MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI
|
|
- Aleksandra Zalewska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Alcja Wolny-Domnak Unwersytet Ekonomczny w Katowcach MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI Wprowadzene Jednym z problemów występujących w analze danych ubezpeczenowych jest modelowane lczby szkód występujących w danym portfelu pols z zastosowanem regresj przy założenu rozkładu Possona. Portfele ubezpeczenowe charakteryzują sę jednak tym, że dla welu pols w okrese ubezpeczena ne wystąpła żadna szkoda. Oznacza to, ż dane zawerają dużą lczbę zer, co powoduje, że klasyczna regresja Possona ne daje zadowalających wynków. W perwszej częśc pracy przedstawono uogólnoną regresję Possona dla zmennej lcznkowej oraz zmodyfkowaną wersję regresj Possona uwzględnającą sytuację występowana dużej lczby zer w danych (zero-nflated Posson regresson). W drugej częśc przeprowadzono przykład empryczny możlwośc zastosowana wersj zmodyfkowanej do modelowana lczby szkód w ubezpeczenach majątkowych. Analzowano różne modele w celu określena, które zmenne taryfkacyjne wpływają na występowane zer w portfelu pols stosując procedurę 0-krotnej kroswaldacj. W efekce uzyskano rankng pozwalający na klasyfkację pols ze względu na lczbę generowanych szkód. Dane do przykładu oblczenowego zaczerpnęto z lteratury przedmotu. Do oblczeń wykorzystano program komputerowy R, paket {pscl} oraz zamplementowany algorytm kroswaldacj (załącznk A).
2 6 Alcja Wolny-Domnak. Modele regresj z lcznkową zmenną objaśnaną typu ZI W tej częśc pracy przedstawone są modele regresj, w których zmenną zależną jest zmenna lcznkowa przyjmująca wartośc całkowte neujemne oraz występuje duża lczba wartośc zerowych (zero-nflated). W ubezpeczenach majątkowych take modele mają zastosowane w szczególnośc w modelowanu oraz prognozowanu lczby szkód. Stosowany jest najczęścej model regresj Possona, w którym przyjmuje sę założene, że zmenna objaśnana Y ma rozkład Possona Y ~ Pos( λ ) warunkowany wartoścam zmennych objaśnających []: y e λ λ PY ( = y) =, =,..., n y! W powyższym wzorze Y oznacza lczbę szkód dla -tej osoby ubezpeczonej. Parametr λ uzależnony jest od pewnych zmennych zależnych X j, j =,..., k charakteryzujących ubezpeczonego oraz pojazd, którego dotyczy ubezpeczene, np. płc, weku, pojemnośc slnka samochodu. Najczęścej przyjmowana jest logarytmczna funkcja połączena: ln λ = β X k j j j= Korzystając z własnośc rozkładu Possona, że parametr λ jest równy wartośc oczekwanej, mamy: k β j X j j = e λ = μ = Wdać zatem, że dla każdej kombnacj zmennych objaśnających uzyskwana jest zawsze dodatna oczekwana lczba szkód. W modelu przyjmuje sę założena, że zmenna Y ma rozkład Possona, średna wartość zmennej jest równa warancj oraz y,..., y n są nezależne o stałej warancj. Parametr λ może być wykorzystywany do rangowana pols ze względu na lczbę szkód. Nezbędna jest jednak korekta tego parametru wskaźnkem ekspozycj na ryzyko dla -tej polsy d, który pokazuje najczęścej w przypadku ubezpeczeń majątkowych, jaką część badanego okresu obejmowała polsa: k β 0 + βj j= = d e λ
3 Modelowane lczby szkód w ubezpeczenach komunkacyjnych 7 Powyższy model ne uwzględna przypadku, w którym zmenna lcznkowa przyjmuje dużą lczbę wartośc zerowych. Taka sytuacja występuje często w przypadku modelowana lczby szkód. Analzując portfele ryzyk można zauważyć, że dla welu pols ne wystąpła żadna szkoda, natomast w przypadku wystąpena szkód są to jedna, dwe, trzy rzadko węcej. Dlatego w przypadku analzy lczby szkód w zakładze ubezpeczeń zasadnejsze wydaje sę stosowane zmodyfkowanej regresj Possona, gdze uwzględna sę dużą lczbę wartośc zerowych w danych zwanej modelem ZIP (Zero-Inflated Posson). W modelu ZIP nezależne zmenne Y przyjmują wartośc zerowe: Y ~0 z prawdopodobeństwem lub wartośc z rozkładu Possona: Y ~ Pos( λ ) z prawdopodobeństwem, co można zapsać następująco [5]: λ + ( ) e, y = 0 y PY ( ) ( ) = y λ λ = e, =,..., n ( ), y > 0 y! Zatem w modelu ZIP występują dwa parametry: λ oraz. Oba parametry, podobne jak w przypadku regresj Possona, połączone są ze zmennym objaśnającym następującym funkcjam połączeń: ln( ) γ jz t = j= k ln λ = β X, j j j= gdze Z,..., Z l są zmennym zależnym dla równana perwszego, natomast X,..., X k zmennym dla równana drugego. Oczekwana lczba szkód oraz warancja lczby szkód -tej polsy w modelu ZIP wynos [5]: E( Y E ) = λ ( ) ( Y ) = ( )( λ λ ) Podobne jak w przypadku regresj Possona, w modelu ZIP zakłada sę, ż średna lczba szkód jest równa warancj. W przypadku, gdy warancja jest wyższa od średnej występuje problem nadmernej dyspersj, który często charakteryzuje zmenne lcznkowe. Powoduje on, że statystyk χ testujące stotność parametrów strukturalnych modelu są przeszacowane, natomast ne j
4 8 Alcja Wolny-Domnak zmena zgodnośc estymatorów parametrów. W celu unknęca nadmernej dyspersj można zastosować skorygowane błędy standardowe lub przejść do modelu, w którym wprowadzany jest rozkład negatywny-dwumodalny [4]. Do wyboru modelu szacowana lczby szkód ubezpeczenowych oraz układu zmennych wpływających na generowane przez polsy wartośc zerowych możlwe jest wykorzystane koncepcj statystycznych metod automatycznego uczena sę. Ogólne w tej koncepcj zakłada sę, że dany jest zbór uczący D = {( x, y ), =,..., N}, gdze x, y R. Ponadto zbór uczący tworzą obserwacje wylosowane z jednakowym prawdopodobeństwem w sposób nezależny, z populacj o welowymarowym rozkładze określonym przez neznaną funkcję gęstośc: p ( x, y) = p( x) p( y x) Zadane polega na przeszukanu pewnego zboru funkcj H = { f ( x, ) : Ω}, gdze jest wektorem parametrów modelu, wskazanu elementu najlepszego. Posługując sę modelem f ( x, ) H, który jest uproszczonym obrazem analzowanego zjawska, w trakce przeszukwana pojawają sę błędy wynkające z wykorzystywana wartośc teoretycznych w mejscu wartośc rzeczywstych zmennej objaśnanej. Błędy merzone są tzw. funkcjam straty L ( y, f ( y, )), które najczęścej merzą błąd predykcj dla pojedynczej obserwacj. W koncepcj metod automatycznego uczena sę rozważany jest całkowty błąd modelu będący sumą wartośc funkcj straty dla wszystkch możlwych obserwacj. Jedną z metod estymacj wartośc błędu całkowtego jest metoda sprawdzana krzyżowego (CV-cross-valdaton) []. W nnejszej pracy zastosowano następujący algorytm: a) losowe wyznaczene ze zboru danych 0 podzborów o zblżonej lczebnośc, k =0, (n lczebność całego zboru, ml lczebność l-tego podzboru, l =,..., 0), b) 0-krotne szacowane modelu na podzborze danych o lczebnośc n ml z usunęcem zboru waldującego, ( y ˆ μ l ) c) 0-krotne wyznaczene błędu MSEl =, m 0 ml d) szacowane błędu kroswaldacj: cv = MSEl. l= n Porównując modele wybrano model o najmnejszej wartośc c ν. Implementację procedury w programe komputerowym R przedstawono w załącznku A. l
5 Modelowane lczby szkód w ubezpeczenach komunkacyjnych 9. Przykład empryczny Proces modelowana prognozowana lczby szkód w zakładze ubezpeczeń przeprowadzono z wykorzystanem bazy danych szkód komunkacyjnych (thrd party motor nsurance clams) zaczerpnętej z pozycj []. Baza danych zawera następujące zmenne uwzględnone w modelu:. Zmenna objaśnana lcznkowa: numclams lczba szkód.. Zmenne objaśnające: veh_body kształt samochodu, veh_age wek samochodu: A (najmłodszy), B, C, D, gender płeć kerowcy: M (kobeta), F, wek kerowcy: A (najmłodszy), B, C, D, E, F. Oblczena wykonano w programe komputerowym R. Rozkład lczby szkód w analzowanym portfelu przedstawa sę następująco: Lczba szkód Lczba szkód Rozkład lczby szkód Częstość Tabela Średna ekspozycja na ryzyko 0 6 9,9% 0,45 4 6,9% 0,6 7 0,40% 0,7 8 0,0% 0,7 4 0,00% 0,88 Jak wdać, lczba szkód charakteryzuje sę bardzo dużą lczbą zer, gdze 9% pols ne wygenerowało żadnej szkody w portfelu. Wartość warancj przewyższa wartość średnej ndeks nadmernej dyspersj jest na pozome: O = warancja średna = 0,006 średna co oznacza słaby efekt nadmernej dyspersj w portfelu. Do modelowana lczby szkód zastosowano w perwszej kolejnośc regresję Possona. W modelu P badano wpływ poszczególnych zmennych na lczbę szkód: ln λ = β0 + βveh _ body + β veh _ age + βgender + β 4
6 0 Alcja Wolny-Domnak Model szacowano wykorzystując funkcję glm(){stats}, przyjmując rozkład Possona dla lczby szkód. W perwszej kolejnośc zbadano stotność wpływu poszczególnych zmennych na lczbę szkód. Model P Parametry strukturalne regresj Possona dla modelu P ˆ β Średn błąd szacunku p-wartość Stała,8 0, 0,00 Veh_body 0,95 0,9 0,05 Veh_age 0,04 0,0 0,00 Gender 0,0 0,0 0,79 Agecat 0,08 0,0 0,00 Tabela W modelu P na pozome stotnośc 5% zmenna charakteryzująca płeć jest statystyczne nestotna, dlatego w dalszej analze zmenna ta została usunęta z modelu, pozostałe zmenne ne są skorelowane. Nowy model P przyjął postać: 0 _ ln λ = β + β veh _ body + β veh age + β Uzyskane parametry strukturalne zameszczono w tab.. Realzacje zmennych w modelu P Parametry strukturalne regresj Possona dla modelu P β β e Średn błąd szacunku 4 Stała,5 0,6 0, veh_agea 0,00,00 veh_ageb 0,,4 0,04 veh_agec 0,00,00 0,04 veh_aged 0,08 0,9 0,04 AgecatA 0,00,00 AgecatB 0,7 0,85 0,05 AgecatC 0,0 0,8 0,05 AgecatD 0, 0,80 0,05 AgecatE 0,4 0,65 0,06 Tabela
7 Modelowane lczby szkód w ubezpeczenach komunkacyjnych cd. tabel 4 AgecatF 0,4 0,65 0,07 veh_body_bus,00,00 veh_body_convt,75 0,7 0,66 veh_body _COUPE 0,75 0,47 0,4 veh_body _HBACK,0 0, 0, veh_body _HDTOP 0,87 0,4 0, veh_body _MCARA 0,46 0,6 0,4 veh_body _MIBUS,5 0, 0,5 veh_body _PANVN 0,84 0,4 0,4 veh_body _RDSTR 0,68 0,5 0,66 veh_body _SEDAN,04 0,5 0, veh_body _STNWG,00 0,7 0, veh_body _TRUCK,04 0,5 0, veh_body _UTE,5 0,9 0, W estymacj parametrów strukturalnych modelu przyjęto zmenne bazowe jako: veh_agea, AgecatA, veh_body_bus. Interpretując uzyskane wynk, na podstawe wartośc parametrów strukturalnych zawartych w tab. można stwerdzć kerunek wpływu zmany weku samochodu, weku kerowcy oraz kształtu samochodu na lczbę szkód na podstawe znaku. Wdać węc, że przy ustalonym układze zmennych bazowych, stopy taryf będą obnżały składkę. W celu określena jednostkowego wpływu zmennych objaśnających na lczbę szkód wyznaczono eksponenty parametrów strukturalnych modelu (w modelu przyjęto logarytmczną funkcję połączena). Wszystke parametry modelu są statystyczne stotne. Równeż test lorazu warygodnośc pokazał, że model jest w całośc statystyczne stotny. W wynku dzałana funkcj lrtest{lmtest} uzyskano bardzo nsk, prawe zerowy pozom p-wartośc. Tabela 4 Test lorazu warygodnośc dla modelu P #Df LogLk Df Chsq Pr(> Chsq) Model P. 809, NA NA NA Model tylko stała 80,5 0 44,589 0,00000
8 Alcja Wolny-Domnak Do rankngu pols w modelu P wykorzystano parametr λ. Mnmalna ~ wartość tego parametru wynosła λ = 0, 07 jest to kategora pols generująca najmnejszą lczbę szkód: (veh_bodyconvt, veh_aged, F). Klasa pols ~ generująca najwększą lczbę szkód uzyskała λ =, 7 dla kategor (veh_bodyrdstr, veh_ageb, A). Poneważ w analzowanej baze danych występuje duża lczba pols, dla których ne wystąpła żadna szkoda, dalej dokonano szacowana różnorodnych model ZIP analzując wpływ różnych zmennych taryfkacyjnych na wystąpene dużej lczby zer. Do wyboru ostatecznej postac modelu zastosowano procedurę 0-krotnej kroswaldacj. Model ZIP ZIP ZIP ZIP ln λ = β + β veh _ body + β veh _ age + β ZIP ZIP 0 ZIP ln( ) = γ ZIP ZIP 0 Model ZIP ZIP ZIP ZIP ln λ = β + β veh _ body + β veh _ age + β ZIP ZIP 0 ln( ZIP ZIP ) = γ ZIP 0 + γ ZIP veh _ body Model ZIP ZIP ZIP ZIP ln λ = β + β veh _ body + β veh _ age + β ZIP ZIP 0 ln( ZIP ZIP ) = γ ZIP 0 + γ ZIP veh _ body + γ ZIP veh _ age Model ZIP4 4 ZIP4 ZIP 4 ZIP4 ln λ = β + β veh _ body + β veh _ age + β ZIP ZIP 4 0 ln( ) = γ 0 + γ veh_ body + γ
9 Modelowane lczby szkód w ubezpeczenach komunkacyjnych Model 5 ln λ = β + β veh _ body + β veh _ age + β ZIP 0 ln( ) = γ 0 + γ veh _ age + γ Model ZIP6 6 ZIP6 ZIP6 ZIP6 ln λ = β + β veh _ body + β veh _ age + β ZIP ZIP6 0 ln( ZIP6 ZIP6 ) = γ ZIP6 0 + γ ZIP6 veh _ age Model ZIP7 7 ZIP7 ZIP7 ZIP7 ln λ = β + β veh _ body + β veh _ age + β ZIP ZIP7 0 ln( ZIP7 ZIP7 ) = γ ZIP7 0 + γ ZIP7 Modele szacowano wykorzystując funkcję zeronfl(){pscl} oraz procedurę kroswaldacj zamplementowaną w programe komputerowym R. Kod programu zawarto w załącznku A. Uzyskano następujące całkowte błędy c ν dla analzowanych model: cv = 0, cv = 0, 07 cv = 0, cv 4 = 0, 07 cv 5 = 0, cv 6 = 0, 077 cv 7 = 0, Wdać zatem, że modelem, który daje najmnejszy błąd c ν jest model, gdze na wystąpene zera wpływa zmenna veh_body ZIP.
10 4 Alcja Wolny-Domnak Tabela 5 Realzacje zmennych w modelu P Parametry strukturalne modelu ZIP β β e Średn błąd szacunku Stała,7 0,8,5 veh_agea 0,00,00 veh_ageb 0,,4 0,04 veh_agec 0,00,00 0,04 veh_aged 0,08 0,9 0,05 AgecatA 0,00,00 AgecatB 0,7 0,85 0,06 AgecatC 0,0 0,8 0,05 AgecatD 0, 0,80 0,05 AgecatE 0,4 0,65 0,06 AgecatF 0,4 0,65 0,07 veh_body_bus,00,00 veh_body_convt,8 0,6,4 veh_body _COUPE 0, 0,88, veh_body _HBACK 0,84 0,4,6 veh_body _HDTOP 0,96 0,8,5 veh_body _MCARA 0,54 0,58, veh_body _MIBUS 0,87 0,4,5 veh_body _PANVN 0,4 0,79, veh_body _RDSTR,8,96,48 veh_body _SEDAN 0,4 0,7,5 veh_body _STNWG 0,6 0,55,6 veh_body _TRUCK 0,7 0,69,9 veh_body _UTE 0,66 0,5,8 Porównując uzyskane wynk w modelu P oraz modelu ZIP uwzględnającym występowane dużej lczby zer w modelu wdać, że parametry dla zmennej veh_body znaczne sę różną w obu modelach, natomast pozostałe parametry są nezmenne. Wynka to z faktu, ż w procedurze kroswaldacj uzyskano wynk pokazujący, że na generowane przez polsy wartośc zerowe wpływa jedyne kształt samochodu.
11 Modelowane lczby szkód w ubezpeczenach komunkacyjnych 5 Do rankngu pols w modelu ZIP wykorzystano parametr λ. Mnmalna ~ wartość tego parametru wynosła λ = 0, 07 jest to kategora pols generująca najmnejszą lczbę szkód: (veh_bodyconvt, veh_aged, F). Kategora ~ pols generująca najwększą lczbę szkód uzyskała λ = 0, 95 jest to kategora (veh_bodybus, veh_ageb, A). Szczegółowy rankng zawarto w załącznku B. Podsumowane W pracy przedstawono zmodyfkowaną regresję Possona w przypadku, gdy w danych występuje duża lczba zer dla zmennej lcznkowej jej porównane z klasyczną regresją Possona. Zaproponowano zastosowane k-krotnej kroswaldacj do wyboru czynnków wpływających na generowane przez polsy zerowych lczb szkód. Dodatkowo wyznaczając odpowedne parametry rozkładu stworzono rankng pols według kategor zmennych taryfkacyjnych. Zastosowane rankngu w praktyce pozwala na sklasyfkowane nowo zaweranej polsy do odpowednej grupy taryfkacyjnej. Zasadnczą wadą klasycznej regresj Possona, jak równeż model ZIP jest fakt, ż w danej klase pols wszystke polsy charakteryzują sę taką samą oczekwaną lczbą szkód, co jest założenem mało realnym. Rozwązanem tego problemu jest przejśce do meszanego modelu Possona wprowadzając czynnk losowy różncujący polsy.
12 6 Alcja Wolny-Domnak Implementacja procedury kroswaldacj w programe komputerowym R Załącznk A lbrary(pscl) car=read.csv(fle="c:/car.csv") K=0 optons(outdec=",") mse.cv=functon(dataset, model, K=0){ cvseg=c() set.seed() cvseg=cvsegments(nrow(dataset), K) ModelMSE=c() for ( n :K) { valdset=null valdset=eval(parse(text=paste("cvseg$v",, sep=""))) datasettrancv= NULL; datasetvaldcv= NULL datasettrancv= dataset[-valdset,] datasetvaldcv= dataset[valdset,] Formula=model$formula Model.na.cv=NULL Model.na.cv=zeronfl(formula = Formula, data=datasettrancv) datasetvaldcv.bez.y=null datasetvaldcv.bez.y= subset(datasetvaldcv, select=c(veh_body, veh_age, )) pred.vald=null pred.vald=predct(model.na.cv, datasetvaldcv.bez.y) MSE.vald=NULL MSE.vald=sum((datasetValdCV$numclamspred.vald)^)/length(pred.vald) ModelMSE=c(ModelMSE, MSE.vald) } MSE.CV=NULL MSE.CV=mean(ModelMSE) mse.cv.glm=functon(dataset, model, K=0){ cvseg=c() set.seed() cvseg=cvsegments(nrow(dataset), K) ModelMSE=c() for ( n :K) { valdset=null valdset=eval(parse(text=paste("cvseg$v",, sep=""))) datasettrancv= NULL; datasetvaldcv= NULL
13 Modelowane lczby szkód w ubezpeczenach komunkacyjnych 7 datasettrancv= dataset[-valdset,] datasetvaldcv= dataset[valdset,] Formula=model$formula Model.na.cv=NULL Model.na.cv=glm(formula = Formula, famly=posson, data=datasettrancv) datasetvaldcv.bez.y=null datasetvaldcv.bez.y= subset(datasetvaldcv, select=c(veh_body, veh_age, )) pred.vald=null pred.vald=predct(model.na.cv, datasetvaldcv.bez.y) MSE.vald=NULL MSE.vald=sum((datasetValdCV$numclamspred.vald)^)/length(pred.vald) ModelMSE=c(ModelMSE, MSE.vald) } MSE.CV=NULL MSE.CV=mean(ModelMSE) g=glm(formula=numclams ~ veh_body+veh_age+, famly=posson, data=car) z=zeronfl(formula = numclams ~ veh_body+veh_age+, data = car) z.mse=null z.mse=mse.cv(dataset=car, model=z, K=0) z=zeronfl(formula = numclams ~ veh_body+veh_age+ veh_body, data = car) z.mse=null z.mse=mse.cv(dataset=car, model=z, K=0) z=zeronfl(formula = numclams ~ veh_body+veh_age+ veh_body+veh_age, data = car) z.mse=null z.mse=mse.cv(dataset=car, model=z4, K=0) z4=zeronfl(formula = numclams ~ veh_body+veh_age+ veh_body+, data = car) z4.mse=null z4.mse=mse.cv(dataset=car, model=z5, K=0) z5=zeronfl(formula = numclams ~ veh_body+veh_age+ veh_age+, data = car) z5.mse=null z5.mse=mse.cv(dataset=car, model=z6, K=0) z6=zeronfl(formula = numclams ~ veh_body+veh_age+ veh_age, data = car) z6.mse=null z6.mse=mse.cv(dataset=car, model=z7, K=0) z7=zeronfl(formula = numclams ~ veh_body+veh_age+, data = car) z7.mse=null z7.mse=mse.cv(dataset=car, model=z8, K=0)
14 8 Alcja Wolny-Domnak Załącznk B Rankng pols ze względu na kategorę zmennych taryfkacyjnych w modelu ZIP Kształt samochodu Wek samochodu Wek kerowcy λ ~ veh_bodysedan veh_aged F 0,0550 veh_bodysedan veh_aged E 0,0556 veh_bodysedan veh_agea F 0,0596 veh_bodysedan veh_agec F 0,0596 veh_bodysedan veh_agea E 0,060 veh_bodysedan veh_agec E 0,060 veh_bodysedan veh_aged D 0,067 veh_bodysedan veh_ageb F 0,0679 veh_bodysedan veh_ageb E 0,0686 veh_bodysedan veh_aged C 0,069 veh_bodysedan veh_aged B 0,074 veh_bodysedan veh_agea D 0,078 veh_bodysedan veh_agec D 0,078 veh_bodysedan veh_agea C 0,0750 veh_bodysedan veh_agec C 0,0750 veh_bodysedan veh_agea B 0,077 veh_bodysedan veh_agec B 0,077 veh_bodysedan veh_ageb D 0,089 veh_bodysedan veh_aged A 0,0846 veh_bodysedan veh_ageb C 0,0854 veh_bodysedan veh_ageb B 0,0880 veh_bodysedan veh_agea A 0,096 veh_bodysedan veh_agec A 0,096 veh_bodysedan veh_ageb A 0,044
15 Modelowane lczby szkód w ubezpeczenach komunkacyjnych 9 Lteratura. de Jong P., Heller G.Z., Generalzed Lnear Models for Insurance Data, Cambrdge Unversty Press Denut M., Marechal X., Ptrebos S., Walhn J., Actuaral Modellng of Clams Counts, John Wley & Sons Ltd, Gatnar E., Podejśce welomodelowe w zagadnenach dyskrymnacj regresj, Wydawnctwo Naukowe PWN, Warszawa Kopczewska K., Kopczewsk T., Wójck P., Metody loścowe w R. Aplkacje ekonomczne fnansowe, CeDeWu, Warszawa Lambert D., Zero-Inflated Posson Regresson, wth an Applcaton to Defects n Manufacturng, Technometrcs 99, Vol. 4, No.. MODELING THE NUMBER OF CLAIMS IN MOTOR INSURANCE IN CASE OF A LARGE NUMBER OF ZEROS USING THE PATCH VALIDATION PROCEDURES Summary The problem n the analyss of nsurance data s modelng the number of clams occurrng n a gven portfolo polcy usng regresson assumng a Posson dstrbuton whch s not always justfed, snce sometmes the data contans a large number of zeros. Ths paper presents a generalzed Posson regresson for the counter varable and a modfed verson of Posson regresson takng nto account the stuaton of the presence of a large number of zeros n the data (called zero-nflated Posson regresson). Varous types were analyzed n order to determne whch varables nfluence the occurrence tarfcaton zeros n the portfolo polcy usng the procedure 0 tmes the patch valdaton. The result s rankng for classfcaton polces because of the number of generated damage.
Prognozowanie w zarządzaniu firmą
Prognozowane w zarządzanu frmą Redaktorzy naukow Paweł Dttmann Aleksandra Szpulak Wydawnctwo Unwersytetu Ekonomcznego we Wrocławu Wrocław 2011 Senacka Komsja Wydawncza Zdzsław Psz (przewodnczący), Andrzej
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 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 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 szczegółowoInwestycje finansowe i ubezpieczenia tendencje światowe a rynek polski
PRACE NAUKOWE Unwersytetu Ekonomcznego we Wrocławu RESEARCH PAPERS of Wrocław Unversty of Economcs 254 Inwestycje fnansowe ubezpeczena tendencje śwatowe a rynek polsk Redaktorzy naukow Krzysztof Jajuga
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 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 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 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 szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
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 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 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 szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
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 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 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 szczegółowoPROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE
PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE Janusz Wątroba, StatSoft Polska Sp. z o.o. W nemal wszystkch dzedznach badań emprycznych mamy do czynena ze złożonoścą zjawsk procesów.
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 szczegółowoZapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.
Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane
Bardziej szczegółowoEvaluation of estimation accuracy of correlation functions with use of virtual correlator model
Jadwga LAL-JADZIAK Unwersytet Zelonogórsk Instytut etrolog Elektrycznej Elżbeta KAWECKA Unwersytet Zelonogórsk Instytut Informatyk Elektronk Ocena dokładnośc estymacj funkcj korelacyjnych z użycem modelu
Bardziej szczegółowoAnaliza modyfikacji systemów bonus-malus w ubezpieczeniach komunikacyjnych AC na przykładzie wybranego zakładu ubezpieczeń
Analza modyfkacj systemów bonus-malus Ewa Łazuka Klauda Stępkowska Analza modyfkacj systemów bonus-malus w ubezpeczenach komunkacyjnych AC na przykładze wybranego zakładu ubezpeczeń Tematyka przedstawonego
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoMETODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.
Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)
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 szczegółowoZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012
ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW (88)/01 Hubert Sar, Potr Fundowcz 1 WYZNACZANIE ASOWEGO OENTU BEZWŁADNOŚCI WZGLĘDE OSI PIONOWEJ DLA SAOCHODU TYPU VAN NA PODSTAWIE WZORU EPIRYCZNEGO 1. Wstęp asowy moment
Bardziej szczegółowoEKONOMETRIA ECONOMETRICS 4(46) 2014
EKONOMERIA ECONOMERICS 4(46) 2014 Wydawnctwo Unwersytetu Ekonomcznego we Wrocławu Wrocław 2014 Redaktor Wydawnctwa: Aleksandra Ślwka Redaktor technczny: Barbara Łopusewcz Korektor: Barbara Cbs Łamane:
Bardziej szczegółowoPlan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup
Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT
Bardziej szczegółowoOPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POBLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU GENETYCZNEGO
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 81 Electrcal Engneerng 015 Mkołaj KSIĄŻKIEWICZ* OPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU
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 szczegółowoKRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA
KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany
Bardziej szczegółowo6. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO
Różnce mędzy obserwacjam statystycznym ruchu kolejowego a samochodowego 7. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO.. Obserwacje odstępów mędzy kolejnym wjazdam na stację
Bardziej szczegółowoANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI PRACY
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36, T. 1 Barbara Batóg *, Jacek Batóg ** Unwersytet Szczecńsk ANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI
Bardziej szczegółowoAnaliza porównawcza rozwoju wybranych banków komercyjnych w latach 2001 2009
Mara Konopka Katedra Ekonomk Organzacj Przedsęborstw Szkoła Główna Gospodarstwa Wejskego w Warszawe Analza porównawcza rozwoju wybranych banków komercyjnych w latach 2001 2009 Wstęp Polska prywatyzacja
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
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 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 szczegółowoZastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego. Łukasz Kończyk WMS AGH
Zastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego Łukasz Kończyk WMS AGH Plan prezentacji Model regresji liniowej Uogólniony model liniowy (GLM) Ryzyko ubezpieczeniowe Przykład
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
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 szczegółowoPobrane z czasopisma Annales H - Oeconomia Data: 01/06/ :19:23
Pobrane z czasopsma Annales H - Oeconoma http://oeconoma.annales.umcs.pl DOI:0.795/h.206.50.4.497 ANNALES UNIVERSITATIS MARIAE CURIE-SKŁODOWSKA LUBLIN POLONIA VOL. L, 4 SECTIO H 206 Unwersytet Łódzk. Wydzał
Bardziej szczegółowoĆwiczenie 10. Metody eksploracji danych
Ćwczene 10. Metody eksploracj danych Grupowane (Clusterng) 1. Zadane grupowana Grupowane (ang. clusterng) oznacza grupowane rekordów, obserwacj lub przypadków w klasy podobnych obektów. Grupa (ang. cluster)
Bardziej szczegółowoHipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowoO PEWNYM MODELU POZWALAJĄCYM IDENTYFIKOWAĆ K NAJBARDZIEJ PODEJRZANYCH REKORDÓW W ZBIORZE DANYCH KSIĘGOWYCH W PROCESIE WYKRYWANIA OSZUSTW FINANSOWYCH
Mateusz Baryła Unwersytet Ekonomczny w Krakowe O PEWNYM MODELU POZWALAJĄCYM IDENTYFIKOWAĆ K NAJBARDZIEJ PODEJRZANYCH REKORDÓW W ZBIORZE DANYCH KSIĘGOWYCH W PROCESIE WYKRYWANIA OSZUSTW FINANSOWYCH Wprowadzene
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 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 szczegółowoBadania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)
Bardziej szczegółowoKONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE
Adranna Mastalerz-Kodzs Unwersytet Ekonomczny w Katowcach KONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE Wprowadzene W dzałalnośc nstytucj fnansowych, takch
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 szczegółowoANALIZA PRZESTRZENNA PROCESU STARZENIA SIĘ POLSKIEGO SPOŁECZEŃSTWA
TUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Katarzyna Zeug-Żebro * Unwersytet Ekonomczny w Katowcach ANALIZA PRZETRZENNA PROCEU TARZENIA IĘ POLKIEGO POŁECZEŃTWA TREZCZENIE Perwsze prawo
Bardziej szczegółowoZastosowanie wielowymiarowej analizy porównawczej w doborze spó³ek do portfela inwestycyjnego Zastosowanie wielowymiarowej analizy porównawczej...
Adam Waszkowsk * Adam Waszkowsk Zastosowane welowymarowej analzy porównawczej w doborze spó³ek do portfela nwestycyjnego Zastosowane welowymarowej analzy porównawczej... Wstêp Na warszawskej Ge³dze Paperów
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 szczegółowoMODEL REGRESYJNY WARTOŚCI POJEDYNCZEJ SZKODY UWZGLĘDNIAJĄCY POLISY BEZSZKODOWE
Studa Ekonomczne Zeszyty Naukowe Unwersytetu Ekonomcznego w Katowcach ISSN 083-86 Nr 4 05 Ekonoma 3 Alcja Wolny-Domnak Unwersytet Ekonomczny w Katowcach Wydzał Ekonom Katedra Metod Statystyczno-Matematycznych
Bardziej szczegółowoMATERIAŁY I STUDIA. Zeszyt nr 286. Analiza dyskryminacyjna i regresja logistyczna w procesie oceny zdolności kredytowej przedsiębiorstw
MATERIAŁY I STUDIA Zeszyt nr 86 Analza dyskrymnacyjna regresja logstyczna w procese oceny zdolnośc kredytowej przedsęborstw Robert Jagełło Warszawa, 0 r. Wstęp Robert Jagełło Narodowy Bank Polsk. Składam
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2010, Oeconomica 280 (59), 13 20
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Fola Pomer. Unv. Technol. Stetn. 2010, Oeconomca 280 (59), 13 20 Iwona Bą, Agnesza Sompolsa-Rzechuła LOGITOWA ANALIZA OSÓB UZALEŻNIONYCH OD ŚRODKÓW
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 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 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 szczegółowoPROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA WAHANIA SEZONOWE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Krzysztof Dmytrów * Marusz Doszyń ** Unwersytet Szczecńsk PROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Bardziej szczegółowoANALIZA PORÓWNAWCZA WYNIKÓW UZYSKANYCH ZA POMOCĄ MIAR SYNTETYCZNYCH: M ORAZ PRZY ZASTOSOWANIU METODY UNITARYZACJI ZEROWANEJ
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XVI/3, 2015, str. 248 257 ANALIZA PORÓWNAWCZA WYNIKÓW UZYSKANYCH ZA POMOCĄ MIAR SYNTETYCZNYCH: M ORAZ PRZY ZASTOSOWANIU METODY UNITARYZACJI ZEROWANEJ Sławomr
Bardziej szczegółowoANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO
Artur Zaborsk Unwersytet Ekonomczny we Wrocławu ANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO Wprowadzene Od ukazana
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoAnaliza i diagnoza sytuacji finansowej wybranych branż notowanych na Warszawskiej Giełdzie Papierów Wartościowych w latach
Jacek Batóg Unwersytet Szczecńsk Analza dagnoza sytuacj fnansowej wybranych branż notowanych na Warszawskej Gełdze Paperów Wartoścowych w latach 997-998 W artykule podjęta została próba analzy dagnozy
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 szczegółowoZŁOŻONY MIESZANY ROZKŁAD POISSONA ZASTOSOWANIA UBEZPIECZENIOWE
Studa Ekonomczne. Zeszyty Naukowe Unwersytetu Ekonomcznego w Katowcach ISSN 083-8611 Nr 7 015 Mchał Trzęsok Unwersytet Ekonomczny w Katowcach Wydzał Zarządzana Katedra Analz Gospodarczych Fnansowych mchal.trzesok@ue.katowce.pl
Bardziej szczegółowoZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 5(96)/2013
ZESZYTY NAUKOWE NSTYTUTU POJAZDÓW 5(96)/2013 Hubert Sar, Potr Fundowcz 1 WYZNACZANE MASOWEGO MOMENTU BEZWŁADNOŚC WZGLĘDEM OS PODŁUŻNEJ DLA SAMOCHODU TYPU VAN NA PODSTAWE WZORÓW DOŚWADCZALNYCH 1. Wstęp
Bardziej szczegółowoZastosowanie hierarchicznej estymacji bayesowskiej w szacowaniu wartości dochodów ludności dla powiatów
Zastosowane herarchcznej estymacj bayesowskej w szacowanu wartośc dochodów ludnośc dla powatów Jan Kuback Ośrodek Statystyk Matematycznej, Urząd Statystyczny w Łodz Herarchczna estymacja bayesowska - wprowadzene
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 szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
Bardziej szczegółowoSTATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],
STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:
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 szczegółowoMIARY ZALEŻNOŚCI ANALIZA STATYSTYCZNA NA PRZYKŁADZIE WYBRANYCH WALORÓW RYNKU METALI NIEŻELAZNYCH
Domnk Krężołek Unwersytet Ekonomczny w Katowcach MIARY ZALEŻNOŚCI ANALIZA AYYCZNA NA PRZYKŁADZIE WYBRANYCH WALORÓW RYNKU MEALI NIEŻELAZNYCH Wprowadzene zereg czasowe obserwowane na rynkach kaptałowych
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoEKONOMETRYCZNA ANALIZA WPŁYWU CZYNNIKÓW SUBIEKTYWNYCH NA DZIAŁALNOŚĆ SPÓŁEK NOTOWANYCH NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Marusz Doszyń Unwersytet Szczecńsk Beata Antonewcz-Nogaj Ccero SC EKONOMETRYCZNA ANALIZA WPŁYWU CZYNNIKÓW SUBIEKTYWNYCH NA DZIAŁALNOŚĆ SPÓŁEK
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 szczegółowoANALIZA WYBRANYCH METOD OCENY SYSTEMÓW BONUS-MALUS
Anna Jędrzychowska Unwersytet Ekonomczny we Wrocławu Wydzał Zarządzana, Informatyk Fnansów Katedra Ubezpeczeń anna.jedrzychowska@ue.wroc.pl Ewa Poprawska Unwersytet Ekonomczny we Wrocławu Wydzał Zarządzana,
Bardziej szczegółowoPODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH
PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających
Bardziej szczegółowoAnaliza regresji modele ekonometryczne
Analza regresj modele ekonometryczne Klasyczny model regresj lnowej - przypadek jednej zmennej objaśnającej. Rozpatrzmy klasyczne zagadnene zależnośc pomędzy konsumpcją a dochodam. Uważa sę, że: - zależność
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 szczegółowoKształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu
PRACE KOMISJI GEOGRAFII PRZEMY SŁU Nr 7 WARSZAWA KRAKÓW 2004 Akadema Pedagogczna, Kraków Kształtowane sę frm nformatycznych jako nowych elementów struktury przestrzennej przemysłu Postępujący proces rozwoju
Bardziej szczegółowoMODELE COPULA M-GARCH O ROZKŁADACH NIEZMIENNICZYCH NA TRANSFORMACJE ORTOGONALNE
Mateusz Ppeń Unwersytet Ekonomczny w Krakowe MODELE COPULA M-GARCH O ROZKŁADACH NIEZMIENNICZYCH NA TRANSFORMACJE ORTOGONALNE Wprowadzene W analzach emprycznych przeprowadzonych z wykorzystanem welorównanowych
Bardziej szczegółowo± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości
Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość
Bardziej szczegółowo1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:
.. Uprość ops zdarzeń: a) A B, A \ B b) ( A B) ( A' B).. Uproścć ops zdarzeń: a) A B A b) A B, ( A B) ( B C).. Uproścć ops zdarzeń: a) A B A B b) A B C ( A B) ( B C).4. Uproścć ops zdarzeń: a) A B, A B
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 szczegółowoSYMULACJA KOMPUTEROWA NAPRĘŻEŃ DYNAMICZNYCH WE WRĘGACH MASOWCA NA FALI NIEREGULARNEJ
Jan JANKOWSKI *), Maran BOGDANIUK *),**) SYMULACJA KOMPUTEROWA NAPRĘŻEŃ DYNAMICZNYCH WE WRĘGACH MASOWCA NA FALI NIEREGULARNEJ W referace przedstawono równana ruchu statku w warunkach falowana morza oraz
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 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 szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natala Nehrebecka Stansław Cchock Wykład 10 1 1. Testy dagnostyczne 2. Testowane prawdłowośc formy funkcyjnej modelu 3. Testowane normalnośc składnków losowych 4. Testowane stablnośc parametrów 5. Testowane
Bardziej szczegółowoPomiar efektywności systemu bonus-malus. Analiza wybranych metod oceny
Pomar efektywnośc systemu bonus-malus Anna Jędrzychowska Ewa Poprawska Pomar efektywnośc systemu bonus-malus. Analza wybranych metod oceny Artykuł stanow rozwnęce kontynuację zaprezentowanej na kartach
Bardziej szczegółowoOPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE OPTIMAL INVESTMENT STRATEGY FUNDAMENTAL ANALYSIS
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Sera: ORGANIZACJA I ZARZĄDZANIE z. 68 Nr kol. 1905 Adranna MASTALERZ-KODZIS Unwersytet Ekonomczny w Katowcach OPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE
Bardziej szczegółowoMetody predykcji analiza regresji
Metody predykcj analza regresj TPD 008/009 JERZY STEFANOWSKI Instytut Informatyk Poltechnka Poznańska Przebeg wykładu. Predykcja z wykorzystanem analzy regresj.. Przypomnene wadomośc z poprzednch przedmotów..
Bardziej szczegółowoPORÓWNANIE METOD PROSTYCH ORAZ METODY REGRESJI HEDONICZNEJ DO KONSTRUOWANIA INDEKSÓW CEN MIESZKAŃ
PORÓWNANIE METOD PROSTYCH ORAZ METODY REGRESJI HEDONICZNEJ DO KONSTRUOWANIA INDEKSÓW CEN MIESZKAŃ Radosław Trojanek Katedra Inwestycj Neruchomośc Unwersytet Ekonomczny w Poznanu e-mal: r.trojanek@ue.poznan.pl
Bardziej szczegółowoModelowanie struktury stóp procentowych na rynku polskim - wprowadzenie
Mgr Krzysztof Pontek Katedra Inwestycj Fnansowych Ubezpeczeń Akadema Ekonomczna we Wrocławu Modelowane struktury stóp procentowych na rynku polskm - wprowadzene Wprowadzene Na rynku stóp procentowych analzowana
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 szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009.
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009 Unwersytet Mkołaja Kopernka w Torunu Katedra Ekonometr Statystyk Elżbeta
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 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 szczegółowoKlasyczne miary efektywności systemu bonus-malus
Klasyczne mary efektywnośc systemu bonus-malus Anna Jędrzychowska Ewa Poprawska Klasyczne mary efektywnośc systemu bonus-malus Głównym celem wprowadzena systemu bonus-malus w ubezpeczenach komunkacyjnych
Bardziej szczegółowo