Modele wielorównaniowe. Problem identykacji

Wielkość: px
Rozpocząć pokaz od strony:

Download "Modele wielorównaniowe. Problem identykacji"

Transkrypt

1 Moele wielorównaniowe. Problem ientykacji Anrzej Torój 4 grunia Specykacja moelu Estymacja Ientykacja parametrów postaci strukturalnej y t A + x t B ε t y t x t ( ) BA + ε t A {{ BA Π Π v t posta strukturalna posta zreukowana posta strukturalna Elementy macierzy B i A nie zawsze mo»na zientykowa na postawie macierzy Π. Z czego wynika ewentualny brak tej mo»liwo±ci i po jakimi warunkami ientykacja jest mo»liwa? Przykªay:. Rozwa»my moel konkurencyjnego rynku pozostaj cego w równowaze, skªaaj cy si ze stochastycznych równa«popytu i poa»y oraz to»samo±ci b cej warunkiem równowagi: t α α p t + ε t β + β p t + ε t ( q t ) gzie - popyt, s - poa», α, β >, α > β. Zmienne enogeniczne to q t i p t. Po uwzgl nieniu to»samo±ci zapisujemy posta strukturaln : { q t + α p t α ε t q t β p t β ε α β + α β ε t ε Posta zreukowana: α β + ε α β t ε π π + v v α β

2 π π Rozwa»my α β α β α β α β αβ +β α α β α +β α +β 4 oraz α β α β. Oba wektory mogªyby wynika z oszacowania wektora parametrów postaci zreukowanej strukturalnej nie jest ientykowalny. 5 α +β α β β α π 3 π. aen z parametrów postaci. Równanie popytu w tym samym moelu uzupeªniamy o ochó rozporz zalny konsumentów y t z parametrem α. t α α p t + α y t + ε t β + β p t + ε t ( q t ) Posta strukturalna: { q t + α p t α α y t ε t q t β p t β ε + α y β α β t α ε t ε Posta zreukowana: α β yt + ε α α β t ε π y π t + v π π v α β π π π π α β α α β αβ +β α α β α +β α +β α β α α +β α +β Po rozszerzeniu specykacji parametry równania poa»y staªy si ientykowalne: β π π α β ( β ) α + β {{ π π π + α β + β α α + β {{ π β

3 π π Niech β i β : π π α 5 jak i la α 6 α+α α + α α +, speªniona jest równo± Π α 4 wci» s zatem nieientykowalne. α α + α α +. Zarówno la α α α 3,. Parametry równania popytu 3. Równanie poa»y z przykªau uzupeªniamy o zasób kapitaªu w±ró proucentów na rozwa»anym rynku: t α α p t + α y t + ε t β + β p t + β r t + ε t ( q t ) Posta strukturalna: Posta zreukowana: α β { q t + α p t α α y t ε t q t β p t β β r t ε + y t r t α β α β ε t ε α β y t r t α + ε α β β t ε 3 3 π π y t r t π π + v v π 3 π 3 α β π π π π π 3 π 3 α β α β α β α β +β α α β α +β α +β α β α α +β α +β α β β α +β α +β β i β ustalamy jak wcze±niej. 3

4 α π3 π 3 β β α + β {{ α + β π 3 π π π 3 π 3 α α α + β {{ α + β π 3 π π π 3 π α α β α + α α + α π 3 π π 3 + β f(π) α πα+β π Po rozszerzeniu specykacji równie» parametry równania popytu staªy si ientykowalne. q (α,α ) s(β,β ) (α,α ) s(β,β ) (α,α,α y ) q (α,α, α y ) (α,α, α y ) s(β,β ) (α,α,α y ) p p q s(β,β,β r ) (α,α, α y ) (α,α, α y ) s(β,β,β r ) p Wnioski:. Brak ientykowalno±ci parametrów postaci strukturalnej wynika ze specykacji moelu. 4

5 . Nie jest to w szczególno±ci efekt zbyt krótkiej próby czy bª ów w procesie estymacji. 3. Brak ientykowalno±ci parametrów postaci strukturalnej nie musi oznacza,»e moel jest zªy; oznacza jeynie,»e na gruncie ost pnych anych nie jest mo»liwe ustalenie warto±ci poszczególnych jego parametrów. Ewentualny brak ientykowalno±ci otyczy wszystkich parametrów anego równania (por. przykªay,, 3). St mówimy o ientykowalno±ci równa«, a gy wszystkie równania s ientykowalne - o ientykowalno±ci moelu. Ogólnie: Liczba parametrów postaci strukturalnej Σ ε;m M symetryczna A M M B {{ K M {{ M + KM + M (M + ) Ró»nica wynosi maksymalnie M. Liczba parametrów postaci zreukowanej Σ v;m M symetryczna Π K M {{ KM + M (M + ) W przykªazie 3 osi gni cie ientykowalno±ci wymagaªo przyj cia M 4 oatkowych zaªo»e«:. o normalizacji ze wzgl u na zmienn q t w pierwszym i rugim równaniu, st A i A ;. o wykluczeniu niektórych zmiennych z niektórych równa«, st B i B 3. Posta strukturalna: y t A + x t B ε t, A M M, B K M, M zmiennych enogenicznych (o warto±ciach la t w poziomym wektorze y t ), K zmiennych egzogenicznych (o warto±ciach la t w poziomym wektorze x t ). j-te równanie postaci strukturalnej: y t A :,j + x t B :,j ε j,t, gzie A :,j, B :,j to j-ta kolumna macierzy opowienio A i B. Ze wzgl u na normalizacj w równaniu j oraz wykluczenie niektórych zmiennych z tego równania klasykujemy jego zmienne i wªa±ciwe im parametry: Zmienne Oznaczenie Rozaj Liczba Parametry y j zmienna obja±niania w równaniu j, wzgl em niej normalizacja Enogeniczne Ỹ j zmienne wyst puj ce w równaniu j jako M j à :,j zmienne obja±niaj ce Ỹ j zmienne nie wyst puj ce w równaniu j M j à :,j jako zmienne obja±niaj ce Egzogeniczne Xj zmienne wyst puj ce w równaniu j jako K j B:,j zmienne obja±niaj ce X j zmienne nie wyst puj ce w równaniu j jako zmienne obja±niaj ce K j B:,j Moel w postaci zreukowanej: yj,t ỹ j,t ỹ j,t xj,t x j,t y t x t {{ j M j {{ D () M j {{ D () K j j D (3) D (4) Kj Π 5 + v j,t ṽ j,t ṽj,t {{ v t

6 Poniewa» Π BA czyli ΠA B, la j-tej kolumny macierzy A i B mo»emy zapisa : ΠA :,j B :,j j D () D () j D (3) D (4) Ã :,j B:,j St : { j + D () Ã :,j B :,j j + D (3) Ã :,j K j rownan Kj rownan z M j parametrami { D (3) Ã :,j j Kj rownan z M j niewiaomymi ( ) B :,j j D () Ã :,j wzor na pozostale K j parametrow Dla ka»ego równania ( j ) mo»liwe s nast puj ce przypaki:. K j < M j niesko«czenie wiele rozwi za«, parametry postaci strukturalnej równania j nie s ientykowalne;. K j M j okªanie jeno rozwi zanie, ientykowalno± jenoznaczna; 3. Wniosek: K j > M j ientykowalno± namierna, mo»na testowa czy sprzeczno±ci s istotne statystycznie. Warunkiem koniecznym ientykowalno±ci równania j jest Kj M j, tzn. by liczba zmiennych egzogenicznych nie wyst puj cych w tym równaniu byª przynajmniej taka, jak liczba zmiennych enogenicznych wyst puj cych w tym równaniu jako zmienne obja±niaj ce. Przykªay (c..):.. 3. K < M brak ientykowalno±ci równania K < M brak ientykowalno±ci równania K < M brak ientykowalno±ci równania K M równanie jest ientykowalne K M równanie jest ientykowalne K M równanie jest ientykowalne Fakt: Warunek konieczny ientykowalno±ci jest speªniony la wszystkich równa«moelu, je»eli w ka»ym z nich wyst puje wªasna, unikalna zmienna egzogeniczna. Warunkiem wystarczaj cym istnienia jenoznacznego rozwi zania ukªau równa«( ) jest nie tylko K j M j, lecz równie» peªen rz kolumnowy (liniowa niezale»no± wszystkich kolumn) macierzy D (3) : 6

7 ( r D (3)) M j Wniosek: warunek wystarczaj cy ientykowalno±ci j-tego równania zawiera w sobie warunek konieczny, bowiem przy Kj < M j liczba wierszy macierzy D (3) jest ni»sza o liczby kolumn, a taka macierz nie mo»e mie M j kolumn liniowo niezale»nych. W praktyce speªnienie warunku koniecznego mo»na równie» baa korzystaj c z nast puj cej metoy:. Zapisujemy parametry postaci strukturalnej (tzn. takiej, w której wszystkie zmienne z parametrami s po jenej stronie znaku równo±ci) w tabeli, w której wiersze opowiaaj zmiennym enogenicznym (równaniom), a kolumny - wszystkim zmiennym w moelu (parametry przyporz kowujemy tym zmiennym).. W celu sprawzenia ientykowalno±ci parametrów j-tego równania wykre±lamy z tabeli: (a) wiersz opowiaaj cy temu równaniu (j); (b) kolumny opowiaaj ce zmiennym, które s w tym równaniu (y j,t, ỹ j,t, x j,t ). 3. Sprawzamy, czy macierz parametrów, która pozostaªa po wykre±leniach, ma tyle liniowo niezale»nych kolumn, ile wierszy. Przykªay (c..) t α α p t + ε t β + β p t + ε t t α α p t + α y t + ε t β + β p t + ε t t p t α - α β - β - t p t y t α - α α β - β - la równania :, la równania : wiersze > wektor - brak ientykowalno±ci obu równa«la równania : wiersze > wektor - brak ientykowalno±ci; la α równania : wektory liniowo niezale»ne - równanie ientykowalne 3 t α α p t + α y t + ε t β + β p t + β r t + ε t t p t y t r t α - α α β - β β - β la równania :, α la równania :, wektory liniowo niezale»ne - oba równania ientykowalne Restrykcje nakªaane na parametry stochastyczne: 7

8 W ogólnym przypaku symetryczna macierz wariancji-kowariancji wektora skªaników losowych postaci strukturalnej Cov (ε) E ( ε T ε ) Σ ε zawiera M (M + ) ró»nych elementów, poobnie jak mo»liwa o oszacowania macierz wariancji-kowariancji wektora skªaników losowych postaci zreukowanej Cov (v) E ( v T v ) ( (εa E ) T ( )) ( εa (A E ) ) T ε T εa ( ) A T Σε A Σ v. Zaªo»enie o wzajemnej niezale»no±ci skªaników losowych postaci strukturalnej pozwala umie±ci zera na M (M + ) M nieiagonalnych miejscach macierzy Σ ε, co mo»e pozwoli wykorzysta równanie ( A ) T Σε A Σ v w procesie ientykacji elementów macierzy A. σ. Przykªa (c..). Zaªó»my,»e Σ ε σs. Wówczas β σ β Σ v σ v,, σv,,. σv,, ( A ) T Σε A ( ) β σ + α σs β σ α σs α +β. σ + σ s α +β α +β α α +β α +β σ s α +β α α +β α +β α +β z 3 równo±ci wykorzystujemy o ustalenia σ oraz σ s, trzecia za± ustanawia zale»no± mi zy α a β. Ta zale»no± oraz wie równo±ci π... i π... (por. wcze±niej) to wci» za maªo, by zientykowa 4 parametry postaci strukturalnej. σ. Przykªa (c..). Wykorzystajmy zaªo»enie Σ ε σs w rugim moelu. Po uwzgl nieniu trzeciej zale»no±ci miezy α i β mo»emy zientykowa 3 parametry równania popytu na postawie 3 równa«. Zaªó»my,»e wyniki estymacji parametrów postaci zreukowanej moelu uzupeªnimy o wyniki estymacji wariancji-kowariancji wektora skªaników losowych postaci zreukowanej v t : σ Σ v v,, σv,, ( ). σv,, β σ + α σs β σ α σs α +β. σ +. Zgonie z otychczasowymi ustaleniami, β i β. Mo»emy zatem zapisa 3 oatkowe równania: σ s ( σv,, (4σ ) α +) + ασ s ( σv,, (σ ) α +) α σs ( σv,, ) (σ α +) + σs Wyznaczamy z ostatniego równania σs i postawiamy o pozostaªych wóch: ( σv,, α α + ) ( 4σ + α ( σ v,, (α + ) σ )) ( (4 ) α +) α σ + ασ v,, +α σ + α σv,, ( ) ( ( )) ( σv,, α + σ α σv,, (α + ) σ α +) ( + α ) σ α σv,, +α σ α σv,, Z ukªau mo»na wyrugowa σ : σv,, ασ v,, ( α ) ( σv,, + α σv,,) σ v,, + α σv,, α σv,, ασ v,, Po reukcji powtarzaj cych si skªaników i rozwi zaniu ze wzgl u na α otrzymujemy: α σ v,, σ v,, σ v,, σ v,, Niech (z wyników estymacji) Σ v równo±ci z przykªau pozwalaj zientykowa 8. Wówczas α 3. Pozostaªe wie 3 4 α 3 α. α

9 Do ientykowalno±ci mog te» prowazi inne, liniowe i nieliniowe restrykcje nakªaane na parametry stochastyczne i strukturalne. 9

Modele wielorównaniowe. Problem identykacji

Modele 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 szczegółowo

Modele wielorównaniowe. Estymacja parametrów

Modele 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 szczegółowo

Ekonometria - wykªad 8

Ekonometria - 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 szczegółowo

Ekonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. 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 szczegółowo

Ekonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. 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 szczegółowo

Makroekonomia Zaawansowana

Makroekonomia 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 szczegółowo

Ekonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. 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 szczegółowo

Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. 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 szczegółowo

Ekonometria - wykªad 1

Ekonometria - 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 szczegółowo

Modele wielorownaniowe

Modele wielorownaniowe Część 1. e e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e makroekonomiczne z reguły składają się z większej

Bardziej szczegółowo

1 Metody iteracyjne rozwi zywania równania f(x)=0

1 Metody iteracyjne rozwi zywania równania f(x)=0 1 Metody iteracyjne rozwi zywania równania f()=0 1.1 Metoda bisekcji Zaªó»my,»e funkcja f jest ci gªa w [a 0, b 0 ]. Pierwiastek jest w przedziale [a 0, b 0 ] gdy f(a 0 )f(b 0 ) < 0. (1) Ustalmy f(a 0

Bardziej szczegółowo

Matematyka z elementami statystyki

Matematyka 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 szczegółowo

Funkcje, wielomiany. Informacje pomocnicze

Funkcje, wielomiany. Informacje pomocnicze Funkcje, wielomiany Informacje pomocnicze Przydatne wzory: (a + b) 2 = a 2 + 2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) 3 = a 3 + 3a 2 b + 3ab 2 + b 3 (a b) 3 = a 3 3a 2 b + 3ab 2 b 3 a 2 b 2 = (a + b)(a

Bardziej szczegółowo

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6

Modele 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 szczegółowo

Wst p do ekonometrii II

Wst 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 szczegółowo

Metody 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 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 szczegółowo

1 Ró»niczka drugiego rz du i ekstrema

1 Ró»niczka drugiego rz du i ekstrema Plan Spis tre±ci 1 Pochodna cz stkowa 1 1.1 Denicja................................ 1 1.2 Przykªady............................... 2 1.3 Wªasno±ci............................... 2 1.4 Pochodne wy»szych

Bardziej szczegółowo

Legalna ±ci ga z RRI 2015/2016

Legalna ±ci ga z RRI 2015/2016 Legalna ±ci ga z RRI 205/206 Równania ró»niczkowe pierwszego rz du sprowadzalne do równa«o zmiennych rozdzielonych a) Równanie postaci: = f(ax + by + c), Równanie postaci: = f(ax + by + c), () wprowadzamy

Bardziej szczegółowo

Wykªad 6: Model logitowy

Wykªad 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 szczegółowo

Pewne algorytmy algebry liniowej Andrzej Strojnowski

Pewne algorytmy algebry liniowej Andrzej Strojnowski Pewne algorytmy algebry liniowej ndrzej Strojnowski 6 stycznia 2011 Przedstawimy tu kilka algorytmów rozwi zuj ce typowe zadania algebry liniowej Wszystkie zaprezentowane tu algorytmy polegaj na zbudowaniu

Bardziej szczegółowo

Ekstremalnie fajne równania

Ekstremalnie fajne równania Ekstremalnie fajne równania ELEMENTY RACHUNKU WARIACYJNEGO Zaczniemy od ogólnych uwag nt. rachunku wariacyjnego, który jest bardzo przydatnym narz dziem mog cym posªu»y do rozwi zywania wielu problemów

Bardziej szczegółowo

Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13

Elementarna 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 szczegółowo

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. 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 szczegółowo

I Kolokwium z Ekonometrii. Nazwisko i imi...grupa...

I Kolokwium z Ekonometrii. Nazwisko i imi...grupa... ZESTAW A1 I Kolokwium z Ekonometrii Nazwisko i imi...grupa... 1. Model teoretyczny ma posta: z t = α 0 + α 1 x t + α 2 p t + ξ t, (t = 1, 2,..., 28) (1) gdzie: z t - koszty produkcji w mln z, p t - wielko

Bardziej szczegółowo

Ekonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. 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 szczegółowo

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH

STATYSTYCZNE 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 szczegółowo

ANALIZA MATEMATYCZNA Z ALGEBR

ANALIZA MATEMATYCZNA Z ALGEBR ANALIZA MATEMATYCZNA Z ALGEBR WYKŠAD II Maªgorzata Murat MACIERZ A rzeczywist (zespolon ) o m wierszach i n kolumnach nazywamy przyporz dkowanie ka»dej uporz dkowanej parze liczb naturalnych (i, j), gdzie

Bardziej szczegółowo

Janusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych

Janusz 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 szczegółowo

Ukªady równa«liniowych

Ukªady 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 szczegółowo

Ekonometria Bayesowska

Ekonometria 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 szczegółowo

Przeksztaªcenia liniowe

Przeksztaªcenia liniowe Przeksztaªcenia liniowe Przykªady Pokaza,»e przeksztaªcenie T : R 2 R 2, postaci T (x, y) = (x + y, x 6y) jest przeksztaªceniem liniowym Sprawdzimy najpierw addytywno± przeksztaªcenia T Niech v = (x, y

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

EGZAMIN 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 szczegółowo

Funkcje wielu zmiennych

Funkcje 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 szczegółowo

det A := a 11, ( 1) 1+j a 1j det A 1j, a 11 a 12 a 21 a 22 Wn. 1 (Wyznacznik macierzy stopnia 2:). = a 11a 22 a 33 +a 12 a 23 a 31 +a 13 a 21 a 32

det A := a 11, ( 1) 1+j a 1j det A 1j, a 11 a 12 a 21 a 22 Wn. 1 (Wyznacznik macierzy stopnia 2:). = a 11a 22 a 33 +a 12 a 23 a 31 +a 13 a 21 a 32 Wyznacznik Def Wyznacznikiem macierzy kwadratowej nazywamy funkcj, która ka»dej macierzy A = (a ij ) przyporz dkowuje liczb det A zgodnie z nast puj cym schematem indukcyjnym: Dla macierzy A = (a ) stopnia

Bardziej szczegółowo

Macierze i Wyznaczniki

Macierze i Wyznaczniki Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja 1. Tablic nast puj cej postaci a 11 a 12... a 1n a 21 a 22... a 2n A =... a m1 a m2... a mn nazywamy macierz o m wierszach i n kolumnach,

Bardziej szczegółowo

1 Granice funkcji wielu zmiennych.

1 Granice funkcji wielu zmiennych. AM WNE 008/009. Odpowiedzi do zada«przygotowawczych do czwartego kolokwium. Granice funkcji wielu zmiennych. Zadanie. Zadanie. Pochodne. (a) 0, Granica nie istnieje, (c) Granica nie istnieje, (d) Granica

Bardziej szczegółowo

Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach

Liniowe 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 szczegółowo

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

ARYTMETYKA 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 szczegółowo

Metody numeryczne i statystyka dla in»ynierów

Metody 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 szczegółowo

Materiaªy do Repetytorium z matematyki

Materiaªy do Repetytorium z matematyki Materiaªy do Repetytorium z matematyki 0/0 Dziaªania na liczbach wymiernych i niewymiernych wiczenie Obliczy + 4 + 4 5. ( + ) ( 4 + 4 5). ( : ) ( : 4) 4 5 6. 7. { [ 7 4 ( 0 7) ] ( } : 5) : 0 75 ( 8) (

Bardziej szczegółowo

Lab. 02: Algorytm Schrage

Lab. 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 szczegółowo

Analiza obserwowalno±ci

Analiza obserwowalno±ci Analiza obserwowalno±ci Niech ẋ(t) = Ax(t), y(t) = Cx(t), x(0) R n gdzie A R n n oraz C R q n. Para (A, C) jest caªkowicie obserwowalna je»eli x(0) znajomo± funkcji y : [0, t f ] R q (wyj±cia obiektu)

Bardziej szczegółowo

Macierze. Dziaªania na macierzach. 1. Niech b d dane macierze , D = , C = , B = 4 12 A = , F = , G = , H = E = a) Obliczy A + B, 2A 3B,

Macierze. Dziaªania na macierzach. 1. Niech b d dane macierze , D = , C = , B = 4 12 A = , F = , G = , H = E = a) Obliczy A + B, 2A 3B, Macierze Dziaªania na macierzach Niech b d dane macierze A = E = [ 2 3 0 3 2 3 2 0 [ 0 8, B = 4 2, F = [ 2 3, C = 3 2 2 3 0 0 0 4 0 6 3 0, G =, D = 0 2 0 2 0 3 0 3 0 2 0 0 2 2 0 0 5 0 2,, H = 0 0 4 0 0

Bardziej szczegółowo

Rozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a).

Rozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a). Rozwi zania zada«z egzaminu podstawowego z Analizy matematycznej 2.3A (24/5). Rozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a). Zadanie P/4. Metod operatorow rozwi

Bardziej szczegółowo

Aproksymacja funkcji metod najmniejszych kwadratów

Aproksymacja 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 szczegółowo

In»ynierskie zastosowania statystyki wiczenia

In»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 szczegółowo

Podstawowe działania w rachunku macierzowym

Podstawowe działania w rachunku macierzowym Podstawowe działania w rachunku macierzowym Marcin Detka Katedra Informatyki Stosowanej Kielce, Wrzesień 2004 1 MACIERZE 1 1 Macierze Macierz prostokątną A o wymiarach m n (m wierszy w n kolumnach) definiujemy:

Bardziej szczegółowo

Liniowe zadania najmniejszych kwadratów

Liniowe 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 szczegółowo

Efekty przestrzenne w konwergencji polskich podregionów

Efekty przestrzenne w konwergencji polskich podregionów Efekty przestrzenne w konwergencji polskich podregionów Mikoªaj Herbst EUROREG UW Piotr Wójcik WNE UW Konferencja Ministerstwa Rozwoju Regionalnego Budowanie spójno±ci terytorialnej i przeciwdziaªanie

Bardziej szczegółowo

A = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy.

A = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy. Logika i teoria mnogo±ci, konspekt wykªad 12 Teoria mocy, cz ± II Def. 12.1 Ka»demu zbiorowi X przyporz dkowujemy oznaczany symbolem X obiekt zwany liczb kardynaln (lub moc zbioru X) w taki sposób,»e ta

Bardziej szczegółowo

1 Bª dy i arytmetyka zmiennopozycyjna

1 Bª dy i arytmetyka zmiennopozycyjna 1 Bª dy i arytmetyka zmiennopozycyjna Liczby w pami ci komputera przedstawiamy w ukªadzie dwójkowym w postaci zmiennopozycyjnej Oznacza to,»e s one postaci ±m c, 01 m < 1, c min c c max, (1) gdzie m nazywamy

Bardziej szczegółowo

Matematyka 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. 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 szczegółowo

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

ARYTMETYKA 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 szczegółowo

Macierze i Wyznaczniki

Macierze i Wyznaczniki dr Krzysztof yjewski Mechatronika; S-I.in». 5 pa¹dziernika 6 Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja. Tablic nast puj cej postaci a a... a n a a... a n A =... a m a m...

Bardziej szczegółowo

Modele wielorównaniowe (forma strukturalna)

Modele wielorównaniowe (forma strukturalna) Modele wielorównaniowe (forma strukturalna) Formę strukturalna modelu o G równaniach AY t = BX t + u t, gdzie Y t = [y 1t,..., y Gt ] X t = [x 1t,..., x Kt ] u t = [u 1t,..., u Gt ] E (u t ) = 0 Var (u

Bardziej szczegółowo

Ekonometria Bayesowska

Ekonometria 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 szczegółowo

*** Teoria popytu konsumenta *** I. Pole preferencji konsumenta 1. Przestrze«towarów 2. Relacja preferencji konsumenta 3. Optymalny koszyk towarów

*** Teoria popytu konsumenta *** I. Pole preferencji konsumenta 1. Przestrze«towarów 2. Relacja preferencji konsumenta 3. Optymalny koszyk towarów *** Teoria popytu konsumenta *** I. Pole preferencji konsumenta 1. Przestrze«towarów 2. Relacja preferencji konsumenta 3. Optymalny koszyk towarów I.1 Przestrze«towarów Podstawowe poj cia Rynek towarów

Bardziej szczegółowo

ZADANIA. Maciej Zakarczemny

ZADANIA. Maciej Zakarczemny ZADANIA Maciej Zakarczemny 2 Spis tre±ci 1 Algebra 5 2 Analiza 7 2.1 Granice iterowane, granica podwójna funkcji dwóch zmiennych....... 7 2.2 Caªki powierzchniowe zorientowane...................... 8 2.2.1

Bardziej szczegółowo

Ekonometria Bayesowska

Ekonometria 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 szczegółowo

5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

5. (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 szczegółowo

Ekonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 7 Modele nieliniowe (7) Ekonometria 1 / 19 Plan wicze«1 Nieliniowo± : co to zmienia? 2 Funkcja produkcji Cobba-Douglasa 3 Nieliniowa MNK (7) Ekonometria 2 / 19 Plan prezentacji 1 Nieliniowo±

Bardziej szczegółowo

PRZYPOMNIENIE Ka»d przestrze«wektorow V, o wymiarze dim V = n < nad ciaªem F mo»na jednoznacznie odwzorowa na przestrze«f n n-ek uporz dkowanych:

PRZYPOMNIENIE Ka»d przestrze«wektorow V, o wymiarze dim V = n < nad ciaªem F mo»na jednoznacznie odwzorowa na przestrze«f n n-ek uporz dkowanych: Plan Spis tre±ci 1 Homomorzm 1 1.1 Macierz homomorzmu....................... 2 1.2 Dziaªania............................... 3 2 Ukªady równa«6 3 Zadania 8 1 Homomorzm PRZYPOMNIENIE Ka»d przestrze«wektorow

Bardziej szczegółowo

Macierz A: macierz problemów liniowych (IIII); Macierz rozszerzona problemów liniowych (IIII): a 11 a 1m b 1 B = a n1 a nm b n

Macierz A: macierz problemów liniowych (IIII); Macierz rozszerzona problemów liniowych (IIII): a 11 a 1m b 1 B = a n1 a nm b n Plan Spis tre±ci 1 Problemy liniowe 1 2 Zadania I 3 3 Formy biliniowe 3 3.1 Odwzorowania wieloliniowe..................... 3 3.2 Formy biliniowe............................ 4 4 Formy kwadratowe 4 1 Problemy

Bardziej szczegółowo

WST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14

WST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14 WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 2013/14 Spis tre±ci 1 Kodowanie i dekodowanie 4 1.1 Kodowanie a szyfrowanie..................... 4 1.2 Podstawowe poj cia........................

Bardziej szczegółowo

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY Będziemy zapisywać wektory w postaci (,, ) albo traktując go jak macierz jednokolumnową (dzięki temu nie będzie kontrowersji przy transponowaniu wektora ) Model

Bardziej szczegółowo

czyli: Rynek nansowy znajduje si w równowadze popyt na pieni dz równy jest poda»y pieni dza (L = M).

czyli: Rynek nansowy znajduje si w równowadze popyt na pieni dz równy jest poda»y pieni dza (L = M). akroekonomia I, wiczenia 8-9 Jan Hagemejer odel IS-L Wst p Do tej pory analiza polityki gospodarczej abstraowaªa od sfery monetarnej. Analizowali±my wyª cznie polityk skaln. Co wi cej, uznawali±my,»e wszystkie

Bardziej szczegółowo

Statystyka matematyczna - ZSTA LMO

Statystyka 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 szczegółowo

2. L(a u) = al( u) dla dowolnych u U i a R. Uwaga 1. Warunki 1., 2. mo»na zast pi jednym warunkiem: L(a u + b v) = al( u) + bl( v)

2. L(a u) = al( u) dla dowolnych u U i a R. Uwaga 1. Warunki 1., 2. mo»na zast pi jednym warunkiem: L(a u + b v) = al( u) + bl( v) Przeksztaªcenia liniowe Def 1 Przeksztaªceniem liniowym (homomorzmem liniowym) rzeczywistych przestrzeni liniowych U i V nazywamy dowoln funkcj L : U V speªniaj c warunki: 1 L( u + v) = L( u) + L( v) dla

Bardziej szczegółowo

Zadania z z matematyki dla studentów gospodarki przestrzennej UŠ. Marek Majewski Aktualizacja: 31 pa¹dziernika 2006

Zadania z z matematyki dla studentów gospodarki przestrzennej UŠ. Marek Majewski Aktualizacja: 31 pa¹dziernika 2006 Zadania z z matematyki dla studentów gospodarki przestrzennej UŠ Marek Majewski Aktualizacja: 1 pa¹dziernika 006 Spis tre±ci 1 Macierze dziaªania na macierzach. Wyznaczniki 1 Macierz odwrotna. Rz d macierzy

Bardziej szczegółowo

Matematyka II: Zadania przed 3. terminem S tu niektóre zadania z egzaminu z rozwi zaniami i troch dodatkowych

Matematyka II: Zadania przed 3. terminem S tu niektóre zadania z egzaminu z rozwi zaniami i troch dodatkowych Matematka II: Zadania przed 3. terminem S tu niektóre zadania z egzaminu z rozwi zaniami i troch dodatkowch. Znale¹ ekstrema lokalne funkcji f(, ) = ( 2 + 2 2 )e (2 + 2 ) Odp. Jedno minimum (w p. (, )),

Bardziej szczegółowo

Wst p do sieci neuronowych 2010/2011 wykªad 7 Algorytm propagacji wstecznej cd.

Wst p do sieci neuronowych 2010/2011 wykªad 7 Algorytm propagacji wstecznej cd. Wst p do sieci neuronowych 2010/2011 wykªad 7 Algorytm propagacji wstecznej cd. M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toru«, Poland 2010-11-23

Bardziej szczegółowo

Rachunek ró»niczkowy funkcji jednej zmiennej

Rachunek 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 szczegółowo

Elementarna 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) 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 szczegółowo

Ekonometria Przestrzenna

Ekonometria 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 szczegółowo

Ekonometria Przestrzenna

Ekonometria 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 szczegółowo

Rozdziaª 13. Przykªadowe projekty zaliczeniowe

Rozdziaª 13. Przykªadowe projekty zaliczeniowe Rozdziaª 13 Przykªadowe projekty zaliczeniowe W tej cz ±ci skryptu przedstawimy przykªady projektów na zaliczenia zaj z laboratorium komputerowego z matematyki obliczeniowej. Projekty mo»na potraktowa

Bardziej szczegółowo

WST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14

WST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14 WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 203/4 Spis tre±ci Kodowanie i dekodowanie 4. Kodowanie a szyfrowanie..................... 4.2 Podstawowe poj cia........................

Bardziej szczegółowo

Ekonometria Bayesowska

Ekonometria 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 szczegółowo

Macierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja

Macierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy

Bardziej szczegółowo

2. (8 punktów) 3. (8 punktów) 4. (8 punktów) 5. (8 punktów) EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach

2. (8 punktów) 3. (8 punktów) 4. (8 punktów) 5. (8 punktów) EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Znajd¹ rozwi zanie poni»szego zagadnienia programowania liniowego: Zmaksymalizowa x 1 2x 2 + x 3 x 5 przy ograniczeniach x 1 3x 2 + x 3 + 2x 5 = 8

Bardziej szczegółowo

Elementy geometrii w przestrzeni R 3

Elementy geometrii w przestrzeni R 3 Elementy geometrii w przestrzeni R 3 Z.Šagodowski Politechnika Lubelska 29 maja 2016 Podstawowe denicje Wektorem nazywamy uporz dkowan par punktów (A,B) z których pierwszy nazywa si pocz tkiem a drugi

Bardziej szczegółowo

ELEMENTARNA TEORIA LICZB. 1. Podzielno±

ELEMENTARNA TEORIA LICZB. 1. Podzielno± ELEMENTARNA TEORIA LICZB IZABELA AGATA MALINOWSKA N = {1, 2,...} 1. Podzielno± Denicja 1.1. Niepusty podzbiór A zbioru liczb naturalnych jest ograniczony, je»eli istnieje taka liczba naturalna n 0,»e m

Bardziej szczegółowo

1 Poj cia pomocnicze. Przykªad 1. A A d

1 Poj cia pomocnicze. Przykªad 1. A A d Poj cia pomocnicze Otoczeniem punktu x nazywamy dowolny zbiór otwarty zawieraj cy punkt x. Najcz ±ciej rozwa»amy otoczenia kuliste, tj. kule o danym promieniu ε i ±rodku x. S siedztwem punktu x nazywamy

Bardziej szczegółowo

Strategie zabezpieczaj ce

Strategie zabezpieczaj ce 04062008 Plan prezentacji Model binarny Model Black Scholesa Bismut- Elworthy -Li formuła Model binarny i opcja call Niech cena akcji w chwili pocz tkowej wynosi S 0 = 21 Zaªó»my,»e ceny akcji po trzech

Bardziej szczegółowo

1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci

1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci Zebraª do celów edukacyjnych od wykªadowców PK, z ró»nych podr czników Maciej Zakarczemny 1 Przypomnienie wiadomo±ci ze szkoªy ±redniej Rozwi zywanie prostych równa«i nierówno±ci dotycz cych funkcji elementarnych,

Bardziej szczegółowo

Ekonometria Przestrzenna

Ekonometria Przestrzenna Ekonometria Przestrzenna Wykªad 4: Model autoregresji przestrzennej. Dane GIS: punkty i siatki (4) Ekonometria Przestrzenna 1 / 24 Plan wykªadu 1 Model czystej autoregresji przestrzennej (pure SAR) Specykacja

Bardziej szczegółowo

Jan Olek. Uniwersytet Stefana Kardynała Wyszyńskiego. Procesy z Opóźnieniem. J. Olek. Równanie logistyczne. Założenia

Jan Olek. Uniwersytet Stefana Kardynała Wyszyńskiego. Procesy z Opóźnieniem. J. Olek. Równanie logistyczne. Założenia Procesy z Procesy z Jan Olek Uniwersytet Stefana ardynała Wyszyńskiego 2013 Wzór równania logistycznego: Ṅ(t)=rN(t)(1- N ), gdzie Ṅ(t) - przyrost populacji w czasie t r - rozrodczość netto, (r > 0) N -

Bardziej szczegółowo

Metody dowodzenia twierdze«

Metody dowodzenia twierdze« Metody dowodzenia twierdze«1 Metoda indukcji matematycznej Je±li T (n) jest form zdaniow okre±lon w zbiorze liczb naturalnych, to prawdziwe jest zdanie (T (0) n N (T (n) T (n + 1))) n N T (n). 2 W przypadku

Bardziej szczegółowo

X WARMI SKO-MAZURSKIE ZAWODY MATEMATYCZNE 18 maja 2012 (szkoªy ponadgimnazjalne)

X WARMI SKO-MAZURSKIE ZAWODY MATEMATYCZNE 18 maja 2012 (szkoªy ponadgimnazjalne) X WARMI SKO-MAZURSKIE ZAWODY MATEMATYCZNE 18 maja 2012 (szkoªy ponadgimnazjalne) Zadanie 1 Obecnie u»ywane tablice rejestracyjne wydawane s od 1 maja 2000r. Numery rejestracyjne aut s tworzone ze zbioru

Bardziej szczegółowo

Ciaªa i wielomiany. 1 Denicja ciaªa. Ciaªa i wielomiany 1

Ciaªa 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 szczegółowo

2 Liczby rzeczywiste - cz. 2

2 Liczby rzeczywiste - cz. 2 2 Liczby rzeczywiste - cz. 2 W tej lekcji omówimy pozostaªe tematy zwi zane z liczbami rzeczywistymi. 2. Przedziaªy liczbowe Wyró»niamy nast puj ce rodzaje przedziaªów liczbowych: (a) przedziaªy ograniczone:

Bardziej szczegółowo

Zadania z analizy matematycznej - sem. II Rachunek ró»niczkowy funkcji wielu zmiennych

Zadania z analizy matematycznej - sem. II Rachunek ró»niczkowy funkcji wielu zmiennych Zadania z analizy matematycznej - sem II Rachunek ró»niczkowy funkcji wielu zmiennych Denicja (Pochodne cz stkowe dla funkcji trzech zmiennych) Niech D R 3 b dzie obszarem oraz f : D R f = f y z) P 0 =

Bardziej szczegółowo

Podstawy statystycznego modelowania danych Analiza prze»ycia

Podstawy 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 szczegółowo

Metody Ekonometryczne Modele wielorównaniowe

Metody Ekonometryczne Modele wielorównaniowe Metody Ekonometryczne Modele wielorównaniowe Jakub Mućk Szkoła Główna Handlowa w Warszawie Jakub Mućk Metody Ekonometryczne Modele wielorównaniowe 1 / 47 Wprowadzenie Jakub Mućk Metody Ekonometryczne Modele

Bardziej szczegółowo

Opis matematyczny ukªadów liniowych

Opis matematyczny ukªadów liniowych Rozdziaª 1 Opis matematyczny ukªadów liniowych Autorzy: Alicja Golnik 1.1 Formy opisu ukªadów dynamicznych 1.1.1 Liniowe równanie ró»niczkowe Podstawow metod przedstawienia procesu dynamicznego jest zbiór

Bardziej szczegółowo

Mikro II: Krzywe kosztów, Poda» rmy i Poda» gaª zi.

Mikro II: Krzywe kosztów, Poda» rmy i Poda» gaª zi. Mikro II: Krzywe kosztów, Poda» rmy i Poda» gaª zi. Krzysztof Makarski 22 Krzywe kosztów Wst p Celem jest wyprowadzenie funkcji poda»y i jej wªasno±ci. Funkcj poda»y wyprowadzamy z decyzji maksymalizuj

Bardziej szczegółowo

ANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15

ANALIZA 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 szczegółowo

Obowiązki przedsiębiorców prowadzących stacje demontażu Art. 21. Przedsiębiorca prowadzący stację demontażu powinien zapewniać bezpieczne dla

Obowiązki przedsiębiorców prowadzących stacje demontażu Art. 21. Przedsiębiorca prowadzący stację demontażu powinien zapewniać bezpieczne dla Obowiązki przedsiębiorców prowadzących stacje demontażu Art. 21. Przedsiębiorca prowadzący stację demontażu powinien zapewniać bezpieczne dla środowiska i zdrowia ludzi przetwarzanie pojazdów wycofanych

Bardziej szczegółowo

Proste modele o zªo»onej dynamice

Proste modele o zªo»onej dynamice Proste modele o zªo»onej dynamice czyli krótki wst p do teorii chaosu Tomasz Rodak Festiwal Nauki, Techniki i Sztuki 2018 April 17, 2018 Dyskretny model pojedynczej populacji Rozwa»my pojedyncz populacj

Bardziej szczegółowo

Elementarna statystyka

Elementarna statystyka Elementarna statystyka Alexander Bendikov 26 marca 2017 Klasyczny model: eksperyment o jednakowo prawdopodobnych wynikach Zaªo»enia: 1 Przestrze«próbek S ma sko«czenie wiele wyników ω 1, ω 2,..., ω n,

Bardziej szczegółowo