Wprowadzenie do szeregów czasowych i modelu ARIMA
|
|
- Witold Urbaniak
- 8 lat temu
- Przeglądów:
Transkrypt
1 Wprowadzenie do szeregów czasowych i modelu ARIMA
2 Plan 1 Pojęcie szeregu czasowego 2 Stacjonarne szeregi czasowe 3 Model autoregresyjny - AR 4 Model średniej ruchomej - MA 5 Model ARMA 6 ARIMA - model ARMA z trendem
3 Co to rozumiemy przez szereg czasowy? Definicja 1 Szereg czasowy to ciąg danych liczbowych, w którym każda obserwacja związana jest z konkretnym momentem w czasie. Aby móc używać narzędzi statystycznych konieczne jest zbudowanie matematycznego modelu. Definicja 2 Szereg czasowy to realizacje pewnego procesu stochastycznego.
4 Przykłady szeregów czasowych Występowanie szeregów Dane giełdowe Dane dotyczące urządzeń fizycznych Dane dotyczące pogody Dane biologiczne Rodzaje danych Indywidualnie rozpatrywany szereg w oderwaniu od innych danych Analiza danych powiązanych ze sobą
5 Praca z szeregami czasowymi Cele analizy szeregów czasowych Przewidywanie przyszłych wartości Badanie dynamiki szeregów Proces analizy szeregów czasowych Analiza wykresu danych Zastosowanie wybranych metod statystycznych adekwatnych do wstępnej analizy wykresu Składowe szeregu Trend Sezonowość (cykliczność) Losowość
6 Przykłady szeregów czasowych 1 Biały szum: w t iid(0, σ 2 w ). Często w t Niid(0, σ 2 w ). Średnia ruchoma: v t = 1 3 (w t 2 + w t 1 + w t ) (model MA(2)). Rysunek: Gausowski biały szum i średnia ruchoma tego szumu.
7 Przykłady szeregów czasowych 2 Autoregresja: x t = x t 1 + 0, 9x t 2 + w t dla t = 0, 1, 2,... (model AR(2)). Rysunek: Autoregresja.
8 Przykłady szeregów czasowych 3 Błądzenie losowe z trendem (lub bez): x t = δ + x t 1 + w t = δt + t j=1 w j dla t = 1, 2,... oraz x 0 = 0 (model ARIMA(1,1,0)). Rysunek: Błądzenie losowe z trendem δ = 2 i bez trendu (δ = 0).
9 Przykłady szeregów czasowych 4 Sygnał w szumie: x t = 2 cos(2πt/50 + 0, 6π) + w t dla t = 1, 2,... (szereg cykliczny). Rysunek: Cosinus, cosinus z szumem σ w = 1 i cosinus z szumem σ w = 5.
10 Opis modelu Dla dowolnych momentów czasowych s, t możemy wyznaczyć funkcje: średniej: µ t = E(x t ) autokowariancji: γ(s, t) = E[(x s µ s )(x t µ t )] autokorelacji: ρ(s, t) = γ(s,t) γ(s,s)γ(t,t) kowariancji dwóch szeregów: γ xy (s, t) = E[(x s µ xs )(y t µ yt )] korelacji dwóch szeregów: ρ xy (s, t) = Zauważmy, że: γ(s, t) = γ(t, s) γ(t, t) = σ 2 t 1 ρ(s, t) 1 γ xy (s,t) γxy (s,s)γ xy (t,t) Jeśli γ(s, t) = 0 i x s, x t mają dwuwymiarowy rozkład normalny to są niezależne - dla dowolnych rozkładów niekoniecznie
11 Autokowariancja - przykład Rysunek: Autokowariancja średniej ruchomej x t = 1 (wt + wt 1 + wt 2). 3
12 Stacjonarność Problem: Chcemy estymować średnie i kowariancje z danych. Do dyspozycji mamy po jednej realizacji procesu, a nie cały proces, co utrudnia zadanie. Definicja - ścisła stacjonarność Szereg czasowy jest ściśle stacjonarny jeśli dla dowolnych dopuszczalnych danych t 1,..., t k i dowolnego h Z łączny rozkład kolekcji {x t1,..., x tk } jest identyczny z rozkładem {x t1+h,..., x tk +h}. Ze ścisłej stacjonarności wynika stałość średnich i wariancji w czasie. Definicja - słaba stacjonarność (stacjonarność) Szereg czasowy o skończonej wariancji jest słabo stacjonarny (stacjonarny) jeśli: 1 Średnia µ t jest stała w czasie. 2 Autokowariancja γ(s, t) zależy tylko od różnicy h = t s.
13 Przykłady Biały szum: γ(s, t) = E[(w t 0)(w s 0)] = { σ 2 w, s = t, 0, s t. Jest stacjonarny. Jeśli w t Niid(0, σ 2 w ), to jest nawet ściśle stacjonarny. Średnia ruchoma: v t = 1 3 (w t 1 + w t + w t+1 ) Jest stacjonarny. µ t = 0 3/9, s = t, 2/9, s t = 1, γ(s, t) = 1/9, s t = 2, 0, s t 3
14 Przykłady c.d. Błądzenie losowe z dryfem: x t = δt + t j=1 w j. µ t = δt. Zatem błądzenie losowe z dryfem nie jest szeregiem stacjonarnym. Bez dryfu również, ponieważ γ(s, t) = min{s, t}σ 2 w. Sygnał w szumie: x t = 2 cos(2πt/50 + 0, 6π) + w t. Nie jest stacjonarny. µ t = 2 cos(2πt/50 + 0, 6π),
15 Własności szeregów stacjonarnych Własności: Jeśli szereg jest ściśle stacjonarny, to jest stacjonarny. Jeśli szereg jest stacjonarny i każdy wielowymiarowy rozkład {x t1,..., x tn } jest gaussowski, to szereg jest ściśle stacjonarny. Oznaczenia: µ = µ t γ(h) = γ(t, t + h) ρ(h) = ρ(t, t + h) Analogiczne oznaczenia dla kowariancji i korelacji dwóch szeregów. Własności: γ(h) = γ( h) γ(0) = σ 2 - wariancja x t γ(h) γ(0)
16 Szereg stacjonarny Estymacja parametrów szeregu stacjonarnego: Średnia: ˆµ = 1 n n t=1 x t. Autokowariancja: ˆγ(h) = 1 n Autokorelacja: ˆρ(h) = ˆγ(h) Kowariancja: ˆγ xy (h) = 1 n Korelacja: ˆρ xy (h) = ˆγ(0) n h ˆγ xy (h) ˆγx (0)ˆγ y (0) n h t=1 (x t+h ˆµ)(x t ˆµ). t=1 (x t+h ˆµ x )(y t ˆµ y )
17 Rodzaje analiz szeregów czasowych Analiza czasowa Korelacja aktualnych danych z danymi poprzednimi Modelowanie przyszłych wartości na podstawie aktualnych i przeszłych Korzysta z regresji Modele ARIMA Analiza częstościowa Wpływ czynników cyklicznych (sezonowych) na wartości szeregu Główne narzędzie to analiza spektralna (gęstość spektralna)
18 Wprowadzenie do modelu ARIMA - pomocnicze operatory Oznaczenia: Operator przesunięcia Bx t = x t 1, B k x t = x t k. Operator różnicowy x t = x t x t 1, d x t = (1 B) d x t.
19 Model autoregresyny - AR Definicja modelu autoregresyjnego stopnia p - AR(p) Model postaci: x t = Φ 1 x t Φ p x t p + w t, gdzie x t to szereg stacjonarny, Φ i - stałe (Φ p 0), w t to biały szum (gaussowski). Jeśli µ = E(x t ) 0, to powyższy szereg zastępujemy przez: gdzie α = µ(1 Φ 1... Φ p ). x t = α + Φ 1 x t Φ p x t p + w t, Zapis operatorowy Φ(B)x t = w t, gdzie Φ(B) = 1 Φ 1 B... Φ p B p. Wielomianem AR(p) nazywamy wielomian zespolony: Φ(z) = 1 Φ 1 z... Φ p z p, Φ p 0 oraz z C.
20 Model AR(1) Własności procesu x t = Φx t 1 + w t dla Φ < 1 Średnia: E(x t ) = 0 Autokowariancja: γ(h) = σ2 w Φh 1 Φ 2, h 0 Autokorelacja: ρ(h) = Φ h, h 0 Własność autokorelacji: ρ(h) = Φρ(h 1) Zmienna x t jest skorelowana z wszystkimi poprzednimi zmiennymi x t k, k 1.
21 Proces: x t = Φx t 1 + w t Jeśli Φ < 1, to iterując wstecz otrzymujemy: x t = Φ j w t j. j=0 Szereg jest zbieżny (w sensie średniokwadratowym - przestrzeń L 2 ) i można sprawdzić, że jest stacjonarny. Nazywamy go szeregiem kazualnym. Jeśli Φ = 1, to dostajemy błądzenie losowe, o którym wiemy już, że nie jest stacjonarny. Jeśli Φ > 1, to powyższy szereg nie jest zbieżny, ale można iterować go wprzód: x t = Φ 1 x t+1 Φ 1 w t+1 =... = Φ j w t+j. j=1 Również jest zbieżny, choć ta forma jest bezużyteczna, gdyż teraźniejszość zależy od przyszłości - nazywamy go niekazualnym.
22 AR(p) W ogólności mamy model Φ(B)x t = w t i naszym celem jest znalezienie ciągu x t. Mnożąc obustronnie przez Φ 1 (B) otrzymujemy: x t = Φ 1 (B)w t, ale musimy mieć pewność, że Φ jest odwracalne. Odwracalność jest zdeterminowana przez odwracalność wielomianu zespolonego AR. Dla AR(1) wielomian AR i jego wielomian odwrotny to Φ(z) = 1 Φ 1 z Φ 1 (z) = j=0 Φ j 1 zj i odwracalność wielomianu jest równoważna zbieżności szeregu. Podobnie jest dla innych modeli AR - wielomianami odwrotnymi są szeregi zespolone.
23 Własność kazualności Definicja Proces AR(p) postaci Φ(B)x t = w t nazywamy kazualnym jeśli daje się zapisać jako: x t = Ψ(B)w t, gdzie Ψ(B) = j=0 Ψ jb j oraz j=0 Ψ j <. Twierdzenie Proces AR(p) jest kazualny jeśli Φ(z) 0 dla z 1.
24 Przykład - autokorelacja AR(2) Dany proces: x t = Φ 1 x t 1 + Φ 2 x t 2 + w t - kazualny. Bierzemy: E(x t x t h ) = Φ 1 E(x t 1 x t h ) + Φ 2 E(x t 2 x t h ) + E(w t x t h ). Ponieważ E(x t ) = 0 oraz dla h > 0 to E(w t x t h ) = E(w t Dzieląc przez ρ(0) dostajemy j=0 w t h j ) = 0, γ(h) = Φ 1 γ(h 1) + Φ 2 γ(h 2). ρ(h) Φ 1 ρ(h 1) Φ 2 ρ(h 2) = 0, z warunkami początkowymi ρ(0) = 1 i ρ( 1) = ρ(1) = Φ1 1 Φ 2.
25 C.d. - rozwiązania: Niech z 1, z 2 będą zerami wielomianu Φ(z) = 1 Φ 1 z + Φ 2 z 2. Oczywiście z 1 > 1 oraz z 2 > 1 - z kazualności. 1 Jeśli z 1 z 2 - rzeczywiste, to więc ρ(h) 0, gdy h. 2 Jeśli z 1 = z 2 - rzeczywiste, to więc ρ(h) 0, gdy h. ρ(h) = c 1 z h 1 + c 2 z h 2, ρ(h) = z h 1 (c 1 + c 2 h), 3 Jeśli z 1 = z 2, to c 1 = c 2 (ponieważ ρ(h) - rzeczywiste) oraz ρ(h) = c 1 z h 1 + c 1 z h 1 Upraszczając dostaniemy, że ρ(h) 0, gdy h sinusoidalnie.
26 Model MA Definicja modelu średniej ruchomej stopnia q - MA(q) Model postaci: x t = w t + Θ 1 w t Θ q w t q, gdzie w t -biały szum (gaussowski), Θ i -stałe (Θ q 0). Zapis operatorowy x t = Θ(B)w t, gdzie Θ(B) = 1 + Θ 1 B Θ q B q. Wielomianem MA(q) nazywamy wielomian zespolony: Θ(z) = 1 + Θ 1 z Θ p z p, Θ p 0 oraz z C. Proces jest stacjonarny dla wszystkich Θ i.
27 Model MA(1) Własności procesu x t = w t + Θw t 1 Średnia: E(x t ) = 0 Autokowariancja: Autokorelacja: (1 + Θ 2 )σw 2, h = 0, γ(h) = Θσw 2, h = 1, 0, h > 1 ρ(h) = { Θ 1+Θ 2, h = 1, 0, h > 1 Zmienna x t jest skorelowana jedynie ze zmienną w czasie poprzednim x t 1
28 Niejednoznaczność modelu MA(1) Rozważmy model x t = w t + Θw t 1. Jeśli zatem założymy, że Θ = 5 oraz σ 2 w = 1, to z funkcji autokowariancji widać, że otrzymujemy model o takim samym rozkładzie jak model z parametrami Θ = 1/5 oraz σ 2 w = 25. Wynika stąd, że ten sam model może być zapisany za pomocą dwóch różnych procesów, dlatego należy stworzyć kryterium dzięki któremu uzyskamy jednoznaczność.
29 Niejednoznaczność w MA(q) Rozważając model x t = Θ(B)w t, przedstawmy proces w t jako kombinację liniową procesu x t podobnie jak dla procesu AR(p). Mnożąc obustronnie przez Θ 1 (B) otrzymujemy: ale Θ musi być odwracalne. w t = Θ 1 (B)x t, Ponownie, odwracalność Θ(B) jest zdeterminowana odwracalnością wielomianu zespolonego Θ(z).
30 Własność odwracalności dla procesu MA(p) Definicja Proces MA(q) postaci x t = Θ(B)w t jest odwracalny jeśli można go zapisać jako: w t = π(b)x t, gdzie π(b) = j=0 π jb j oraz j=0 π j <. Twierdzenie Proces MA(q) jest odwracalny jeśli Θ(z) 0 dla z 1.
31 Przykład - autokorelacja MA(q) Dany jest proces x t = Θ(B)w t, gdzie Θ(B) = 1 + Θ 1 B +... Θ q B. Po pierwsze E(x t ) = 0 Po drugie Ostatecznie: q q γ(h) = E[( Θ j w t+h j )( Θ k w t k )] = j=0 k=0 { σ 2 w q h j=0 Θ jθ j+h, 0 h q, 0, h > q q h j=0 Θj Θ j+h ρ(h) =, 1 h q, 1+Θ Θ2 q 0, h > q Czyli x t jest tylko skorelowane z q poprzedzającymi wyrazami.
32 Model ARMA Definicja modelu autoregresyjnego ze średnią ruchomą ARMA(p,q) Model postaci: x t = Φ 1 x t Φ p x t p + w t + Θ 1 w t Θ q w t q, gdzie x t to szereg stacjonarny, Φ p 0, Θ q 0, w t to biały szum (gaussowski). Jeśli µ = E(x t ) 0, to powyższy szereg zastępujemy przez: x t = α + Φ 1 x t Φ p x t p + w t + Θ 1 w t Θ q w t q, gdzie α = µ(1 Φ 1... Φ p ). Zapis operatorowy Φ(B)x t = Θ(B)w t. Dla procesu ARMA(p,q) przenosimy definicję kazualności oraz odwracalności analogicznie jak dla procesów AR(p) i MA(q). Również w podobny sposób można liczyć korelację w tym modelu.
33 Redundancja parametrów modelu ARMA Procesy: x t = w t, opisują ten sam model. Odejmujc stronami 0, 5x t 1 = 0, 5w t 1 x t 0, 5x t 1 = w t 0, 5w t 1 nadal dostajemy ten sam model. Chcemy potrafić wykryć nadmiarowość parametrów i uprościć model. W tym celu stosujemy zapis operatorowy: i dostajemy: (1 0, 5B)x t = (1 0, 5B)w t x t = (1 0, 5B) 1 (1 0, 5B)w t = w t. Podobnie możemy rozwiązywać ten problem dla innych procesów ARMA porównując wielomiany AR i MA.
34 Modele ARMA z trendem Model ARMA zakłada stacjonarność procesu x t Jednym z czynników psującym stacjonarność jest trend Pewna klasa procesów z trendem może być sprowadzona do modelu ARMA przez usunięcie trndu. Metody usuwania trendu Regresja Różnicowanie
35 Usuwanie trendu za pomocą regresji Sytuacja x t = µ t + y t, gdzie µ t = k j=0 β jt j - trend wielomianowy, y t - szereg stacjonarny. Procedura usuwania trendu: Estymujemy trend za pomocą regresji wielomianowej - ˆµ t i tworzymy nowy szereg jako: ŷ t = x t ˆµ t. Dzięki estymacji znamy dokładną postać nowego szeregu ŷ t.
36 Usuwanie trendu za pomocą różnicowania Sytuacja 1 x t = µ t + y t, µ t = β 0 + β 1 t, gdzie y t - szereg stacjonarny, β j - stałe. Czyli przyjmujemy trend liniowy(szczególny przypadek poprzedniej sytuacji). Operacja: daje nam szereg stacjonarny. x t = x t x t 1 = β 1 + y t.
37 Usuwanie trendu za pomocą różnicowania Sytuacja 2 x t = µ t + y t, µ t = δ + µ t 1 + w t, gdzie w t - biały szum. Czyli przyjmujemy, że błądzenie losowe jest modelem trendu. Postępowanie: x t = (µ t + y t ) (µ t 1 + y t 1 ) = δ + w t + y t. - szereg stacjonarny. Dzięki różnicowaniu, nie musimy nic estymować, ale nie też nie poznajemy wprost szeregu y t.
38 Różnicowanie wyżej wymiarowe Sytuacja 3 x t = µ t + y t, µ t = gdzie y t - stacjonarny, β j - stałe. Wówczas k x t - stacjonarny. k β j t j, j=0
39 Usuwanie niestacjonarności za pomocą różnicowania Sytuacja 4 x t = µ t + y t, µ t = µ t 1 + v t, v t = v t 1 + w t, gdzie w t - biały szum, y t - stacjonarny. Niestacjonarność jest modelowana jako podwójne błądzenie losowe. Tym razem: 2 x t = 2 y t + w t - szereg stacjonarny. Dla k-krotnie złożonych procesów tego typu wykonujemy k-krotne różnicowanie w celu usunięcia niestacjonarności.
40 Proces ARIMA Defnicja Proces x t nazywamy procesem ARIMA(p,d,q) jeśli jest procesem ARMA(p,q). Ogólnie ten model zapisujemy jako: Jeśli E( d x t ) = µ, to piszemy gdzie α = µ(1 Φ 1... Φ p ). d x t = (1 B) d x t Φ(B)(1 B) d x t = Θ(B)w t. Φ(B)(1 B) d x t = α + Θ(B)w t,
41 Przykład Rysunek: Dane dotyczące temperatury i trend liniowy.
42 Przykład c.d. Rysunek: Szereg po usunięciu trendu za pomocą regresji (góra) i różnicowania (dół).
43 Przykład c.d. Rysunek: Autokorelacja oryginalnego szeregu(góra) oraz szeregów po usunięciu trendu za pomocą regresji (środek) i różnicowania (dół).
Finansowe szeregi czasowe
24 kwietnia 2009 Modelem szeregu czasowego jest proces stochastyczny (X t ) t Z, czyli rodzina zmiennych losowych, indeksowanych liczbami całkowitymi i zdefiniowanych na pewnej przestrzeni probabilistycznej
Bardziej szczegółowoWYKŁAD: Szeregi czasowe I. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe I Zaawansowane Metody Uczenia Maszynowego Szereg czasowy (X t ) - ciąg zmiennych losowych indeksowany parametrem t (czas). Z reguły t N lub t Z. Dotąd rozpatrywaliśmy: (X t )- ciąg
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
1 WYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy): Matematyka Specjalność (jeśli
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
1 Zał. nr 4 do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy):
Bardziej szczegółowowprowadzenie do analizy szeregów czasowych
19 stycznia 2016 Wprowadzenie Prezentacja danych Dekompozycja Preprocessing Model predykcji ARIMA Dobór parametrów modelu ARIMA Podsumowanie Definicje i przykłady Definicje Szeregiem czasowym nazywamy
Bardziej szczegółowoAnaliza szeregów czasowych: 7. Liniowe modele stochastyczne
Analiza szeregów czasowych: 7. Liniowe modele stochastyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2005/06 Liniowe modele stochastyczne Niech {y n } N n=1 będzie pewnym ciagiem danych
Bardziej szczegółowoAnaliza szeregów czasowych: 5. Liniowe modele stochastyczne
Analiza szeregów czasowych: 5. Liniowe modele stochastyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2006/07 Dwa rodzaje modelowania 1. Modelowanie z pierwszych zasad. Znamy prawa
Bardziej szczegółowoPodczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.
Trochę teorii W celu przeprowadzenia rygorystycznej ekonometrycznej analizy szeregu finansowego będziemy traktowali obserwowany ciąg danych (x 1, x 2,..., x T ) jako realizację pewnego procesu stochastycznego.
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowo2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27
SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład VI. Niestacjonarne szeregi czasowe
Prognozowanie i Symulacje. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści Analiza stacjonarności szeregów czasowych 1 Analiza stacjonarności szeregów czasowych Modele niestacjonarne Szeregi TS i DS
Bardziej szczegółowoWyk ad II. Stacjonarne szeregi czasowe.
Wyk ad II. Stacjonarne szeregi czasowe. W wi ekszości przypadków poszukiwanie modelu, który dok adnie by opisywa zachowanie sk adnika losowego " t, polega na analizie pewnej klasy losowych ciagów czasowych
Bardziej szczegółowoPrawa wielkich liczb, centralne twierdzenia graniczne
, centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
Bardziej szczegółowoEkonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk
Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 5 & 6 Szaeregi czasowe 1
Bardziej szczegółowoAnaliza szeregów czasowych: 6. Liniowe modele niestacjonarne
Analiza szeregów czasowych: 6. Liniowe modele niestacjonarne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2007/08 Warunki stacjonarności modelu AR(p) y n = β 1 y n 1 + β 2 y n 2 + + β
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIII: Prognoza. 26 stycznia 2015 Wykład XIII: Prognoza. Prognoza (predykcja) Przypuśćmy, że mamy dany ciąg liczb x 1, x 2,..., x n, stanowiących wyniki pomiaru pewnej zmiennej w czasie wielkości
Bardziej szczegółowoModelowanie ekonometryczne
Modelowanie ekonometryczne Kamil Skoczylas Kamilskoczylas@wp.pl 1. Wstęp Otaczający nas świat to zbiór różnych zjawisk. W zależności od zainteresowań człowiek staje się obserwatorem niektórych z nich.
Bardziej szczegółowoANALIZA DYNAMIKI DOCHODU KRAJOWEGO BRUTTO
ANALIZA DYNAMIKI DOCHODU KRAJOWEGO BRUTTO Wprowadzenie Zmienność koniunktury gospodarczej jest kształtowana przez wiele różnych czynników ekonomicznych i pozaekonomicznych. Znajomość zmienności poszczególnych
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16
Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna
Bardziej szczegółowoWykład z równań różnicowych
Wykład z równań różnicowych 1 Wiadomości wstępne Umówmy się, że na czas tego wykładu zrezygnujemy z oznaczania n-tego wyrazu ciągu symbolem typu x n, y n itp. Zamiast tego pisać będziemy x (n), y (n) itp.
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoWykład z równań różnicowych
Wykład z równań różnicowych Umówmy się, że na czas tego wykładu zrezygnujemy z oznaczania n-tego wyrazu ciągu symbolem typu x n, y n itp. Zamiast tego pisać będziemy x (n), y (n) itp. Definicja 1. Operatorem
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoStatystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34
Statystyka Wykład 9 Magdalena Alama-Bućko 24 kwietnia 2017 Magdalena Alama-Bućko Statystyka 24 kwietnia 2017 1 / 34 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowoWYKŁAD: Szeregi czasowe II. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe II Zaawansowane Metody Uczenia Maszynowego Zwroty indeksów finansowych Y t : indeks finansowy w momencie t (wartość waloru, kurs walutowy itp). Określimy zwrot indeksu finansowego
Bardziej szczegółowoPROGNOZA WYSTĄPIENIA WSTRZĄSU ZA POMOCĄ SZEREGÓW CZASOWYCH. 1. Wprowadzenie. Zdzisław Iwulski* Górnictwo i Geoinżynieria Rok 31 Zeszyt 3/1 2007
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3/1 2007 Zdzisław Iwulski* PROGNOZA WYSTĄPIENIA WSTRZĄSU ZA POMOCĄ SZEREGÓW CZASOWYCH 1. Wprowadzenie Z szeregami czasowymi spotykamy się w inżynierii, geologii,
Bardziej szczegółowoCo trzeba wiedzieć korzystając z modelu ARIMA i które parametry są kluczowe?
Prognozowanie Co trzeba wiedzieć korzystając z modelu ARIMA Marta Płonka Predictive Solutions W trzecim już artykule dotyczącym szeregów czasowych przyjrzymy się modelom ARIMA. Dzisiaj skupimy się na metodzie
Bardziej szczegółowoLokalna odwracalność odwzorowań, odwzorowania uwikłane
Lokalna odwracalność odwzorowań, odwzorowania uwikłane Katedra Matematyki i Ekonomii Matematycznej Szkoła Główna Handlowa 17 maja 2012 Definicja Mówimy, że odwzorowanie F : X R n, gdzie X R n, jest lokalnie
Bardziej szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
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 szczegółowoVI. Równania różniczkowe liniowe wyższych rzędów
VI. 1. Równanie różniczkowe liniowe n-tego rzędu o zmiennych współczynnikach Niech podobnie jak w poprzednim paragrafie K = C lub K = R. Podobnie jak w dziedzinie rzeczywistej wprowadzamy pochodne wyższych
Bardziej szczegółowoEkonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk
Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 5 & 6 Szaeregi
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /15
Matematyka dyskretna Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl 7/15 Rachunek różnicowy Dobrym narzędziem do obliczania skończonych sum jest rachunek różnicowy. W rachunku tym odpowiednikiem operatora
Bardziej szczegółowoWykład 11: Martyngały: definicja, twierdzenia o zbieżności
RAP 412 14.01.2009 Wykład 11: Martyngały: definicja, twierdzenia o zbieżności Wykładowca: Andrzej Ruciński Pisarz:Mirosława Jańczak 1 Wstęp Do tej pory zajmowaliśmy się ciągami zmiennych losowych (X n
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoEkonometria dynamiczna i finansowa Kod przedmiotu
Ekonometria dynamiczna i finansowa - opis przedmiotu Informacje ogólne Nazwa przedmiotu Ekonometria dynamiczna i finansowa Kod przedmiotu 11.5-WK-IiED-EDF-W-S14_pNadGenMOT56 Wydział Kierunek Wydział Matematyki,
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane
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 szczegółowoEkonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja Dr Michał Gradzewicz Katedra Ekonomii I KAE Ekonometria szeregów czasowych Procesy stochastyczne Stacjonarność i biały szum Niestacjonarność:
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są
Bardziej szczegółowoPrzyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej szczegółowoAnaliza szeregów czasowych: 2. Splot. Widmo mocy.
Analiza szeregów czasowych: 2. Splot. Widmo mocy. P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2007/08 Splot Jedna z najważniejszych własności transformaty Fouriera jest to, że transformata
Bardziej szczegółowoMODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek
Tytuł: Autor: MODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek Wstęp Książka "Modelowanie polskiej gospodarki z pakietem R" powstała na bazie materiałów, które wykorzystywałem przez ostatnie
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 szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoREGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój
1 REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 2 DOTYCHCZASOWE MODELE Regresja liniowa o postaci: y
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowoCentralne twierdzenie graniczne
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1
Bardziej szczegółowo8 Całka stochastyczna względem semimartyngałów
M. Beśka, Całka Stochastyczna, wykład 8 148 8 Całka stochastyczna względem semimartyngałów 8.1 Całka stochastyczna w M 2 Oznaczmy przez Ξ zbiór procesów postaci X t (ω) = ξ (ω)i {} (t) + n ξ i (ω)i (ti,
Bardziej szczegółowoRównania różniczkowe liniowe wyższych rzędów o stałych współcz
Równania różniczkowe liniowe wyższych rzędów o stałych współczynnikach Katedra Matematyki i Ekonomii Matematycznej SGH 12 maja 2016 Równanie liniowe n-tego rzędu Definicja Równaniem różniczkowym liniowym
Bardziej szczegółowoStanisław Cichocki. Natalia Neherbecka. Zajęcia 13
Stanisław Cichocki Natalia Neherbecka Zajęcia 13 1 1. Kryteria informacyjne 2. Testowanie autokorelacji 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 5
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
Bardziej szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej szczegółowoZnaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie:
Ciągi rekurencyjne Zadanie 1 Znaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie: w dwóch przypadkach: dla i, oraz dla i. Wskazówka Należy poszukiwać rozwiązania w postaci, gdzie
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoMetody Prognozowania
Wprowadzenie Ewa Bielińska 3 października 2007 Plan 1 Wprowadzenie Czym jest prognozowanie Historia 2 Ciągi czasowe Postępowanie prognostyczne i prognozowanie Predykcja długo- i krótko-terminowa Rodzaje
Bardziej szczegółowoMateriał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)
Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) (studium przypadku) Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
Bardziej szczegółowoDrugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A
Drugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A Zad. 1. Korzystając z podanych poniżej mini-tablic, oblicz pierwszy, drugi i trzeci kwartyl rozkładu N(10, 2 ). Rozwiązanie. Najpierw ogólny komentarz
Bardziej szczegółowoRachunek Prawdopodobieństwa Anna Janicka
Rachunek Prawdopodobieństwa Anna Janicka wykład XIV, 24.01.2017 ŁAŃCUCHYMARKOWA CD. KRÓTKIE INFO O RÓŻNYCH WAŻNYCH ROZKŁADACH Plan na dzisiaj Łańcuchy Markowa cd. Różne ważne rozkłady prawdopodobieństwa,
Bardziej szczegółowoTransmitancje układów ciągłych
Transmitancja operatorowa, podstawowe człony liniowe Transmitancja operatorowa (funkcja przejścia, G(s)) stosunek transformaty Laplace'a sygnału wyjściowego do transformaty Laplace'a sygnału wejściowego
Bardziej szczegółowoRównania różnicowe. Dodatkowo umawiamy się, że powyższy iloczyn po pustym zbiorze indeksów, czyli na przykład 0
Równania różnicowe 1 Wiadomości wstępne Umówmy się, że na czas tego wykładu zrezygnujemy z oznaczania n-tego wyrazu ciągu symbolem typu x n, y n itp Zamiast tego pisać będziemy x (n), y (n) itp Ponadto
Bardziej szczegółowoKurs wyrównawczy - teoria funkcji holomorficznych
Kurs wyrównawczy - teoria funkcji holomorficznych wykład 1 Gniewomir Sarbicki 15 lutego 2011 Struktura ciała Zbiór par liczb rzeczywistych wyposażamy w działania: { + : (a, b) + (c, d) = (a + c, b + d)
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoMODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XI/2, 2010, str. 254 263 MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE Agnieszka Tłuczak Zakład Ekonometrii i Metod Ilościowych, Wydział Ekonomiczny
Bardziej szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowoistocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy
MODEL REGRESJI LINIOWEJ. METODA NAJMNIEJSZYCH KWADRATÓW Analiza regresji zajmuje się badaniem zależności pomiędzy interesującymi nas wielkościami (zmiennymi), mające na celu konstrukcję modelu, który dobrze
Bardziej szczegółowo28 maja, Problem Dirichleta, proces Wienera. Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126
Problem Dirichleta, proces Wienera Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 28 maja, 2012 Funkcje harmoniczne Niech będzie operatorem Laplace a w
Bardziej szczegółowoKatedra Fizyki Ciała Stałego Uniwersytetu Łódzkiego. Ćwiczenie 2 Badanie funkcji korelacji w przebiegach elektrycznych.
Katedra Fizyki Ciała Stałego Uniwersytetu Łódzkiego Ćwiczenie Badanie unkcji korelacji w przebiegach elektrycznych. Cel ćwiczenia: Celem ćwiczenia jest zbadanie unkcji korelacji w okresowych sygnałach
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoWykład 5 Estymatory nieobciążone z jednostajnie minimalną war
Wykład 5 Estymatory nieobciążone z jednostajnie minimalną wariancją Wrocław, 25 października 2017r Statystyki próbkowe - Przypomnienie Niech X = (X 1, X 2,... X n ) będzie n elementowym wektorem losowym.
Bardziej szczegółowoStanisław Cihcocki. Natalia Nehrebecka
Stanisław Cihcocki Natalia Nehrebecka 1 1. Kryteria informacyjne 2. Testowanie autokorelacji w modelu 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach
Bardziej szczegółowoCYFROWE PRZETWARZANIE SYGNAŁÓW
POLITECHNIKA RZESZOWSKA im. I. Łukasiewicza WYDZIAŁ ELEKTROTECHNIKI I INFORMATYKI Katedra Metrologii i Systemów Diagnostycznych CYFROWE PRZETWARZANIE SYGNAŁÓW Analiza korelacyjna sygnałów dr hab. inż.
Bardziej szczegółowoUkłady równań i równania wyższych rzędów
Rozdział Układy równań i równania wyższych rzędów Układy równań różniczkowych zwyczajnych Wprowadzenie W poprzednich paragrafach zajmowaliśmy się równaniami różniczkowymi y = f(x, y), których rozwiązaniem
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 szczegółowoStanisław Cichocki Natalia Neherbecka
Stanisław Cichocki Natalia Neherbecka 13 marca 2010 1 1. Kryteria informacyjne 2. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach (ADL) 3. Analiza
Bardziej szczegółowoprzy warunkach początkowych: 0 = 0, 0 = 0
MODELE MATEMATYCZNE UKŁADÓW DYNAMICZNYCH Podstawową formą opisu procesów zachodzących w członach lub układach automatyki jest równanie ruchu - równanie dynamiki. Opisuje ono zależność wielkości fizycznych,
Bardziej szczegółowoRozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE
1. 1. W p r owadze n ie 1 Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE 1.1. WPROWADZENIE SYGNAŁ nośnik informacji ANALIZA SYGNAŁU badanie, którego celem jest identyfikacja własności, cech, miar sygnału; odtwarzanie
Bardziej szczegółowoSylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu
Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu A. Informacje ogólne Nazwa pola Nazwa przedmiotu Treść Analiza Szeregów Czasowych Jednostka
Bardziej szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Plan prezentacji Wprowadzenie do prognozowania Metody
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowo3.Funkcje elementarne - przypomnienie
3.Funkcje elementarne - przypomnienie Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie rzegorz Kosiorowski (Uniwersytet Ekonomiczny3.Funkcje w Krakowie) elementarne - przypomnienie 1 / 51 1 Funkcje
Bardziej szczegółowoWielomiany. dr Tadeusz Werbiński. Teoria
Wielomiany dr Tadeusz Werbiński Teoria Na początku przypomnimy kilka szkolnych definicji i twierdzeń dotyczących wielomianów. Autorzy podręczników szkolnych podają różne definicje wielomianu - dla jednych
Bardziej szczegółowoIII. Funkcje rzeczywiste
. Pojęcia podstawowe Załóżmy, że dane są dwa niepuste zbiory X i Y. Definicja. Jeżeli każdemu elementowi x X przyporządkujemy dokładnie jeden element y Y, to mówimy, że na zbiorze X została określona funkcja
Bardziej szczegółowoAlgorytmy, które estymują wprost rozkłady czy też mapowania z nazywamy algorytmami dyskryminacyjnymi.
Spis treści 1 Wstęp: generatywne algorytmy uczące 2 Gaussowska analiza dyskryminacyjna 2.1 Gaussowska analiza dyskryminacyjna a regresja logistyczna 3 Naiwny Klasyfikator Bayesa 3.1 Wygładzanie Laplace'a
Bardziej szczegółowoCiała i wielomiany 1. przez 1, i nazywamy jedynką, zaś element odwrotny do a 0 względem działania oznaczamy przez a 1, i nazywamy odwrotnością a);
Ciała i wielomiany 1 Ciała i wielomiany 1 Definicja ciała Niech F będzie zbiorem, i niech + ( dodawanie ) oraz ( mnożenie ) będą działaniami na zbiorze F. Definicja. Zbiór F wraz z działaniami + i nazywamy
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoEstymacja w regresji nieparametrycznej
Estymacja w regresji nieparametrycznej Jakub Kolecki Politechnika Gdańska 28 listopada 2011 1 Wstęp Co to jest regresja? Przykład regresji 2 Regresja nieparametryczna Założenia modelu Estymacja i jej charakterystyki
Bardziej szczegółowo