Funkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej
|
|
- Roman Mazur
- 7 lat temu
- Przeglądów:
Transkrypt
1 Funkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej Uniwersytet Jagiello«ski 9 maja 2012
2 Kilka wst pnych sªów: Kowariancja i korelacja Grube ogony ρ Spearmana Czym jest kopuªa? Denicja kopuªy Twierdzenie Sklara Miary monotonicznej zgodno±ci Kilka wst pnych sªów: Denicja kowariancji i korelacji Kowariancja Liczba okre±laj ca zale»no± liniow mi dzy zmiennymi losowymi X i Y. cov(x, Y ) = E[(X µ X )(Y µ Y )] Korelacja Wspóªczynnik korelacji liniowej Pearsona - unormowana kowariancja. Z Wikipedii: ρ X,Y = cov(x, Y ) σ X σ Y
3 Kilka wst pnych sªów: Kowariancja i korelacja Grube ogony ρ Spearmana Czym jest kopuªa? Denicja kopuªy Twierdzenie Sklara Miary monotonicznej zgodno±ci Wady wspóªczynnika korelacji liniowej Najcz ±ciej cytowane wady 1. Wspóªczynnik ten nie jest niezmienniczy wzgl dem przeksztaªce«monotonicznych. owo, korelacja mi dzy X i Y jest ró»na od korelacji mi dzy ln X i ln Y. 2. Cz sto ze wzgl du na rozkªad zmiennych, warto± korelacji jest bardzo ograniczona. owo, je±li ln X N(0, 1) oraz ln Y N(0, 4), to ρ XY ( 0.09, 0.66). 3. Z caªkowitej dodatniej zale»no±ci (monotonicznej) jednej zmiennej od drugiej nie wynika, i» ρ XY = 1. Podobnie w drug stron (z 1). 4. Zerowa warto± korelacji wcale nie oznacza niezale»no±ci zmiennych losowych (np. dla 2 wymiarowego rozkªadu t-studenta). 5. Cz sto nie da si poprawnie zdeniowa wspóªczynnika korelacji (gdy wariancje zmiennych losowych s niesko«czone). 6. Podatno± na próbki odstaj ce. 7. Nie jest zbyt 'odporna'.
4 Kilka wst pnych sªów: Kowariancja i korelacja Grube ogony ρ Spearmana Czym jest kopuªa? Denicja kopuªy Twierdzenie Sklara Miary monotonicznej zgodno±ci Co to s grube ogony? Kilka obrazków jednowymiarowy: pokaza w R. Wiele wymiarów Je»eli mamy model wielowymiarowy, to ªatwiej 'zapomnie ' o grubych ogonach. Pokaza w R.
5 Kilka wst pnych sªów: Kowariancja i korelacja Grube ogony ρ Spearmana Czym jest kopuªa? Denicja kopuªy Twierdzenie Sklara Miary monotonicznej zgodno±ci ρ Spearmana Rangowanie Mamy np. 2 obserwacje z rozkªadu dwuwymiarowego (1, 5), (2, 3), (4, 6).. Zamiast rozwa»a bezpo±rednio warto±ci warto±ci, spróbujmy je uporz dkowa i rozwa»a miejsce danej warto±ci wzgl dem innych. Tzn: dla 'pierwszego' wymiaru dostajemy ( 1, 2, 3 ), dla drugiego ( 2, 1, 3 ). W tedy otrzymujemy próbk ( 1 3, 2 3 ), ( 2 3, 1 3 ), ( 3 3, 3 3 ). Dla takiej próbki liczymy standardowe ρ Pearsona. Otrzyman w ten sposób warto± nazywamy ρ Spearmana. Uwaga Jest to tzw. miara monotonicznej zgodno±ci. Opowiemy o tym dokªadniej w dalszej cz ±ci referatu.
6 Kilka wst pnych sªów: Kowariancja i korelacja Grube ogony ρ Spearmana Czym jest kopuªa? Denicja kopuªy Twierdzenie Sklara Miary monotonicznej zgodno±ci Czym jest kopuªa? Uproszczenie Ograniczymy si do dwóch wymiarów. Teoria wielowymiarowa jest bardzo podobna. Dystrybuanty brzegowe Zaªó»my,»e mamy dan par zmiennych losowych X, Y (okre±lon na R). Rozwa»my dwuwymiarow dystrybuant ª cz c X i Y dan wzorem: H(x, y) = P(X x, Y y) Jednowymiarowe dystrybuanty F (x) = P(X x) = H(x, ) oraz G(x) = P(Y y) = H(, y) nazywamy wtedy dystrybuantami brzegowymi. Czym jest kopuªa? Funkcj, która ª czy dystrybuant wielowymiarow z jej jednowymiarowymi dystrybuantami brzegowymi. Funkcj opisuj c zale»no± mi dzy zmiennymi.
7 Kilka wst pnych sªów: Kowariancja i korelacja Grube ogony ρ Spearmana Czym jest kopuªa? Denicja kopuªy Twierdzenie Sklara Miary monotonicznej zgodno±ci Denicja 2-kopuªy Denicja 2-kopuª nazywamy funkcj C : I 2 I, która speªnia nastepuj ce warunki: 1. Dla ka»dego u, v I, C(u, 0) = C(0, v) = 0, C(u, 1) = u oraz C(1, v) = v 2. Dla u 1, u 2, v 1, v 2 I takich,»e u 1 u 2, v 1 v 2 C jest 2-rosn ca. Mamy C(u 2, v 2) C(u 2, v 1) C(u 1, v 2) + C(u 1, v 1) 0 1 C(u,v) C(u,v)= 0 na = C(u,v)= u na = C(u,v)= v na = =
8 Kilka wst pnych sªów: Kowariancja i korelacja Grube ogony ρ Spearmana Czym jest kopuªa? Denicja kopuªy Twierdzenie Sklara Miary monotonicznej zgodno±ci Twierdzenie Sklara Twierdzenie (Sklar 1959) Niech H b dzie dystrybuant dwuwymiarow z funkcjami brzegowymi F oraz G. Istnieje wtedy kopuªa C taka,»e: x, y R : H(x, y) = C(F (x), G(y)) Ponadto: 1. Je»eli F i G s ci gªe, to C jest jedyna. W przeciwnym przypadku C jest jednoznacznie okre±lona na Ran(F ) Ran(G). 2. Podobnie je»eli C jest kopuª oraz F i G s dystrybuantami, to funkcja H zdeniowana powy»ej jest dystrybuant ª czn o funkcjach brzegowych F i G. Odwrócenie dystrybuant Zakªadaj c,»e dystrybuanty s ±ci±le rosn ce albo rozwa»aj c funkcje quasi-odwrotne dostajemy te» wzór: x, y R : C(x, y) = H(F ( 1) (x), G ( 1) (y))
9 Kilka wst pnych sªów: Kowariancja i korelacja Grube ogony ρ Spearmana Czym jest kopuªa? Denicja kopuªy Twierdzenie Sklara Miary monotonicznej zgodno±ci Miary monotonicznej zgodno±ci Najbardziej znane 1. ρ S Spearmana. Wspóªczynnik korelacji rang. Wzór w j zyku kopuª: ρ S = 12 uvdc(u, v) 3 = 12 C(u, v)dudv 3 I 2 I 2 2. τ Kendalla - stanowi ró»nic mi dzy prawdopodobie«stwem,»e porównywane zmienne b d ukªadaªy si w tym samym porz dku dla dwóch obserwacji, a prawdopodobie«stwem,»e uªo» si w przeciwnym porz dku. τ = P[(x 1 x 2)(y 1 y 2) > 0] P[(x 1 x 2)(y 1 y 2) < 0] W j zyku kopuª: τ = Q(C, C) = 4 C(u, v)dc(u, v) 1 I 2
10 Kilka wst pnych sªów: Kowariancja i korelacja Grube ogony ρ Spearmana Czym jest kopuªa? Denicja kopuªy Twierdzenie Sklara Miary monotonicznej zgodno±ci Inne Zachowanie w ogonach - tail index tail index: C(v, v) λ L = lim P[F (X ) v G(Y ) v] = lim v 0 + v 0 + v upper tail index: λ U = lim P[F (X ) > v G(Y ) > v] = lim 1 2v + C(v, v) v 1 v 1 1 v PQD - Positive quadratic dependance P[X x, Y y] P[X x]p[y y] C(u, v) uv
11 Wst p Rodziny kopuª Estymacja Zalety u»ycia funkcji Copula Kilka udogodnie«1. Twierdzenie sklara H(x, y) = C(F (x), G(y)) Pozwala nam to na osobne modelowanie rozkªadów brzegowych i funkcji copula. 2. Monotoniczne przeksztaªcenia C α(x )β(y ) = C XY monotoniczne przeksztaªcenia nie zmieniaj kopuªy. 3. Znamy du»o rodzin kopuª Tworzenie wielowymiarowych rozkªadów innych ni» normalne/eliptyczne [np. kopuªy archimedesowe (Gumbel, Clayton, Frank), vine copula, sko±na kopuªa t-studenta].
12 Wst p Rodziny kopuª Estymacja Kilka znanych rodzin kopuª Kopuªy zwi zane z rozkªadami eliptycznymi 1. Kopuªa Gaussa 2. Kopuªa t-studenta 3. Sko±na kopuªa t-studenta (praca, str 26) Zalety Cz sto znane procedury estymacji. Szczególnie dla kopuªy Gaussa. - np. przez macierz kowariancji, czy macierz z τ Kendalla. (potem b d algorytmy) Dosy dobrze opisuj zale»no± przy bardzo du»ej liczbie wymiarów. I numerycznie umo»liwiaj jej opis. (CDO, czy bankructwa) pakiet 'copula' w R oraz inne programy (szczególnie nansowe)
13 Wst p Rodziny kopuª Estymacja Kopuªy zwi zane z rozkªadami eliptycznymi Kopuªa Gaussa ) C Ga R (u) := Φ R (Φ 1 (u 1), Φ 1 (u 2),..., Φ 1 (u n) Rysunek: G sto± i próbka z 2-kopuªy Gaussa, ρ = 0.5 i ρ = 0.3
14 Wst p Rodziny kopuª Estymacja Kopuªy zwi zane z rozkªadami eliptycznymi Kopuªa t-studenta C Stud R,v (u) := t R,v (t 1 (u 1),..., t 1 (u n)) v v Rysunek: G sto± i próbka z 2-kopuªy t-studenta, (ρ = 0.5, v = 3) i (ρ = 0.1, v = 5)
15 Wst p Rodziny kopuª Estymacja Kopuªy zwi zane z rozkªadami eliptycznymi Sko±na kopuªa t-studenta Rysunek: Próbka 1000 elementowa dla sko±nej 2-kopuªy t-studenta, (v = 3, µ = (0.5, 0), ρ = 0.5, γ = (0.9, 0)) oraz (v = 4, µ = (0, 0), ρ = 0.5, γ = ( 0.7, 0.7))
16 Wst p Rodziny kopuª Estymacja Kilka znanych rodzin kopuª Kopuªy Archimedesowe C(u, v) = ϕ [ 1] (ϕ(u) + ϕ(v)) ϕ : I [0, ], ci gªa, ±ci±le malej ca, ϕ(1) = 0, ϕ jest wypukªa. owe rodziny 1. Kopuªa Franka 2. Kopuªa Gumbela 3. Kopuªa Claytona Zalety Šatwa estymacja z u»yciem τ Kendalla. Du»o procedur estymacji. (równie» nieparametrycznych) Dobre dopasowanie do danych maªowymiarowych. Du»o uogólnie«(np.vine Copula)
17 Wst p Rodziny kopuª Estymacja Kopuªy Archimedesowe Kopuªa Franka C α(u 1,..., u n) = 1 α ln [1 + ( ) e Generator: ϕ α(u) = ln αu 1 α > 0 e α 1 n i=1 (e αu i 1) (e α 1) n 1 ] Rysunek: G sto± i próbka z 2-kopuªy Franka, α = 4 i α = 15
18 Wst p Rodziny kopuª Estymacja Kopuªy Archimedesowe Kopuªy Gumbela i Claytona Rysunek: Próbka 1000 elementowa dla jednoparametrowych 2-kopuª z rodziny Gumbela i Claytona (α = 2.5)
19 Wst p Rodziny kopuª Estymacja Kilka znanych rodzin kopuª Inne Rodziny 1. Extreme-value Copulas (modelowanie rzadko wyst puj cych procesów) 2. Kopuªy zwi zane z funkcjami prze»ycia (Survival copulas) 3. Lévy copulas, Markov copulas, semimartingale copula (w nansach - dynamiczne podej±cie).
20 Wst p Rodziny kopuª Estymacja Estymacja - przegl d metod Podstawowy podziaª - MLE 1. MLE (Exact Maximum Likelihood Estimation) 2. IFM (Infrence Functions for Margins) 3. CML (Canonical Maximum Likelihood) Podstawowy podziaª - Inne 1. KA - τ Kendalla Clayton: τ = θ (τ [0, 1]\{0}) Gumbel: τ = 1 θ 1 (τ [0, 1]) 2. KA - Estymacja generatora (przez 'poziomice' kopuªy) 3. Du»o innych..
21 3-wymiarowy model stóp zwrotu 1. Mamy trzy akcje - PKO, PEKAO, ORBIS. Ich notowania w okre±lonym czasie 2. Chcemy stworzy 3-wymiarowy model logarytmicznych stóp zwrotu, zakªadaj c kopuª normaln i brzegi t-studenta. U»yjemy modelu GARCH(1,1)-Copula. GARCH(1,1): y t ψ t 1 N(0, h t) h t = α 0 + α 1y 2 t 1 + β 1h t 1
22 rodowisko R
Ekonometria Finansowa II EARF. Michał Rubaszek
Ekonometria Finansowa II EARF Michał Rubaszek 1 Cele - Zapoznanie z charakterystykami szeregów finansowych - Omówienie jednowymiarowych metod liczenia VaR - Omówienie wielowymiarowych metod liczenia VaR
Bardziej szczegółowoModelowanie z u»yciem funkcji Copula. Modelowanie portfela akcji przy u»yciu modelu copula-garch
Modelowanie z u»yciem funkcji Copula. Modelowanie portfela akcji przy u»yciu modelu copula-garch 23 maja 2010 Monotoniczne przeksztaªcenie zmiennej losowej kopuªy archimedesowe n-kopuªy Czym jest kopuªa?
Bardziej szczegółowoWykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego. Katarzyna Kuziak
Wykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego Katarzyna Kuziak Cel: łączenie różnych rodzajów ryzyka rynkowego za pomocą wielowymiarowej funkcji powiązań 2 Ryzyko rynkowe W pomiarze ryzyka
Bardziej szczegółowoMIARY ZALEŻNOŚCI OPARTE NA KOPULACH
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 246 2015 Współczesne Finanse 3 Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie Wydział Matematyczno-Przyrodniczy.
Bardziej szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoStacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa
Bardziej szczegółowoWykªad 4. Funkcje wielu zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 4. Funkcje wielu zmiennych. Zbiory na pªaszczy¹nie i w przestrzeni.
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia
Bardziej szczegółowoZastosowanie funkcji copula w nansach i statystyce
UNIWERSYTET JAGIELLO SKI WYDZIAŠ MATEMATYKI I INFORMATYKI INSTYTUT MATEMATYKI Marcin Pitera Zastosowanie funkcji copula w nansach i statystyce ze szczególnym uwzgl dnieniem wyceny instrumentów opartych
Bardziej szczegółowo1 0 Je»eli wybierzemy baz A = ((1, 1), (2, 1)) to M(f) A A =. 0 2 Daje to znacznie lepszy opis endomorzmu f.
GAL II 2012-2013 A Strojnowski str1 Wykªad 1 Ten semestr rozpoczniemy badaniem endomorzmów sko«czenie wymiarowych przestrzeni liniowych Denicja 11 Niech V b dzie przestrzeni liniow nad ciaªem K 1) Przeksztaªceniem
Bardziej szczegółowoWektory w przestrzeni
Wektory w przestrzeni Informacje pomocnicze Denicja 1. Wektorem nazywamy uporz dkowan par punktów. Pierwszy z tych punktów nazywamy pocz tkiem wektora albo punktem zaczepienia wektora, a drugi - ko«cem
Bardziej szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoMatematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie
Bardziej szczegółowoElementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo
Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4
Bardziej szczegółowoRozwini cia asymptotyczne dla mocy testów przybli»onych
Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoRachunek caªkowy funkcji wielu zmiennych
Rachunek caªkowy funkcji wielu zmiennych I. Malinowska, Z. Šagodowski Politechnika Lubelska 8 czerwca 2015 Caªka iterowana podwójna Denicja Je»eli funkcja f jest ci gªa na prostok cie P = {(x, y) : a x
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoZastosowania kopuli w wyznaczaniu wartości zagrożonej portfela. Applications of copulas in calculating Value-at-Risk. Paweł Budzianowski
Uniwersytet im. Adama Mickiewicza w Poznaniu Wydział Matematyki i Informatyki Pracownia Ekonometrii Finansowej Zastosowania kopuli w wyznaczaniu wartości zagrożonej portfela Applications of copulas in
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 I.1 Przestrze«towarów Podstawowe poj cia Rynek towarów
Bardziej szczegółowoRelacj binarn okre±lon w zbiorze X nazywamy podzbiór ϱ X X.
Relacje 1 Relacj n-argumentow nazywamy podzbiór ϱ X 1 X 2... X n. Je±li ϱ X Y jest relacj dwuargumentow (binarn ), to zamiast (x, y) ϱ piszemy xϱy. Relacj binarn okre±lon w zbiorze X nazywamy podzbiór
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Analiza matematyczna 2; MatematykaS-I 0 lic 21 maja 2018 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(, y b dzie okre±lona przynajmniej na otoczeniu punktu
Bardziej szczegółowoPraca dyplomowa magisterska. Modelowanie straty przy użyciu GLM i kopuł. Sylwia Piotrowska
Praca dyplomowa magisterska Modelowanie straty przy użyciu GLM i kopuł Sylwia Piotrowska Rok akademicki 2017/2018 Spis treści Wstęp i cel pracy 3 1 Kopuły 4 1.1 Definicja kopuły.....................................
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoZadania 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 szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdziaª 9 RÓWNANIA ELIPTYCZNE 9.1 Zastosowanie eliptycznych równa«ró»niczkowych cz stkowych 9.1.1 Problemy z warunkami brzegowymi W przestrzeni dwuwymiarowej
Bardziej szczegółowoANALIZA WIELOWYMIAROWEJ STRUKTURY ZALEŻNOŚCI ZASTOSOWANIE W RODZINNYCH UBEZPIECZENIACH NA ŻYCIE 1
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 301 2016 Stanisław Heilpern Uniwersytet Ekonomiczny we Wrocławiu Wydział Zarządzania, Informatyki i Finansów
Bardziej szczegółowoZadania z PM II A. Strojnowski str. 1. Zadania przygotowawcze z Podstaw Matematyki seria 2
Zadania z PM II 010-011 A. Strojnowski str. 1 Zadania przygotowawcze z Podstaw Matematyki seria Zadanie 1 Niech A = {1,, 3, 4} za± T A A b dzie relacj okre±lon wzorem: (a, b) T, gdy n N a n = b. a) Ile
Bardziej szczegółowoWykład 12 Testowanie hipotez dla współczynnika korelacji
Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 23 maja 2018 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoZadania. 4 grudnia k=1
Zadania 4 grudnia 205 Zadanie. Poka»,»e dla dowolnych liczb zespolonych z,..., z n istnieje zbiór B {,..., n}, taki,»e n z k π z k. k B Zadanie 2. Jakie warunki musz speªnia ci gi a n i b n, aby istniaªy
Bardziej szczegółowof(x) f(x 0 ) i f +(x 0 ) := lim = f(x 0 + x) f(x 0 ) wynika ci gªo± funkcji w punkcie x 0. W ka»dym przypadku zachodzi:
Pochodna funkcji Def 1 Pochodn wªa±ciw funkcji f w punkcie x 0 nazywamy granic f (x 0 ) := lim o ile granica ta istnieje i jest wªa±ciwa Funkcj f nazywamy wtedy ró»niczkowaln Przy zaªo»eniu,»e f jest ci
Bardziej szczegółowoWykład 12 Testowanie hipotez dla współczynnika korelacji
Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 24 maja 2017 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem
Bardziej szczegółowoDaniel Papla Akademia Ekonomiczna we Wrocławiu
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu
Bardziej szczegółowoFunkcje, 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 szczegółowoAlgorytmy zwiazane z gramatykami bezkontekstowymi
Algorytmy zwiazane z gramatykami bezkontekstowymi Rozpoznawanie j zyków bezkontekstowych Problem rozpoznawania j zyka L polega na sprawdzaniu przynale»no±ci sªowa wej±ciowego x do L. Zakªadamy,»e j zyk
Bardziej szczegółowoRozkłady wielu zmiennych
Rozkłady wielu zmiennych Uogólnienie pojęć na rozkład wielu zmiennych Dystrybuanta, gęstość prawdopodobieństwa, rozkład brzegowy, wartości średnie i odchylenia standardowe, momenty Notacja macierzowa Macierz
Bardziej szczegółowoEstymacja parametru gªadko±ci przy u»yciu falek splajnowych
Estymacja parametru gªadko±ci przy u»yciu falek splajnowych Politechnika Gda«ska Wydziaª Fizyki Technicznej i Matematyki Stosowanej Wisªa, 3-7.12.2012 Przestrze«Biesowa Przestrze«Biesowa B s p,q, 1 p,
Bardziej szczegółowoPORÓWNANIE METOD ESTYMACJI PARAMETRU W KLASIE WYBRANYCH DWUWYMIAROWYCH KOPULI ARCHIMEDESOWYCH
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 297 2016 Andrzej Stryjek Szkoła Główna Handlowa w Warszawie Instytut Ekonometrii astryj@sgh.waw.pl PORÓWNANIE
Bardziej szczegółowoGeometria Algebraiczna
Geometria Algebraiczna Zadania domowe: seria 1 Zadania 1-11 to powtórzenie podstawowych poj z teorii kategorii. Zapewne rozwi zywali Pa«stwo te zadania wcze±niej, dlatego nie b d one omawiane na wiczeniach.
Bardziej szczegółowo1 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 szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
Bardziej szczegółowoZadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej
Zadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej Denicja 1. Niech X = R n b dzie przestrzeni unormowan oraz d(x, y) = x y.
Bardziej szczegółowoTablice wzorów z probabilistyki
Akademia Górniczo - Hutnicza im. Stanisªawa Staszica Wydziaª Elektrotechniki, Automatyki, Informatyki i In»ynierii Biomedycznej Kierunek: Automatyka i robotyka Tablice wzorów z probabilistyki Prowadz cy:
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 Metody estymacji. Estymator największej wiarygodności Zad. 1 Pojawianie się spamu opisane jest zmienną losową y o rozkładzie zero-jedynkowym
Bardziej szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowoZbiory i odwzorowania
Zbiory i odwzorowania 1 Sposoby okre±lania zbiorów 1) Zbiór wszystkich elementów postaci f(t), gdzie t przebiega zbiór T : {f(t); t T }. 2) Zbiór wszystkich elementów x zbioru X speªniaj cych warunek ϕ(x):
Bardziej szczegółowoTwierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski
Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x, y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0, y 0 ) Pochodn cz stkow pierwszego rz du funkcji dwóch zmiennych wzgl
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoDefinicje zależności. Kopuły w matematyce finansowej. Aleksandra Kantowska
Definicje zależności. Kopuły w matematyce finansowej. Aleksandra Kantowska 18.06.2014 Spis treści Wstęp 2 1 Funkcja kopuła 4 1.1 Podstawowe pojęcia................................... 4 1.2 Pochodne kopuł......................................
Bardziej szczegółowoLiniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach
Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach Teoria obowi zuje z wykªadu, dlatego te» zostan tutaj przedstawione tylko podstawowe denicje, twierdzenia i wzory. Denicja 1. Równanie
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoRozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład
Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;
EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoFunkcja rzeczywista zmiennej rzeczywistej. Pochodna (szkic wykªadu)
Funkcja rzeczywista zmiennej rzeczywistej. Pochodna (szkic wykªadu) opracowaªa Gra»yna Ciecierska 1 Denicja pochodnej Denicja. Niech : X R, X R oraz U(x 0, r) X dla pewnego r > 0. Ilorazem ró»nicowym unkcji
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowoWykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoAutomorzmy modeli i twierdzenie EhrenfeuchtaMostowskiego
Automorzmy modeli i twierdzenie EhrenfeuchtaMostowskiego Krzysztof Kapulkin IX Warsztaty Logiczne 5 12 lipca 2008 1 Wst p W referacie tym przedstawiamy wyniki uzyskane przez Andrzeja Ehrenfeuchta i Andrzeja
Bardziej szczegółowoMiary siły związku między zmiennymi losowymi. Marcin Szatkowski
Miary siły związku między zmiennymi losowymi Marcin Szatkowski 1 października 15 Streszczenie Praca ta przedstawia różne miary siły związku między zmiennymi losowymi i przedyskutowuje ich wady oraz zalety.
Bardziej szczegółowoMaªgorzata Murat. Modele matematyczne.
WYKŠAD I Modele matematyczne Maªgorzata Murat Wiadomo±ci organizacyjne LITERATURA Lars Gårding "Spotkanie z matematyk " PWN 1993 http://moodle.cs.pollub.pl/ m.murat@pollub.pl Model matematyczny poj cia
Bardziej szczegółowoI Rok LOGISTYKI: wykªad 2 Pochodna funkcji. iloraz ró»nicowy x y x
I Rok LOGISTYKI: wykªad 2 Pochodna funkcji Niech f jest okre±lona w Q(x 0, δ) i x Q(x 0, δ). Oznaczenia: x = x x 0 y = y y 0 = f(x 0 + x) f(x 0 ) y x = f(x 0 + x) f(x 0 ) iloraz ró»nicowy x y x = tgβ,
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowoZastosowanie mieszanki kopul do modelowania współzależności pomiędzy wybranymi sektorami gospodarki
Ekonomia Menedżerska 2009, nr 6, s. 129 139 Piotr Gurgul*, Robert Syrek** Zastosowanie mieszanki kopul do modelowania współzależności pomiędzy wybranymi sektorami gospodarki 1. Wprowadzenie Możliwość prognozowania
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoKorelacja krzywoliniowa i współzależność cech niemierzalnych
Korelacja krzywoliniowa i współzależność cech niemierzalnych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki Szczecińskiej
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoFunkcje jednej zmiennej. Granica, ci gªo±. (szkic wykªadu)
Funkcje jednej zmiennej Granica, ci gªo± (szkic wykªadu) opracowaªa Gra»yna Ciecierska 1 Granica funkcji Denicja Niech 0 R, r > 0 Otoczeniem punktu 0 o promieniu r nazywamy przedziaª ( 0 r, 0 +r) Otoczeniem
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoAnaliza zależności ekstremalnych
Zeszyty Naukowe nr 726 Akademii Ekonomicznej w Krakowie 2006 Katedra Statystyki Analiza zależności ekstremalnych. Wprowadzenie W dobie globalizacji gospodarki zarządzający ryzykiem w instytucjach finansowych
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowoMODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH
MODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH Urszula Fory± Zakªad Biomatematyki i Teorii Gier, Instytut Matematyki Stosowanej i Mechaniki, Wydziaª
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowoUBEZPIECZENIA MAŁŻEŃSKIE UWZGLĘDNIAJĄCE ZALEŻNOŚCI 1
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 331 2017 Uniwersytet Ekonomiczny we Wrocławiu Wydział Zarządzania, Informatyki i Finansów Katedra Statystyki
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 3 11.03.2016 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Wykłady z poprzednich lat (dr inż. H. Zbroszczyk): http://www.if.pw.edu.pl/~gos/student
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoRozdziaª 9: Wycena opcji
Rozdziaª 9: Wycena opcji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 9) Wycena opcji 1 / 23 Denicja opcji. Opcja nansowa:. Warunkowy kontrakt terminowy na sprzeda» lub kupno instrumentu bazowego,
Bardziej szczegółowoMetody 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 szczegółowoMacierze. 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 szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji ML Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Interpolacja PWSZ Gªogów, 2009 Interpolacja Okre±lenie zale»no±ci pomi dzy interesuj cymi nas wielko±ciami, Umo»liwia uproszczenie skomplikowanych funkcji (np. wykorzystywana
Bardziej szczegółowo1 Lista 6 1. LISTA Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci Obliczenia zrobi dla TT -PL97m oraz i = 4%.
1. LISTA 6 1 1 Lista 6 1.1 Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci 3000. Obliczenia zrobi dla TT -PL97m oraz i = 4%. 1.2 Obliczy JSN dla nast puj cej renty dla (30)-latka: je±li»yje
Bardziej szczegółowoA = 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 szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoZdzisªaw Dzedzej, Katedra Analizy Nieliniowej pok. 611 Kontakt:
Zdzisªaw Dzedzej, Katedra Analizy Nieliniowej pok. 611 Kontakt: zdzedzej@mif.pg.gda.pl www.mif.pg.gda.pl/homepages/zdzedzej () 5 pa¹dziernika 2016 1 / 1 Literatura podstawowa R. Rudnicki, Wykªady z analizy
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.2. Momenty rozkładów łącznych. Katarzyna Rybarczyk-Krzywdzińska rozkładów wielowymiarowych Przypomnienie Jeśli X jest zmienną losową o rozkładzie
Bardziej szczegółowoW poprzednim odcinku... Podstawy matematyki dla informatyków. Relacje równowa»no±ci. Zbiór (typ) ilorazowy. Klasy abstrakcji
W poprzednim odcinku... Podstawy matematyki dla informatyków Rodzina indeksowana {A t } t T podzbiorów D to taka funkcja A : T P(D),»e A(t) = A t, dla dowolnego t T. Wykªad 3 20 pa¹dziernika 2011 Produkt
Bardziej szczegółowoKOMPUTEROWE MODELOWANIE WIELOWYMIAROWYCH DANYCH Z WYKORZYSTANIEM KOPUŁ
Zeszyty Naukowe Wydziału Informatyki Wyższej Szkoły Informatyki Stosowanej i Zarzadzania Informatyka Stosowana Nr 1/214 KOMPUTEROWE MODELOWANIE WIELOWYMIAROWYCH DANYCH Z WYKORZYSTANIEM KOPUŁ Hubert Czobodziński
Bardziej szczegółowoWykorzystanie lokalnej geometrii danych w Maszynie Wektorów No±nych
WM Czarnecki (GMUM) Lokalna geometria w SVM 13 Listopada 2013 1 / 26 Wykorzystanie lokalnej geometrii danych w Maszynie Wektorów No±nych Wojciech Marian Czarnecki Jacek Tabor GMUM Grupa Metod Uczenia Maszynowego
Bardziej szczegółowo