaleŝnośc dwóch cech loścowych. Analza regresj prostej Kody znaków: Ŝółte wyróŝnene nowe pojęce czerwony uwaga kursywa komentarz
Bardziej szczegółowoMarkowa. ZałoŜenia schematu Gaussa-
ZałoŜena scheatu Gaussa- Markowa I. Model jest nezennczy ze względu na obserwacje: f f f3... fl f, czyl y f (x, ε) II. Model jest lnowy względe paraetrów. y βo + β x +ε Funkcja a być lnowa względe paraetrów
Bardziej szczegółowoRegresja liniowa i nieliniowa
Metody prognozowana: Regresja lnowa nelnowa Dr nż. Sebastan Skoczypec Zmenna losowa Zmenna losowa X zmenna, która w wynku pewnego dośwadczena przyjmuje z pewnym prawdopodobeństwem wartość z określonego
Bardziej szczegółowoBiznes plan innowacyjnego przedsięwzięcia
Biznes plan innowacyjnego przedsięwzięcia 1 Co to jest biznesplan? Biznes plan można zdefiniować jako długofalowy i kompleksowy plan działalności organizacji gospodarczej lub realizacji przedsięwzięcia
Bardziej szczegółowoBiznes plan innowacyjnego przedsięwzięcia
Biznes plan innowacyjnego przedsięwzięcia DELab UW Enterprise Europe Network ul. Dobra 56/66, 00-312 Warszawa tel. +48 (22) 55 27 606 delab.uw.edu.pl een@uw.edu.pl 1 Model biznesowy i innowacje BADANIA
Bardziej szczegółowoNatalia Nehrebecka. Dariusz Szymański
Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowo8. Optymalizacja decyzji inwestycyjnych
dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoRyzyko inwestycji. Ryzyko jest to niebezpieczeństwo niezrealizowania celu, założonego przy podejmowaniu określonej decyzji. 3.
PZEDMIIOT : EFEKTYWNOŚĆ SYSTEMÓW IINFOMTYCZNYCH 3. 3. Istota, defncje rodzaje ryzyka Elementem towarzyszącym każdej decyzj, w tym decyzj nwestycyjnej, jest ryzyko. Wynka to z faktu, że decyzje operają
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej szczegółowor. Komunikat TFI PZU SA w sprawie zmiany statutu PZU Funduszu Inwestycyjnego Otwartego Parasolowego
02.07.2018 r. Komunkat TFI PZU SA w sprawe zmany statutu PZU Funduszu Inwestycyjnego Otwartego Parasolowego Towarzystwo Funduszy Inwestycyjnych PZU Spółka Akcyjna, dzałając na podstawe art. 24 ust. 5 ustawy
Bardziej szczegółowoRegulamin promocji 14 wiosna
promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30
Bardziej szczegółowoAnaliza zależności zmiennych ilościowych korelacja i regresja
Analza zależnośc zmennych loścowych korelacja regresja JERZY STEFANOWSKI Instytut Informatyk Poltechnka Poznańska Plan wykładu 1. Lnowa zależność mędzy dwoma zmennym: Prosta regresja Metoda najmnejszych
Bardziej szczegółowoDywersyfikacja portfela poprzez inwestycje alternatywne. Prowadzący: Jerzy Nikorowski, Superfund TFI.
Dywersyfkacja ortfela orzez nwestycje alternatywne. Prowadzący: Jerzy Nkorowsk, Suerfund TFI. Część I. 1) Czym jest dywersyfkacja Jest to technka zarządzana ryzykem nwestycyjnym, która zakłada osadane
Bardziej szczegółowoCAPM i APT. Ekonometria finansowa
CAPM APT Ekonometra fnansowa 1 Lteratura Elton, Gruber, Brown, Goetzmann (2007) Modern portfolo theory and nvestment analyss, John Wley and Sons. (rozdz. 13-16 [, 5, 7]) Campbell, Lo, MacKnlay (1997) The
Bardziej szczegółowoPLANOWANIE I OCENA PRZEDSIĘWZIĘĆ INWESTYCYJNYCH
Mariusz Próchniak Katedra Ekonomii II, SGH PLANOWANIE I OCENA PRZEDSIĘWZIĘĆ INWESTYCYJNYCH Ekonomia menedżerska 1 2 Wartość przyszła (FV future value) r roczna stopa procentowa B kwota pieniędzy, którą
Bardziej szczegółowo5. OPTYMALIZACJA GRAFOWO-SIECIOWA
. OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,
Bardziej szczegółowoOpcje - wprowadzenie. Mała powtórka: instrumenty liniowe. Anna Chmielewska, SGH,
Opcje - wprowadzenie Mała powtórka: instrumenty liniowe Punkt odniesienia dla rozliczania transakcji terminowej forward: ustalony wcześniej kurs terminowy. W dniu rozliczenia transakcji terminowej forward:
Bardziej szczegółowoRozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Bardziej szczegółowoNieparametryczne Testy Istotności
Neparametryczne Testy Istotnośc Wzory Neparametryczne testy stotnośc schemat postępowana punkt po punkce Formułujemy hpotezę główną odnoszącą sę do: zgodnośc populacj generalnej z jakmś rozkładem, lub:
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoProste modele ze złożonym zachowaniem czyli o chaosie
Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok
Bardziej szczegółowoMikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Jak analzować dane o charakterze uporządkowanym? Dane o charakterze uporządkowanym Wybór jednej z welkośc na uporządkowanej skal Skala ne ma nterpretacj
Bardziej szczegółowoEKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia
EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnena dr Dorota Cołek Katedra Ekonometr Wydzał Zarządzana UG http://wzr.pl/dorota-colek/ dorota.colek@ug.edu.pl 1 Wpływ skalowana danych na MNK
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoRegulamin promocji upalne lato 2014 2.0
upalne lato 2014 2.0 strona 1/5 Regulamn promocj upalne lato 2014 2.0 1. Organzatorem promocj upalne lato 2014 2.0, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa
Bardziej szczegółowoPAŃSTWOWA WYŻSZA SZKOŁA ZAWODOWA W PILE INSTYTUT POLITECHNICZNY. Zakład Budowy i Eksploatacji Maszyn PRACOWNIA TERMODYNAMIKI TECHNICZNEJ INSTRUKCJA
PAŃSTWOWA WYŻSZA SZKOŁA ZAWODOWA W PILE INSTYTUT POLITECHNICZNY Zakład Budowy Eksploatacj Maszyn PRACOWNIA TERMODYNAMIKI TECHNICZNEJ INSTRUKCJA Temat ćwczena: PRAKTYCZNA REALIZACJA PRZEMIANY ADIABATYCZNEJ.
Bardziej szczegółowoZarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych
dr nż Andrze Chylńsk Katedra Bankowośc Fnansów Wyższa Szkoła Menedżerska w Warszawe Zarządzane ryzykem w rzedsęborstwe ego wływ na analzę ołacalnośc rzedsęwzęć nwestycynych w w w e - f n a n s e c o m
Bardziej szczegółowoMatematyka finansowa r.
. Sprawdź, tóre z ponższych zależnośc są prawdzwe: () = n n a s v d v d d v v d () n n m ) ( n m ) ( v a d s ) m ( = + & & () + = = + = )! ( ) ( δ Odpowedź: A. tylo () B. tylo () C. tylo () oraz () D.
Bardziej szczegółowoTEORIA PORTFELA MARKOWITZA
TEORIA PORTFELA MARKOWITZA Izabela Balwerz 28 maj 2008 1 Wstęp Teora portfela została stworzona w 1952 roku przez amerykańskego ekonomstę Harry go Markowtza Opera sę ona na mnmalzacj ryzyka nwestycyjnego
Bardziej szczegółowoSystem Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik
Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowoRegulamin promocji zimowa piętnastka
zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna
Bardziej szczegółowoZa: Stanisław Latoś, Niwelacja trygonometryczna, [w:] Ćwiczenia z geodezji II [red.] J. Beluch
Za: Stansław Latoś, Nwelacja trygonometryczna, [w:] Ćwczena z geodezj II [red.] J. eluch 6.1. Ogólne zasady nwelacj trygonometrycznej. Wprowadzene Nwelacja trygonometryczna, zwana równeż trygonometrycznym
Bardziej szczegółowoWycena equity derivatives notowanych na GPW w obliczu wysokiego ryzyka dywidendy
Instrumenty pochodne 2014 Wycena equity derivatives notowanych na GPW w obliczu wysokiego ryzyka dywidendy Jerzy Dzieża, WMS, AGH Kraków 28 maja 2014 (Instrumenty pochodne 2014 ) Wycena equity derivatives
Bardziej szczegółowoWycena papierów wartościowych - instrumenty pochodne
Matematyka finansowa - 8 Wycena papierów wartościowych - instrumenty pochodne W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,
Bardziej szczegółowoMikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Wybór uporządkowany Wybór uporządkowany (ang. ordered choce) Wybór jednej z welkośc na podanej skal Skala wartośc są uporządkowane Przykłady: Oceny konsumencke
Bardziej szczegółowoWPROWADZENIE DO ANALIZY KORELACJI I REGRESJI
WPROWADZENIE DO ANALIZY KORELACJI I REGRESJI dr Janusz Wątroba, StatSoft Polska Sp. z o.o. Prezentowany artykuł pośwęcony jest wybranym zagadnenom analzy korelacj regresj. Po przedstawenu najważnejszych
Bardziej szczegółowoMatematyka finansowa 05.12.2005 r. Komisja Egzaminacyjna dla Aktuariuszy. XXXVII Egzamin dla Aktuariuszy z 5 grudnia 2005 r.
Komisja Egzaminacyjna dla Aktuariuszy XXXVII Egzamin dla Aktuariuszy z 5 grudnia 2005 r. Część I Matematyka finansowa Imię i nazwisko osoby egzaminowanej:... WERSJA TESTU A Czas egzaminu: 100 minut 1 1.
Bardziej szczegółowoMikroekonometria 15. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 15 Mkołaj Czajkowsk Wktor Budzńsk Mkroekonometra podsumowane kursu Zagadnena ogólne NLOGIT Metoda maksymalzacj funkcj ML Testy statystyczne Metody numeryczne, symulacje Metody wyceny nerynkowej
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Bardziej szczegółowoJego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację.
Wrażlwość oblgacj Jedym z czyków ryzyka westowaa w oblgacje jest zmeość rykowych stóp procetowych. Iżyera fasowa dyspouje metodam pozwalającym zabezpeczyć portfel przed egatywym skutkam zma stóp procetowych.
Bardziej szczegółowoNAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz
NAFTA-GAZ marzec 2011 ROK LXVII Tadeusz Kwlosz Instytut Nafty Gazu, Oddzał Krosno Zastosowane metody statystycznej do oszacowana zapasu strategcznego PMG, z uwzględnenem nepewnośc wyznaczena parametrów
Bardziej szczegółowoFINANSOWE SZEREGI CZASOWE WYKŁAD 3
FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).
Bardziej szczegółowoModel ISLM. Inwestycje - w modelu ISLM przyjmujemy, że inwestycje przyjmują postać funkcji liniowej:
dr Bartłomej Rokck Ćwczena z Makroekonom I Model ISLM Podstawowe założena modelu: penądz odgrywa ważną rolę przy determnowanu pozomu dochodu zatrudnena nwestycje ne mają charakteru autonomcznego, a ch
Bardziej szczegółowoBADANIE STABILNOŚCI WSPÓŁCZYNNIKA BETA AKCJI INDEKSU WIG20
Darusz Letkowsk Unwersytet Łódzk BADANIE STABILNOŚCI WSPÓŁCZYNNIKA BETA AKCJI INDEKSU WIG0 Wprowadzene Teora wyboru efektywnego portfela nwestycyjnego zaproponowana przez H. Markowtza oraz jej rozwnęca
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej
Bardziej szczegółowo